在這個(gè)包含多個(gè)部分的工業(yè)物聯(lián)網(wǎng)系列文章的第一部分，我們將分解和研究大型物聯(lián)網(wǎng)框架中邊緣節點(diǎn)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(shí)還將考慮功率管理和安全性。每個(gè)部分都將探討一組獨特的挑戰。邊緣節點(diǎn)的智能管理對成功實(shí)施來(lái)說(shuō)十分關(guān)鍵。在一些情況下，超低功耗(ULP)是最重要的性能指標。在關(guān)鍵事件期間，當傳感器從睡眠模式喚醒時(shí)，可以過(guò)濾掉絕大多數的潛在數據。

 

圖1. 邊緣節點(diǎn)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(lián)網(wǎng)網(wǎng)關(guān)。數據可以通過(guò)一些形式的分析進(jìn)行預處理，然后再傳輸以進(jìn)行更深的數據挖掘智能分析。

 

傳感器構成工業(yè)物聯(lián)網(wǎng)電子生態(tài)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(huì )將測量數據轉換為可操作的事件。1 只有最有價(jià)值的信息才應越過(guò)節點(diǎn)連接到云，以供預測或歷史處理。在整個(gè)信號鏈中，都可以根據初始的可接受性限制來(lái)抑制或過(guò)濾數據。理想情況下，傳感器節點(diǎn)應僅發(fā)送絕對必要的信息，并且應在獲得關(guān)鍵數據后盡快制定關(guān)鍵決策。

 

邊緣節點(diǎn)必須通過(guò)有線(xiàn)或無(wú)線(xiàn)傳感器節點(diǎn)(WSN)連接到外部網(wǎng)絡(luò )。在信號鏈的這一部分中，數據完整性仍然十分關(guān)鍵。如果通信不一致、丟失或損壞，則優(yōu)化檢測和測量數據幾乎沒(méi)有價(jià)值。通信期間數據丟失是不可接受的。存在電氣噪聲的工業(yè)環(huán)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(jìn)行射頻通信時(shí)。因此，必須在系統架構設計期間預先設計魯棒的通信協(xié)議。

 

ULP系統的功率管理以選擇調節器元件來(lái)實(shí)現最大效率為起點(diǎn)。但是，由于邊緣節點(diǎn)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(shí)間。外部觸發(fā)器或喚醒命令能夠幫助快速提醒邊緣節點(diǎn)，使其開(kāi)始檢測和測量數據。

 

數據安全性也是工業(yè)物聯(lián)網(wǎng)系統必須考慮的一個(gè)問(wèn)題。我們不僅需要確保邊緣內的數據安全無(wú)慮，還必須確保其對網(wǎng)絡(luò )網(wǎng)關(guān)的訪(fǎng)問(wèn)免受惡意攻擊。決不允許仿冒邊緣節點(diǎn)來(lái)獲取網(wǎng)絡(luò )訪(fǎng)問(wèn)以進(jìn)行不法活動(dòng)。

 

 

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(gè)分立器件。邊緣可能存在多種不同的無(wú)關(guān)數據采集。溫度、聲音、振動(dòng)、壓力、濕度、運動(dòng)、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(huì )經(jīng)過(guò)處理并通過(guò)網(wǎng)關(guān)發(fā)送至云，以進(jìn)行進(jìn)一步的歷史和預測分析。

 

毫不夸張地說(shuō)，傳感器就是工業(yè)物聯(lián)網(wǎng)的支柱。2 但更準確的說(shuō)法應該是，它們是獲得洞察的中樞神經(jīng)系統。邊緣節點(diǎn)檢測和測量技術(shù)是目標數據的"出生地"。如果在解決方案鏈的這一階段如實(shí)地記錄了不良或錯誤的數據，則云中再多的后期處理也無(wú)法挽回損失的價(jià)值。

 

