【導讀】工業物聯網(IoT)正在醞釀廣泛的轉變，這種轉變不僅將使互聯機器間的相互檢測成為一種競爭優勢，還將使其成為必不可少的基本服務。工業物聯網以邊緣節點為起始點，后者是檢測和測量的目標切入點。這是物理世界與計算數據分析進行交互的接口所在。互聯的工業機器可檢測大量的信息，進而用于制定關鍵決策。這種邊緣傳感器可能遠離存儲歷史分析的云服務器。它必須通過將邊緣數據聚合到互聯網的網關進行連接。理想情況下，邊緣傳感器節點具有很小的規格尺寸，可在空間受限的環境中輕松進行部署。
檢測、測量、解讀、連接
在這個包含多個部分的工業物聯網系列文章的第一部分，我們將分解和研究大型物聯網框架中邊緣節點檢測和測量能力的基本方面：檢測、測量、解讀和連接數據，同時還將考慮功率管理和安全性。每個部分都將探討一組獨特的挑戰。邊緣節點的智能管理對成功實施來說十分關鍵。在一些情況下，超低功耗(ULP)是最重要的性能指標。在關鍵事件期間，當傳感器從睡眠模式喚醒時，可以過濾掉絕大多數的潛在數據。
圖1. 邊緣節點器件智能地檢測、測量和解讀數據并將其連接至與云相連的互聯網網關。數據可以通過一些形式的分析進行預處理，然后再傳輸以進行更深的數據挖掘智能分析。
傳感器構成工業物聯網電子生態系統的前端邊緣。測量階段將檢測到的信息轉換為有意義的數據，如壓力、位移或旋轉的可量化值。在解讀階段，邊緣分析與處理會將測量數據轉換為可操作的事件。1 只有最有價值的信息才應越過節點連接到云，以供預測或歷史處理。在整個信號鏈中，都可以根據初始的可接受性限制來抑制或過濾數據。理想情況下，傳感器節點應僅發送絕對必要的信息，并且應在獲得關鍵數據后盡快制定關鍵決策。
邊緣節點必須通過有線或無線傳感器節點(WSN)連接到外部網絡。在信號鏈的這一部分中，數據完整性仍然十分關鍵。如果通信不一致、丟失或損壞，則優化檢測和測量數據幾乎沒有價值。通信期間數據丟失是不可接受的。存在電氣噪聲的工業環境可能十分惡劣和艱苦，尤其是在存在大量金屬物體情況下進行射頻通信時。因此，必須在系統架構設計期間預先設計魯棒的通信協議。
ULP系統的功率管理以選擇調節器元件來實現最大效率為起點。但是，由于邊緣節點也可能以快速占空比喚醒和睡眠，因此還應考慮上電和掉電時間。外部觸發器或喚醒命令能夠幫助快速提醒邊緣節點，使其開始檢測和測量數據。
數據安全性也是工業物聯網系統必須考慮的一個問題。我們不僅需要確保邊緣內的數據安全無慮，還必須確保其對網絡網關的訪問免受惡意攻擊。決不允許仿冒邊緣節點來獲取網絡訪問以進行不法活動。
智能始于邊緣
邊緣處具有眾多檢測解決方案，這些解決方案可能不只是單個分立器件。邊緣可能存在多種不同的無關數據采集。溫度、聲音、振動、壓力、濕度、運動、污染物、音頻和視頻只是其中可檢測的部分變量，這些數據會經過處理并通過網關發送至云，以進行進一步的歷史和預測分析。
毫不夸張地說，傳感器就是工業物聯網的支柱。2 但更準確的說法應該是，它們是獲得洞察的中樞神經系統。邊緣節點檢測和測量技術是目標數據的"出生地"。如果在解決方案鏈的這一階段如實地記錄了不良或錯誤的數據，則云中再多的后期處理也無法挽回損失的價值。
任務關鍵型系統（如具有高風險結果的醫療保健和工廠停機監控系統）要求質量數據測量具有魯棒的完整性。數據質量至關重要。誤報或遺漏可能代價高昂，非常耗時，甚至可能威脅生命。代價巨大的錯誤最終會導致計劃外的維護、勞動力使用效率低下，甚至不得不禁用整個物聯網系統。智能始于邊緣節點，而此處也適用那句老話：如果輸入的是垃圾，那么輸出的也一定是垃圾。
圖2. 很多有線和無線邊緣節點輸出可自主連接到網關節點，以便在傳輸至云服務器之前進行聚合。
