文 | 沈韩杨

上下求索，只为真知

　　工业物联网（IoT）涵盖了正在进行的广泛变革，这将使跨连接机器的普及传感不仅具有竞争优势，而且是必不可少的基本服务。工业物联网始于边缘节点，这是感兴趣的传感和测量入口点。

　　这是物理世界与计算数据分析进行交互的地方。互联的工业机器可以感知各种各样的信息，这些信息将用于制定关键决策。该边缘传感器很可能与存储历史分析的云服务器相去甚远。它必须通过将边缘数据聚合到Internet的网关进行连接。理想情况下，边缘传感器节点在较小的标称外形尺寸内不引人注目，可轻松部署在空间受限的环境中。

　　一、感知，测量，解释，连接

　　在这个由多个部分组成的工业物联网系列的第一个文章中，我们将分解并探索更大的物联网框架中边缘节点感应和测量功能的基本方面：感应，测量，解释和连接数据，另外还要考虑电源管理和安全。每一部分都提出了独特的挑战。边缘节点的智能分区可能是成功实施的关键。在某些情况下，超低功耗（ULP）是最重要的性能指标。当传感器在关键事件期间从睡眠模式唤醒时，绝大多数潜在数据可能会被过滤。

　　传感器构成了工业物联网电子生态系统的前端边缘。测量将感测到的信息转换为有意义的信息，例如压力，位移或旋转的可量化值。在解释阶段，边缘分析和处理会将测得的数据转换为可操作的事件。1仅将最有价值的信息连接到节点之外，再连接到云中以进行预测或历史处理。在整个信号链中，可以根据可接受性的初始限制拒绝或过滤数据。理想情况下，传感器节点应仅发送绝对必要的信息，并在关键数据可用时立即做出关键决策。

　　边缘节点必须通过有线或无线传感器节点（WSN）连接到外部网络。在信号链的这一部分中，数据完整性仍然是关键。如果通信不一致，丢失或损坏，则最佳的检测和测量数据就没有什么价值。无法通过通信丢失数据。电气嘈杂的工业环境可能是严酷和无情的，尤其是对于金属含量高的射频通信而言。因此，在系统体系结构设计过程中，必须将强大的通信协议设计为一种先见之明。

　　ULP系统的电源管理从选择调节器组件开始，以实现最大效率。但是，由于边缘节点也可能以快速占空比唤醒和睡眠，因此上电和掉电时间也不应忽略。外部触发或唤醒命令有助于快速警告边缘节点以开始感应和测量数据。

　　图1.边缘节点设备提供了感知，测量，解释和连接到云的Internet网关的智能。在传输数据之前，可以使用某种形式的分析对其进行预处理，以获取更深入的数据挖掘情报。

　　数据安全性也必须是工业物联网系统的考虑因素。不仅需要保护边缘内的数据保护，而且还必须保护其对网络网关的访问免受恶意攻击。不得欺骗边缘节点以进行恶意活动而获得网络访问权限。

　　二、智慧始于边缘

　　在边缘有大量的传感解决方案，它们可能不仅是单个离散设备。边缘可以是多个各种并发的无关数据采集。温度，声音，振动，压力，湿度，运动，污染物，音频和视频只是可以通过网关感知，处理并发送到云中以进行进一步的历史和预测分析的一些变量。

　　说传感器是工业物联网的骨干，这并不是夸大其词。2但是，说它们是提取洞察力的中枢神经系统可能更准确。边缘节点感知和测量技术是关注数据的发源地。如果在解决方案链的此阶段忠实地记录了不良或不正确的数据，则云中的任何后期处理都无法收回丢失的价值。

　　关键任务系统，例如具有高风险结果的医疗保健和工厂生产线监控，需要质量数据测量的强大完整性。数据质量至关重要。误报或遗漏可能会造成成本高昂，耗时且可能危及生命。代价高昂的错误最终会导致计划外的维护，低效的人工使用或不得不完全禁用IoT系统。智能始于仍然避免使用旧格言的边缘节点，即垃圾进，垃圾出。

　　图2.有线和无线的许多边缘节点输出可以在传输到云服务器之前自动连接到要聚合的网关节点。

　　三、拥有大量数据可带来极大的责任

　　在没有边缘节点智能的传统信号链解决方案中，数据就是数据。缺乏智能的节点永远不会帮助您生成智慧和知识来做出可行的决策。1可能会有大量原始的低质量数据，而这些数据对目标系统的性能没有影响。3转换和传输数据可能会耗费大量功率和带宽将所有这些数据发送到最终的云存储目标。

　　相比之下，智能智能分区边缘节点可感测和测量将数据转换为可操作的信息。智能节点可降低总体功耗，降低延迟并减少带宽浪费。4这使从长延迟的反应性物联网过渡到实时和预测性物联网模型。基本的模拟信号链电路设计原理仍然适用于物联网。对于复杂的系统，通常需要深入的应用程序专业知识来解释已处理的数据。

