美的空調(diào)柜機(jī)p0故障(美的柜機(jī)p0故障排除方法)

前沿拓展：

機(jī)器之心原創(chuàng)

作者：張倩

一個隨風(fēng)飄搖的塑料膜，就可以讓多趟列車晚點，數(shù)千名乘客滯留在火車站。這是每年多風(fēng)的季節(jié)都可能發(fā)生的事故，「北京鐵路」更是在今年的 4、5 月份連續(xù)通報了數(shù)次。

「北京鐵路」官方微博今年 5 月份發(fā)布的「接觸網(wǎng)掛異物」相關(guān)視頻。圖源：https://m.weibo.cn/1916657595/4641508345778988

要想把這類事故的損失降到最低，我們就要在塑料膜掛上接觸網(wǎng)的第一時間將其識別出來并發(fā)出警告。這也是很多智能巡檢系統(tǒng)正在努力做的事情。

但其實，這件事做起來沒那么容易。一方面，鐵道動輒數(shù)百、上千公里，產(chǎn)生的數(shù)據(jù)會給數(shù)據(jù)中心造成巨大壓力，反饋的實時性很難得到保障；另一方面，戶外環(huán)境復(fù)雜多變，事故類型層出不窮，需要系統(tǒng)不斷迭代升級。

這兩個問題分別指向了兩種解決方案——邊緣計算和云計算。前者負(fù)責(zé)在邊緣側(cè)小范圍地進(jìn)行數(shù)據(jù)及時處理和返回，以及 AI 負(fù)載中的推理過程，保證問題能夠被及時發(fā)現(xiàn)并作出響應(yīng)；后者負(fù)責(zé)匯聚各個邊緣節(jié)點的數(shù)據(jù)并對其進(jìn)行分析，完成算法訓(xùn)練和升級，然后將升級后的算法推送到邊緣，不斷提高和優(yōu)化邊緣設(shè)備識別問題的能力。二者之間相互配合的過程，就是云邊協(xié)同。

物聯(lián)網(wǎng)場景下云邊協(xié)同示意圖 。圖源：http://www.caict.ac.cn/kxyj/qwfb/bps/201907/P020190704540095940639.pdf

在 5G、AI、IOT 技術(shù)不斷發(fā)展的今天，云邊協(xié)同正變得越來越重要。

中國信息通信研究院 2021 年 7 月發(fā)布的《云計算白皮書》顯示，隨著物聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)等行業(yè)應(yīng)用的核心模塊都已完成云計算平臺的部署，5G 網(wǎng)絡(luò)促使無線接入側(cè)能力大幅提升，邊緣側(cè)業(yè)務(wù)場景逐漸豐富，各類型應(yīng)用也將根據(jù)流量大小、位置遠(yuǎn)近、時延高低等需求對整體部署架構(gòu)提出更高的要求，因此傳統(tǒng)上相對獨立的云計算資源、網(wǎng)絡(luò)資源與邊緣計算資源不斷趨向融合，即需要在云計算、邊緣計算以及網(wǎng)絡(luò)之間實現(xiàn)云網(wǎng)融合、云邊協(xié)同，才能實現(xiàn)算力服務(wù)的最優(yōu)化 [1]。

白皮書還顯示，2020 年應(yīng)用和計劃應(yīng)用邊緣計算的中國企業(yè)占比分別為 4.9% 和 53.8%。

這些青睞邊緣計算或云邊協(xié)同的企業(yè)通常存在以下痛點：

要解決這些問題，企業(yè)就要想辦法把原來的云基礎(chǔ)設(shè)施向終端和用戶側(cè)延伸，在接近數(shù)據(jù)生成點的地方對數(shù)據(jù)進(jìn)行詳細(xì)分析，即引入邊緣計算。但只有邊緣計算也是不夠的，因為邊緣設(shè)備只能處理局部數(shù)據(jù)，無法形成全局認(rèn)知，因此實際應(yīng)用中仍然需要借助云計算平臺來實現(xiàn)信息的融合。正如信通院發(fā)布的另一份報告 [4] 所言，「邊緣計算本身就是云計算概念的延伸，即便是賦予其獨立的概念，也無法做到與云計算切割開，二者本就是相依而生、協(xié)同運(yùn)作的，云邊協(xié)同將成為主流模式。」

由此看來，在已經(jīng)到來的云邊協(xié)同時代，如何構(gòu)建一個高效的云邊一體化架構(gòu)將成為不少企業(yè)不得不思考的問題。

其實，在這個問題上，我們已經(jīng)能夠看到一些比較成功的案例，比如國內(nèi)知名制造類企業(yè)寧德時代、京東方、美的，以及美國 IT 服務(wù)集成商 Insight 等。他們對云邊協(xié)同的利用涉及產(chǎn)品缺陷檢測、不良根因分析、設(shè)備性能監(jiān)測等諸多場景。其中，寧德時代的電池缺陷檢測平臺已經(jīng)達(dá)到了 99.12% 的準(zhǔn)確率和 99.16% 的檢出率；京東方的大數(shù)據(jù)不良根因分析系統(tǒng)帶來了 56% 的效率提升