能夠訪問數據寶藏也就意味著需要承擔重大的責任
在沒有邊緣節點智能的傳統信號鏈解決方案中，數據只是數據。非智能節點從不會幫助生成用于制定可行決策的智慧和知識。1 可能存在大量對系統目標性能沒有影響的原始低質量數據。3 轉換所有這些數據并將其發送至最終云存儲目的地可能需要消耗大量的功率和帶寬。
相比之下，聰明的智能分區邊緣節點檢測和測量會將數據轉換為可付諸行動的信息。智能節點可降低整體功耗，縮短延遲并減少帶寬浪費。4 這使得具有較長延遲的反應型物聯網可以轉變成實時的預測型物聯網模式。物聯網仍然適用基本的模擬信號鏈電路設計理念。對于復雜的系統，通常需要擁有深厚的應用專業知識來解讀已處理的數據。
優化的智能分區最大程度地提升了云價值
只有最重要的測量信息才需要通過網關發送至云端以進行最終處理。在一些情況下，大多數數據根本不重要。5 但是，對于本地實時決策所需的時間關鍵型系統數據，應在將其聚合到可進行遠程訪問的遠端節點之前及早依其行事。相反，通過預測模型利用歷史值來影響長期洞察的信息是云處理的理想應用。通過將數據歸檔到龐大的數據庫以供追溯處理和決策使用，發揮出了云處理和存儲的強大優勢。6
圖3. 邊緣節點的智能分區解決了以前無法解決的新挑戰。信號鏈中更早的精簡處理和智能實現了更高效的整體物聯網解決方案。
實時決策依賴于邊緣
物聯網傳感器主要為模擬傳感器。具體的工業應用要求將決定邊緣節點前端所需傳感器的動態范圍和帶寬。在將信號轉換為數字表示并傳輸到邊緣外部前，信號鏈的前端將處于模擬域內。如果選擇不當，模擬信號鏈中的各個元件都有可能限制邊緣節點的整體性能。動態范圍將為目標滿量程傳感器相對于本底噪聲或下個最高無用信號的差值。
由于物聯網傳感器通常會同時尋找已知和未知活動，因此模擬濾波器并非始終有意義。數字濾波會在對信號進行采樣后執行。除非在傳感器的前端使用模擬濾波器，否則基波的諧波或其他雜散信號可能混入檢測的信息并與目標信號競爭功率。因此，在設計階段應該針對時域和頻域中的意外檢測信號制定應對計劃，防止干擾偽像出現在測量數據中。
檢測到的信息通常由信號鏈中接下來的ADC進行測量。如果使用分立元件來設計物聯網邊緣節點，則在選擇測量ADC時應該注意不要減小傳感器的動態范圍。嵌入式ADC的輸入滿量程范圍通常與傳感器輸出幅度匹配良好。理想情況下，傳感器輸出應消耗幾乎整個ADC輸入范圍（在1 dB內），而不使ADC發生飽和，也不會在范圍限制處被裁減掉。但是，也可以使用放大器級來對傳感器輸出信號進行增益或衰減，以便使ADC自身的動態范圍達到最大。ADC滿量程輸入、采樣率、位分辨率、輸入帶寬和噪聲密度都會影響邊緣節點的信號測量性能。
前端放大器可以嵌入在節點的測量級或作為分立元件置于ADC前。放大器的增益、帶寬和噪聲也可以增強邊緣節點的性能。
信號鏈中傳感器之后的測量ADC通常采用以下兩種采樣架構類型之一：奈奎斯特速率或連續時間 - (CTSD)，其中后者在嵌入式ADC中更為常見。奈奎斯特速率ADC具有等于采樣率頻率一半（即fs/2）的平坦標稱噪底。CTSD結合使用過采樣率和陷波通帶，使噪聲超出目標帶寬，從而增加動態范圍。在了解邊緣節點的模擬帶寬和動態范圍時，測量ADC架構及其分辨率非常關鍵。
圖4. 如果物聯網傳感器上沒有前端模擬濾波器，奈奎斯特速率ADC會將超出第一奈奎斯特區域的高階頻率折疊回目標帶寬中。相比之下，具有過采樣調制時鐘的CTSD ADC架構使用噪聲整形來在目標頻段中實現高動態范圍。由于CTSD具有固有濾波能力，因此對信號混疊不太敏感。
