一个化工厂的项目，上百台老旧设备，大部分都是10年前的老家伙，通过Modbus和CAN总线连接。老板想搞预测性维护，减少非计划停机。

听起来很美好。但到现场一看：设备分散在几个车间，有些地方连网线都拉不过去；现场温度经常超过50℃，灰尘、震动、电磁干扰样样不缺；最要命的是，很多地方只有24V工业电源，功率预算极其有限。

这就是工业AI边缘部署的真实环境——不是实验室，不是演示厅，是真实的、恶劣的、处处受限的工业现场。

第一个坑：算力不够。

在边缘设备上跑AI模型，最大的挑战是计算资源限制。一个4核A53处理器加一个0.5TOPS的NPU，要跑复杂的深度学习模型，基本不可能-。

解决方案：模型轻量化。 用MobileNet、SqueezeNet这些轻量级模型，或者用知识蒸馏、量化剪枝这些技术，把大模型压缩到边缘设备能跑的规模。

第二个坑：功耗限制。

工业现场很多地方只有24V工业电源，功率预算有限。整个系统（采集+转换+推理+通信）的总功耗要控制在10W以内。

解决方案：分层设计。 设备层采集用Modbus RTU/CAN，功耗<0.5W；转换层用STM32做协议转换和预处理，功耗<2W；推理层用Cortex-A53+NPU，功耗<5W；通信层用LoRa/4G Cat.1，功耗<3W。

第三个坑：Modbus的局限性。

大部分老设备都支持Modbus RTU，这是个30多年的老协议了，简单可靠但也有不少毛病：轮询效率低，30个设备轮询一遍要好几秒；没有时间戳，采集到的数据不知道具体产生时间；错误处理简陋，CRC校验失败就只能重试。

解决方案：智能轮询调度。 关键传感器100ms轮询，超时50ms；普通传感器1s轮询，超时200ms；状态指示器10s轮询，超时500ms；配置参数60s轮询，超时1000ms。这样既保证了关键数据的实时性，又不会浪费带宽在不重要的参数上。

第四个坑：CAN总线负载率。

理论上CAN 2.0B支持1Mbps，但实际上负载超过30%就开始出现丢包。通过数据打包、变化传输（只在数值变化超过阈值时才发送）、优先级调度（紧急数据优先，常规数据延后），可以把负载率控制在25%以下。

第五个坑：数据质量。

工业现场的数据从来都不干净——有噪声、有漂移、有异常值、有缺失值。用这样的数据训练AI模型，效果肯定好不了。

解决方案：边缘侧数据清洗。 在边缘网关上做数据预处理——物理极限过滤、变化率过滤、滑动平均、中值滤波。把干净的数据上传到云端，减少云端的数据处理压力。

工业AI边缘部署的核心原则：

第一，从简单的模型开始。 不要一上来就搞深度学习。先用阈值报警、趋势分析这些简单模型，快速上线，快速验证。

第二，边缘侧做数据处理。 数据在本地清洗、聚合、格式化，上传的是“精炼后的数据”而不是“原始数据”。带宽需求可以降低90%以上。

第三，断网缓存必须要有。 工业现场的网络不稳定，断网的时候数据不能丢。EdgeLiteGateway内置了断网缓存功能，数据先存本地SQLite，网络恢复后自动按序补传。

第四，持续迭代。 AI模型不是一次训练就完了。要根据现场的反馈持续优化——调整特征、调整参数、补充数据。

关于工具：

EdgeLiteGateway支持ONNX Runtime边缘推理，可以在网关上跑常见的AI模型。配套的ProtoForge可以模拟各种工业设备的数据流，在没有真实设备的情况下，先用仿真数据跑通整个流程。

ProtoForge（工业协议仿真平台，28种协议，130+设备模板）： GitHub：suoten/ProtoForge Gitee：suoten/ProtoForge

EdgeLiteGateway（AI物联网关，13种协议采集，边缘AI推理）： GitHub：suoten/EdgeLiteGateway Gitee：suoten/EdgeLiteGateway