在流程應用中支持高能效邊緣AI的設計

過程控制不僅限于傳統的過程工業。它正在成為“智能”制造的代名詞，確保范圍廣泛且通常松散耦合的活動能夠順利地協同工作。這包括加強邊緣，減少對中央分層控制的依賴，以及轉向響應速度更快、實時、適應性更強的運營。

邊緣計算實現了這一轉變，提供了實時監控，并為基于算法的邊緣控制打開了大門。

在邊緣更快地訪問更多數據是減少延遲的直接產物。現在甚至可以做出決策。邊緣計算的趨勢已經確立，即在數據或進程活動處或附近進行盡可能多的處理。但現在，隨著更多計算密集型和耗電的邊緣應用（包括生成式 AI）的出現，系統設計人員需要重新考慮他們正在做什么，以及他們如何在邊緣典型的功耗限制下完成這些工作。

邊緣計算和高級 AI 之間存在天然的協同作用。智能過程控制中邊緣計算的總體發展將不可避免地包括 AI，因為新的片上系統解決方案針對這種方法進行了優化。通過將 AI 應用程序定位在生成數據的位置，邊緣計算可以提供更好的預測分析和控制策略，從而改進過程控制系統。

但是，所有邊緣 計算都面臨的挑戰是找到足夠的能力。一些邊緣站點可以隨時使用交流線路電源，但其他站點則沒有這樣的設備。AI 應用程序的問題變得更加嚴重，這些應用程序往往是貪婪的電力消費者。

為邊緣 AI 做好準備：電源和硬件注意事項

首先評估已經可用或隨時可用的功率。考慮可能需要多少 AI 電源，以及使用現有電源（如有線現場交流或直流電源）或可以輕松添加的電源來適應 AI 電源的可行性。

對于某些邊緣用途，單獨使用電池供電可能是一種選擇。但是，由于 AI 功率需求高，最好將其視為補充或備份，以確保即使在電力需求高峰或中斷的情況下也能運行。

太陽能/電池可能為戶外且遠離中央電源的邊緣作提供長期選擇，但它可能只能作為大多數 AI 邊緣需求的補充。更不尋常的電源可能包括基于羅特曼透鏡的整流天線，用于毫米波收集未使用的 5G 網絡能量。這已應用于為傳感器供電，盡管除了最小的 AI 處理需求外，它可能不足以滿足所有需求。當然，不依賴于陽光可用性等變量的更簡單的解決方案往往是更可靠的解決方案。

評估邊緣 AI 的功耗要求

邊緣 AI 所需的能量因復雜性和所考慮的任務而異。一個消息來源引用了用于 AI 的基于 GPU 的處理器的部署，該處理器的功耗為 20 到 30 W。執行處理的同一節點可能還需要為 routing switch、傳感器等供電，這意味著最好規劃更多的電源需求，而不是更少。

例如，通過電池管理系統監控用電量對于持續管理和滿足任何潛在的報告要求都是一個好主意。

電源必須提供效率和可靠性，同時通常需要緊湊且堅固耐用。AI 提供的可變工作負載是對自適應或智能電源管理功能的邀請，以盡可能降低消耗。模塊化和可擴展性也可以是支持不斷增長的部署或設施重新配置時需要考慮的功能。

在邊緣 AI 應用的云處理和設備端處理之間做出決定

雖然在本地“執行”AI 的能力有所增長，但電源管理要求可能有利于替代方案：云。但這也伴隨著警告。

一個明顯的問題是延遲。但是，如果特定應用程序可以容忍一些延遲，并且比在傳統數據中心進行處理更有意義，那么云是一個可行的選擇。

云中的處理涉及通過互聯網傳輸數據和訪問云，這并非沒有電力需求，但這通常會低于在本地運行 AI 應用程序所需的電力。也許最大的擔憂是安全性（盡管這通常是可控的）和延遲（可能更難預測或控制）。

“邊緣站點的能源管理”的作者（參見下面的參考資料）指出，當有多個計算節點時，可以節省能源，并且根據特定用例，在某些運行期間，處理可能會受到限制甚至消除。他們還概述了用于邏輯控制此類情況的各種架構（見圖），“通過確定應用程序可用性和邊緣站點功耗之間的最佳折衷方案，而無需在邊緣站點使用專用/定制硬件。

邊緣 AI 能量控制方法可以提供細粒度控制;例如，在 AI 處理高峰期提供功率和全容量，并在其他時間切換到低功耗模式。步驟 A 認為控制平面收到將站點置于低功耗模式的命令，這會觸發控制平面以確定站點中所有正在運行的節點是否都已滿載。如果節點已滿載，則 power-down 命令將被拒絕，因為考慮到站點上運行的當前應用程序集，無法降低站點的功耗。但是，如步驟 B 所示，如果所有節點均未完全加載，則可以通過從站點重新分發節點上正在運行的應用程序來關閉某些節點。

確保可靠的數據和電源連接

雖然電力和數據移動是不同的領域，但應同時考慮它們。電源和數據連接都是潛在的故障點;因此，邊緣 AI 需要故障安全和/或故障轉移選項，以捕獲狀態并提供對故障來源和性質的見解。

這不應該在真空中考慮，而應該與地點或活動的需求和期望相關。整個運營的可靠性狀況如何？是否有備用電源或電池組來確保連續運行？與整個設施或流程的期望保持一致是謹慎的做法，以確保相關性并避免過高的成本。

當然，實際上，電源布線和數據布線通常可以協調完成。