E7 边缘计算模组 · IAP 智能制造平台
x86 异构边缘服务器 · 10 大 AI 模型 · 45 个微服务 · 云边端一体化
一台设备，一个智能中枢。E7 是连接全局智能与一线执行的关键枢纽。发布日期 2026 年。
一、产品定位
一台设备，一个智能中枢
E7 是连接全局智能与一线执行的关键枢纽。
产品定义
- 部署：工厂网络侧 x86 大型异构边缘服务器，运行 Linux 系统。
- 算力：以 CPU、GPU 与 NPU 异构算力为底座，运行 Sothis IAP 智能制造平台。
- 枢纽：位于云端数据湖与生产现场 S20 集群之间，连接全局智能与一线执行的关键枢纽。
核心指标
- 32 核金牌至强
- 280TOPS 异构算力
- 256GB 内存
- 10 大 AI 综合大模型
- 45 个 Kubernetes 微服务
- 3 路径旁路法则
云边端枢纽定位
E7 位于云·边·端三层架构的「边」层，是智能决策的枢纽节点。
| 项目 | 说明 |
|---|
| 位置 | 部署于工厂本地网络侧 |
| 上游 | Sothis 数据湖（云） |
| 下游 | S20 工业边缘模组集群（端） |
| 核心职责 | AI 大模型推理 · 微服务编排 · 模型下发 |
| 协同 | 平台与 S20 的 LAP 形成分布式边缘云系统 |
二、硬件与平台
澎湃算力，承载智能
x86 异构算力底座 + IAP 异构低代码平台。大型异构边缘服务器，为工厂级 AI 实时推理与决策提供澎湃算力。
| 规格项 | 参数 |
|---|
| 架构 | x86 架构 · Linux 系统 |
| 处理器 | 32 核金牌至强 |
| GPU 算力 | 280 TOPS 高性能 GPU |
| NPU | 集成 NPU，异构协同加速 |
| 内存 | 256 GB |
| 存储 | 9 x 16 TB 大容量硬盘 |
| 平台 | IAP 异构低代码智能制造平台 |
IAP 平台十大模型矩阵
IAP 以深度学习框架为技术底座，将计划、生产、质量、设备、物流、仓储等核心业务融合为一个自主决策、持续进化的智能体。
| 模型 | 模块 | 能力 | 微服务 |
|---|
| M0 | 基础设施 | 服务发现、意图分流、联邦学习与协议网关 | 4 个微服务 |
| M1 | 数据治理 | 主数据治理、质量监控与接口集成 | 3 个微服务 |
| M2 | 订单计划 | 需求理解、订单拆分、产能评估、物料预测 | 4 个微服务 |
| M3 | 排程计划 | 排程引擎、紧急插单、派工路径与甘特图 | 5 个微服务 |
| M4 | 生产过程 | 工艺参数、电子工单、在线质量、异常调整与物料配送 | 8 个微服务 |
| M5 | 质量管理 | SPC 监控、根因分析、抽检决策、能力预测与风险预警 | 5 个微服务 |
| M6 | 设备管理 | 健康评分、RUL 预测、OEE 聚合与维护策略 | 4 个微服务 |
| M7 | 报表看板 | KPI 对标、What-if 模拟与决策推演 | 3 个微服务 |
| M8 | 物流系统 | AGV 调度、双层路径、JIT 配送与波次管理 | 4 个微服务 |
| M9 | 仓储管理 | 库位分配、库存预警、波次拣选、码垛优化与数字孪生 | 5 个微服务 |
三、核心机制 · 旁路法则
现场算力不够，中枢无缝接管
旁路法则保障现场推理的弹性与稳定。旁路法则的系统核心容错与弹性机制——当 S20 边缘节点遭遇过载、延迟恶化、精度不足、模型不可用或网络质量下降时，自动将推理请求旁路至 E7 处理，结果同步返回现场并写入 S20 历史库。
LOCAL 本地推理
正常状态下，S20 以本地标准化模型格式 Runtime 直接推理，高到低响应，不依赖网络。现场数据 → S20 本地推理 → 结果直接返回设备。
BYPASS 直接旁路
S20 过载或需更高精度时，推理请求直发 E7 IAP 对应微服务，结果回写现场与 S20 历史库。现场数据 → E7 IAP 推理 → 结果回 S20 + 现场设备。
CASCADE 级联推理
先由 S20 本地快速推理，若置信度低于阈值 0.7，自动级联旁路至 E7 精确模型复核。S20 快速推理 → 置信度不足 → 旁路 E7 精确推理。
五维旁路触发矩阵
系统以五维指标实时监控 S20 状态，任一维度超阈值即触发相应旁路动作，动态保障推理弹性。
| 维度 | 触发阈值 | 动作 |
|---|
| CPU 使用率 | >85% 持续 5s | 新请求旁路，存量请求完成 |
| 内存使用率 | >90% | 立即旁路所有非关键推理 |
| 推理队列深度 | >20 | 超出部分旁路至 E7 |
| 单次推理超时 | >目标延迟 2x | 该模型标记降级，后续旁路 |
| 模型置信度 | <0.7 | 级联旁路至 E7 精确模型 |
| 网络 RTT（到 E7） | >500ms | 关闭旁路，本地降级推理 |
典型故障场景应对
五维触发指标落到生产现场，每一类典型故障都有明确的弹性接管策略——故障快速识别，推理能力不中断。
| 故障场景 | 触发指标 | 系统应对 |
|---|
