边缘的智能第1部分：边缘节点

工业互联网（IoT）涵盖了正在进行的广泛转型，这将使​​连接的机器不仅具有竞争优势，而且是基本的基本服务。工业物联网始于边缘节点，这是感应和测量入口点的关注点。

这是物理世界与计算数据分析相互作用的地方。连接的工业机器可以感觉到各种各样的信息，这些信息将用于做出关键决策。该边缘传感器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汇总到Internet的网关连接。理想情况下，边缘传感器节点在小的名义形式中不引人注目，无法轻松在空间约束环境中部署。

感官，测量，解释，连接

在Multipart工业IoT系列的第一个中，我们将分解并探索较大的物联网框架内的Edge节点感官和测量功能的基本方面：感应，测量，解释和连接数据，并beplay体育下载不了考虑电源管理和其他考虑因素安全。每个部分都提出了一套独特的挑战。边缘节点的明智分区可以是成功实现的关键。在某些情况下，超低功率（ULP）是最重要的性能指标。当关键事件中传感器从睡眠模式醒来时，可能会过滤绝大多数潜在数据。

传感器构成工业物联网电子生态系统的前端边缘。测量结果将感知的信息转化为有意义的事物，例如压力，位移或旋转的可量化值。解释阶段是Edge Analytics和处理将测量数据转换为可行的事件的地方。1仅应将最有价值的信息连接到节点以外的云中以进行预测或历史处理。沿着信号链，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，并应在可用的关键数据后立即做出关键决策。

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。数据完整性在信号链的这个块中仍然是关键。如果通信不一致，丢失或损坏，则最佳感知和测量数据几乎没有价值。通过通信丢失数据不能是一个选择。电气嘈杂的工业环境可能是苛刻和不受欢迎的，尤其是在存在高金属含量的情况下射频通信。因此，必须在系统体系结构设计期间设计出强大的通信协议。

ULP系统的电源管理始于调节器组件选择，以最大程度地效率。但是，由于边缘节点也可能会以速度胜任的周期唤醒和入睡，因此电力和减电时间也不应忽略。外部触发器或唤醒命令有助于快速提醒边缘节点开始传感和测量数据。

图1.边缘节点设备提供了感知，测量，解释和连接到云网关的智能。数据可以通过某种形式的分析进行预处理，然后再将其传输到更深的数据挖掘智能上。

数据安全也必须是工业物联网系统的考虑。边缘内的数据保护不仅需要安全，而且还必须保护其对网络网关的访问权限。不得允许边缘节点欺骗以获得邪恶活动的网络访问。

智力从边缘开始

边缘有大量的传感解决方案，这可能不仅是单个离散设备。边缘可能是各种并发无关数据采集的多个。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进行感知，处理和发送到云的某些变量，以进行进一步的历史和预测分析。

说传感器是工业物联网的骨干并不是一个夸张。边缘节点感和测量技术是感兴趣数据的发源地。如果在解决方案链中的此阶段忠实地记录了错误或错误的数据，则云中没有任何邮政处理可以收回丢失的值。

任务关键系统，例如医疗保健和工厂降线监控，并具有高赌注成果，需要良好的质量数据测量完整性。数据质量至关重要。误报或遗漏可能是昂贵的，耗时的，并可能危及生命。昂贵的错误最终导致计划外的维护，劳动力效率低下或必须完全禁用IoT系统。智能始于边缘节点，避免了旧格言的避免，即使在垃圾中，垃圾。

图2.许多边缘节点输出，包括有线和无线的输出，可以自主连接到传输到云服务器之前要汇总的网关节点。

随着数据的访问，巨大的责任

在没有边缘节点智能的传统信号链解决方案中，数据存放数据。一个不知情的节点永远不会帮助产生智慧和知识来做出可行的决策。1可能会有大量的原始，低质量的数据对感兴趣的系统性能没有影响。3它可以是饥饿和带宽的大量转换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传感和测量数据将数据转换为可行的信息。智能节点降低了总体功耗，降低了延迟并减少带宽废物。4这使得从具有长期延迟的反应性IoT转变为实时和预测性的物联网模型。基本的模拟信号链电路设计理念仍然适用于物联网。对于复杂的系统，通常需要深入的应用专业知识来解释处理后的数据。

