【導(dǎo)讀】工業(yè)物聯(lián)網(wǎng)(IoT)正在醞釀廣泛的轉(zhuǎn)變，這種轉(zhuǎn)變不僅將使互聯(lián)機器間的相互檢測成為一種競爭優(yōu)勢，還將使其成為必不可少的基本服務(wù)。工業(yè)物聯(lián)網(wǎng)以邊緣節(jié)點為起始點，后者是檢測和測量的目標(biāo)切入點。這是物理世界與計算數(shù)據(jù)分析進行交互的接口所在。互聯(lián)的工業(yè)機器可檢測大量的信息，進而用于制定關(guān)鍵決策。這種邊緣傳感器可能遠離存儲歷史分析的云服務(wù)器。它必須通過將邊緣數(shù)據(jù)聚合到互聯(lián)網(wǎng)的網(wǎng)關(guān)進行連接。理想情況下，邊緣傳感器節(jié)點具有很小的規(guī)格尺寸，可在空間受限的環(huán)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(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(jié)點檢測和測量能力的基本方面：檢測、測量、解讀和連接數(shù)據(jù)，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(zhàn)。邊緣節(jié)點的智能管理對成功實施來說十分關(guān)鍵。在一些情況下，超低功耗(ULP)是最重要的性能指標(biāo)。在關(guān)鍵事件期間，當(dāng)傳感器從睡眠模式喚醒時，可以過濾掉絕大多數(shù)的潛在數(shù)據(jù)。
圖1. 邊緣節(jié)點器件智能地檢測、測量和解讀數(shù)據(jù)并將其連接至與云相連的互聯(lián)網(wǎng)網(wǎng)關(guān)。數(shù)據(jù)可以通過一些形式的分析進行預(yù)處理，然后再傳輸以進行更深的數(shù)據(jù)挖掘智能分析。
傳感器構(gòu)成工業(yè)物聯(lián)網(wǎng)電子生態(tài)系統(tǒng)的前端邊緣。測量階段將檢測到的信息轉(zhuǎn)換為有意義的數(shù)據(jù)，如壓力、位移或旋轉(zhuǎn)的可量化值。在解讀階段，邊緣分析與處理會將測量數(shù)據(jù)轉(zhuǎn)換為可操作的事件。1 只有最有價值的信息才應(yīng)越過節(jié)點連接到云，以供預(yù)測或歷史處理。在整個信號鏈中，都可以根據(jù)初始的可接受性限制來抑制或過濾數(shù)據(jù)。理想情況下，傳感器節(jié)點應(yīng)僅發(fā)送絕對必要的信息，并且應(yīng)在獲得關(guān)鍵數(shù)據(jù)后盡快制定關(guān)鍵決策。
邊緣節(jié)點必須通過有線或無線傳感器節(jié)點(WSN)連接到外部網(wǎng)絡(luò)。在信號鏈的這一部分中，數(shù)據(jù)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(shù)據(jù)幾乎沒有價值。通信期間數(shù)據(jù)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行射頻通信時。因此，必須在系統(tǒng)架構(gòu)設(shè)計期間預(yù)先設(shè)計魯棒的通信協(xié)議。
ULP系統(tǒng)的功率管理以選擇調(diào)節(jié)器元件來實現(xiàn)最大效率為起點。但是，由于邊緣節(jié)點也可能以快速占空比喚醒和睡眠，因此還應(yīng)考慮上電和掉電時間。外部觸發(fā)器或喚醒命令能夠幫助快速提醒邊緣節(jié)點，使其開始檢測和測量數(shù)據(jù)。
數(shù)據(jù)安全性也是工業(yè)物聯(lián)網(wǎng)系統(tǒng)必須考慮的一個問題。我們不僅需要確保邊緣內(nèi)的數(shù)據(jù)安全無慮，還必須確保其對網(wǎng)絡(luò)網(wǎng)關(guān)的訪問免受惡意攻擊。決不允許仿冒邊緣節(jié)點來獲取網(wǎng)絡(luò)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(guān)數(shù)據(jù)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(shù)據(jù)會經(jīng)過處理并通過網(wǎng)關(guān)發(fā)送至云，以進行進一步的歷史和預(yù)測分析。
毫不夸張地說，傳感器就是工業(yè)物聯(lián)網(wǎng)的支柱。2 但更準(zhǔn)確的說法應(yīng)該是，它們是獲得洞察的中樞神經(jīng)系統(tǒng)。邊緣節(jié)點檢測和測量技術(shù)是目標(biāo)數(shù)據(jù)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(shù)據(jù)，則云中再多的后期處理也無法挽回?fù)p失的價值。
任務(wù)關(guān)鍵型系統(tǒng)（如具有高風(fēng)險結(jié)果的醫(yī)療保健和工廠停機監(jiān)控系統(tǒng)）要求質(zhì)量數(shù)據(jù)測量具有魯棒的完整性。數(shù)據(jù)質(zhì)量至關(guān)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(dǎo)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(lián)網(wǎng)系統(tǒng)。智能始于邊緣節(jié)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(jié)點輸出可自主連接到網(wǎng)關(guān)節(jié)點，以便在傳輸至云服務(wù)器之前進行聚合。
能夠訪問數(shù)據(jù)寶藏也就意味著需要承擔(dān)重大的責(zé)任
在沒有邊緣節(jié)點智能的傳統(tǒng)信號鏈解決方案中，數(shù)據(jù)只是數(shù)據(jù)。非智能節(jié)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(tǒng)目標(biāo)性能沒有影響的原始低質(zhì)量數(shù)據(jù)。3 轉(zhuǎn)換所有這些數(shù)據(jù)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(qū)邊緣節(jié)點檢測和測量會將數(shù)據(jù)轉(zhuǎn)換為可付諸行動的信息。智能節(jié)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(yīng)型物聯(lián)網(wǎng)可以轉(zhuǎn)變成實時的預(yù)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(shè)計理念。對于復(fù)雜的系統(tǒng)，通常需要擁有深厚的應(yīng)用專業(yè)知識來解讀已處理的數(shù)據(jù)。
