做机械的，一听到“边缘计算”四个字，脑子里多半会想：又是个IT黑话。可你在车间里折腾设备调试的时候，是不是已经察觉到不对劲了？数据拼命往云端传，网络稍微一波动，画面卡成PPT，明明现场急得跺脚，云端还在慢慢悠悠地处理。算了，干脆本地先算一把吧。
本地计算不是新玩意，只是以前叫“嵌入式”
说实话，十年前的PLC和单片机干的就是边缘计算的活。只不过那时候叫嵌入式控制，现在换了个马甲叫边缘计算，就把人唬住了。别被概念绕晕，核心就是把数据处理挪到离设备最近的地方。
判断标准就一条：数据产生到动作执行，能不能容忍100毫秒以上的延迟？能容忍，你尽管传云端；不能，那必须在边缘端处理。比如你给铣床主轴做振动超限保护，从传感器采样到触发急停，安全规范要求停机响应时间一般不超过20ms（参考ISO 13849），你走云端试试？没戏。
记得有次在轴承压装机上做力位监控，压装力曲线要实时判断有没有压入异常，得在10ms内给出结果。我们把压力传感器信号接到本地计算盒子上，用滑动窗口提取峰值和斜率，再和预设阈值比较。结果呢，稳稳的。要是放到云端，光网络抖动都不止10ms。
边缘端算点啥？先把这三板斧玩熟
别一上来就搞人工智能大模型。工业现场重在稳定可复现，经典算法永远是不够好但最可靠。我给新入行的同事讲，先掌握这三板斧：
第一板斧：时域统计特征。均值、峰峰值、有效值、峭度、波形因子这些。一组数据几十毫秒就算完，消耗几乎可以忽略。比如滚动轴承退化早期，峭度值会从3附近明显升高，这个就是报警的依据。你不需要懂太多数学，会用就行。
第二板斧：频域特征。FFT是基本功。一个采样率25.6kHz的振动信号，做4096点FFT，频率分辨率就是6.25Hz。对电机来说，转频和倍频是判断故障的关键。拿一台四级电机，额定转速1490rpm，基频约24.8Hz，要是频谱上出现0.5倍频的边带，多半是转子断条或者松动，这经验值很值钱。
第三板斧：轻量的趋势判断。比如滑动窗口线性回归，预测特征值是不是在持续增长。你不需要在边缘端训练模型，只需要每5分钟把斜率算出来，超过阈值就预警。这个用来做剩余寿命预测的开胃菜，足够了。
有人问，为什么不用神经网络？我只想说，一旦现场样本变化、工况变了，模型翻脸比翻书还快。你让一个不懂算法的机械工程师去调参？省省心吧。
就地计算，最容易被忽视的是机械设计
既然算力在设备旁边，那这盒子就不是普通机箱。车间环境粉尘大、油污多、温度动不动五十度往上。你搞个静音风扇？三个月后里面全是灰，CPU降频降到你怀疑人生。所以边缘计算终端的外壳要满足IP65防护等级，最好用无风扇设计，靠整体的导热铝壳散热。
散热计算也得做。以典型的Intel NUC级别的板卡为例，满载功耗约40W，环境温度50℃时，铝制外壳自然对流散热的表面积至少要达到0.2平方米，否则结温直接飙到90℃以上。你算过吗？我们第一版散热片就小了，夏天直接死机。
还有抗震设计。设备振动是常态，你得用带锁紧的接线端子，内部PCB用点胶加固，避免连接器松脱。更刁钻的是，有些现场有强烈的电磁干扰，你布置传感器时双绞屏蔽线必须良好接地，否则信号漂移严重，边缘端算得再准也没用。
选型硬指标：算力、存储、接口一个都不能少
硬件选型要从数据流倒推。举个例子，你要采集8通道振动信号，每通道采样率50kHz，每通道分辨率24位（3字节），原始码率就是8×50000×3 = 1.2MB/s。一天不间断就是100GB以上。你想把原始数据全存边缘端？那得配多大的SSD？所以一般是规划好存储策略：原始数据只留报警前后30秒，正常工况只存特征值，这样一天不会超过500MB。
CPU选型上，如果是纯时域特征和FFT，ARM Cortex-A7就能跑；但如果你想做高分辨率频谱分析，或者多通道同时运算，建议上带NEON指令集的Cortex-A53，或者直接上了x86的Celeron。内存不要低于512MB，但1GB足够。对了，必须是工业级温度范围-40℃到85℃，消费级的存储卡和芯片，在车间里寿命一年都难撑。
接口方面，至少要有两个千兆网口，一个接设备内网，一个连上位机或云端。还有一个RS485口，用来读取Modbus仪表。电源输入必须宽电压9~36V直流，很多现场电源不稳，这个能救一命。
别把边缘端做成孤岛，云边协同才是终点
边缘端算出来的特征和报警，终究要汇到平台。我习惯的做法是：边缘端用MQTT协议把结构化的消息发到私有云，QoS设为1，保证不丢。至于存量数据，用OPC UA统一接口，方便MES系统直接拉取。
但这里有个现实中容易踩的坑：模型版本和参数配置的同步。你远程调了一次阈值，结果有的机器收到了，有的没收到，现场行为不一致。所以必须在边缘端跑一个配置文件的哈希校验，每次启动时从云端拉取最新的版本，比对不一致就直接加载默认，并且上报告警。
我们曾经因为没做这个，导致生产线上三十台设备有七台用了旧参数，批量报废了上百件产品。真是血泪教训。
小结：边算边干，别让数据躺着睡大觉
说实话，边缘端本地数据计算不是什么高深魔咒，它就是把算力放到最需要的地方，用最快的速度响应。对机械工程师来说，你不需要成为算法高手，但得懂数据采集、懂信号处理、懂系统工程。你真正要做的，是把设备上那些零散的振动、温度、压力数据，变成可以指导行动的报警和决策。
更重要的是，别跟风。不是所有场景都要边缘计算，先算数据量和延迟需求。如果数据几十秒传一次，云端算也没问题，那就老老实实用云端。但如果是高速设备的实时保护，或者网络不可靠的偏远站点，边缘端本地数据计算是唯一能打的方案。
算力离现场近一厘米，故障离你远一百米。这话糙理不糙。
