在IIC发布题为「IIC Introduction to Edge Computing in IIoT」白皮书，针对持续性边缘计算在工业物联网(IIoT)作出介绍。边缘是一个逻辑层(Logical Layer)而非一个特定的实体分隔，所以，可由使用者自行释义与说明它的所处位置，依据实际案例的不同，边缘之定义取决于案例问题或要解决的“关键目标”，以下将论述四个应用案例与边缘计算之效益。

[[272345]]

案例一：保护设备免受过热损坏

名为「Dumb」的热电偶(Thermocouple)可测量泵浦的温度，具有边缘计算功能的泵浦可执行基本分析，以确定是否超过定义的临界值(Threshold)并在几毫秒内关闭泵浦。过程中没有延迟决策，也不需要联网才可执行此功能，联网不是必需，但可以用于通知使用。温度信息的时间价值迅速衰减，因延迟可能会导致设备损坏。在此情况下，边缘处于组件等级(Device Level)，因可实践关键目标，即使联网更高阶系统或因特网链接中断时亦可执行。

案例二：监测厂区或生产线的绩效

设备与生产线的绩效常透过设备效率评价(Overall Equipment Effectiveness, OEE)等绩效指标进行呈现。可在本地网关(Gateway)上针对工厂内各传感器的多个数据点以进行近实时分析(Near Real-Time Analytics)，并向操作系统或人员提供OEE趋势和警示提醒。

在这种情况下，基本功能需要取得多个设备的信息，才能执行简单的分析。等待来自云端决策的响应时，将使得信息的时间价值变高，若有所延迟恐会导致重大损失，这样的商业问题意味着边缘计算适用于工厂场域的层级。

案例三：每两天优化当地或工厂之供应链

最适化当地设施、工厂或油田的供应链流程需要取得多种数据源，并在短时间内运用优化算法与分析，以使供应链管理(SCM)或企业资源规划(ERP)等商业系统能应用该分析模式。

基本功能需要当地或工厂层次的联网，并在几小时内做出决策。工厂外围以外的其他信息或许可能有用处，但并非强制性的有效优化。在这种情况下，边缘计算将设置于工厂、场域或当地设施的外围。

案例四：预测设备故障与主动回报行程表

机器学习模型预测潜水电泵(Electric Submersible Pump)故障，数据需要从多个离岸平台(Offshore Platform)中获得。分析模型非常复杂，需要大量数据进行训练及重新训练模型，还需定期数据馈送(Feed)，从操作潜水电泵确定每个单元的剩余使用寿命。此外，需要定期规律性分析来自各个潜水电泵的数据，但信息衰减比其他情景慢得多，且可每天或每周做出决策。计算通常执行于企业级的公共云端或私有云端，且位于边缘连续体(Continuum)的顶端。

为什么要在边缘进行运算?

边缘计算(Edge Computing)是一种分布式计算架构。其中，运算资源和应用服务可分布于数据源到云端的通讯路径。边缘可满足运算需求，如：某处搜集数据的或用户执行某些动作，其带来之效益为：提高绩效;满足遵循法规、数据隐私与数据安全性的问题;降低营运成本。