6GK5524-8GR00-4AR2西门子边缘计算主要基于实现生产中的“策略”如调度、优化，边缘计算涵盖了数据的连接、存储、应用(工业APP)的开发，运行环境（也同样需要类似PLC的Runtime）、开发工具（可借助于开放的通用工具如Python），传统的DCS/SCADA包括了其中很多功能，因此，传统OT厂商借助于自身的架构也可以推进边缘计算功能，在原有平台上开发相应的功能，对于IT厂商，其本身有较强的IT工具、容器技术，所需的是对运营场景中的分析、优化算法进行集成，但测试验证是IT厂商比较难的，因为OT厂商在这方面具有非常强的优势，因此，IT与OT的合作，分别在连接开放性、开发工具集成以及垂直行业Know-How方面的合作，这样才能构建融合的生态系统，但是，这个生态系统不能是IT与OT的简单融合，而是包括了EndUser、OEM、自动化、AI、数字化设计软件等系列厂商的共同融合，因此，协同的复杂性是当前的主要问题。边缘计算解决协同中的策略与规划问题边缘计算亦或云计算，本身划分时候是以时间粒度为主的，而实现方法可以有通用的，但是，***主要还是围绕解决问题，降低企业运营成本。IT的开放性、架构性是优势，而OT的应用紧密性，对稳定可靠的保障是基础。由于IT在广泛的消费与商用市场所积累的低成本存储、计算资源，包括开源社区所拥有的应用如机器学习算法、图像处理算法、语音等都可以被工业场景使用。6GK5524-8GR00-4AR2机器学习人工智能为未来智能化提供了无限遐想空间就目前而言，机器学习对于工业场景仍然是有较大的潜力的，但是，因何在文初即提出关于“创新”的问题，提出“数字化”设计的问题就在于学习必须基于模型，而我们在基础建模方面，包括机器制造商，产线设计厂商，都缺乏原创性设计，使得学习缺乏基础模型，对于监督式学习，仍然需要采用人工的标定，并且需要真实的物理机器进行测试，那就无法发挥真正机器学习的作用。图13-机器学习基本的过程那么在较好的情况下，我们认为机器学习也还是可以为很多应用提供场景，如产品缺陷的视觉检测、工艺参数的***优化都可以借助于机器学习（监督式），这取决于预测函数—是监督式机器学习的核心，理想的预测函数能够按照需求，将因变量映射到自变量空间。6GK5524-8GR00-4AR2什么是机器学习模型适用场景？1.低成本模型：软件尽量用现成的，且对硬件要求较低。2.模型易于解释：在实际应用中，我们往往需要对模型产生的结果进行解释和拍错，如果模型过于复杂，难以排错，势必影响应用。3.模型易于修改：建立的机器学习模型往往需要对未发生的事情进行预测，这个时候需要将人的判断放入模型，这就要求机器学习应该很容易带入人工设置的参数。如何评估监督式机器学习的效果？1.统计量是否***，应用业绩是否***：均方差误差（MeanSquareErro,MSE），另外就是***误差中位数2.衡量分类的统计量：分类任务中，实际标签和预测值进行分类，让其定义为阳性和阴性。衡量指标为准确率=真阳性/真阳性+假阳性。准确率刻画的是喊“狼来了”的孩子有多少次喊狼来了是正确的。召回率=真阳性/真阳性+假阴性。因此，对我们来说，智能制造整体来看，必须基于非常清晰的人才基础、创新思维与文化、精益运营管理的基础之上，然后再去一个个解决现实的垂直壁垒，不仅仅是自动化与信息化、智能化的融合，也包括业务上的上下游企业的关联合作，生态系统构需要技术的规范与标准作为“语言”沟通的基础，无论是OPCUATSN通信还是FMU/FMI的建模仿真，亦或IEC61131/IEC61499的编程开发，包括管理壳这些标准与规范，以及安全，因此，生态系统的构建是在“标准与规范”，而标准与规范背后是流程与模型的一致性，是软件与知识，是人的智慧。而在标准与规范之上，就是思想的开放，因为，人们总是执着于自我，IT与OT的融合中事实上有异议，相互之间并非是完全开放的，这些都是要解决的，因为融合的过程会有合作，但也会有潜在的利益冲突，这就需要更大的“和”—基于更高的智慧，全局的理解“竞争力”、理解合作，不偏执于自我和自己的领域—看上去下面就要谈到“佛”的般若境界了，的确，智能制造需要的不仅仅是技术，也包括思维的提升，包括对价值观、世界观的提升，扯太远了。)