优化的智能分区最大化云值

只有最重要的测量信息才能通过通往云的网关发送最终处理。在某些情况下，大多数数据是完全不重要的。5然而，在需要局部实时决策的时间至关重要的系统数据应在远距离访问与远程访问的遥远点进行汇总之前，应采取本地实时决策。相比之下，利用历史价值以预测模型影响长期见解的信息成为云过程的理想应用。将数据归档到大量数据库中，以进行追溯处理和决策效果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。信号链中更精简的处理和智能可以提供更有效的总物联网解决方案。

实时决定在边缘生活

物联网传感器主要是类似物。特定的工业应用要求将决定边缘节点前端所需的传感器的动态范围和带宽。信号链的前端将在信号转换为数字表示并在边缘外传输之前，将在模拟域内。如果未正确选择，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。动态范围将是相对于本噪声或下一个不需要的信号的全尺度传感器之间的三角洲。

由于物联网传感器通常在寻找已知和未知活动，因此模拟过滤器并不总是有意义的。在采样信号后，进行数字过滤。除非在传感器的前端使用模拟滤波器，否则基本或其他虚假信号的谐波可以折叠到感知的信息中，并与感兴趣的信号竞争。因此，在设计阶段的时间和频域中计划意外感应的信号将防止不必要的伪影显示在测量数据中。

感应的信息通常用信号链中的下一个ADC测量。如果使用离散组件设计IoT Edge节点，则应注意选择不会减少传感器动态范围的测量ADC。嵌入式ADC的输入全尺度范围通常与传感器输出振幅匹配。理想情况下，传感器输出应在1 dB之内消耗几乎整个ADC输入范围，而不会使ADC饱和并在范围限制下剪辑。但是，还可以使用放大器阶段来获得或衰减传感器输出信号，以最大化ADC自己的动态范围。ADC全尺度输入，样本率，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ADC前的离散组件添加。放大器的增益，带宽和噪声也可以增强边缘节点的性能。

信号链中传感器后的测量ADC通常是两种采样结构类型之一：Nyquist速率或连续时间σ-δ（CTSD），后者使用嵌入的ADC更为普遍。Nyquist速率ADC的标称平坦噪声底量等于样本速率频率的一半，即FS/2。CTSD使用的过采样速率具有凹口波带，可将噪声推到感兴趣的带宽以外，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.没有IOT传感器上的前端模拟滤波器，Nyquist速率ADC会将高阶频率折叠到第一个Nyquist区域之外，回到感兴趣的带宽。相比之下，具有过采样调制时钟的CTSD ADC体系结构使用噪声塑形，以允许在有趣的频带内进行高动态范围。CTSD对信号混叠不太敏感，因为它提供了固有的过滤。

例如，在频域中，每单位频带宽度为1 Hz的噪声密度将基于ADC的SNR以及噪声在ADC的采样频谱上散布的宽度。在Nyquist速率ADC中，噪声光谱密度（每1 Hz带宽）= 0 dB - ADC信噪比（SNR） - 10×log（fs/2），其中fs/2是两个样品速率除以两个或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位的数量。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水平的组件缺陷。这些非线性将使SNR性能降低到理想之下，因此请检查ADC数据表中的SNR性能。

边缘节点的动态范围将由传感器的动态范围，信号的放大以及ADC全尺度动态范围组成。如果全尺度传感器输出信号未达到ADC全尺寸范围输入的1 dB之内，则ADC动态范围的某些部分将被静止不动。相反，传感器的超范围ADC输入会扭曲采样信号。放大器带宽，增益和噪声也将是边缘节点动态范围的考虑的一部分。传感器，放大器和ADC组合的电噪声将是每个RMS组件的平方总和的平方根。7

图5.传感器信号输出幅度的一个示例与ADC的输入和动态范围的全尺度不匹配（蓝色）。需要放大器来最大化传感器的动态范围，同时防止ADC饱和度（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。

智能工厂

在工业物联网中将很重要的一种应用程序是机器振动条件监测。新的或传统的机器设备可以具有关键的机械组件，例如旋转的轴或齿轮，并安装在高动态范围内置MEMS加速度计。8这些多轴传感器对机械实时的振动位移进行了样品。可以测量，处理，并将其与理想的机器剖面进行测量，处理并进行比较。9在工厂中，对该信息辅助的分析提高了效率，降低了线路的情况，并可以预先预测机械故障。在极端情况下，可以立即关闭具有进一步损害的机械组件快速恶化的机器。

