工業物聯網(IoT) 正在醞釀廣泛的轉變，這種轉變不僅將使互聯機器間的相互檢測成為一種競爭優勢，還將使其成為必不可少的基本服務。工業物聯網以邊緣節點為起始點，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進行交互的接口所在。互聯的工業機器可檢測大量的信息，進而用于制定關鍵決策。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的網關進行連接。理想情況下，邊緣傳感器節點具有很小的規格尺寸，可在空間受限的環境中輕松進行部署。

解決邊緣節點的檢測、測量、解讀與連接挑戰

數據可以通過一些形式的分析進行預處理，然后再傳輸以進行更深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，邊緣分析與處理會將測量數據轉換為可操作的事件。只有有價值的信息才應越過節點連接到云，以供預測或歷史處理。在整個信號鏈中，都可以根據初始的可接受性限制來抑制或過濾數據。理想情況下，傳感器節點應僅發送絕對必要的信息，并且應在獲得關鍵數據后盡快制定關鍵決策。

圖1 邊緣節點器件智能地檢測、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中，數據完整性仍然十分關鍵。如果通信不一致、丟失或損壞，則優化檢測和測量數據幾乎沒有價值，通信期間數據丟失是不可接受的。存在電氣噪聲的工業環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行射頻通信時。因此，必須在系統架構設計期間預先設計魯棒的通信協議。

超低功耗系統的功率管理以選擇調節器元件來實現較大效率為起點。但是，由于邊緣節點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間。外部觸發器或喚醒命令能夠幫助快速提醒邊緣節點，使其開始檢測和測量數據。

數據安全性也是工業物聯網系統必須考慮的一個問題。我們不僅需要確保邊緣內的數據安全無慮，還必須確保其對網絡網關的訪問免受惡意攻擊，決不允許仿冒邊緣節點來獲取網絡訪問以進行不法活動。

確保邊緣節點數據的質量與可靠性

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分立器件。邊緣可能存在多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、音頻和視頻只是其中可檢測的部分變量，這些數據會經過處理并通過網關發送至云，以進行進一步的歷史和預測分析。

毫不夸張地說，傳感器就是工業物聯網的支柱，但更準確的說法應該是，它們是獲得洞察的中樞神經系統。邊緣節點檢測和測量技術是目標數據的“出生地”，如果在解決方案鏈的這一階段如實地記錄了不良或錯誤的數據，則云中再多的后期處理也無法挽回損失的價值。

任務關鍵型系統（如具有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。誤報或遺漏可能代價高昂，非常耗時，甚至可能威脅生命。代價巨大的錯誤最終會導致計劃外的維護、勞動力使用效率低下，甚至不得不禁用整個物聯網系統。智能始于邊緣節點，而此處也適用那句老話：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，非智能節點從不會幫助生成用于制定可行決策的智慧和知識。可能存在大量對系統目標性能沒有影響的原始低質量數據，轉換所有這些數據并將其發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檢測和測量會將數據轉換為可付諸行動的信息。智能節點可降低整體功耗，縮短延遲并減少帶寬浪費。這使得具有較長延遲的反應型物聯網可以轉變成實時的預測型物聯網模式。物聯網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業知識來解讀已處理的數據。

只有重要的測量信息才需要通過網關發送至云端以進行最終處理。在一些情況下，大多數數據根本不重要。但是，對于本地實時決策所需的時間關鍵型系統數據，應在將其聚合到可進行遠程訪問的遠端節點之前及早依其行事。相反，通過預測模型利用歷史值來影響長期洞察的信息是云處理的理想應用，通過將數據歸檔到龐大的數據庫以供追溯處理和決策使用，發揮出了云處理和存儲的強大優勢。

圖2 邊緣節點的智能分區解決了以前無法解決的新挑戰

信號鏈中更早的精簡處理和智能實現了更高效的整體物聯網解決方案。

以高性能模擬信號鏈優化邊緣節點整體性能

物聯網傳感器主要為模擬傳感器。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元件都有可能限制邊緣節點的整體性能。動態范圍將為目標滿量程傳感器相對于本底噪聲或下個最高無用信號的差值。

