優(yōu)化邊緣節點(diǎn)設計，加速人工智能應用落地

工業(yè)物聯(lián)網(wǎng)(IoT) 正在醞釀廣泛的轉變，這種轉變不僅將使互聯(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)以邊緣節點(diǎn)為起始點(diǎn)，后者是檢測和測量的目標切入點(diǎn)。這是物理世界與計算數據分析進(jìn)行交互的接口所在?；ヂ?lián)的工業(yè)機器可檢測大量的信息，進(jìn)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(guò)將邊緣數據聚合到互聯(lián)網(wǎng)的網(wǎng)關(guān)進(jìn)行連接。理想情況下，邊緣傳感器節點(diǎn)具有很小的規格尺寸，可在空間受限的環(huán)境中輕松進(jìn)行部署。

解決邊緣節點(diǎn)的檢測、測量、解讀與連接挑戰

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。只有有價(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。

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)

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。

超低功耗系統的功率管理以選擇調節器元件來(lái)實(shí)現較大效率為起點(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)。

確保邊緣節點(diǎn)數據的質(zhì)量與可靠性

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，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。

智能邊緣節點(diǎn)實(shí)現高效的物聯(lián)網(wǎng)解決方案

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?？赡艽嬖诖罅繉ο到y目標性能沒(méi)有影響的原始低質(zhì)量數據，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。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。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。

圖2 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。

以高性能模擬信號鏈優(yōu)化邊緣節點(diǎn)整體性能

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)范圍達到較大。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。

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。

圖3 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。需要使用放大器較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。

從邊緣節點(diǎn)到云端平臺，ADI打造人工智能應用完整落地方案

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。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。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4 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。

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5 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。

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。

ADI 推出的OtoSense? 就是一款適合用于工業(yè)機器振動(dòng)狀態(tài)監控的人工智能傳感解譯平臺，可以獲取、學(xué)習和感知任何物理現象，如聲音、振動(dòng)、壓力、電流和溫度。通過(guò)各種連續狀態(tài)監控功能，它可以分析設備運行狀況，監督制造過(guò)程并及早察覺(jué)異常避免造成問(wèn)題。人工智能模型在（靠近資產(chǎn)）邊緣運行，以便提供實(shí)時(shí)、在線(xiàn)和離線(xiàn)輸出，這有助于避免不必要的停機、嚴重損壞或故障。

圖5 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。

OtoSense 的人工智能平臺依賴(lài)于包括高性能MEMS加速度計在內的各種傳感器進(jìn)行數據采集。由于OtoSense技術(shù)使邊緣節點(diǎn)測量的聲音、振動(dòng)等信息在任何設備上都持續可用，且無(wú)需連接網(wǎng)絡(luò )來(lái)執行異常檢測和事件識別，因此可用于汽車(chē)、工業(yè)、能源等行業(yè)領(lǐng)域的設備監測應用，減少停機時(shí)間、降低維護成本并提高生產(chǎn)力。

預測性維護是工業(yè)大數據和人工智能方向的一個(gè)重要的應用場(chǎng)景，針對設備的故障和失效問(wèn)題，從被動(dòng)的故障維護到主動(dòng)的預測和綜合規劃管理，研究人員不斷提供新思路和新方法。根據IoT Analytics 最新的報告中提到，目前全球范圍內已有超過(guò)280 家預測性維護類(lèi)企業(yè)，這一數據在兩年前約為180 家。類(lèi)似OtoSense 這樣的完整解決方案加速了人工智能在工業(yè)預測性維護領(lǐng)域的落地，預測性維護從一個(gè)原本小眾的物聯(lián)網(wǎng)話(huà)題演變?yōu)榭焖僭鲩L(cháng)的高投資回報應用，真正為工業(yè)用戶(hù)帶來(lái)了價(jià)值。

（本文來(lái)源于《電子產(chǎn)品世界》雜志2022年4月期）