京東方的云邊協(xié)同品質(zhì)控制解決方案。

值得注意的是，這些企業(yè)在云邊協(xié)同架構(gòu)的搭建上有一個共同點：都使用了來自英特爾的軟硬件和服務(wù)。

為什么是英特爾？

首先，從硬件來看，英特爾在云邊協(xié)同方面的產(chǎn)品組合是非常全的，不僅囊括通用處理器（CPU）、圖形處理器（GPU）、視覺處理單元（VPU）、現(xiàn)場可編輯邏輯門陣列（FPGA）等針對各種負(fù)載的產(chǎn)品，而且覆蓋計算、存儲和網(wǎng)絡(luò)整個鏈路。

在這些硬件產(chǎn)品中，最核心的當(dāng)然是英特爾上半年發(fā)布的基于 Ice Lake 的第三代至強(qiáng)? 可擴(kuò)展處理器。這款處理器采用了 10nm 制程，可以提供最多 40 個核心，在數(shù)據(jù)中心負(fù)載時性能平均提高了 46%，可在數(shù)據(jù)中心、云端或邊緣靈活部署。

重要的是，第三代至強(qiáng)? 還是業(yè)界唯一具有集成深度學(xué)習(xí)加速功能的主流數(shù)據(jù)中心 CPU，在前兩代已有的高級矢量擴(kuò)展 512 技術(shù)（AVX512）、深度學(xué)習(xí)加速技術(shù) Intel Deep Learning Boost（顯著提高基于 INT8 推理的性能）的基礎(chǔ)上，又加入了對常用的 bfloat 16 浮點格式的支持。與 32 位浮點數(shù)（FP32）相比，bfloat16 只通過一半的比特數(shù)且僅需對軟件做出很小程度的修改，就可達(dá)到與 FP32 同等水平的模型精度。有了這一技術(shù)的支持，第三代至強(qiáng)? 可擴(kuò)展處理器的訓(xùn)練性能可以提升 1.93 倍，推理性能可提升 1.9 倍。

同時，英特爾? 至強(qiáng)? 可擴(kuò)展處理器對英特爾? 傲騰? 持久內(nèi)存有著良好的支持。工業(yè)生產(chǎn)線每秒處理的數(shù)據(jù)記錄可能高達(dá)千萬級，對大容量的內(nèi)存要求非常迫切。英特爾? 傲騰? 持久內(nèi)存有遠(yuǎn)超固態(tài)盤，更接近 DRAM 的性能和延時，然而價格低于 DRAM。因此，寧德時代將其納入了自己的云邊協(xié)同解決方案?！笇崪y顯示，它能把數(shù)據(jù)落盤的性能提升 6.2 倍，并把系統(tǒng)切換的效率提升兩倍，有效支持了大規(guī)模生產(chǎn)環(huán)境下的實時管控?！箤幍聲r代流程 IT 架構(gòu)與解決方案部經(jīng)理賴騰飛表示。

擁有同樣優(yōu)異性能且得到第三代至強(qiáng)? 良好支持的硬件產(chǎn)品還包括英特爾? 傲騰? 固態(tài)盤 P5800X、英特爾? D5P5316 NAND 固態(tài)盤、英特爾? 以太網(wǎng) 800 系列適配器以及英特爾? Agilex FPGA 等。這些產(chǎn)品構(gòu)成了當(dāng)前各種云邊協(xié)同解決方案的基石。

當(dāng)然，要創(chuàng)建一個云邊一體化的架構(gòu)，只有硬件是不夠的，還需要一套完整的軟件產(chǎn)品組合。

在軟件方面，選對生態(tài)非常關(guān)鍵。在云服務(wù)領(lǐng)域，絕大多數(shù)企業(yè)應(yīng)用（如 SAP、VMware、Microsoft SQL、Oracle、Salesforce、IBM Db2 等） 都不具備對非 x86 架構(gòu)的商業(yè)支持，許多主流的開源軟件組件、工具、編排和容器鏡像也是如此。相比之下，這些應(yīng)用都是先以英特爾架構(gòu)為基礎(chǔ)開發(fā)的。英特爾在過去的十多年里一直是 Linux 內(nèi)核的重要貢獻(xiàn)者，并活躍于 KVM、Kubernetes、TensorFlow 等 650 多個開源項目。目前，大多數(shù)熱門的人工智能框架（如 TensorFlow、PyTorch、MXNet 等）都已經(jīng)過英特爾優(yōu)化，以利用英特爾 AVX512 和 DL Boost。這些優(yōu)化可以將人工智能推理速度提高多達(dá) 30 倍。

也就是說，通過選擇基于英特爾技術(shù)的云基礎(chǔ)設(shè)施，無論是在本地、在某個云服務(wù)提供商內(nèi)部，還是跨多個云服務(wù)提供商，都能實現(xiàn)無縫的企業(yè)工作負(fù)載遷移，無論何時何地都能找到企業(yè)需要的軟件。在當(dāng)前的多云、混合云發(fā)展趨勢下，這一做法將極大地降低遷移難度和成本。

