工业边缘AI网关定制：轻量化模型本地推理实测

在工业物联网场景中，大量传感数据仍依赖云端推理，存在时延高、带宽占用大与断网失效等问题。实验室近期围绕边缘AI网关开展轻量化模型本地部署实验，验证在资源受限硬件上完成实时推理的可行性。实验基于ARM Cortex-A系列边缘网关，选取振动异常检测与温度漂移识别两类典型任务，通过通道剪枝与INT8量化将模型体积压缩至原版的四分之一，推理时延由云端链路约300毫秒降至本地18毫秒以内，断网状态下检测功能保持可用。当前进展：量化后模型准确率下降控制在1.2个百分点以内，满足产线预警精度要求；单台网关可并行承载6路传感器数据的实时推理，CPU峰值占用率约65%。下一步计划在合作工厂开展为期一个月的连续运行验证，重点评估高温环境下的模型稳定性与OTA远程升级机制，并沉淀边缘侧模型选型、压缩与部署的通用方法，形成可复用的工程规范。