　　四、优化的智能分区可最大化云价值

　　仅需要将最重要的测量信息通过网关发送到云，以进行最终处理。在某些情况下，大多数数据是完全不重要的。5但是，对时间要求严格且需要本地实时决策的系统数据，应在远距离聚合到具有远程访问权限的位置之前进行处理。相反，利用历史价值和预测模型来影响长期洞察力的信息则成为云处理的理想应用。将数据归档到海量数据库中以进行追溯处理和决策，发挥了强大的云处理和存储的优势6。

　　图3.边缘节点的智能分区解决了以前无法解决的新挑战。信号链中更先进的处理和智能功能使整体物联网解决方案更加有效。

　　五、通过实时决策生活在边缘

　　物联网传感器主要是模拟的。特定的工业应用要求将决定边缘节点前端所需的传感器动态范围和带宽。在将信号转换为数字表示并在边缘之外传输之前，信号链的前端将位于模拟域内。如果选择不当，模拟信号链中的每个组件都有可能限制边缘节点的整体性能。动态范围将是感兴趣的满量程传感器相对于本底噪声或次高的不希望信号之间的增量。

　　由于IoT传感器通常都在寻找已知活动和未知活动，因此模拟滤波器并不总是有意义。信号采样后执行数字滤波。除非在传感器的前端使用模拟滤波器，否则基波或其他杂散信号的谐波会折叠到检测到的信息中，并与感兴趣的信号进行功率竞争。因此，在设计阶段在时域和频域中对意外的感测信号进行规划将防止不必要的伪像出现在测量数据中。

　　通常使用信号链中下一个ADC来测量感测到的信息。如果IoT边缘节点是使用分立组件设计的，则应注意选择不减小传感器动态范围的测量ADC。嵌入式ADC的输入满量程范围通常与传感器输出幅度非常匹配。理想情况下，传感器输出应消耗几乎整个ADC输入范围（1 dB以内），而不会使ADC饱和并限制在范围限制内。但是，放大器级也可以用于增益或衰减传感器输出信号，以最大化ADC自身的动态范围。ADC满量程输入，采样率，位分辨率，输入带宽和噪声密度都将有助于边缘节点的信号测量性能。

　　前端放大器可以嵌入到节点的测量中，也可以作为分立组件添加到ADC之前。放大器的增益，带宽和噪声也可以增强边缘节点的性能。

　　信号链中位于传感器之后的测量ADC通常是两种采样架构类型之一：奈奎斯特速率或连续时间Σ-Δ（CTSD），后者在嵌入式ADC中更为普遍。奈奎斯特速率ADC的标称平坦噪声基底等于采样速率频率的一半，即fs / 2。CTSD使用带有陷波通带的过采样率，可将噪声推到目标带宽之外，以增加动态范围。测量ADC架构及其分辨率是了解边缘节点的模拟带宽和动态范围的关键。

　　图4.在物联网传感器上没有前端模拟滤波器的情况下，奈奎斯特速率ADC将把高于第一个奈奎斯特区域的高阶频率折回到感兴趣的带宽。相比之下，具有过采样调制时钟的CTSD ADC架构使用噪声整形，以在目标频段内实现高动态范围。CTSD提供固有的滤波功能，因此对信号混叠不太敏感。

　　例如，在频域中，每单位带宽1 Hz的噪声密度将基于ADC的SNR以及噪声在ADC采样频谱上的扩散程度。在奈奎斯特速率ADC中，噪声频谱密度（每1 Hz带宽）= 0 dB – ADC信噪比（SNR）– 10×log（fs / 2），其中fs / 2是采样率除以2或ADC的单个奈奎斯特区。理想的SNR可以计算为SNR = 6.02×N + 1.76 dB，其中N是ADC位数。但是，ADC的实际SNR包括晶体管和半导体处理的非理想性，包括电噪声和晶体管级组件的缺陷。这些非线性会降低SNR性能，使其低于理想值，因此请查看ADC数据手册以了解所需的SNR性能。

　　边缘节点的动态范围将由传感器的动态范围，信号的放大（如果需要）以及ADC满量程动态范围组成。如果满量程传感器输出信号未达到ADC满量程范围输入的1 dB以内，则ADC动态范围的某些部分将不使用。相反，来自传感器的ADC输入超量程将使采样信号失真。放大器带宽，增益和噪声也将是边缘节点动态范围考虑的一部分。传感器，放大器和ADC的总电气噪声将成为每个均方根分量平方和的平方根。

　　图5.传感器信号输出幅度与ADC的输入满量程不匹配，并且动态范围丢失的示例（蓝色）。需要一个放大器来最大化传感器的动态范围，同时防止ADC饱和（红色）。信号匹配必须考虑整个边缘节点信号链的带宽，动态范围和噪声。

　　六、智能工厂

　　在工业物联网中重要的一种应用是机器振动状态监控。新的或旧的机器设备可以具有关键的机械组件，例如旋转轴或齿轮，并装有高动态范围的MEMS加速度计。8这些多轴传感器可实时采样机械的振动位移。可以对振动信号进行测量，处理并将其与理想的机器轮廓进行比较。9在工厂中，对这些信息的分析有助于提高效率，减少停机情况并可以预先预测机械故障。在极端情况下，具有迅速恶化的机械组件的机器可能会立即停机，否则该机器会进一步造成损坏。