| 排产高峰，推理请求激增 | CPU > 85% 持续 5s | 新请求旁路至 E7，存量请求正常完成 |
| 现场服务内存占用过高 | 内存 > 90% | 立即旁路所有非关键推理 |
| 请求排队堆积，响应变慢 | 队列深度 > 20 个 | 超出部分旁路至 E7 |
| 单次推理响应过慢 | 超时 > 目标延迟 2x | 模型标记降级，后续请求旁路 |
| 模型输出置信度不足 | 置信度 < 0.7 | 级联旁路至 E7 精确模型复核 |
| 厂区网络抖动，链路不稳 | RTT > 500ms | 关闭旁路，本地降级推理 |
四、微服务体系
45 个微服务，10 大模型
单一职责解构，全局与现场协同。每个综合大模型按单一职责原则解构为若干 Kubernetes 容器化微服务，共计 45 个。
45 微服务全景分布
- 10 大 AI 综合大模型 → 45 个 Kubernetes 微服务
- 33 个部署于 E7 IAP（全局决策中枢）
- 12 个部署于 S20（现场执行下沉）
每个微服务拥有标准卡片，部署位置与算法模型一目了然。
M0 基础设施 · 4 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M0.1 | 服务发现 | E7 | 强化学习 |
| M0.2 | BERT 意图分流 | S20+E7 | BERT-Tiny |
| M0.3 | 分布式隐私计算协同框架 联邦学习 Server | E7 | 联邦聚合 |
| M0.4 | Protobuf 网关 | E7+S20 | 规则 |
M1 数据治理 · 3 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M1.1 | 主数据湖 | E7 | SBERT |
| M1.2 | 质量监控 | E7 | iForest |
| M1.3 | 接口集成 | E7 | 规则 |
M2 订单计划 · 4 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M2.1 | 需求理解（Flan-T5） | E7 | Flan-T5 |
| M2.2 | 订单拆分 | E7 | 强化学习 |
| M2.3 | 产能评估 | E7 | XGBoost |
| M2.4 | 物料预测 | E7 | PatchTST |
M3 排程计划 · 5 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M3.1 | Rainbow 强化学习 排程引擎 | E7 | Rainbow 强化学习 |
| M3.2 | 紧急插单 | E7 | 规则 + 强化学习 |
| M3.3 | 设备优先级 | E7 | 规则 |
| M3.4 | 派工路径 | E7 | A* + 强化学习 |
| M3.5 | 甘特图 | E7 | 渲染 |
M4 生产过程 · 8 个微服务
生产过程六类服务闭环管控，6 项部署于 S20 现场，2 项部署于 E7 边缘端。
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M4.1 | 工艺参数生成（T5） | S20 | T5-Tiny（6MB） |
| M4.2 | 电子工单 | S20 | 规则 |
| M4.3 | 节拍预测（TFT） | E7 | TFT |
| M4.4 | 在线质量（SPC+LSTM-AE） | S20 | LSTM-AE（1.5MB） |
| M4.5 | 异常调整（强化学习 轻量） | S20 | 强化学习 轻量（0.8MB） |
| M4.6 | 报工追踪 | S20 | 规则 |
| M4.7 | 物料配送（JIT） | S20 | 规则 |
| M4.8 | 机代码 AI 转换 | E7 | LLM |
M5 质量管理 · 5 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M5.1 | SPC 监控（Hotelling T²） | S20 | 统计（0.5MB） |
| M5.2 | 根因分析（SHAP + Apriori） | E7 | SHAP |
| M5.3 | 强化学习 帕累托决策 | S20 | 强化学习 轻量（0.6MB） |
| M5.4 | 过程能力预测（PatchTST） | E7 | PatchTST |
| M5.5 | 多源风险预警 | E7+S20 | 融合 |
M6 设备管理 · 4 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M6.1 | 设备健康评分（Attention） | S20 | Attention（3MB） |
| M6.2 | RUL 预测（TFT + Weibull） | E7 | TFT |
| M6.3 | OEE 分布式聚合 | E7+S20 | 聚合 |
| M6.4 | 维护策略 强化学习 | E7 | 强化学习 |
