【導讀】減少邊緣節點的洞察時間可在獲得數據之后盡快做出關鍵決定。然而，理論上處理能力和通信數據均不受限制，則可將所有全帶寬邊緣節點檢測信息發送至遠端的云計算服務器。此外，還可以進行大量運算，以挖掘做出明智決策所需的寶貴細節信息。所以，電池電量、通信帶寬和計算周期密集型算法的局限使得我們的設想只是一種概念，而無法成為實際方案……
邊緣節點所需的數據集可能只是一個離散的完整寬帶信息子集。同樣，數據可以根據要求進行傳輸。高效的超低功耗(ULP)處理也是實施任何邊緣節點方案的一個關鍵。
智能分區模式轉變
工業物聯網及其前身（機對機(M2M)通信）的先鋒時代在很大程度上是由云平臺這一主要應用推動因素的作用定義的。智能系統的洞察力以往都只是依賴于云級能力。實際的邊緣傳感器裝置一直以來都相對簡單。然而，由于邊緣節點的低功耗計算能力比云計算能力的發展更迅速，這個前提目前正在動搖。邊緣節點如今具有檢測、測量、解讀和連接數據的能力。
智能分區模式正從連接傳感器模型向智能設備模型轉變，從而提供更多的可用架構選項，并允許組織部署工業物聯網，以獨特的方式改進其實體資產和流程。邊緣計算分析（亦稱為智能邊緣或解讀）推動著這一轉變。大規模的工業物聯網部署依賴于一系列安全、高效節能并且易于管理的多樣化智能節點。
邊緣分析
最優質的傳感數據仍可邊緣化，且無需細心留意邊緣節點分析中應用的要求。邊緣傳感器裝置可能會受到能源、帶寬或原始計算能力的約束。這些約束條件將影響到能夠將IP堆棧刪減為最小閃存或RAM的協議選擇。這使得編寫程序充滿挑戰性，并且可能需要犧牲一些IP性能。
然而，這要求提前了解清楚需要獲得哪些有價值的具體信息，才能從檢測和測量數據中得到預期結果。此外，由于空間隔離或應用差異，也可能因邊緣節點的不同而不同。事件報警、觸發信號和中斷檢測可以忽略大部分數據，只傳輸需要的數據。
時間折舊
貨幣的時間價值是一種概念，即現在的一美元比未來某一時候的一美元更有價值。類似地，數據也存在時間常數。數據的時間價值是指在這個幾分之一秒檢測到的數據與從現在起一周、一天或甚至一個小時之后檢測到的數據不同。此類任務關鍵型物聯網范例有熱沖擊檢測、氣體泄漏檢測或需要采取立即行動的災難性機械故障檢測。時間敏感型數據價值在解讀之時開始衰減。有效解讀數據和采取行動的延遲越長，決策的價值將越低。為了解決工業物聯網的時間折舊問題，我們必須進一步深入了解信號鏈。
邊緣傳感器節點的處理算法可對抽樣數據進行篩選、抽取、調諧和精處理，將其分解至最低要求的子集。這首先需要定義目標窄帶數據。可調帶寬、抽樣率和動態范圍有助于一開始就在硬件的模擬域中建立基準。通過使用所需的模擬設置，傳感器只會檢測需要的信息，并提供更短的時間常數以獲得高質量的解讀數據。
邊緣處的數字后端處理濾波器可進一步重點關注目標數據。邊緣傳感器處的數據頻率分析可在信息離開節點之前，并及早判定信號內容。一些高階計算模塊執行快速傅里葉變換(FFT)、有限脈沖響應(FIR)濾波并使用智能抽取，可縮小抽樣數據的范圍。在一些情況下，在大幅度降低數據帶寬之后，只需要從邊緣傳感器節點處傳輸通過或未通過信息增量痕跡。
圖1中，我們可以看到在未使用前端模擬濾波器或數字后端處理濾波器的情況下，抽取8次（左側）的簡單信號將混疊新的干擾信號（中間），從而使頻率折疊成期望的新信號頻帶（右側）。數字后端處理濾波器搭配數字信號處理器(DSP)或微控制器(MCU)，同時將半帶FIR低通濾波器與抽取濾波器一起使用，將能夠濾除混疊的干擾信號，從而有助于防止出現這一問題。
圖1. 在未使用前端濾波器或數字后端處理濾波器的情況下，可能會出現混疊
邊緣節點處理洞察力—智能工廠
領先的工業物聯網應用解決方案適用于工廠機器狀態監控。該解決方案的目的是在發生故障之前識別和預測機器性能問題。邊緣傳感器節點的多軸高動態范圍加速度計用于監控工業機器上不同部位的振動位移。可以篩選和抽取原始數據，在微控制器中進行頻域解讀。可以處理與已知性能極限進行比較的FFT，針對下游的通過、未通過和警示警報進行測試。通過FIR濾波去除目標帶寬外的寬帶噪聲，可實現FFT內的處理增益。