例如，在頻域中，1 Hz單位帶寬的噪聲密度將基于ADC的SNR以及噪聲在ADC采樣頻譜上的分布寬度。在奈奎斯特速率ADC中，噪聲頻譜密度（每1 Hz帶寬）為0 dB – ADC信噪比(SNR) – 10 × log(fs/2)，其中fs/2為采樣率除以二或ADC的單個奈奎斯特區域。理想SNR的計算公式為SNR = 6.02 × N + 1.76 dB，其中N為ADC位數。但是，ADC的實際SNR涉及到晶體管和半導體處理的非理想因素，這包括電氣噪聲和晶體管級元件瑕疵。這些非理想因素會導致SNR性能降到理想性能以下，因此請查閱ADC數據手冊以了解SNR目標性能。
邊緣節點的動態范圍將由傳感器的動態范圍、信號的放大率（如果需要）和ADC滿量程動態范圍組成。如果傳感器的滿量程輸出信號未達到ADC滿量程范圍輸入的1 dB以內，則ADC的部分動態范圍將會閑置。相反，如果來自傳感器的輸入超出ADC的量程，則會造成采樣的信號失真。在計算邊緣節點的動態范圍時，放大器帶寬、增益和噪聲也是需要考慮的一部分。傳感器、放大器和ADC的總電氣噪聲將為各RMS分量的平方和的平方根。7
圖5. 傳感器信號輸出幅度與ADC的輸入滿量程不匹配而出現動態范圍丟失（藍色）的示例。需要使用放大器最大程度地增大傳感器的動態范圍，同時防止ADC發生飽和（紅色）。信號匹配必須考慮整個邊緣節點信號鏈的帶寬、動態范圍和噪聲。
智能工廠
在工業物聯網中，機器振動狀態監控將會是一項非常重要的應用。新型或傳統機器設備可能擁有多個關鍵的機械元件，例如轉軸或齒輪，這些元件可能裝有高動態范圍的MEMS加速度計。8 這些多軸傳感器將對機械的振動位移進行實時采樣。測量后，振動信號可以進行處理并與理想的機器配置進行比較。9 在工廠中，通過分析這類信息，可以幫助提高效率、減少停機情況并提前預測機械故障。在極端情況下，可迅速關閉機械元件正在急劇惡化的機器，從而避免造成進一步的損壞。
圖6. 雖然可以定期執行例行機器維護，但這通常不是根據機器狀況而智能進行的。10 通過分析特定機器操作的振動性能，可在邊緣節點處發出預測故障點和維護里程碑警告。
通過實現邊緣節點分析，可以顯著縮短決策時間延遲。圖7顯示了這樣的一個示例，在這個示例中，在超出MEMS傳感器警告閾值限制后，系統立即發送了警告。如果事件極其嚴重而被認定為關鍵事件，可授權節點自動禁用違規設備，以防止發生非常耗時的災難性機械故障。
圖7. 機器振動采樣數據的時域表示，其中比較器閾值可決定是否將檢測和測量數據傳送到邊緣以外。系統可保持低功耗狀態以過濾大部分信息，直到通過閾值交叉事件實現數據優勢為止。
或者，可以調用觸發信號以使能另一個檢測和測量節點（如備用機器元件上的節點），以便開始根據第一個事件來解讀數據。這樣可以減少來自邊緣節點的采樣數據總量。要確定相對于標稱值的任何振動異常，前端節點在設計上必須達到所需的檢測性能。檢測和測量電路的動態范圍、采樣率和輸入帶寬應該足以識別任何偏移事件。
智慧城市
另一種工業物聯網邊緣節點應用為具有嵌入式視頻分析的智慧城市工業攝像機。根據智慧城市的定義，城市的使命是將無數的信息和通信點匯聚到一個凝聚的系統中，以實現對城市資產的管理。一種常見的應用是提供停車位空缺提醒和占用檢測。調試期間會為各攝像機預先確定視場。分析機制中可以定義和使用邊界邊緣檢測來識別各種對象及其運動。在邊緣處，不僅可以分析對象的歷史運動，還可使用數字信號處理(DSP)算法來根據對象軌跡計算預測的路徑。
圖8. 利用邊緣節點視頻分析，可在低功耗系統中確定對象類型檢測、軌跡和邊界交叉，而無需將全帶寬視頻數據發送至云端進行分析。只需傳輸時間戳及痕跡對象坐標和類型。
