工業物聯網（IoT）涵蓋了正在進行的廣泛轉型，這將使互聯機器的普遍傳感不僅成為競爭優勢，而且成為一項必不可少的基礎服務。工業物聯網從邊緣節點開始，邊緣節點是感興趣的傳感和測量入口點。這是物理世界與計算數據分析交互的地方。互聯的工業機器可以感知用于做出關鍵決策的各種信息。此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中的網關進行連接。理想情況下，邊緣傳感器節點在較小的標稱外形尺寸內不顯眼，可輕松部署在空間受限的環境中。

感知、測量、解釋、連接

在由多部分組成的工業物聯網系列的第一部分中，我們將在更大的物聯網框架內分解和探索邊緣節點感知和測量功能的基本方面：傳感、測量、解釋和連接數據，并額外考慮電源管理和安全性。每個部分都提出了一系列獨特的挑戰。邊緣節點的智能分區是成功實施的關鍵。在某些情況下，超低功耗（ULP）是最重要的性能指標。當傳感器在關鍵事件期間從睡眠模式喚醒時，絕大多數潛在數據可能會被過濾。

圖1.邊緣節點設備提供智能來感知、測量、解釋和連接到云的互聯網網關。數據可以在傳輸之前使用某種形式的分析進行預處理，以實現更深入的數據挖掘智能。

傳感器構成了工業物聯網電子生態系統的前端邊緣。測量將感測信息轉換為有意義的信息，例如壓力、位移或旋轉的可量化值。在解釋階段，邊緣分析和處理將測量數據轉換為可操作的事件。1只有最有價值的信息才能從節點連接到云中，以進行預測或歷史處理。在整個信號鏈中，可以根據初始可接受性限制來拒絕或濾除數據。理想情況下，傳感器節點應僅發送絕對必要的信息，并在關鍵數據可用后立即做出關鍵決策。

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。數據完整性仍然是信號鏈這一模塊的關鍵。如果通信不一致、丟失或損壞，最佳感測和測量數據幾乎沒有價值。無法選擇通過通信丟失數據。電氣嘈雜的工業環境可能非常惡劣和無情，特別是對于存在高金屬含量的射頻通信。因此，在系統架構設計過程中，必須預先考慮魯棒的通信協議。

ULP 系統的電源管理從穩壓器組件選擇開始，以實現最高效率。但是，由于邊緣節點也可能以快速占空比喚醒和休眠，因此上電和關斷時間也不容忽視。外部觸發或喚醒命令有助于快速提醒邊緣節點開始檢測和測量數據。

數據安全也必須是工業物聯網系統的考慮因素。邊緣內的數據保護不僅需要安全，而且對網絡網關的訪問也必須受到保護，免受惡意攻擊。不得允許欺騙邊緣節點以獲取惡意活動的網絡訪問權限。

智能始于邊緣

邊緣有大量的傳感解決方案，可能不僅僅是單個分立器件。邊緣可以是多個并發各種不相關的數據采集。溫度、聲音、振動、壓力、濕度、運動、污染物、音頻和視頻只是可以通過網關感知、處理并發送到云以進行進一步歷史和預測分析的一些變量。

毫不夸張地說，傳感器是工業物聯網的支柱。2但更準確地說，它們是提取見解的中樞神經系統。邊緣節點感知和測量技術是感興趣數據的發源地。如果在解決方案鏈的這個階段忠實地記錄了錯誤或不正確的數據，那么云中再多的后處理也無法收回丟失的價值。

關鍵任務系統，如醫療保健和工廠停機監控，具有高風險的結果，需要質量數據測量的強大完整性。數據質量至關重要。誤報或遺漏可能代價高昂、耗時且可能危及生命。代價高昂的錯誤最終會導致計劃外維護、勞動力使用效率低下或不得不完全禁用物聯網系統。智能始于邊緣節點，避免使用古老的格言仍然適用 - 垃圾輸入，垃圾輸出。

圖2.許多邊緣節點輸出（有線和無線）可以自主連接到網關節點，以便在傳輸到云服務器之前進行聚合。

隨著對大量數據的訪問，責任重大

在沒有邊緣節點智能的傳統信號鏈解決方案中，數據仍然是數據。一個不智能的節點永遠不會幫助產生智慧和知識來做出可操作的決策。1可能存在大量對感興趣的系統性能沒有影響的原始、低質量數據。3轉換所有這些數據并將其發送到最終的云存儲目的地可能會耗電且帶寬密集。

相比之下，智能智能分區邊緣節點感知和測量將數據轉化為可操作的信息。智能節點可降低整體功耗、降低延遲并減少帶寬浪費。4這使得從具有長延遲的反應式物聯網轉變為實時和預測物聯網模型成為可能。基本的模擬信號鏈電路設計理念仍然適用于物聯網。對于復雜的系統，通常需要深厚的應用專業知識來解釋處理后的數據。