邊緣節點處理是機器狀態監控的一個重要組成部分。抽樣數據的全帶寬是實現無線網關聚集的一個重要瓶頸。要考慮到，一臺機器可能配有許多傳感器，并且可能同時監控數百臺機器。微控制器中作出的濾波和智能決策向無線收發器提供一個低增益帶寬輸出，而無需在云端進行密集型濾波處理。
圖2顯示了一個機器狀態監控的信號鏈，在這個信號鏈中加速度計傳感器用于測量位移振動特征。利用邊緣傳感器節點處的后端處理濾波器，可通過在濾波和抽樣數據后進行FFT運算，從而在目標窄帶寬中完成頻率分析。
圖2. 振動監控的典型信號鏈
在FFT計算過程中，與實時示波器一樣，處理濾波器可無視時域活動，直至完成FFT。第二個線程中的另一種時域路徑可能還可用于防止出現數據分析差異。
如果能夠清楚目標機械特征頻率，則可設計微控制器中的ADC和FFT抽樣率，使最大能量適合單個直方圖倉的寬度。這將防止信號功率泄漏到多個倉中，從而降低幅度測量的精度。
圖3為FFT的一個示例。在這個示例中，我們在邊緣節點MCU中對不只一個觀察的機械零件進行特定的預定區解讀。在所需綠色區域中達到峰值的能量代表正常運轉，而黃色和紅色區域則分別表示警報和嚴重警報。更低的數據速率警報或觸發痕跡可能會在目標區域內向系統發出偏移事件報警，而不是傳全帶寬傳感器數據。
圖3. FFT倉能源可用于觸發警報
動態范圍、標記和精度
邊緣分析的計算功率有幾個選項。許多選項可用于處理算法，從一個提供有限控制性能的簡單MCU到更加復雜的精密片上系統(SoC) MCU，再到到功能強大的多核數字信號處理。處理內核尺寸、單核或雙核操作、指令RAM緩存大小和定點與浮點需求都是典型的技術考慮。通常，需要在節點可用的功率預估和應用的計算需求之間作出權衡。
針對數字信號處理，采用定點和浮點兩種格式來存儲和操作以數字表示的傳感器節點數據。定點是指一種數字表示方式，采用小數點后（有時候為小數點前）固定位數的數字表示。使用這種方法的DSP處理整數，例如使用最少16位的正負整數，可能有216種位模式。相比之下，浮點則使用有理數，最少可能有232種模式。與使用定點的DSP相比，使用浮點計算方法的DSP可處理更大范圍的值，并能夠表示非常大或非常小的數字。
浮點處理可確保能夠表示更大動態范圍的數字。如果需要計算大量傳感器節點數據，并且在檢測之前可能并不清楚確切的范圍，則浮點處理就非常重要。此外，由于每一個新的計算都需要進行一次數學運算，所以計算結果必然會出現四舍五入或截斷的現象。這會導致數據出現量化誤差或數字信號噪聲。量化誤差是理想的模擬值與該值的數字表示（即最接近的舍入值）之差。這些值之間的量化差越大，數字噪聲將越明顯。當準確性和精度對于解讀的傳感器數據來說非常重要時，浮點處理則可實現優于定點處理的精度性能。
性能
固件設計師應以最有效的方式實現計算應用，因為執行操作的速度至關重要。因此，必須描述數據解讀的處理需求，以便確定實現最大效率需要使用定點計算還是浮點計算。
我們可以對定點處理器進行編程，使其能夠執行浮點任務，反之亦然。然而，這樣做的話效率非常低，并將影響處理器性能和功率。當針對無需密集型計算算法的高容量通用應用而優化時，定點處理器的表現更加突出。相反，浮點處理器可利用專門的算法，輕松完成開發，并實現更高的整體精度。
雖然性能不是很高，但是處理器中支持的GPIO引腳數量則可作為第二個選擇標準。直接支持目標傳感器（例如：I2C、SPORT和UART）的相應控制界面可降低系統設計的復雜程度。內核處理時鐘速度、每次執行的位數、可用于處理的嵌入式指令RAM數量以及存儲器接口速度都將影響邊緣節點處理的能力。實時時鐘有助于對數據進行時間標記，并允許調整多個平臺之間的處理。
處理計算能力通常是在MIPS或MMAC中定義。MIPS是一秒鐘內可執行的百萬指令數。MMAC是每秒可執行的32位單精度浮點或定點累加乘法操作次數（單位：百萬）。針對16位和8位操作，MMAC性能值分別提高2倍和4倍。
安全