此外，英特爾還有一套自己的云邊協(xié)同軟件工具，包括開源、統(tǒng)一的大數(shù)據(jù)分析 + AI 平臺 Analytics Zoo、OpenVINO 工具套件、工業(yè)邊緣洞見平臺 (EII) 推理軟件等。

Analytics Zoo 可以輕松將 AI 模型（如 TensorFlow、Keras、PyTorch、BigDL、OpenVINO 工具套件等）應(yīng)用于分布式大數(shù)據(jù)上，通過「零」代碼更改將 AI 應(yīng)用程序從一臺筆記本電腦透明地擴(kuò)展到大型集群，還可以使特征工程、超參數(shù)調(diào)整、模型選擇、分布式推理等應(yīng)用機(jī)器學(xué)習(xí)的過程自動化。基于此，美的構(gòu)建了端到端的工業(yè)視覺檢測云平臺，在 50 毫秒內(nèi)就能完成對圖片的讀取和預(yù)處理，推理時間從 2 秒縮短到 124 毫秒，識別率高達(dá) 99.8%，物料成本減少 30%，人工成本減少 70%。

OpenVINO 工具套件包含深度學(xué)習(xí)部署工具包和傳統(tǒng)的視覺工具包兩大部分，可依托英特爾架構(gòu)處理器集成的顯卡（Integrated GPU）、FPGA、VPU 等芯片，來增強(qiáng)云邊協(xié)同視覺系統(tǒng)的功能和性能。

基于此，Insight 公司為制造商打造了裝配線產(chǎn)品質(zhì)量檢測系統(tǒng)，這一系統(tǒng)能輕而易舉地識別出產(chǎn)品的尺寸數(shù)據(jù)（長、寬、 高）、顏色、溫度和包裝中所含產(chǎn)品的數(shù)量（藥丸、食品等）。從檢測盒子中的餅干數(shù)量，到確定芯片中是否包含正確的引腳組，這一系統(tǒng)可勝任各類工作。

EII 由經(jīng)過實踐檢驗的軟件堆棧組成，能幫助系統(tǒng)集成商 (SI)、 獨立軟件供應(yīng)商 (ISV) 和設(shè)備制造商（如工業(yè) PC 制造商、機(jī)器制造商等）更安全地獲取、分析和存儲視頻及時序數(shù)據(jù)。它基于一個靈活的開源微服務(wù)架構(gòu)，并針對基于英特爾硬件和芯片的解決方案進(jìn)行了優(yōu)化，也在 Insight 的解決方案中得到了廣泛應(yīng)用。

借助這些軟硬件的協(xié)同優(yōu)化，京東方、寧德時代、美的、Insight 等企業(yè)實現(xiàn)了云邊一體化平臺的快速部署，并在實際生產(chǎn)中節(jié)省了大量的人力、物力，產(chǎn)品質(zhì)量、設(shè)備穩(wěn)定性均得到了顯著提升。

當(dāng)然，英特爾云邊協(xié)同解決方案的優(yōu)勢還不止這些，其他優(yōu)勢還包括云環(huán)境的管理等。目前，AWS Outposts、Azure Stack、Google Cloud 的 Anthos 和 VMware Cloud 等主流的混合云堆棧均針對英特爾架構(gòu)進(jìn)行了優(yōu)化。這些堆棧提供直觀的管理功能，可以降低采用云技術(shù)的障礙。此外，英特爾處理器還集成遙測功能，可用于實現(xiàn)閉環(huán)自動化，以編排容器、優(yōu)化功耗和簡化根本原因分析。例如，節(jié)點層面的遙測可以識別沒有足夠緩存或內(nèi)存的工作負(fù)載，而集群層面的遙測可以幫助優(yōu)化放置決策、實現(xiàn)擴(kuò)展和生命周期管理。

近期，我國工業(yè)和信息化部印發(fā)《新型數(shù)據(jù)中心發(fā)展三年行動計劃（20212023 年）》，明確指出建設(shè)新型數(shù)據(jù)中心，要實施「云邊協(xié)同工程」，推動邊緣數(shù)據(jù)中心間、邊緣數(shù)據(jù)中心與新型數(shù)據(jù)中心集群間的組網(wǎng)互聯(lián)，促進(jìn)數(shù)據(jù)中心、云計算和網(wǎng)絡(luò)協(xié)同發(fā)展。毫無疑問，英特爾將在這一計劃中扮演重要角色，為企業(yè)的數(shù)字化轉(zhuǎn)型、云和數(shù)據(jù)中心轉(zhuǎn)型提供堅實的支撐。

參考鏈接：

[1]http://www.caict.ac.cn/kxyj/qwfb/bps/202107/P020210727458966329996.pdf

[2]https://m.haiwainet.cn/middle/3544241/2019/1128/content_31672769_1.html

[3]https://www.computerweekly.com/news/252483308/Multiplenetworkoutagescostingenterprisebusinessesmillionsofpoundsayear

[4]http://www.caict.ac.cn/kxyj/qwfb/bps/201907/P020190704540095940639.pdf

拓展知識：