边缘运算的做法是让终端设备具有一定的运算能力，具有边缘运算设计的工业物联网架构，必须先建立起一套数据流模式，当传感器撷取到设备的状态数据后，就将数据传送到通讯层的网关，网关再依照系统建构时的设定让数据分流， 需要实时处理数据传送到前端控制器，让自动化设备可以快速反应，需要储存累绩为长期数据的数据，则送往数据库储存，上层再透过运算平台分析出结果，提供管理者作为决策参考，因此现在完整的工业物联网， 其AI会被分别设计在会有终端与云端两部分，让分布式与集中式运算在架构中并存，彼此各司所职。

再从设备供应端在工业物联网的研究议题来看，现在主要是集中在4个方向，包括生产系统、产品质量、制程优化与数字建模。 在这4大方向中，各有其需要解决的问题，像是生产系统中，设备的状态感测、监控与预诊，产品质量的检测、预测，制程优化的参数设定、能源运用，数字建模的数字双生平泰建立等，透过工业物联网的数据撷取与分析，将可逐步解决这些问题， 提升系统整体效能。

在工业物联网中，AI主要用来做制程的优化与长期规画等非实时性决策，例如现在消费性市场的产品类别多样，制程系统的换线将成为常态，透过大数据与AI的运算，就可尽量缩短换线生产的停机时间，让排程优化。

进行产线排程时，需从机器环境、制程加工特性与限制、排程目标，依据工作到达达生产现场的情况区分，可分静态及动态排程两种，静态排程是到达生产现场时，其制造数目？固定且可一次完成的任务进行排程，后续如果出现新工作， 再并入下一次制程处理。 动态排程则是若制程连续、产品随机，而且数目不固定的到达生产现场，须不断的更新生？排程。

就上述两种排程方式来看，静态排程通常为少样多样方式，AI在其中要解决的问题，主要是透过深度学习算法分析各环节的时间与质量，不断的改进工序，让效能与质量优化；动态排程则用于少量多样生产，AI会针对不同产品的工序， 建立起换线模式，有不同产品上线时，即启动专属换线模式，尽量缩短停机时间，同时让产品维持固定质量。

由于工业物联网上层的AI建置，效益需要一段时间才浮现，不会是立竿见影的发生，而且对制造业者来说并非当务之急，因此目前投入者大多为大型制造业，中小规模的业者，则以底层的边缘运算为主。

目前中小企业的工业物联网建置，制造设备的预知保养与制程检测仍是两大主要功能，由于设备的无预警停机，将会造成整体产线停摆，轻则产在线的半成品报废，重则交期延宕影响商誉，设备保养过去多采人工记录方式，人员再按照时间维护， 不过这种方式除了有可能因人员疏失或懈怠，未能定时作业外，设备也有可能在未达维护时间时故障。

工业物联网中的设备预知保养可分两类，一种是直接在管理系统上设计提醒功能，主动告知相关人员维修时间，另一种则是由传感器侦测设备状态，若是出现异常，AI则会依据出现的状态频率，判断可能发生的情况，再做不同处理， 例如传感器发现马达的震动，有可能是轴心歪斜，系统会依据震动的大小与频率判断马达现在的状态，如果有可能会立即损坏，就马上告知设备维护人员停机更换，如果没有立即危险，则会让马达持续运作，并记录该马达的状况， 让管理人员自行决定维护时间，让产线可以维持稳定的运作效能。

边缘运算的另一种主要功能是制程检测，从目前AI的发展来看，图像处理占有70％以上的应用，在工业物联网架构中也是如此。 过去制程中多靠人眼检测产品质量，由于人眼容易疲劳，随着工作时间的拉长，检测质量会逐渐降低，再者，部分消费性产品的体积越来越小，产线速度越来越快，人眼已难以负荷，现在已被取代机器视觉所取代。

现在的机器视觉判断速度非常快，且精准度越来越高，不过其运作模式仍是贴合大量制造的制程为设计，其快速与精准的辨识，仅能适用于少数类型，在少量多样或混线生产的制程中仍力有未逮，而AI则可让机器视觉拥有学习能力， 未来的设备将可透过算法自我学习，遇到不一样的产品种类或瑕疵时，即可自主判断，不必再由管理人员重新设定、调整判别模式。

在现有的设备预诊与制测检测之后，制造系统的边缘运算接下来将会有那些重点应用？ 易用性将会是下一个趋势，而要让设备易用，感知会是系统的必要设计理念。

相对于现在的工业物联网中，边缘运算只能找出系统问题，感知运算则可找到问题的原因，并直接提出最佳解决方式，制造系统的智能化设计，必须针对不同用户提供适用功能，决策者、管理者、操作者所需的信息大不相同， 第一线的设备作业者遇到问题时，往往面临极大的时间压力，此时系统并不需要问题以外的信息，只需要系统直接告知问题所在，甚至提出可行的解决方式，像是设备故障，系统会直接在画面显示或以语音提示，告知操作人员先按下某个按键， 让系统先恢复安全状态，之后再提示紧急状态的发生原因。 这就是感知运算最大的优势所在，随着IT领域软硬件技术提升与制造业对智能化概念的逐渐接受，感知运算将成为制造业的应用会越来越多。

观察发展现况，工业4.0在制造业已是大势所趋，无论是设备应应商或制造业者，导入工业物联网的动作也都转趋积极，不过有成效者仍占少数，之前研究机构麦肯锡（McKinsey）就曾针对欧、美、日等地的制造大厂进行调查， 根据调查显示，建置相关系统的企业中，仅有四成认为有获得成效或确实改善了制程，此一结果虽然不至于太惨，但与当初预期仍有一段距离。

至于台湾地区市场，由于制造业族群分布零散，工业4.0要落实在不同产业中仍有困难，原因在于无论是技术成熟度、策略方针到问题痛点，不同型态的制造业，其差异都相当大，因此制造业导入工业物联网的第一步，就是先审视自己所处的位置， 以找出最合适的解决方案。

业者指出，各族群制程系统的技术成熟度不同，对工业物联网的功能需求差异也极大，例如传产可能连第一步将设备连网的阶段都还未达到，更遑论AI，但也有产业已在深入研究AI、机器学习等技术的深化应用，让设备自主优化。