随着制造商向更加互联、自动化的生产环境迈进，在数据产生的位置附近处理数据，正成为智能工厂的重要组成部分。边缘计算可以减少将数据发送至集中式系统或云端所产生的延迟，使生产设备能够近乎实时地响应不断变化的生产条件。
对于计量和质量控制而言，这一发展尤其重要。现代检测系统可以通过相机、3D扫描仪、激光传感器、三坐标测量机（CMM）以及其他设备产生大量测量数据。在边缘侧处理这些信息，可以帮助制造商不再只是发现缺陷，而是进一步对生产过程进行即时调整。
在生产现场处理数据
传统工业架构通常会将传感器和检测数据发送至中央服务器或云平台进行分析。这种方式对于数据存储、长期分析和生产管理仍然具有重要价值，但当生产过程需要立即响应时，它可能带来延迟。
边缘计算则将处理能力部署在更靠近产生数据的机床、传感器和检测系统的位置。工业PC、边缘控制器或专用计算平台可以在本地分析输入信息，并将形成的决策直接传递给生产设备。
在智能工厂中，这能够缩短测量与行动之间的反馈链路。
例如，视觉系统可能在生产过程中识别出尺寸变化趋势或表面缺陷。边缘系统无需只是将结果记录到质量数据库中，而是可以分析测量数据，将其与设定的限值或工艺趋势进行比较，并与机床控制器通信。随后，制造过程可以在产生大量不合格零件之前完成调整。
从检测走向干预
从检测走向干预，是工业计量领域的一项重要发展。
传统质量控制通常作为生产下游环节运行：零件完成制造后接受检测，然后被判定为合格或不合格。如今，越来越多制造商正在将测量直接集成到生产过程中，使检测数据成为制造控制的一项输入。
例如，在线光学检测系统获取的尺寸测量结果，可以识别刀具逐渐磨损的趋势。边缘计算系统能够分析这一趋势，并在尺寸超出规格之前触发刀具补偿调整。
类似的方法还可以应用于温度、振动、力、位置以及其他工艺变量。将这些数据流与测量结果结合起来，可以更完整地了解生产过程的运行状态。
目标并不是单纯收集更多数据，而是足够快速地将数据转化为生产决策，从而真正影响生产过程。
支持高速检测
3D成像和机器视觉的应用不断增加，也正在推动对本地数据处理能力的需求。
高分辨率相机和3D传感器能够产生大量数据。将每一幅图像或每一个点云都传输至远程服务器，可能消耗大量带宽并引入延迟。边缘处理则可以让相当一部分分析工作直接在本地完成。
算法可以在检测工位识别特征、计算尺寸、检测偏差或对缺陷进行分类。系统无需将完整的原始数据集全部传输出去，而是可以将经过筛选的结果发送至更高层级的制造和质量系统。
这并不意味着集中式计算的作用会消失。详细的检测数据仍然可以存储，用于追溯、统计分析、机器学习和工艺改进。因此，边缘计算和云计算越来越多地以互补层级的形式协同工作，而不是彼此竞争。
助力闭环制造
边缘计算、工业连接和自动化测量相结合，正在帮助制造商建立闭环生产流程。
在闭环系统中，传感器和检测设备持续提供有关制造过程的信息。软件对这些信息进行分析，并将适当的响应传递给生产设备。从测量到调整之间的时间越短，系统在工艺波动导致大量报废或返工之前做出响应的潜力就越大。
对于计量而言，这为测量系统提供了新的定位机会：它们不再只是孤立的质量检查节点，而可以成为生产过程中的主动组成部分。
边缘侧AI
人工智能和机器学习正在为基于边缘的检测与过程控制增加新的维度。
AI模型可以用于视觉缺陷检测、异常识别以及复杂表面状态分类等应用。在本地运行推理，可以减少将敏感生产数据传输至外部系统的需求，并在不希望受到网络延迟影响的场景中提供快速响应。
边缘AI还可以支持预测性方法。系统无需等到零部件尺寸超出公差后才采取行动，而是可以识别测量数据中与工艺漂移逐渐形成相关的模式。
对于那些微小变化会随时间累积的生产过程而言，这一点尤其有价值。刀具磨损、热效应、机床状态和环境变化都可能影响尺寸性能。将这些变量与历史测量数据结合起来，可以为更早进行干预提供基础。
连接能力的作用
边缘计算依赖于将制造环境中原本彼此分离的要素连接起来。
工业通信技术可以让测量系统、机器人、机床、PLC和制造软件相互交换信息。OPC UA等标准和接口能够为不同供应商设备之间的通信提供通用框架。
对于计量而言，连接能力尤其重要，因为测量结果需要转化为可用于生产的信息。如果尺寸测量结果始终孤立在检测系统内部，那么它对于自动过程控制的价值就十分有限。当这一结果能够与特定机床、刀具、加工操作和生产条件建立关联后，其对于工艺优化的价值就会大幅提升。
多层级管理数据
智能工厂不太可能完全依赖边缘计算或云计算中的任何一种。相反，数据处理正越来越多地分布在多个层级。
在机床层面，边缘系统可以处理时间敏感型决策和高频传感器数据。在工厂层面，制造执行系统和质量系统可以汇总来自多个生产区域的信息。随后，云平台可以跨工厂、生产线和历史数据集开展更广泛的分析。
这种架构让制造商能够判断每一类数据处理任务最适合在哪里完成。
实时控制通常要求在靠近机床的位置完成处理，而长期工艺分析、基准比较和模型开发则可以从集中式数据中受益。最终形成的是一种架构：信息根据自身用途，在边缘层与更高层级系统之间流动。
网络安全与可靠性
将计算能力部署到生产车间，也带来了新的网络安全和系统管理要求。
边缘设备直接连接生产设备和工业网络，因此安全控制至关重要。身份认证、网络分段、软件更新和监控，都需要作为系统架构的一部分加以考虑。
可靠性同样重要。参与过程控制的边缘系统不能像普通办公电脑一样对待。生产环境可能要求设备持续运行、具备工业环境防护能力，并在通信或计算功能不可用时采取适当的故障安全措施。
因此，制造商需要考虑的不只是边缘系统能够计算什么，还要考虑系统出现故障时将如何运行。
迈向自主质量控制
从长期来看，边缘计算有望推动质量控制进一步走向自主化。
检测系统已经能够以生产节拍对零件进行测量。互联制造系统可以利用这些测量结果监控过程能力，而边缘计算则提供了将这些测量结果转化为快速决策所需的处理层。
当边缘计算与AI、机器人以及越来越强大的工业传感器结合后，未来可能形成这样的生产单元：持续监控自身运行状态，并在较少人工干预的情况下进行受控调整。
人工专业能力仍然十分重要，尤其是在制定检测策略、建立可接受的工艺限值以及处理异常情况方面。不过，测量、分析和调整这一常规循环正越来越能够实现自动化。
对于制造商而言，目标并不是单纯建立一个能够产生更多数据的工厂，而是打造一个能够在正确时间对数据采取行动的生产环境。
边缘计算正成为推动这一转变的重要技术。通过将计算能力带到测量和生产现场附近，它能够帮助计量、机床控制和制造智能连接成一个统一且响应速度越来越快的过程。
最终，智能工厂将不再把检测仅仅视为制造流程的最后一个环节，而是将其融入产品制造过程本身，成为控制生产方式的重要组成部分。
作者：Gerald Jones，Metrology News编辑助理