雖然工業物聯網的安全影響著每個系統、每次傳輸和每個數據接入點，但是微控制器和DSP則提供內部安全特性。高級加密標準(AES)提供了一種增強有線通信線路（如UART/SPI）或無線通信線路安全性的方法。在采用無線RF通信的情況下，通過邊緣節點無線電進行有效傳輸之前會先執行AES加密。接收節點相應地執行解密操作。電子密碼模塊(ECB)或密碼塊鏈接 (CBC)是典型的AES模式。通常，128位或更長位數的安全密鑰是首選。真隨機數發生器用作為處理器中安全計算的組成部分。后續的工業物聯網文章中將進一步描述這些方案的細節，以便大家采用更加全面的安全措施。
單核或雙核
對原始數據處理能力的需求終始很旺盛。高效的原始數據處理能力將更勝一籌。多核MCU和DSP可為特別受益于密集型并行處理的算法提供額外的計算能力。然而，處理異構數據的需求也在不斷上升。這導致一類多核微控制器的問世，此類微控制器將兩個或更多具有不同特定功能優勢的內核整合在一起。一般稱為異構或非對稱多核設備，通常整合了兩個配置完全不同的內核。
非對稱MCU可整合ARM®Cortex®-M3和Cortex-M0，使用處理器間通信協議進行通信。這使M3能夠重點處理繁瑣的數字信號處理任務，而M0則執行密集程度較低的應用控制。這樣可以將更簡單的任務分流至小型內核中處理。分區可最大化功能更強大的M3內核的處理帶寬，以便進行計算密集型處理，而這是協同處理的真正核心所在。核間通信采用共享SRAM，其中一個處理器引發中斷，而另一個檢查。當接收處理器在響應時引發中斷，就會發出報警。
異構多核MCU的另一個優勢在于，它可以克服嵌入式閃存的限速問題。通過在兩個小型內核中以非對稱的方式對任務進行分割，可在實現內核的全部性能的同時，仍繼續使用低成本嵌入式存儲器。實現嵌入式閃存的成本通常決定MCU的成本，因此可有效地消除瓶頸。在可用的功率預算中平衡處理器需求是工業物聯網邊緣傳感器節點設計的關鍵部分。
功率平衡
即使是在可以實現能量采集的情況下，許多工業物聯網邊緣傳感器節點也必須能夠在同一小型電池上運行多年。ULP操作將是這些節點的一個關鍵參數，而且必須選用能夠最小化節點實際功耗的元件。
許多非常適用于工業物聯網的MCU都采用ARM系列的Cortex-M嵌入式處理器，針對低功耗MCU和傳感器應用。包括針對更簡單高效應用而優化的Cortex-M0+，以及需要浮點和DSP操作的高性能復雜應用的Cortex-M4。使用性能更高的處理內核可能會影響低功耗性能。
ARM CPU在代碼大小、性能和效率方面提供了一個新方向。但是對于MCU在工作模式或深度睡眠模式下的實際功耗，許多超低功耗能力完全取決于MCU供應商。工作功耗深受工藝技術選擇、超高速緩存和處理器整體架構的影響。MCU睡眠電流以及CPU處于睡眠模式時的可用外圍功能主要受MCU的設計和架構影響。
行業聯盟EEMBC制定了一些衡量基準，幫助系統設計師了解其系統的性能和能量特性，以選擇最優處理器。每個器件的ULPMark™- CP評分是經過計算得出的單個數字品質因素。該套件中每個衡量基準的評分使設計師權衡并合計這些衡量基準，以滿足特定的應用需求。
傳感器邊緣節點的功率預算將直接與其處理能力相互關聯。如果功率預算無法滿足邊緣節點分析的處理需求，則可能需要作出權衡。性能效率會影響傳感器邊緣節點的電源效率。微控制器的典型能耗指標用于指定每兆赫茲計算消耗的有功電流量。例如：針對基于ARM Cortex-M3的MCU，功耗可達到數十μA/MHz。
占空比
邊緣傳感器節點的功耗最小化通常基于兩個因素：節點在活動狀態下的功耗是多少；以及為進行檢測、測量和解讀，節點必須保持活動狀態的頻率如何。這個占空比將隨著節點中使用的傳感器和處理器類型，以及算法需求的不同而變化。
圖4. 邊緣傳感器節點MCU的主要活動狀態可能會消耗過多的功率
在不考慮MCU功耗的情況下，邊緣傳感器節點的主要活動狀態將消耗大量功率，并將電池供電應用的壽命減少至只有幾個小時或幾天。