優化的智能分區使云價值最大化

只有最重要的測量信息需要通過網關發送到云端進行最終處理。在某些情況下，大多數數據完全不重要。5但是，對于需要本地實時決策的時間關鍵型系統數據，應該在通過遠程訪問在遠處聚合之前很久就采取行動。相比之下，利用歷史價值和預測模型來影響長期見解的信息是云處理的理想應用程序。將數據存檔到海量數據庫中以進行追溯處理和決策，充分利用了強大的云處理和存儲的優勢。6

圖3.邊緣節點的智能分區解決了以前無法解決的新挑戰。信號鏈中更精簡的處理和智能可實現更高效的整體物聯網解決方案。

通過實時決策生活在邊緣

物聯網傳感器主要是模擬的.特定的工業應用要求將決定邊緣節點前端所需的傳感器的動態范圍和帶寬。在信號轉換為數字表示并在邊緣外傳輸之前，信號鏈的前端將位于模擬域內。如果選擇不當，模擬信號鏈中的每個組件都有可能限制邊緣節點的整體性能。動態范圍將是目標滿量程傳感器相對于本底噪聲或下一個最高無用信號之間的增量。

由于物聯網傳感器通常同時尋找已知和未知的活動， 模擬濾波器并不總是有意義的.數字濾波在信號采樣后執行。除非在傳感器前端使用模擬濾波器，否則基波或其他雜散信號的諧波可以折疊到感測信息中，并與目標信號競爭功率。因此，在設計階段規劃時域和頻域中的意外感測信號將防止測量數據中出現不需要的偽影。

檢測信息通常由信號鏈中的下一個ADC測量。如果物聯網邊緣節點是使用分立元件設計的，則應注意選擇不會降低傳感器動態范圍的測量ADC。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，傳感器輸出應消耗幾乎整個ADC輸入范圍（1 dB以內），而不會使ADC飽和并在范圍限值處削波。但是，放大器級也可用于增益或衰減傳感器輸出信號，以最大化ADC自身的動態范圍。ADC滿量程輸入、采樣速率、位分辨率、輸入帶寬和噪聲密度都將影響邊緣節點的信號測量性能。

前端放大器可以嵌入到節點測量中，也可以作為分立元件添加到ADC之前。放大器的增益、帶寬和噪聲也可以增強邊緣節點的性能。

信號鏈中傳感器之后的測量ADC通常是兩種采樣架構類型之一：奈奎斯特速率或連續時間Σ-Δ（CTSD），后者在嵌入式ADC中更為普遍。奈奎斯特速率ADC的標稱平坦本底噪聲等于采樣速率頻率的一半，或fs/2.CTSD使用帶有陷波通帶的過采樣率，將噪聲推到目標帶寬之外，以增加動態范圍。測量 ADC 架構 及其 解決 率 是 了解 邊緣 節點 的 模擬 帶 寬 和 動態 范圍 的 關鍵。

圖4.如果物聯網傳感器上沒有前端模擬濾波器，奈奎斯特速率ADC會將高階頻率折疊到1圣奈奎斯特區回到感興趣的帶寬。相比之下，具有過采樣調制時鐘的CTSD ADC架構使用噪聲整形，在目標頻帶內實現高動態范圍。CTSD對信號混疊不太敏感，因為它提供了固有的濾波。

例如，在頻域中，每單位帶寬1 Hz的噪聲密度將取決于ADC的SNR以及噪聲在ADC采樣頻譜中的分布寬度。在奈奎斯特速率ADC中，噪聲頻譜密度（每1 Hz帶寬）= 0 dB – ADC信噪比（SNR） – 10 × log（fs/2） 其中 fs/2是采樣速率除以ADC的兩個或單個奈奎斯特區。理想的SNR可以計算為SNR = 6.02 × N + 1.76 dB，其中N是ADC位數。然而，ADC的實際SNR包括晶體管和半導體處理的非理想性，包括電噪聲和晶體管級元件缺陷。這些非線性會使SNR性能降低到理想值以下，因此請查看ADC數據手冊，了解感興趣的SNR性能。

邊緣節點的動態范圍將由傳感器的動態范圍、信號的放大（如果需要）和ADC滿量程動態范圍組成。如果滿量程傳感器輸出信號未達到ADC滿量程范圍輸入的1 dB以內，則ADC動態范圍的某些部分將閑置。相反，來自傳感器的超量程ADC輸入會使采樣信號失真。放大器帶寬、增益和噪聲也將是邊緣節點動態范圍考慮因素的一部分。傳感器、放大器和ADC的電噪聲之和將是每個均方根分量的平方根。7

圖5.傳感器信號輸出幅度與ADC的輸入滿量程不匹配，動態范圍丟失的示例（藍色）。需要一個放大器來最大化傳感器的動態范圍，同時防止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。

