工业物联网(IoT) 广泛的变化正在酝酿之中，这种变化不仅将使互联网机器之间的相互检测成为一种竞争优势，而且将成为必不可少的基本服务。工业物联网以边缘节点为起点，后者是检测和测量的目标切入点。这是物理世界与计算数据分析交互的接口。在制定关键决策之前，互联工业机器可以检测到大量的信息。这种边缘传感器可能远离存储历史分析的云服务器。它必须通过将边缘数据聚合到互联网网关进行连接。理想情况下，边缘传感器节点规格尺寸小，可在空间有限的环境中轻松部署。

芯片采购网专注于整合国内外授权IC代理商现货资源，芯片库存实时查询，行业价格合理，采购方便IC芯片，国内专业芯片采购平台。

检测、测量、解释和连接边缘节点的挑战

数据可以通过一些形式的分析进行预处理，然后传输以进行更深入的数据挖掘智能分析。

传感器构成工业物联网电子生态系统的前端边缘。测量阶段将检测到的信息转换为压力、位移或旋转的可量化值等有意义的数据。边缘分析和处理将测量数据转换为可操作事件。只有有价值的信息应该通过节点连接到云进行预测或历史处理。根据初始可接受性限制，可以抑制或过滤整个信号链中的数据。理想情况下，传感器节点应只发送绝对必要的信息，并在获取关键数据后尽快做出关键决策。

图1 智能检测、测量和解读边缘节点设备的数据，并将其连接到连接到云的互联网网关

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，数据完整性仍然至关重要。如果通信不一致、丢失或损坏，优化检测和测量数据几乎毫无价值，通信期间数据丢失是不可接受的。电气噪声的工业环境可能非常恶劣和困难，特别是当有大量金属物体进行射频通信时。因此，鲁棒的通信协议必须在系统架构设计期间提前设计。

超低功耗系统的功率管理始于选择调节器元件以实现更高的效率。然而，由于边缘节点也可以快速唤醒和睡眠，因此也应考虑电源和电源故障时间。外部触发器或唤醒命令可以帮助快速提醒边缘节点，并开始检测和测量数据。

数据安全也是工业物联网系统必须考虑的问题。我们不仅需要确保边缘数据的安全和无忧无虑，还需要确保其访问网络网关免受恶意攻击，绝不允许伪造边缘节点获取网络访问进行非法活动。

确保边缘节点数据的质量和可靠性

边缘有许多检测解决方案，可能不仅仅是单个单独的设备。边缘可能有各种不同的无关数据采集，温度、声音、振动、压力、湿度、运动、污染物、音频和视频只是可检测的部分变量，通过网关处理和发送到云，以进一步进行历史和预测分析。

毫不夸张地说，传感器是工业物联网的支柱，但更准确地说，它们是中枢神经系统。边缘节点检测和测量技术是目标数据的出生地。如果不良或错误的数据在解决方案链的这个阶段被真实地记录下来，无论云中有多少以后的处理无法弥补损失的价值。任务关键系统（如高风险结果的医疗保健和工厂停机监控系统）要求质量数据测量具有鲁棒的完整性，数据质量至关重要。误报或遗漏可能昂贵、耗时甚至威胁生命。巨大的成本错误最终会导致计划外的维护和劳动力使用效率低下，甚至整个物联网系统都必须使用。智能始于边缘节点，这里也适用于老话：如果输入是垃圾，那么输出也必须是垃圾。

智能边缘节点实现高效的物联网解决方案

在没有边缘节点智能的传统信号链解决方案中，数据只是数据，而非智能节点从不帮助生成智能和知识来制定可行的决策。可能有大量原始的低质量数据对系统的目标性能没有影响。转换所有这些数据并将其发送到最终云存储目的地可能需要大量的功率和带宽。

相比之下，智能分区边缘节点的检测和测量将数据转换为可付诸行动的信息。智能节点可以降低Susumu代理降低整体功耗，缩短延迟，减少带宽浪费。这使得延迟较长的反应物联网可以转化为实时预测物联网模式。物联网仍然适用于基本的模拟信号链电路设计概念。对于复杂的系统，通常需要深入应用专业知识来解释处理过的数据。

只有重要的测量信息需要通过网关发送到云端进行最终处理。大多数数据在某些情况下并不重要。但对于本地实时决策所需的时间关键系统数据，在将其聚合到可远程访问的远端节点之前，应尽快进行。相反，云处理的理想应用是通过预测模型利用历史价值来影响长期洞察力的信息。通过将数据归档到庞大的数据库进行可追溯性处理和决策，云处理和存储具有很强的优势。

图2 边缘节点的智能分区解决了以前无法解决的新挑战

整体物联网解决方案在信号链中更早的精简处理和智能化实现。

优化边缘节点的整体性能

物联网传感器主要是模拟传感器。具体的工业应用要求将决定边缘节点前端所需传感器的动态范围和带宽。在将信号转换为数字并传输到边缘外部之前，信号链的前端将处于模拟域。如果选择不当，模拟信号链中的所有元件都可能限制边缘节点的整体性能。动态范围将是目标全量程传感器与底部噪声或下一个最高无用信号之间的差异。