任務(wù)關(guān)鍵型系統（如具有高風(fēng)險結果的醫療保健和工廠(chǎng)停機監控系統）要求質(zhì)量數據測量具有魯棒的完整性。數據質(zhì)量至關(guān)重要。誤報或遺漏可能代價(jià)高昂，非常耗時(shí)，甚至可能威脅生命。代價(jià)巨大的錯誤最終會(huì )導致計劃外的維護、勞動(dòng)力使用效率低下，甚至不得不禁用整個(gè)物聯(lián)網(wǎng)系統。智能始于邊緣節點(diǎn)，而此處也適用那句老話(huà)：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(xiàn)和無(wú)線(xiàn)邊緣節點(diǎn)輸出可自主連接到網(wǎng)關(guān)節點(diǎn)，以便在傳輸至云服務(wù)器之前進(jìn)行聚合。

 

 

在沒(méi)有邊緣節點(diǎn)智能的傳統信號鏈解決方案中，數據只是數據。非智能節點(diǎn)從不會(huì )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(méi)有影響的原始低質(zhì)量數據。3 轉換所有這些數據并將其發(fā)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(diǎn)檢測和測量會(huì )將數據轉換為可付諸行動(dòng)的信息。智能節點(diǎn)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(cháng)延遲的反應型物聯(lián)網(wǎng)可以轉變成實(shí)時(shí)的預測型物聯(lián)網(wǎng)模式。物聯(lián)網(wǎng)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(zhuān)業(yè)知識來(lái)解讀已處理的數據。

 

 

只有最重要的測量信息才需要通過(guò)網(wǎng)關(guān)發(fā)送至云端以進(jìn)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(shí)時(shí)決策所需的時(shí)間關(guān)鍵型系統數據，應在將其聚合到可進(jìn)行遠程訪(fǎng)問(wèn)的遠端節點(diǎn)之前及早依其行事。相反，通過(guò)預測模型利用歷史值來(lái)影響長(cháng)期洞察的信息是云處理的理想應用。通過(guò)將數據歸檔到龐大的數據庫以供追溯處理和決策使用，發(fā)揮出了云處理和存儲的強大優(yōu)勢。6

 

圖3. 邊緣節點(diǎn)的智能分區解決了以前無(wú)法解決的新挑戰。信號鏈中更早的精簡(jiǎn)處理和智能實(shí)現了更高效的整體物聯(lián)網(wǎng)解決方案。

 

 

物聯(lián)網(wǎng)傳感器主要為模擬傳感器。具體的工業(yè)應用要求將決定邊緣節點(diǎn)前端所需傳感器的動(dòng)態(tài)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(gè)元件都有可能限制邊緣節點(diǎn)的整體性能。動(dòng)態(tài)范圍將為目標滿(mǎn)量程傳感器相對于本底噪聲或下個(gè)最高無(wú)用信號的差值。

 

由于物聯(lián)網(wǎng)傳感器通常會(huì )同時(shí)尋找已知和未知活動(dòng)，因此模擬濾波器并非始終有意義。數字濾波會(huì )在對信號進(jìn)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(shí)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(lái)的ADC進(jìn)行測量。如果使用分立元件來(lái)設計物聯(lián)網(wǎng)邊緣節點(diǎn)，則在選擇測量ADC時(shí)應該注意不要減小傳感器的動(dòng)態(tài)范圍。嵌入式ADC的輸入滿(mǎn)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(gè)ADC輸入范圍（在1 dB內），而不使ADC發(fā)生飽和，也不會(huì )在范圍限制處被裁減掉。但是，也可以使用放大器級來(lái)對傳感器輸出信號進(jìn)行增益或衰減，以便使ADC自身的動(dòng)態(tài)范圍達到最大。ADC滿(mǎn)量程輸入、采樣率、位分辨率、輸入帶寬和噪聲密度都會(huì )影響邊緣節點(diǎn)的信號測量性能。

 

前端放大器可以嵌入在節點(diǎn)的測量級或作為分立元件置于A(yíng)DC前。放大器的增益、帶寬和噪聲也可以增強邊緣節點(diǎn)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(lèi)型之一：奈奎斯特速率或連續時(shí)間- (CTSD)，其中后者在嵌入式ADC中更為常見(jiàn)。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(chēng)噪底。CTSD結合使用過(guò)采樣率和陷波通帶，使噪聲超出目標帶寬，從而增加動(dòng)態(tài)范圍。在了解邊緣節點(diǎn)的模擬帶寬和動(dòng)態(tài)范圍時(shí)，測量ADC架構及其分辨率非常關(guān)鍵。