M7 / M8 / M9 看板与物流仓储微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M7.1 | KPI 四维对标 | E7 | 统计 |
| M7.2 | What-if 模拟（SimPy） | E7 | 仿真 |
| M7.3 | 决策推演（Contextual Bandit） | E7 | Bandit |
| M8.1 | 多 AGV 调度 强化学习 | E7 | 强化学习 |
| M8.2 | 星链双层路径（A*+强化学习） | S20+E7 | 轻量 A*（0.8MB） |
| M8.3 | JIT 配送 | S20 | 规则 |
| M8.4 | 波次管理（DBSCAN） | E7 | DBSCAN |
| M9.1 | 库位分配 强化学习 | E7 | 强化学习 |
| M9.2 | 库存预警（iForest+Prophet） | E7 | iForest |
| M9.3 | 波次拣选 TSP | E7 | TSP 求解 |
| M9.4 | 码垛优化（3D 装箱轻量） | S20 | 启发式（2MB） |
| M9.5 | 数字孪生 | E7 | 3D 渲染 |
部署分布小结
45 = 33（E7 全局决策）+ 12（S20 现场执行）。
- S20 现场执行：部署 12 个微服务，以轻量标准化模型格式模型（0.5-6 MB）为主，承担现场实时执行与快速反馈。
- E7 全局承载：算力密集、需全局协同或大模型推理的微服务由 E7 IAP 平台承载。
- 旁路法则衔接：通过旁路法则实现两端智能的无缝衔接。
五、架构与技术
云·边·端一体化，三层协同
自注意力机制网络 × 强化学习 × 联邦学习。以数据湖为基座、IAP 为智能中枢、S20 为边缘触手的全栈工业 AI 生态。
云边端三层架构
- Cloud · Sothis 数据湖：数仓一体化，汇聚 ERP/QA/PLM/SCM/CRM/EHS 全格式数据；多源融合，融合 MES/WMS/EMS/PHM/SCADA，提供「干净」数据燃料。
- Edge · E7 IAP 平台：智能中枢，工厂级智能中枢，Kubernetes 容器化；算力承载，承载 10 大模型 / 45 微服务，280 TOPS 异构算力保障；旁路法则接管 S20 过载 / 高精度推理。
- End · S20 工位集群：边缘触手，生产一线边缘触手，运行 LAP 轻量化平台；协同 PLC/机器人/PAD；断点续传 · 时序/关系/历史数据库。
数据流与智能协同
数据沿「云 → 边 → 端」层层治理下发。
数据湖 → 数据治理 → E7 · IAP → 边缘容器编排引擎边缘分发 → S20 集群
推理结果沿「端 → 边 → 云」实时汇聚。
- S20 现场执行：本地运行 12 个现场微服务执行指令并回写时序、关系与历史数据库；过载或精度不足时，旁路法则实时回传 E7 接管推理；旁路回传 → E7 接管。
- E7 中枢调度：负责任务拆解、微服务链编排与模型下发；与 S20 形成两端协同的分布式边缘云系统；S20 旁路回传 · E7 推理接管。
学习范式三层融合
45 个微服务由三类学习范式融合而成。
- 01 自注意力机制网络：技术基础为工业预训练模型库与工具链；核心机制为自注意力机制理解工艺文本与需求；模型角色为 BERT/Flan-T5/T5 承担意图分流与生成；协同定位为作为强化学习的 Q 网络骨干。
- 02 强化学习：技术基础为决策模型训练框架 + 深度学习框架；核心机制为 Q 值函数近似学习长期回报；模型角色为 Rainbow 强化学习驱动排程引擎；应用场景为排程优化、路径规划、设备均衡。
- 03 联邦学习：技术基础为分布式隐私计算协同框架；核心机制为数据不出厂，隐私安全合规；协同机制为边缘训练 → 云端聚合；架构价值为多设备协作降低中心压力。
六、价值闭环
从需求到交付，全流程智能
让制造从经验走向科学。IAP 平台驱动下单、排程、执行、质检、入库的全链路闭环管理。
全流程智能化闭环
提交生产需求 → AI 排程 + 物料计划 → 电子工单下发 → PAD / 工控机呈现 → 工序执行 + 在线质检 → 物料分钟级配送 → 报工入库 → 数据同步数据湖。
四大核心价值指标
- 100% 无纸化：全流程无需人工输单与手动传单
- <1秒 实时性：数据秒级回传，异常即时预警
- 100% 可追溯：过程数据透明、真实、实时
- 秒级异常响应：异常 3 秒自适应重排
- 10 大综合模型 ｜ 45 个微服务
客户落地与行业背书
- 标杆客户服务：深耕工业数字化二十余年；已服务数十家世界 500 强标杆企业；落地场景经过严苛验证。
- 立库「换脑重生」案例：AIWMS 方案帮助某集团两期立库升级；老立库不推倒重来；完成仓储智能换代。
- 国际展会背书：2026 汉诺威工业展亮相 AI 边缘计算模块与 AI 制造平台；展示 PHM 设备健康管理、EMS 能源管理核心方案。
- 全栈自研实力：115 项+ 知识产权；云·边·端全栈自研；国内唯一同时拥有主站型 + 节点型边缘计算模组的企业。
让制造从经验走向科学
以数据为基，以智能为翼，让每一台设备都成为决策的起点
E7 与 IAP，构建「云·边·端」一体化的分布式边缘云系统
