当数字化的统一规划，遇上了现实世界的物理规律——断舍离，从数据上传之前就开始了。
信息部的同仁，当你翻开物联网平台的蓝图，很容易产生一个想法：“既然有了强大的云平台，把所有设备数据全部汇聚上来再分析，不好吗？”
作为一个同时跑过OPC UA上传业务、也啃过硬实时诊断的人，我的回答是：技术上可行，但性价比极低，且在核心实时预警场景下不可靠。
一、带宽与成本的“不可能三角”
假设监控一台2980转/分钟的电机，振动传感器的采样频率建议达到10kHz。
一个传感器每秒产生约60KB的数据。一个中型工厂有200台这样的电机，就是12MB/s的持续上传量。一个月下来约30TB的原始波形数据——其中99.999%的时间里，轴承运转正常，波形只是在记录白噪声。
边缘计算的做法是：在源头就完成90%的分析工作。
我们的HDS-VT300三轴温振传感器，在采集端就直接完成了：
l时域分析：加速度、速度、位移的RMS值和峰值
l频谱分析：X/Y/Z三轴的速度谱和加速度谱
l包络谱分析：轴承内圈、外圈、滚动体、保持架的特征值
l预警报警判断：温度和各轴的预警报警状态
它只把这些“分析结果”通过Modbus TCP传给上层。原始波形只在需要“短时连续波形采集”时才按需调取。这就是边缘计算的力量。
二、断网了怎么办？——你们的架构是“三层协同”，不是“两层依赖”
我们的架构是端-边-云三层协同：
l端侧（C919频域保护器 + HDS-VT300温振传感器）：负责数据采集和初步诊断
l边侧（海德盒子作为边缘网关和边缘服务器）：负责数据汇聚、本地存储和协议转换
l云侧（天枢AI平台）：负责长周期趋势分析和模型训练
关键点：端侧和边侧之间是工厂内部网络，与互联网无关。当互联网中断时——
l端侧的诊断照常进行，结果照常输出
l边侧的海德盒子照常接收数据、本地存储、缓存诊断结论
l互联网恢复后，海德盒子自动将离线期间的结论同步至云平台
断网期间，诊断不中断，数据不丢失。 这才是工业现场需要的可靠性。
三、不可缩减的实时性
当轴承滚道剥落冲击发生时，AI诊断系统需要在几十到几百毫秒内完成采集、滤波、傅里叶变换和模式识别，然后立刻触发报警。
等数据上云再回来，需要几秒甚至更多——在这几秒钟里，电机已经转了上百转。床头的监护仪必须就地报警，不能等护工去找档案室调病历。
这也是为什么我们的C919频域保护器把所有诊断模型都内置在本地。它不需要联网就能诊断、报警、记录——因为AI诊断的“本能反应”，必须和物理设备同在现场。
专栏预告：市面上预测性维护方案五花八门，设备部长用什么标准来评估？下一期，我们来谈选型。