云边协同可预测维护系统的市场应用
1.储能系统
云边协同可预测维护系统在储能系统中有广泛的应用。随着智能微网和虚拟电厂等应用的出现，储能系统需要联网并提供接口供智能调度系统进行调度，这就需要引入物联网的技术实现储能系统的技术升级。电力生产系统联网有严格的安全要求和规范，网络架构需要符合电力生产系统的安全规范，在物联网的基础上增加单向网闸穿透的功能成为必要。要想实现储能系统的模型优化、参数调优、提前预警、可预测维护等智能运维功能，需要引入大数据、人工智能、深度学习等技术，完成储能系统物联网化升级。云边协同储能可预测维护系统方案是EMQ提供的，它提供了云边协同一体化的方案实现储能系统的云边协同可预测维护。
2.智能工厂
在智能工厂中，产品的质量检测是生产企业管理者必须重视的关键环节。随着工业智能化的迅速发展，视觉AI缺陷检测技术已逐步成熟并得到广泛应用。采用视觉AI缺陷检测技术进行工业缺陷检测，具有非接触、高效、低成本、自动化程度高等优点，在检测缺陷和防止缺陷产品方面具有不可估量的价值。基于视觉AI缺陷检测技术，工厂如何实现零缺陷生产和自我工艺优化升级的「智慧化」，将在两个维度对现有的技术提出挑战，一方面需要不断训练、优化AI算法模型以提升视觉检测技术覆盖范围和精准度；另一方面，数据可自动上传到生产执行系统和企业云大数据分析平台，便于后续大数据分析做工艺的持续性优化、生产线的效率提升以及管理模式的不断改善，最终实现整个工厂自我纠错、不断改善的智慧化能力。EMQ通过云原生技术以及云边协同架构提供了完整解决方案，实现对视觉AI缺陷检测图像流及海量工业设备数据在「产线工厂集团」的连接、移动、处理、存储与分析。
3.旋转类设备
云边协同的旋转类设备预测性维护方法是一种新的维护方式，它包括在预测性维护模型中配置边缘设备，在预测性维护模块中创建组织及监测设备，并配置监测设备所需的算法模型，下发给对应的边缘端，通过采集模块采集设备的状态数据，并判断其边缘端是否存在可执行的算法模型，若不存在则转到模型训练，若存在则转到预测分析，通过边缘端的算法模型，根据采集的状态数据对设备进行预测分析，并将预测分析结果发送给预测性维护模块。这种方法在满足预测性维护领域的算力条件的同时，还满足分析与决策的实时性。
4.动力电池极片制造设备
基于云边协同的动力电池极片制造设备维护方法和系统是一种利用云计算和边缘计算潜力的方法，它包括由感知设备采集动力电池极片制造设备状态数据，由边缘计算平台根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据，同时上传，由云计算平台根据所有边缘计算平台上传的历史特征数据以及专家打分值给出最新的缺陷规模化产生预测模型，由边缘计算平台根据该模型进行预测，输出给定时间段内规模化产生极片缺陷的风险概率，由边缘计算平台判断该风险概率是否满足预先设定的告警及通知条件，若是则告警及通知。这种方法通过综合发挥云计算和边缘计算潜力，实现动力电池极片制造设备的预测性维护，降低维护成本及电池极片生产缺陷率。
