,,

優化邊緣節點設計，加快人工智能應用的實施

（2024年11月23日更新）

工業物聯網(IoT) 廣泛的變化正在醞釀之中，這種變化不僅將使互聯網機器之間的相互檢測成為一種競爭優勢，而且將成為必不可少的基本服務。工業物聯網以邊緣節點為起點，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交互的接口。在制定關鍵決策之前，互聯工業機器可以檢測到大量的信息。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網關進行連接。理想情況下，邊緣傳感器節點規格尺寸小，可在空間有限的環境中輕松部署。

芯片采購網專注于整合國內外授權IC代理商現貨資源，芯片庫存實時查詢，行業價格合理，采購方便IC芯片，國內專業芯片采購平臺。

檢測、測量、解釋和連接邊緣節點的挑戰

數據可以通過一些形式的分析進行預處理，然后傳輸以進行更深入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壓力、位移或旋轉的可量化值等有意義的數據。邊緣分析和處理將測量數據轉換為可操作事件。只有有價值的信息應該通過節點連接到云進行預測或歷史處理。根據初始可接受性限制，可以抑制或過濾整個信號鏈中的數據。理想情況下，傳感器節點應只發送絕對必要的信息，并在獲取關鍵數據后盡快做出關鍵決策。

圖1 智能檢測、測量和解讀邊緣節點設備的數據，并將其連接到連接到云的互聯網網關

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，數據完整性仍然至關重要。如果通信不一致、丟失或損壞，優化檢測和測量數據幾乎毫無價值，通信期間數據丟失是不可接受的。電氣噪聲的工業環境可能非常惡劣和困難，特別是當有大量金屬物體進行射頻通信時。因此，魯棒的通信協議必須在系統架構設計期間提前設計。

超低功耗系統的功率管理始于選擇調節器元件以實現更高的效率。然而，由于邊緣節點也可以快速喚醒和睡眠，因此也應考慮電源和電源故障時間。外部觸發器或喚醒命令可以幫助快速提醒邊緣節點，并開始檢測和測量數據。

數據安全也是工業物聯網系統必須考慮的問題。我們不僅需要確保邊緣數據的安全和無憂無慮，還需要確保其訪問網絡網關免受惡意攻擊，絕不允許偽造邊緣節點獲取網絡訪問進行非法活動。

確保邊緣節點數據的質量和可靠性

邊緣有許多檢測解決方案，可能不僅僅是單個單獨的設備。邊緣可能有各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、音頻和視頻只是可檢測的部分變量，通過網關處理和發送到云，以進一步進行歷史和預測分析。

毫不夸張地說，傳感器是工業物聯網的支柱，但更準確地說，它們是中樞神經系統。邊緣節點檢測和測量技術是目標數據的出生地。如果不良或錯誤的數據在解決方案鏈的這個階段被真實地記錄下來，無論云中有多少以后的處理無法彌補損失的價值。任務關鍵系統（如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。誤報或遺漏可能昂貴、耗時甚至威脅生命。巨大的成本錯誤最終會導致計劃外的維護和勞動力使用效率低下，甚至整個物聯網系統都必須使用。智能始于邊緣節點，這里也適用于老話：如果輸入是垃圾，那么輸出也必須是垃圾。

智能邊緣節點實現高效的物聯網解決方案

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，而非智能節點從不幫助生成智能和知識來制定可行的決策。可能有大量原始的低質量數據對系統的目標性能沒有影響。轉換所有這些數據并將其發送到最終云存儲目的地可能需要大量的功率和帶寬。

相比之下，智能分區邊緣節點的檢測和測量將數據轉換為可付諸行動的信息。智能節點可以降低Susumu代理降低整體功耗，縮短延遲，減少帶寬浪費。這使得延遲較長的反應物聯網可以轉化為實時預測物聯網模式。物聯網仍然適用于基本的模擬信號鏈電路設計概念。對于復雜的系統，通常需要深入應用專業知識來解釋處理過的數據。

只有重要的測量信息需要通過網關發送到云端進行最終處理。大多數數據在某些情況下并不重要。但對于本地實時決策所需的時間關鍵系統數據，在將其聚合到可遠程訪問的遠端節點之前，應盡快進行。相反，云處理的理想應用是通過預測模型利用歷史價值來影響長期洞察力的信息。通過將數據歸檔到龐大的數據庫進行可追溯性處理和決策，云處理和存儲具有很強的優勢。

圖2 邊緣節點的智能分區解決了以前無法解決的新挑戰

整體物聯網解決方案在信號鏈中更早的精簡處理和智能化實現。

優化邊緣節點的整體性能

物聯網傳感器主要是模擬傳感器。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并傳輸到邊緣外部之前，信號鏈的前端將處于模擬域。如果選擇不當，模擬信號鏈中的所有元件都可能限制邊緣節點的整體性能。動態范圍將是目標全量程傳感器與底部噪聲或下一個最高無用信號之間的差異。