　　图6.尽管可以按固定的时间间隔执行例行的机器维护，但通常无法以智能的方式了解机器的状况。10通过分析特定机器操作的振动性能，可以在边缘节点警告故障和维护里程碑的预测点。

　　通过启用边缘节点分析，可以大大减少决策时间延迟。在图7中可以看到这样的一个示例，其中MEMS传感器警告阈值超出限制，警报立即发送。如果事件极端到足以被认为是严重事件，则可以授予节点自动禁用有问题的设备的权限，以防止时间敏感的灾难性机械故障。

　　可替代地，可以调用触发信号以使另一个感测和测量节点（例如，次级机器组件上的一个）能够基于第一事件开始解释数据。这减少了来自边缘节点的采样数据的总数据集。为了从名义上确定任何振动异常，必须将前端节点设计为具有检测所需的性能。检测和测量电路的动态范围，采样率和输入带宽应足以识别任何偏移事件。

　　图7.采样的机器振动数据的时域表示，其中比较器阈值可以确定感测和测量的数据是否传送到边缘之外。可以维持较低的功率状态以过滤大多数信息，直到通过阈值穿越事件实现数据优势为止。

　　七、智慧城市

　　另一种工业IoT边缘节点应用程序是具有嵌入式视频分析功能的智能城市工业相机。智慧城市定义了城市使命，它将无数的信息和通信点集成到一个紧密结合的系统中，以实现对城市资产的管理。常见的应用是提供停车位空置警报和占用检测。在调试时，每个摄像机都有一个预定的视野。边界边缘检测可以在分析中定义和使用，以识别各种对象及其运动。不仅可以分析历史对象的运动，而且由于对象的轨迹，还可以使用数字信号处理（DSP）算法在边缘计算预测路径。

　　图8.使用边缘节点视频分析，可以在低功耗系统中确定对象类型检测，轨迹和边界交叉，而无需将全带宽视频数据发送到云中进行分析。仅需要传递带有面包屑对象坐标和类型的时间戳。

　　与频率滤波类似，最终处理通常不需要视频分析帧的整个带宽。通常，当不用于安全目的时，仅需要整个视频帧的一小部分。在固定安装的摄像机上，帧与帧之间的大多数可视数据都是静态的。静态数据可以被过滤。在某些情况下，仅需要分析边界交叉的数量或感兴趣对象的运动坐标。减少的子集可以作为面包屑坐标传递到信号链中的下一个网关。

　　边缘节点视频分析可以提供许多过滤后的解释，以区分对象类型（汽车，卡车，自行车，人，动物等）。这种抽取减少了数据带宽和计算能力，而云服务器内部可能需要这些数据带宽和计算能力来分析全帧速率视频数据向下游发送。

　　室内摄像机应用程序可以识别越过入口边界的人数，并调节房间的照明，采暖或制冷。为了在极端照明条件或其他挑战性照明（如雨水）下在视觉上有效，可能需要在室外摄像机中使用高动态范围摄像机。每个像素典型的8位或10位成像传感器可能无法提供足够的亮度动态范围，该范围与所有检测场景中的照明无关。与以240 Hz的刷新率观看快速运动体育相反，可以使用较低的帧频来监视工业分析相机上的活动。

　　图9.边缘节点处带有DSP对象检测算法的高动态范围成像器，即使在光线不足的情况下，也可以确定运动和边界侵入。本示例使用视觉对比度为室内工厂/办公室（左）和室外停车场（右）定义边缘检测。

　　原文作者：Ian Beavers

　　参考文献：

　　1个Colm Prendergast。“互联世界中的智能分区和价值创造。” IoT主题演讲：IESA Vision Summit 2015。

　　2史蒂芬·劳森。“物联网不断将分析推向边缘。”PCWorld：IDG新闻服务，2016年。

　　3丽莎·摩根（Lisa Morgan）。“Edge Analytics是IoT数据泛滥的解毒剂。” InformationWeek：UBM Electronics，2016年。

　　4 Daniel Kirsch。“将分析技术带到边缘的价值。” Hurwitz＆Associates Services，2015年。

　　5 Jason Stamper。为何物联网将分析技术推向网络边缘。451研究，2015。

　　6史蒂夫·尼尔森。“从头到尾探索物联网。” Element14：Newark Electronics，2014年。

　　7 Umesh Jayamohan。“了解放大器噪声如何导致ADC信号链中的总噪声。”，《模拟对话》，2013年2月。

　　8罗伯特·兰德尔。基于振动的状态监控。澳大利亚新南威尔士州：新南威尔士大学，2010年。

　　9 Ed Spence。“将MEMS加速度计的优势带到状态监测。”电子设计，彭顿出版社，2016年。

　　10杰米·史密斯。“用于工业物联网的智能边缘设备。”ARC行业论坛，2015年

　　11 Blackfin低功耗成像平台（BLIP）。ADI公司，2014年。