Embedded Computing Design報導指出，IIoT的演變，根據數據互連性與人工智能(AI)程度的不同，可分為監控、優化與自主性三個層級。監控包含了等預測性維修、資產追蹤等資產績效管理工作。這個層級的數據只是從邊緣流向后端云端或控制中心，彼此間并未產生互連性。人工智能與先進分析都只在后端運行。
這個層級的使用案例重點，在于流程的優化，也就是利用傳感器擷取的數據，監控并改進整個工業流程。隨著傳感器使用數量提升，為減少傳輸至后端的數據量，系統開始產生邊緣分析的需求，而邊緣分析也將持續提升流程的P2P數據互連性。如此一來，IIoT系統便具備數據互連性與分層的運算功能，而這都需有霧計算的支持。
進入自主性層級的IIoT，主要利用AI管理系統，不再需要人為介入。各項決策權與控制將依據反應時間要求與數據規模，分配到IIoT系統的不同階層。這個層級的實時數據會在各個運算節點間移動。如果沒有霧計算，系統便不可能擁有自主性，而透過霧計算，業者便能開發出更有彈性、韌性的自主化系統。
舉例而言，離岸風力發電農場引進物聯網技術后，每座風力發電機內的數據總線(databus)便可在各個運算節點的分析與控制應用間進行數據分享。當安裝在某一座風力發電機的傳感器偵測到風向或風力變化時，便可通知其他下風處的風力發電機做出調整，以維持整座風力發電農場的穩定輸出。
發電農場的數據也可在傳回至后端的控制中心后，與氣象、整合業務系統等其他服務結合，產生長期的預測及分析數據。監控層級的IIoT并無部署霧計算的必要，但對于優化使用案例而言，霧計算可說是十分理想的功能;對于自主性使用案例，霧計算更是關鍵。
以Linux容器等靈活的運算框架有助于簡化AI應用的部署與管理，而數據分布式服務(DDS)等連網標準，是優化與自主性使用案例達成數據互連性不可或缺的基礎。
京公網安備 11010502049343號