模拟滤波器并不总是有意义的，因为物联网传感器通常同时寻找已知和未知的活动。采样信号后，将执行数字滤波器。除非模拟滤波器用于传感器的前端，否则基波的谐波或其它杂散信号可能与检测信息混合，并与目标信号竞争。因此，在设计阶段，应根据时域和频域中的意外检测信号制定应对计划，以防止测量数据中出现干扰图像。

检测到的信息通常由信号链中连接ADC 进行测量。物联网边缘节点采用分立元件设计，选择测量ADC 注意不要降低传感器的动态范围。嵌入式ADC 全输入范围通常与传感器输出范围相匹配。理想情况下，传感器输出应该消耗几乎整个ADC 输入范围(1 dB 内)，而不是ADC 饱和不会在范围限制处减少。但也可以使用放大器级来增益或衰减传感器输出信号ADC 动态范围大。ADC 全量程输入、采样率、位分辨率、输入带宽和噪声密度都会影响边缘节点的信号测量性能。

前端放大器可嵌入节点的测量级或作为分立元件放置ADC 在此之前，放大器的增益、带宽和噪声也节点的性能。

信号链中传感器后的测量ADC 一般采用以下两种采样架构类型：奈奎斯特速率或连续时间(CTSD)，后者是嵌入式的ADC 比较常见。奈奎斯特速率ADC 它等于采样频率的一半(即fs/2)平标称噪底。CTSD 采样率和陷波通带结合使用，使噪声超过目标带宽，从而增加动态范围。测量边缘节点的模拟带宽和动态范围ADC 结构及其分辨率至关重要。

边缘节点的动态范围将由传感器的动态范围、信号的放大率(如有必要)和ADC 由满量程动态范围组成。如果传感器的满量程输出信号未达到ADC 满量范围输入1 dB 以内，则ADC 部分动态范围将闲置。相反，如果传感器的输入超过ADC 量程会导致采样信号失真。在计算边缘节点的动态范围时，还需要考虑放大器的带宽、增益和噪声。传感器、放大器和ADC 各总电气噪声RMS 平方和平方根的重量。

图3 传感器信号输出范围ADC输入满程不匹配导致动态范围丢失（蓝色）的示例。传感器的动态范围需要使用放大器，以防止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。

从边缘节点到云平台，ADI构建完整的人工智能应用落地方案

机器振动状态监测将是工业物联网中非常重要的应用。新的或传统的机械设备可能有多个关键的机械元件，如转轴或齿轮，它们可能具有高动态范围MEMS 加速度计。这些多轴传感器将实时取样机械的振动位移。测量后，可以处理振动信号，并与理想的机器配置进行比较。对此类信息进行分析，有助于提高效率，减少停机，提前预测机械故障。在极端情况下，机械元件正在迅速恶化，以避免进一步损坏。

图4 例行机器维护虽然可以定期进行，但通常不是根据机器状况智能进行的。

预测故障点和维护里程碑警告可以通过分析特定机器操作的振动性能来发出。

边缘节点分析可显著缩短决策时间延迟。 在这个例子显示在这个例子中，超出了MEMS 传感器警告阈值限制后，系统立即发出警告。如果事件极其严重，被认定为关键事件，可以授权节点自动禁法设备，以防止非常耗时的灾难性机械故障。

或者，触发信号可以调用另一个检测和测量节点（如备用机器元件上的节点），以便根据第一个事件开始解释数据。这可以减少边缘节点的总采样数据。为了确定相对于标称值的任何振动异常，前端节点必须在设计中达到所需的检测性能。任何偏移事件都应足以识别电路的动态范围、采样率和输入带宽。

ADI 推出的OtoSense 它是一个适合工业机器振动状态监测的人工智能传感解释平台，可以获得、学习和感知任何物理现象，如声音、振动、压力、电流和温度。通过各种连续状态监测功能，可以分析设备的运行状态，监督制造过程，尽快检测异常，避免问题。为了提供实时、在线和离线输出，人工智能模型在(接近资产)的边缘运行，有助于避免不必要的停机、严重损坏或故障。

图5 机器振动采样数据的时域表示，比较器阈值可以决定是否将检测和测量数据传输到边缘以外。在阈值交叉事件实现数据优势之前，系统可以保持低功耗状态来过滤大部分信息。

OtoSense 人工智能平台依赖于高性能MEMS数据采集包括加速度计在内的各种传感器。由于OtoSense该技术使边缘节点测量的声音、振动等信息在任何设备上继续使用，无需连接网络进行异常检测和事件识别，可用于汽车、工业、能源等行业的设备监测和应用，减少停机时间，降低维护成本，提高生产力。

预测性维护是工业大数据和人工智能方向的重要应用场景。研究人员不断提供新的思路和方法，从被动故障维护到主动预测和综合规划管理。根据IoT Analytics 根据最新报告，全球已有280多份报告 两年前，该数据约为180家预测性维护企业 家。类似OtoSense 这种完整的解决方案加速了工业预测维护领域人工智能的下降地面、预测性维护从小众物联网话题演变为快速增长的高投资回报应用，真正为工业用户带来价值。

(本文来源《IC2022年4月，代理杂志