智能工廠

在工業物聯網中，一個重要的應用是機器振動狀態監測。新的或傳統的機器設備可以安裝有關鍵的機械部件，如旋轉軸或齒輪，安裝有高動態范圍的MEMS加速度計。8這些多軸傳感器實時對機械的振動位移進行采樣。可以測量、處理振動特征，并將其與理想的機器輪廓進行比較。9在工廠中，對這些信息的分析有助于提高效率，減少生產線停機情況，并可以提前預測機械故障。在極端情況下，機械部件迅速惡化的機器可能會立即關閉，否則會導致進一步的損壞。

圖6.雖然例行的機器維護可以定期執行，但通常不能通過有關機器狀況的智能來完成。10通過分析特定機器操作的振動性能，可以在邊緣節點發出預測故障點和維護里程碑警報。

通過啟用邊緣節點分析，可以大大減少決策時間延遲。圖7中可以看到一個例子，其中超過MEMS傳感器警告閾值限制并立即發送警報。如果事件極端到足以被視為關鍵事件，則可以授權節點自動禁用違規設備，以防止時間敏感的災難性機械故障。

圖7.采樣機器振動數據的時域表示，其中比較器閾值可以確定感測和測量數據是否在邊緣之外傳輸。可以保持較低的功耗狀態以過濾大部分信息，直到通過閾值交叉事件實現數據優勢。

或者，可以調用觸發信號以使另一個檢測和測量節點（例如輔助機器組件上的節點）開始根據 1圣事件。這減少了來自邊緣節點的采樣數據的總數據集。為了從標稱值確定任何振動異常，前端節點必須設計具有檢測所需的性能。檢測和測量電路的動態范圍、采樣速率和輸入帶寬應足以識別任何偏移事件。

智慧城市

另一種工業物聯網邊緣節點應用是具有嵌入式視頻分析功能的智能城市工業相機。智慧城市定義了城市使命，即將無數的信息和通信點整合到一個有凝聚力的系統中，以實現對城市資產的管理。一個常見的應用是提供停車位空置警報和占用檢測。在調試時，每臺攝像機都有一個預定的視野。可以在分析中定義和使用邊界邊緣檢測，以識別各種對象及其運動。不僅可以分析歷史物體運動，而且由于物體軌跡，還可以使用數字信號處理（DSP）算法在邊緣計算預測路徑。

圖8.使用邊緣節點視頻分析，可以在低功耗系統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據發送到云端進行分析。只需要傳達具有痕跡導航對象坐標和類型的時間戳。

與頻率濾波類似，終端處理通常不需要視頻分析幀的全帶寬。通常，當不用于安全目的時，只需要完整視頻幀的一小部分。從一幀到另一幀的大部分視覺數據都是靜態的，固定安裝的相機上。可以過濾靜態數據。在某些情況下，只需要分析邊界交叉計數或感興趣對象的移動坐標。縮減的子集可以作為痕跡導航坐標傳送到信號鏈中的下一個網關。

邊緣節點視頻分析可以提供許多過濾解釋，以區分對象類型 - 汽車、卡車、自行車、人類、動物等。這種抽取減少了數據帶寬和計算能力，否則云服務器需要這些數據帶寬和計算能力來分析下游發送的全幀速率視頻數據。

室內攝像頭應用可以識別越過入口邊界的人數，并調整房間的照明、加熱或冷卻。為了在極端照明條件或其他具有挑戰性的照明（如雨）下保持視覺效果，可能需要在戶外相機中使用高動態范圍相機。典型的 8 位或 10 位/像素成像傳感器可能無法在所有檢測場景中提供與照明無關的足夠亮度動態范圍。與以 240 Hz 刷新率觀看快動作運動相比，可以使用較慢的幀速率來監控工業分析相機上的活動。

圖9.在邊緣節點采用DSP對象檢測算法的高動態范圍成像器即使在低光照條件下也可以確定運動和邊界入侵。此示例使用視覺對比度來定義室內工廠/辦公室（左）和室外停車場（右）的邊緣檢測。

平臺級解決方案

ADT7420是一款4 mm×4 mm數字溫度傳感器，具有突破性的性能，內置一個分辨率為0.0078°C的內部16位ADC，功耗僅為210 μA。ADXL362是一款超低功耗3軸MEMS加速度計，在運動觸發喚醒模式下，以100 Hz采樣速率僅消耗2 μA電流。它不使用功率占空比，而是在所有數據速率下采用全帶寬架構，防止輸入信號混疊。ADIS16229是一款雙軸、18 g數字MEMS振動傳感器，內置RF收發器。它還提供具有 512 點數字 FFT 功能的板載頻域信號處理。

支持DSP的Blackfin低功耗成像平臺（BLIP）11允許基于成熟的數字信號處理工具對工業視覺設計進行快速原型設計。優化的軟件交付成果庫為設備制造商提供了開箱即用的運動傳感、人數統計和車輛檢測解決方案。

審核編輯：郭婷