摘要：本文基于五个工业产线边缘计算改造项目的实际经验，梳理了机械自动化领域落地边缘计算的核心痛点、选型坑点以及算力分配的权衡思路，所有结论都来自实际项目踩坑总结，可直接用于落地参考。
为什么放着公有云不用，非要上边缘计算？
去年给山东一家做汽车底盘冲压的民营工厂做产线缺陷检测升级。一开始客户图省事，走了某大厂的云方案，所有工业相机拍的原图全传到云端做缺陷识别。
用了半个月就扛不住了。高峰期网络拥堵的时候，识别延迟最高到1.2秒。冲压机每分钟18冲，1.2秒就是半个成品已经压出来了，等你发停线指令，已经废了。
你说坑不坑？
按照GB/T 39259-2020《智能制造 边缘计算 参考架构》里的要求，闭环控制类的工业场景，端到端延迟要求必须低于100ms。就算给云拉了专线，来回传输的路由延迟也很难稳定卡在这个阈值以下，更别说运营商网络偶尔抽风。
除了延迟，还有成本账要算。那个客户十条冲压线，装了12个4K工业相机，一天产生的原始图像数据就是3.6TB。全传到云端，一个月带宽加存储费用快十万，对于年利润才几百万的中小加工厂来说，这完全是不可承受的成本。
换了边缘计算方案之后呢？所有识别计算都在车间本地的边缘节点做，只把缺陷样本和每日的统计结果传到云端，一个月的总费用不到八千。差了十倍都不止。
工业场景选边缘节点，最容易踩的两个选型坑
接触过很多刚做边缘改造的工程师，选型上来就看算力参数，谁算力高买谁，十个有八个踩坑。
我见过一个同行给汽配厂做改造，直接上了四块RTX3090的边缘服务器，放到车间生产区，不到一个月，积尘加高温，两块卡直接崩了。而且满负载运行一个月功耗一千多度电，项目成本直接超了预算三分之一，尾款都没拿到。
说实话，工业场景真不需要那么高的通用GPU算力。我们做缺陷检测、运动控制这类任务，用专门的NPU芯片做推理加速足够了。比如瑞芯微RK3588，INT8算力达到6TOPS，跑YOLOv5s级别的缺陷检测模型完全流畅，功耗才十几瓦，直接放到产线的电控柜里就行，价格才是GPU服务器的八分之一。性价比差了一个数量级。
第二个坑，就是忽略工业环境的适应性。很多厂商拿消费级的开发板改一改，就当成工业边缘节点卖，防护等级IP20都不到。车间里的金属粉尘、切削液雾气，随便往里面一钻，不出三个月就短路罢工。
我早年吃过这个亏，夏天车间温控坏了三天，边缘节点直接挂了，停线八小时，算上工件报废和产能损失，二十多万打了水漂。说出来都是泪。
到现在我选型，都卡死三个硬指标，少一个都不选：IP30以上防护等级，宽压9-36V直流输入，工作温度范围覆盖-10℃到60℃。这是底线，没得商量。
还有最容易忽略的一点：协议兼容性。很多工厂的老产线，PLC都是十几年前的老型号，比如西门子S7-200，用的还是原生PPI协议，很多新的边缘节点不支持，还要额外加转换网关，平白多了一个故障点。选型的时候一定要提前把所有设备的通信协议列出来，一个个核对清楚再下单，别买回来装的时候才发现不兼容，来回折腾，耽误工期。
边缘计算落地，最核心的权衡：本地到底留多少算力？
刚接触边缘计算的人，很容易走两个极端。要么就是把所有能放的计算都放本地，结果边缘节点越做越大，成本上去了，维护难度也翻了倍。要么就是边缘只做数据采集，啥计算都往云扔，那还叫什么边缘计算？跟原来的云方案有啥区别？
不过话说回来，这个度确实不好把握，我也是踩了两次坑才摸出规律。核心就是按照任务类型分，别搞一刀切。
涉及闭环控制的任务，100%放边缘，绝对不能往云端走。比如冲压机的压力闭环调整，焊接的电流实时修正，差个几十毫秒都可能出废品，甚至出安全事故，这种任务必须把控制权放在本地。
统计分析、模型训练类的任务，边缘做预处理，只传结果到云端。比如每日的产线OEE统计，缺陷类型分布，边缘直接算好平均值，只传汇总结果，原始数据存在本地的SSD里，需要调阅的时候再取，既省了带宽，又满足数据不出厂的合规要求。
去年我们给某主机厂做焊装线车身间隙检测改造，四个线激光传感器，每秒输出50帧点云，我们在边缘节点直接做滤波、特征匹配、间隙计算，只把超差的点云和每个车身的最终检测报告传云，数据量从每秒12MB降到不到1KB，不管网络好不好，系统都能稳定跑。
现在很多车企要求核心生产数据不能出工厂园区，边缘计算天然满足这个要求，原始数据都存在本地边缘节点，只传匿名的汇总数据，完全符合合规要求，这也是最近两年工业边缘计算火起来的核心原因之一。
边缘计算不是什么玄乎的概念，也不是厂商吹的“下一代工业革命核心”那种虚头巴脑的东西。说白了就是给工业产线降本提效的一个工具。别追参数，别听概念，多去车间蹲两天，摸清楚实际的环境和需求，算清楚成本账，选适合自己的方案就够了。我的这些踩坑经验，能帮你少走点弯路，就值了。