 

圖4. 如果物聯(lián)網(wǎng)傳感器上沒(méi)有前端模擬濾波器，奈奎斯特速率ADC會(huì )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(guò)采樣調制時(shí)鐘的CTSD ADC架構使用噪聲整形來(lái)在目標頻段中實(shí)現高動(dòng)態(tài)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A(yíng)DC的SNR以及噪聲在A(yíng)DC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(gè)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(shí)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(huì )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(diǎn)的動(dòng)態(tài)范圍將由傳感器的動(dòng)態(tài)范圍、信號的放大率（如果需要）和ADC滿(mǎn)量程動(dòng)態(tài)范圍組成。如果傳感器的滿(mǎn)量程輸出信號未達到ADC滿(mǎn)量程范圍輸入的1 dB以?xún)?，則ADC的部分動(dòng)態(tài)范圍將會(huì )閑置。相反，如果來(lái)自傳感器的輸入超出ADC的量程，則會(huì )造成采樣的信號失真。在計算邊緣節點(diǎn)的動(dòng)態(tài)范圍時(shí)，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(mǎn)量程不匹配而出現動(dòng)態(tài)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(dòng)態(tài)范圍，同時(shí)防止ADC發(fā)生飽和（紅色）。信號匹配必須考慮整個(gè)邊緣節點(diǎn)信號鏈的帶寬、動(dòng)態(tài)范圍和噪聲。

 

 

在工業(yè)物聯(lián)網(wǎng)中，機器振動(dòng)狀態(tài)監控將會(huì )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(gè)關(guān)鍵的機械元件，例如轉軸或齒輪，這些元件可能裝有高動(dòng)態(tài)范圍的MEMS加速度計。8 這些多軸傳感器將對機械的振動(dòng)位移進(jìn)行實(shí)時(shí)采樣。測量后，振動(dòng)信號可以進(jìn)行處理并與理想的機器配置進(jìn)行比較。9 在工廠(chǎng)中，通過(guò)分析這類(lèi)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(guān)閉機械元件正在急劇惡化的機器，從而避免造成進(jìn)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(jìn)行的。10 通過(guò)分析特定機器操作的振動(dòng)性能，可在邊緣節點(diǎn)處發(fā)出預測故障點(diǎn)和維護里程碑警告。

 

通過(guò)實(shí)現邊緣節點(diǎn)分析，可以顯著(zhù)縮短決策時(shí)間延遲。圖7顯示了這樣的一個(gè)示例，在這個(gè)示例中，在超出MEMS傳感器警告閾值限制后，系統立即發(fā)送了警告。如果事件極其嚴重而被認定為關(guān)鍵事件，可授權節點(diǎn)自動(dòng)禁用違規設備，以防止發(fā)生非常耗時(shí)的災難性機械故障。

 

圖7. 機器振動(dòng)采樣數據的時(shí)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(tài)以過(guò)濾大部分信息，直到通過(guò)閾值交叉事件實(shí)現數據優(yōu)勢為止。

 

或者，可以調用觸發(fā)信號以使能另一個(gè)檢測和測量節點(diǎn)（如備用機器元件上的節點(diǎn)），以便開(kāi)始根據第一個(gè)事件來(lái)解讀數據。這樣可以減少來(lái)自邊緣節點(diǎn)的采樣數據總量。要確定相對于標稱(chēng)值的任何振動(dòng)異常，前端節點(diǎn)在設計上必須達到所需的檢測性能。檢測和測量電路的動(dòng)態(tài)范圍、采樣率和輸入帶寬應該足以識別任何偏移事件。

 

 

另一種工業(yè)物聯(lián)網(wǎng)邊緣節點(diǎn)應用為具有嵌入式視頻分析的智慧城市工業(yè)攝像機。根據智慧城市的定義，城市的使命是將無(wú)數的信息和通信點(diǎn)匯聚到一個(gè)凝聚的系統中，以實(shí)現對城市資產(chǎn)的管理。一種常見(jiàn)的應用是提供停車(chē)位空缺提醒和占用檢測。調試期間會(huì )為各攝像機預先確定視場(chǎng)。分析機制中可以定義和使用邊界邊緣檢測來(lái)識別各種對象及其運動(dòng)。在邊緣處，不僅可以分析對象的歷史運動(dòng)，還可使用數字信號處理(DSP)算法來(lái)根據對象軌跡計算預測的路徑。