通過分析節點內部元件的占空比，可節省大量能源，從而確保只有在必須的情況下這些元件才會處于工作狀態。MCU幾乎一直處于常開狀態。為了使MCU能夠保持對邊緣傳感器節點的完全控制，同時消耗盡可能少的能量，必須采用針對低能耗操作的特定架構。最小化MCU能耗就是要使MCU盡可能經常處于睡眠模式，同時在需要的時候仍能執行關鍵任務。
圖5. 將MCU主要保持在非活動狀態，以便將功耗降至最小
對于大多數非活動狀態、只在短期占用時間處于活動狀態的情形，使MCU在低功耗休眠模式下運行，可將邊緣節點的電池使用壽命延長至許多年。
可能無需在工業物聯網中使用許多邊緣節點檢測解決方案就可以處理連續不間斷的數據流。利用中斷事件閾值忽略已知的超范圍條件數據，這樣可降低處理功率。為了保持功率和帶寬，可能需要提前了解可預測的占空比。此外，基于已檢測信息狀態的可變占空比可觸發活動狀態或降低功率狀態。
微控制器或DSP的響應時間和功耗（開啟和關閉狀態下）是低帶寬應用的重要設計依據。例如：建筑中，溫度和光傳感器的數據傳輸在靜止期間可能明顯減少。這不僅可以延長傳感器節點的休眠時間，而且還可以大大減少信息傳輸。
為了實現快速反應，許多微控制器除了提供完全活動模式，還提供各種低功耗工作模式，例如：睡眠模式、靈活模式、休眠模式和完全關斷模式。每種模式都將在不需要時關斷各種內部計算模塊，通常將電流需求改變幾個數量級。為實現這一節能優勢，向完全活動模式過渡需要最低有限響應時間。采用靈活模式這一混合配置時，計算內核處于睡眠模式，而外圍接口仍處于活動狀態。休眠模式可提供SRAM數據存儲功能，并可選擇允許實時時鐘仍保持活動狀態。
圖6為詳細的MCU功耗與時序圖，顯示了每種低功耗MCU模式、過渡時間和占空比的影響。當MCU處于非活動狀態時，使用低功耗模式是保持在低功耗傳感器節點預算范圍之內的關鍵。
圖6. 詳細的MCU功耗與時序圖
傳感器融合
先進的模擬微控制器提供了一個完整的混合信號計算解決方案。配備嵌入式精密模數轉換器(ADC)的前端模擬多路復用器支持更先進的傳感器融合技術。在進行數字處理之前，可將多傳感器輸入發送至單個微控制器。片上數模轉換器(DCA)和微控制器反饋至附近其他設備，可實現快速反饋回路。其他嵌入式電路模塊（如比較器、帶隙基準電壓源、溫度傳感器和鎖相環）為多傳感器邊緣節點提供額外的算法靈活性。
圖7. 可在單個模擬微控制器中處理多傳感器信號
多個傳感器的模擬信號可發送至單個精密模擬微控制器。微控制器中的算法可通過傳感器融合過程實現信息的智能組合。
室外污染監控器應用就屬于此類邊緣節點處理。在此類應用中，來自多個輸入來源（如氣體傳感器、溫度傳感器、濕度傳感器和顆粒傳感器）的數據在單個處理器中融合并進行分析。通過這些信息，分析處理完畢后，即可基于只能從本地傳感器節點那獲知的校準和補償信息生成污染數據。然后，可將這些經過校準的數據發送至云，以便進行歷史分析。在一些情況下，可能需要進行獨特的一次性調試，針對其特定的環境失調配置每個傳感器節點。
ADI公司對ULP平臺進行了大量投資，在傳感器、處理器和節能模式的強大功能集方面均有重大改進。近期發布的ADuMC3027和ADuMC3029系列微控制器可提供26 MHz ARM Cortex-M3內核的性能，同時在活動模式下的工作電流低于38 μA/MHz，而在待機模式下為750 nA。這種高效的本地處理能力可降低系統的整體功耗，同時大大減少通過網絡發送數據進行分析的需要。
ADI公司提供各種MCU和DSP引擎，有助于以智能方式捕捉和處理發送至云的物聯網數據。ADuCM36x系列采用ARM Cortex-M3處理內核和集成式雙核∑-? ADC。ADI公司的SHARC® 數字信號處理器系列在許多將動態范圍作為關鍵要素的應用中實現了實時浮點處理性能。
新一代Cortex-M33處理器基于ARMv8-M架構 ，采用可靠的TrustZone™技術，通過處理器的內置硬件保證可信應用和數據的安全。隨著世界的聯系變得越來越緊密，確保每個節點的安全性是促進物聯網應用發展的關鍵。
本文轉載自亞德諾半導體。
推薦閱讀：
