在工业制造场景中，工业预测性维护（PdM）与机器视觉缺陷检测（AOI）对低时延、数据私密性与高可靠性要求极高。边缘计算结合针对性优化的小模型（SLM / 小型视觉模型），已成为实现产线自治的主流方案。
场景一：风电/旋转机械设备预测性维护（PdM）
-
典型案例：风电机组齿轮箱与主轴承的异常早期预警。振动传感器以 20 kHz 的高频采样原始时域信号，由于现场网络受限且数据量达数 GB/小时，全量回传云端成本不可行。
-
模型架构：
-
轻量级时序分析：采用剪枝后的 1D-CNN + 轻量化 LSTM 或微型时序 Transformer（如 PatchTST 的微型蒸馏版本）。
-
诊断报告生成小模型：端侧部署量化至 4-bit 的 1B~3B 参数 SLM（如微调版 Llama-3-1B 或 Phi 系列），负责将时域特征向量转化为现场运维人员可读的自然语言排查建议。
-
-
数据与计算流：
-
传感器通过 Modbus/OPC-UA 将振动与温度数据传至现场边缘工控机（IPC）。
-
边缘网关执行快速傅里叶变换（FFT）提取频域特征。
-
轻量化时序模型以毫秒级时延进行实时异常评分（Anomaly Score）。
-
触发阈值异常时，端侧小模型结合设备运行日志，生成结构化诊断报告并推送至现场工控屏或边缘网关，仅将警报摘要异步上传至云端资产管理系统。
-
场景二：高精度 3C/PCB 表面缺陷视觉质检（AOI）
-
典型案例：高密度电路板（PCB）或精密金属结构件的虚焊、划伤、微裂纹检测。产线节拍通常要求单件检测在 100ms 以内，云端网络抖动会导致产线停滞。
-
模型架构：
-
检测主干网：采用轻量级目标检测模型（如 YOLOv10-N/S、RT-DETR 剪枝版）或单类无监督异常检测模型（如 PatchCore 轻量化版），经 TensorRT / OpenVINO 优化为 INT8 精度。
-
多模态边缘验证（VLM 小模型）：当传统视觉模型置信度处于边缘阈值（如 0.45~0.65）时，触发微型端侧视觉语言模型（如经过领域微调的 2B 级别多模态 SLM），结合工序历史状态进行二次确认，降低误检率（Overkill Rate）。
-
-
数据与计算流：
-
工控机触发工业相机抓拍，通过 GigE/CameraLink 传输 RAW 图像至边缘计算盒子。
-
边缘 NPU/GPU 运行 INT8 目标检测网络，执行实时定位与分类（耗时 < 30ms）。
-
若出现疑似缺陷，控制 PLC 驱动气动推杆剔除残次品，并将缺陷元数据与裁剪后的局部图存档于本地边缘存储。
-
边缘节点对"难例数据"（Hard Samples）打标签，批量回传云端用于模型迭代，完成主动学习（Active Learning）闭环。
-
系统落地分层架构设计
| 架构层级 | 部署设备 / 载体 | 核心职能与技术栈 |
|---|---|---|
| 设备感知层 | 工业相机、加速度计、声学传感器、PLC | 实时原始信号采集、硬件时钟同步、协议转换 |
| 边缘计算节点 | 工业边缘盒子（如搭载 20~40 TOPS NPU）、工控机 (IPC) | 实时推理、模型 INT8/INT4 量化推理、PLC 毫秒级联动、现场数据过滤 |
| 边缘管理中台 | 厂区边缘服务器（On-Premise K8s/K3s） | 设备固件 OTA 升级、端侧模型版本分发（GitOps）、难例聚合存储 |
| 中心化云端 | 工业互联网私有云/公有云 | 基础大模型研发与预训练、模型蒸馏与剪枝、全局报表与寿命预测 |