在類似的頻率濾波中，終端處理通常不需要全帶寬的視頻分析幀。通常，不用于安全目的時，只需要完整視頻幀的一小部分。在固定安裝的攝像機上，幀與幀之間的大部分可視數據為靜態數據。靜態數據可以過濾掉。在一些情況下，只需要分析目標對象的邊界交叉數或運動坐標。縮減的信息子集可以采用痕跡坐標的形式傳輸至信號鏈中的下一網關。
邊緣節點視頻分析可提供多種濾波解讀來區分各種對象類型，例如汽車、卡車、自行車、人類和動物等。這種抽取操作減少了云服務器上所需的數據帶寬和計算能力，而如果要分析下游發送的全幀速率視頻數據，則會占用大量的數據帶寬和計算能力。
室內攝像機應用可以識別穿過入口邊界的人數，還可調整房間的照明、加熱或制冷。要在極端照明條件或其他具有挑戰性的照明條件（如降雨）下實現視覺有效性，室外攝像機可能需要具有高動態范圍。每像素8位或10位的典型成像傳感器可能無法在所有檢測情形中的照明條件下，提供足夠的亮度動態范圍。相較于以240 Hz的刷新速率查看快速運動，工業分析攝像機上可以使用較慢的幀速率來監控活動。
圖9. 通過在邊緣節點處部署采用DSP對象檢測算法的高動態范圍成像器，即使在低照明條件下，也可以確定運動和邊界入侵。這個示例使用視覺對比來定義室內工廠/辦公室（左側）和室外停車場（右側）的邊緣檢測。
平臺級解決方案
ADT7420 是一款具有突破性性能的4 mm × 4 mm數字溫度傳感器，內置16位ADC，分辨率可達0.0078°C，功耗僅為210 A。ADXL362是一款超低功耗、3軸MEMS加速度計，在運動觸發喚醒模式下，以100 Hz采樣速率工作時功耗僅為2 A。它不使用功率占空比，而是在所有數據速率下均采用全帶寬架構，從而防止了輸入信號混疊。ADIS16229是一款具有嵌入式射頻收發器的雙軸18 g數字MEMS振動傳感器。它還通過512點數字FFT能力提供了片上頻域信號處理功能。
支持DSP的Black n低功耗成像平臺(BLIP)11可基于成熟的數字信號處理工具實現工業視覺設計的快速原型制作。優化的軟件庫為設備制造商提供了用于運動檢測、人數統計和車輛檢測的開箱即用解決方案。
參考電路
1 Colm Prendergast. "互聯世界中的智能分區和價值創造" 。物聯網專題演講：2015 IESA視覺峰會。
2 Stephen Lawson. "物聯網不斷將分析能力推向邊緣." PCWorld: IDG News Service, 2016年。
3 Lisa Morgan. "邊緣分析——物聯網數據洪流的解藥." InformationWeek: UBM Electronics, 2016年。
4 Daniel Kirsch. "邊緣分析的價值." Hurwitz & Associates Services, 2015年。
5 Jason Stamper. 物聯網將分析能力驅動至網絡邊緣的原因. 451 Research, 2015年。
6 Steve Nelson. "端到端探索物聯網." Element14: Newark Electronics, 2014年。
7 Umesh Jayamohan. "了解放大器噪聲對ADC信號鏈中總噪聲的影響." 模擬對話，2013年2月。
8 Robert Randall，"基于振動的狀態監控"。澳大利亞新南威爾士州：新南威爾士大學，2010年。
9 Ed Spence. "利用MEMS加速度計的優勢進行狀態監控." Electronic Design，Penton Publishing，2016年。
10 Jamie Smith，"用于工業物聯網的智能邊緣設備"。ARC工業論壇，2015年
11 Black n低功耗成像平臺(BLIP)。ADI公司，2014年。
本文轉載自亞德諾半導體。
推薦閱讀：