優(yōu)化的智能分區(qū)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(wǎng)關(guān)發(fā)送至云端以進行最終處理。在一些情況下，大多數(shù)數(shù)據(jù)根本不重要。5 但是，對于本地實時決策所需的時間關(guān)鍵型系統(tǒng)數(shù)據(jù)，應(yīng)在將其聚合到可進行遠程訪問的遠端節(jié)點之前及早依其行事。相反，通過預(yù)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(yīng)用。通過將數(shù)據(jù)歸檔到龐大的數(shù)據(jù)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(jié)點的智能分區(qū)解決了以前無法解決的新挑戰(zhàn)。信號鏈中更早的精簡處理和智能實現(xiàn)了更高效的整體物聯(lián)網(wǎng)解決方案。
實時決策依賴于邊緣
物聯(lián)網(wǎng)傳感器主要為模擬傳感器。具體的工業(yè)應(yīng)用要求將決定邊緣節(jié)點前端所需傳感器的動態(tài)范圍和帶寬。在將信號轉(zhuǎn)換為數(shù)字表示并傳輸?shù)竭吘壨獠壳埃盘栨湹那岸藢⑻幱谀M域內(nèi)。如果選擇不當(dāng)，模擬信號鏈中的各個元件都有可能限制邊緣節(jié)點的整體性能。動態(tài)范圍將為目標(biāo)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(lián)網(wǎng)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(shù)字濾波會在對信號進行采樣后執(zhí)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(biāo)信號競爭功率。因此，在設(shè)計階段應(yīng)該針對時域和頻域中的意外檢測信號制定應(yīng)對計劃，防止干擾偽像出現(xiàn)在測量數(shù)據(jù)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(shè)計物聯(lián)網(wǎng)邊緣節(jié)點，則在選擇測量ADC時應(yīng)該注意不要減小傳感器的動態(tài)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(yīng)消耗幾乎整個ADC輸入范圍（在1 dB內(nèi)），而不使ADC發(fā)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(tài)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(jié)點的信號測量性能。
前端放大器可以嵌入在節(jié)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(jié)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(gòu)類型之一：奈奎斯特速率或連續(xù)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(biāo)稱噪底。CTSD結(jié)合使用過采樣率和陷波通帶，使噪聲超出目標(biāo)帶寬，從而增加動態(tài)范圍。在了解邊緣節(jié)點的模擬帶寬和動態(tài)范圍時，測量ADC架構(gòu)及其分辨率非常關(guān)鍵。
圖4. 如果物聯(lián)網(wǎng)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(qū)域的高階頻率折疊回目標(biāo)帶寬中。相比之下，具有過采樣調(diào)制時鐘的CTSD ADC架構(gòu)使用噪聲整形來在目標(biāo)頻段中實現(xiàn)高動態(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(qū)域。理想SNR的計算公式為SNR = 6.02 × N + 1.76 dB，其中N為ADC位數(shù)。但是，ADC的實際SNR涉及到晶體管和半導(dǎo)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(dǎo)致SNR性能降到理想性能以下，因此請查閱ADC數(shù)據(jù)手冊以了解SNR目標(biāo)性能。
邊緣節(jié)點的動態(tài)范圍將由傳感器的動態(tài)范圍、信號的放大率（如果需要）和ADC滿量程動態(tài)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(nèi)，則ADC的部分動態(tài)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(jié)點的動態(tài)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(xiàn)動態(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態(tài)范圍，同時防止ADC發(fā)生飽和（紅色）。信號匹配必須考慮整個邊緣節(jié)點信號鏈的帶寬、動態(tài)范圍和噪聲。
智能工廠
在工業(yè)物聯(lián)網(wǎng)中，機器振動狀態(tài)監(jiān)控將會是一項非常重要的應(yīng)用。新型或傳統(tǒng)機器設(shè)備可能擁有多個關(guān)鍵的機械元件，例如轉(zhuǎn)軸或齒輪，這些元件可能裝有高動態(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(yù)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，從而避免造成進一步的損壞。