由于物聯網傳感器通常會同時尋找已知和未知活動，因此模擬濾波器并非始終有意義。數字濾波會在對信號進行采樣后執行。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的ADC 進行測量。如果使用分立元件來設計物聯網邊緣節點，則在選擇測量ADC 時應該注意不要減小傳感器的動態范圍。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（在1 dB 內），而不使ADC 發生飽和，也不會在范圍限制處被裁減掉。但是，也可以使用放大器級來對傳感器輸出信號進行增益或衰減，以便使ADC 自身的動態范圍達到較大。ADC 滿量程輸入、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。

前端放大器可以嵌入在節點的測量級或作為分立元件置于ADC 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 通常采用以下兩種采樣架構類型之一：奈奎斯特速率或連續時間(CTSD)，其中后者在嵌入式ADC 中更為常見。奈奎斯特速率ADC 具有等于采樣率頻率一半（即fs/2）的平坦標稱噪底。CTSD 結合使用過采樣率和陷波通帶，使噪聲超出目標帶寬，從而增加動態范圍。在了解邊緣節點的模擬帶寬和動態范圍時，測量ADC 架構及其分辨率非常關鍵。

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（如果需要）和ADC 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 滿量程范圍輸入的1 dB 以內，則ADC 的部分動態范圍將會閑置。相反，如果來自傳感器的輸入超出ADC 的量程，則會造成采樣的信號失真。在計算邊緣節點的動態范圍時，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的輸入滿量程不匹配而出現動態范圍丟失（藍色）的示例。需要使用放大器較大程度地增大傳感器的動態范圍，同時防止ADC發生飽和（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。

從邊緣節點到云端平臺，ADI打造人工智能應用完整落地方案

在工業物聯網中，機器振動狀態監控將會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關鍵的機械元件，例如轉軸或齒輪，這些元件可能裝有高動態范圍的MEMS 加速度計。這些多軸傳感器將對機械的振動位移進行實時采樣，測量后，振動信號可以進行處理并與理想的機器配置進行比較。在工廠中，通過分析這類信息，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，可迅速關閉機械元件正在急劇惡化的機器，從而避免造成進一步的損壞。

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行的。

通過分析特定機器操作的振動性能，可在邊緣節點處發出預測故障點和維護里程碑警告。

通過實現邊緣節點分析，可以顯著縮短決策時間延遲。圖5 顯示了這樣的一個示例，在這個示例中，在超出MEMS 傳感器警告閾值限制后，系統立即發送了警告。如果事件極其嚴重而被認定為關鍵事件，可授權節點自動禁用違規設備，以防止發生非常耗時的災難性機械故障。

或者，可以調用觸發信號以使能另一個檢測和測量節點（如備用機器元件上的節點），以便開始根據第一個事件來解讀數據。這樣可以減少來自邊緣節點的采樣數據總量。要確定相對于標稱值的任何振動異常，前端節點在設計上必須達到所需的檢測性能。檢測和測量電路的動態范圍、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機器振動狀態監控的人工智能傳感解譯平臺，可以獲取、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控功能，它可以分析設備運行狀況，監督制造過程并及早察覺異常避免造成問題。人工智能模型在（靠近資產）邊緣運行，以便提供實時、在線和離線輸出，這有助于避免不必要的停機、嚴重損壞或故障。

圖5 機器振動采樣數據的時域表示，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以過濾大部分信息，直到通過閾值交叉事件實現數據優勢為止。

OtoSense 的人工智能平臺依賴于包括高性能MEMS加速度計在內的各種傳感器進行數據采集。由于OtoSense技術使邊緣節點測量的聲音、振動等信息在任何設備上都持續可用，且無需連接網絡來執行異常檢測和事件識別，因此可用于汽車、工業、能源等行業領域的設備監測應用，減少停機時間、降低維護成本并提高生產力。

預測性維護是工業大數據和人工智能方向的一個重要的應用場景，針對設備的故障和失效問題，從被動的故障維護到主動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280 家預測性維護類企業，這一數據在兩年前約為180 家。類似OtoSense 這樣的完整解決方案加速了人工智能在工業預測性維護領域的落地，預測性維護從一個原本小眾的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了價值。

（本文來源于《電子產品世界》雜志2022年4月期）