 

圖8. 利用邊緣節點(diǎn)視頻分析，可在低功耗系統中確定對象類(lèi)型檢測、軌跡和邊界交叉，而無(wú)需將全帶寬視頻數據發(fā)送至云端進(jìn)行分析。只需傳輸時(shí)間戳及痕跡對象坐標和類(lèi)型。

 

在類(lèi)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(shí)，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(tài)數據。靜態(tài)數據可以過(guò)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(dòng)坐標?？s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(wǎng)關(guān)。

 

邊緣節點(diǎn)視頻分析可提供多種濾波解讀來(lái)區分各種對象類(lèi)型，例如汽車(chē)、卡車(chē)、自行車(chē)、人類(lèi)和動(dòng)物等。這種抽取操作減少了云服務(wù)器上所需的數據帶寬和計算能力，而如果要分析下游發(fā)送的全幀速率視頻數據，則會(huì )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(guò)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(shí)現視覺(jué)有效性，室外攝像機可能需要具有高動(dòng)態(tài)范圍。每像素8位或10位的典型成像傳感器可能無(wú)法在所有檢測情形中的照明條件下，提供足夠的亮度動(dòng)態(tài)范圍。相較于以240 Hz的刷新速率查看快速運動(dòng)，工業(yè)分析攝像機上可以使用較慢的幀速率來(lái)監控活動(dòng)。

 

圖9. 通過(guò)在邊緣節點(diǎn)處部署采用DSP對象檢測算法的高動(dòng)態(tài)范圍成像器，即使在低照明條件下，也可以確定運動(dòng)和邊界入侵。這個(gè)示例使用視覺(jué)對比來(lái)定義室內工廠(chǎng)/辦公室（左側）和室外停車(chē)場(chǎng)（右側）的邊緣檢測。

 

 

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210A。ADXL362是一款超低功耗、3軸MEMS加速度計，在運動(dòng)觸發(fā)喚醒模式下，以100 Hz采樣速率工作時(shí)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(fā)器的雙軸18 g數字MEMS振動(dòng)傳感器。它還通過(guò)512點(diǎn)數字FFT能力提供了片上頻域信號處理功能。

 

支持DSP的Blackn低功耗成像平臺(BLIP)11可基于成熟的數字信號處理工具實(shí)現工業(yè)視覺(jué)設計的快速原型制作。優(yōu)化的軟件庫為設備制造商提供了用于運動(dòng)檢測、人數統計和車(chē)輛檢測的開(kāi)箱即用解決方案。

 

 

1 Colm Prendergast. "互聯(lián)世界中的智能分區和價(jià)值創(chuàng )造" 。物聯(lián)網(wǎng)專(zhuān)題演講：2015 IESA視覺(jué)峰會(huì )。

 

2 Stephen Lawson. "物聯(lián)網(wǎng)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(lián)網(wǎng)數據洪流的解藥." InformationWeek: UBM Electronics, 2016年。

 

4 Daniel Kirsch. "邊緣分析的價(jià)值." Hurwitz & Associates Services, 2015年。

 

5 Jason Stamper. 物聯(lián)網(wǎng)將分析能力驅動(dòng)至網(wǎng)絡(luò )邊緣的原因. 451 Research, 2015年。

 

6 Steve Nelson. "端到端探索物聯(lián)網(wǎng)." 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(huà)，2013年2月。

 

8 Robert Randall，"基于振動(dòng)的狀態(tài)監控"。澳大利亞新南威爾士州：新南威爾士大學(xué)，2010年。

 

9 Ed Spence. "利用MEMS加速度計的優(yōu)勢進(jìn)行狀態(tài)監控." Electronic Design，Penton Publishing，2016年。

 

10 Jamie Smith，"用于工業(yè)物聯(lián)網(wǎng)的智能邊緣設備"。ARC工業(yè)論壇，2015年

 

11 Blackn低功耗成像平臺(BLIP)。ADI公司，2014年。

 

本文轉載自亞德諾半導體。