圖6. 雖然可以定期執(zhí)行例行機器維護，但這通常不是根據(jù)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(jié)點處發(fā)出預(yù)測故障點和維護里程碑警告。
通過實現(xiàn)邊緣節(jié)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(tǒng)立即發(fā)送了警告。如果事件極其嚴(yán)重而被認(rèn)定為關(guān)鍵事件，可授權(quán)節(jié)點自動禁用違規(guī)設(shè)備，以防止發(fā)生非常耗時的災(zāi)難性機械故障。
圖7. 機器振動采樣數(shù)據(jù)的時域表示，其中比較器閾值可決定是否將檢測和測量數(shù)據(jù)傳送到邊緣以外。系統(tǒng)可保持低功耗狀態(tài)以過濾大部分信息，直到通過閾值交叉事件實現(xiàn)數(shù)據(jù)優(yōu)勢為止。
或者，可以調(diào)用觸發(fā)信號以使能另一個檢測和測量節(jié)點（如備用機器元件上的節(jié)點），以便開始根據(jù)第一個事件來解讀數(shù)據(jù)。這樣可以減少來自邊緣節(jié)點的采樣數(shù)據(jù)總量。要確定相對于標(biāo)稱值的任何振動異常，前端節(jié)點在設(shè)計上必須達到所需的檢測性能。檢測和測量電路的動態(tài)范圍、采樣率和輸入帶寬應(yīng)該足以識別任何偏移事件。
智慧城市
另一種工業(yè)物聯(lián)網(wǎng)邊緣節(jié)點應(yīng)用為具有嵌入式視頻分析的智慧城市工業(yè)攝像機。根據(jù)智慧城市的定義，城市的使命是將無數(shù)的信息和通信點匯聚到一個凝聚的系統(tǒng)中，以實現(xiàn)對城市資產(chǎn)的管理。一種常見的應(yīng)用是提供停車位空缺提醒和占用檢測。調(diào)試期間會為各攝像機預(yù)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(shù)字信號處理(DSP)算法來根據(jù)對象軌跡計算預(yù)測的路徑。
圖8. 利用邊緣節(jié)點視頻分析，可在低功耗系統(tǒng)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(shù)據(jù)發(fā)送至云端進行分析。只需傳輸時間戳及痕跡對象坐標(biāo)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(shù)據(jù)為靜態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)可以過濾掉。在一些情況下，只需要分析目標(biāo)對象的邊界交叉數(shù)或運動坐標(biāo)。縮減的信息子集可以采用痕跡坐標(biāo)的形式傳輸至信號鏈中的下一網(wǎng)關(guān)。
邊緣節(jié)點視頻分析可提供多種濾波解讀來區(qū)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(wù)器上所需的數(shù)據(jù)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(shù)據(jù)，則會占用大量的數(shù)據(jù)帶寬和計算能力。
室內(nèi)攝像機應(yīng)用可以識別穿過入口邊界的人數(shù)，還可調(diào)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(zhàn)性的照明條件（如降雨）下實現(xiàn)視覺有效性，室外攝像機可能需要具有高動態(tài)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(tài)范圍。相較于以240 Hz的刷新速率查看快速運動，工業(yè)分析攝像機上可以使用較慢的幀速率來監(jiān)控活動。
圖9. 通過在邊緣節(jié)點處部署采用DSP對象檢測算法的高動態(tài)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(nèi)工廠/辦公室（左側(cè)）和室外停車場（右側(cè)）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(shù)字溫度傳感器，內(nèi)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(fā)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(shù)據(jù)速率下均采用全帶寬架構(gòu)，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(shù)字MEMS振動傳感器。它還通過512點數(shù)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(shù)字信號處理工具實現(xiàn)工業(yè)視覺設(shè)計的快速原型制作。優(yōu)化的軟件庫為設(shè)備制造商提供了用于運動檢測、人數(shù)統(tǒng)計和車輛檢測的開箱即用解決方案。
參考電路
1 Colm Prendergast. "互聯(lián)世界中的智能分區(qū)和價值創(chuàng)造" 。物聯(lián)網(wǎng)專題演講：2015 IESA視覺峰會。
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(shù)據(jù)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(lián)網(wǎng)將分析能力驅(qū)動至網(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，2013年2月。
8 Robert Randall，"基于振動的狀態(tài)監(jiān)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)勢進行狀態(tài)監(jiān)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(shè)備"。ARC工業(yè)論壇，2015年
11 Black n低功耗成像平臺(BLIP)。ADI公司，2014年。
本文轉(zhuǎn)載自亞德諾半導(dǎo)體。
推薦閱讀：