模擬濾波器并不總是有意義的，因為物聯網傳感器通常同時尋找已知和未知的活動。采樣信號后，將執行數字濾波器。除非模擬濾波器用于傳感器的前端，否則基波的諧波或其它雜散信號可能與檢測信息混合，并與目標信號競爭。因此，在設計階段，應根據時域和頻域中的意外檢測信號制定應對計劃，以防止測量數據中出現干擾圖像。

檢測到的信息通常由信號鏈中連接ADC 進行測量。物聯網邊緣節點采用分立元件設計，選擇測量ADC 注意不要降低傳感器的動態范圍。嵌入式ADC 全輸入范圍通常與傳感器輸出范圍相匹配。理想情況下，傳感器輸出應該消耗幾乎整個ADC 輸入范圍(1 dB 內)，而不是ADC 飽和不會在范圍限制處減少。但也可以使用放大器級來增益或衰減傳感器輸出信號ADC 動態范圍大。ADC 全量程輸入、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。

前端放大器可嵌入節點的測量級或作為分立元件放置ADC 在此之前，放大器的增益、帶寬和噪聲也節點的性能。

信號鏈中傳感器后的測量ADC 一般采用以下兩種采樣架構類型：奈奎斯特速率或連續時間(CTSD)，后者是嵌入式的ADC 比較常見。奈奎斯特速率ADC 它等于采樣頻率的一半(即fs/2)平標稱噪底。CTSD 采樣率和陷波通帶結合使用，使噪聲超過目標帶寬，從而增加動態范圍。測量邊緣節點的模擬帶寬和動態范圍ADC 結構及其分辨率至關重要。

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(如有必要)和ADC 由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 滿量范圍輸入1 dB 以內，則ADC 部分動態范圍將閑置。相反，如果傳感器的輸入超過ADC 量程會導致采樣信號失真。在計算邊緣節點的動態范圍時，還需要考慮放大器的帶寬、增益和噪聲。傳感器、放大器和ADC 各總電氣噪聲RMS 平方和平方根的重量。

圖3 傳感器信號輸出范圍ADC輸入滿程不匹配導致動態范圍丟失（藍色）的示例。傳感器的動態范圍需要使用放大器，以防止ADC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。

從邊緣節點到云平臺，ADI構建完整的人工智能應用落地方案

機器振動狀態監測將是工業物聯網中非常重要的應用。新的或傳統的機械設備可能有多個關鍵的機械元件，如轉軸或齒輪，它們可能具有高動態范圍MEMS 加速度計。這些多軸傳感器將實時取樣機械的振動位移。測量后，可以處理振動信號，并與理想的機器配置進行比較。對此類信息進行分析，有助于提高效率，減少停機，提前預測機械故障。在極端情況下，機械元件正在迅速惡化，以避免進一步損壞。

圖4 例行機器維護雖然可以定期進行，但通常不是根據機器狀況智能進行的。

預測故障點和維護里程碑警告可以通過分析特定機器操作的振動性能來發出。

邊緣節點分析可顯著縮短決策時間延遲。在這個例子顯示在這個例子中，超出了MEMS 傳感器警告閾值限制后，系統立即發出警告。如果事件極其嚴重，被認定為關鍵事件，可以授權節點自動禁法設備，以防止非常耗時的災難性機械故障。

或者，觸發信號可以調用另一個檢測和測量節點（如備用機器元件上的節點），以便根據第一個事件開始解釋數據。這可以減少邊緣節點的總采樣數據。為了確定相對于標稱值的任何振動異常，前端節點必須在設計中達到所需的檢測性能。任何偏移事件都應足以識別電路的動態范圍、采樣率和輸入帶寬。

ADI 推出的OtoSense 它是一個適合工業機器振動狀態監測的人工智能傳感解釋平臺，可以獲得、學習和感知任何物理現象，如聲音、振動、壓力、電流和溫度。通過各種連續狀態監測功能，可以分析設備的運行狀態，監督制造過程，盡快檢測異常，避免問題。為了提供實時、在線和離線輸出，人工智能模型在(接近資產)的邊緣運行，有助于避免不必要的停機、嚴重損壞或故障。

圖5 機器振動采樣數據的時域表示，比較器閾值可以決定是否將檢測和測量數據傳輸到邊緣以外。在閾值交叉事件實現數據優勢之前，系統可以保持低功耗狀態來過濾大部分信息。

OtoSense 人工智能平臺依賴于高性能MEMS數據采集包括加速度計在內的各種傳感器。由于OtoSense該技術使邊緣節點測量的聲音、振動等信息在任何設備上繼續使用，無需連接網絡進行異常檢測和事件識別，可用于汽車、工業、能源等行業的設備監測和應用，減少停機時間，降低維護成本，提高生產力。

預測性維護是工業大數據和人工智能方向的重要應用場景。研究人員不斷提供新的思路和方法，從被動故障維護到主動預測和綜合規劃管理。根據IoT Analytics 根據最新報告，全球已有280多份報告兩年前，該數據約為180家預測性維護企業家。類似OtoSense 這種完整的解決方案加速了工業預測維護領域人工智能的下降地面、預測性維護從小眾物聯網話題演變為快速增長的高投資回報應用，真正為工業用戶帶來價值。

(本文來源《IC2022年4月，代理雜志