图6.尽管可以定期进行常规机器维护，但通常没有使用有关机器状况的智能来完成。¹⁰通过分析特定机器操作的振动性能，可以在边缘节点上提醒故障和维护里程碑的预测点。

通过启用边缘节点分析，可以大大降低决策时间延迟。一个示例可以在图7中看到，其中MEMS传感器警告阈值限制并立即发送警报。如果事件足够极端，可以被认为是关键的，则可以授予该节点自动禁用违规设备以防止时间敏感的灾难性机械故障。

或者，可以调用触发信号以启用另一个感觉和测量节点，例如二级计算机组件上的节点，以开始基于第一事件来解释数据。这减少了来自边缘节点的采样数据的总数据集。为了确定名义上的任何振动异常，必须设计前端节点的必需性能。感官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.采样机器振动数据的时域表示，比较器阈值可以确定是否在边缘超出边缘传达了感知和测量的数据。可以保持较低的功率状态以过滤大多数信息，直到通过阈值交叉事件实现数据优势为止。

聪明的城市

不同的工业物联网边缘节点应用程序是带有嵌入式视频分析的智能城市工业摄像头。聪明的城市定义了城市任务，将无数的信息和通信点整合到一个有凝聚力的系统中，以使城市的资产管理。一个常见的应用是提供停车空间空缺警报和占用检测。在调试时，每个相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运动，而且由于对象轨迹，还可以使用数字信号处理（DSP）算法在边缘计算预测的路径。

图8.使用边缘节点视频分析，对象类型检测，轨迹和边界交叉可以在低功率系统中确定，而无需将完整的带宽视频数据发送到云以进行分析。只有一个带有面包屑对象坐标和类型的时间戳需要传达。

与频率过滤相似，通常不需要视频分析框架的完整带宽来进行结束处理。通常，当不用于安全目的时，仅需要一小部分完整的视频框架。从框架到框架的大多数视觉数据都在固定的安装相机上静态。静态数据可以过滤。在某些情况下，只需要分析关注对象的边界交叉数或运动坐标。还原的子集可以作为面包板坐标传达到信号链中的下一个网关。

Edge Node视频分析可以提供许多过滤的解释，以区分对象类型（卡车，自行车，人类，动物等）。这种删除可降低数据带宽和计算能力，否则在云服务器中需要在云服务器中分析全帧速率。视频数据下游发送。

室内摄像头应用程序可能会确定越过入口边界的人数，并调整房间的照明，加热或冷却。为了在极端的照明条件或其他具有挑战性的照明（例如雨水）中视觉上有效，可能需要在室外摄像机中使用高动态射程摄像头。每个像素成像传感器的典型8位或10位可能无法提供足够的亮度动态范围，该范围与所有检测方案无关。与以240 Hz刷新速率查看快速运动运动相反，可以使用较慢的帧速率来监视工业分析摄像头上的活动。

图9.带有DSP对象检测算法在边缘节点处的高动态范围成像器即使在低照明条件下也可以确定运动和边界入侵。该示例使用视觉对比度来定义室内工厂/办公室（左）和室外停车场（右）的边缘检测。

平台级解决方案

这ADT7420是一个4 mm×4 mm的数字温度传感器，其通过性能进行突破，其中包含一个内部16位ADC，分辨率为0.0078°C，仅消耗210μA。ADXL362是一种超低功率3轴MEMS加速度计，仅在100 Hz的采样速率触发唤醒模式下以100 Hz的采样速率消耗2μA。它不使用功率骑自行车，而是在所有数据速率上采用完整的带宽架构，从而阻止输入信号的混溶。这ADIS16229是带有嵌入式RF收发器的双轴，18 g数字MEMS振动传感器。它还提供512点数字FFT功能的车载频域信号处理。

启用DSP的Blackfin低功率成像平台（BLIP）11允许基于经过验证的数字信号处理工具的工业视觉设计快速原型制作。优化软件的库库允许设备制造商开箱即用的解决方案，以进行运动感测，人数和车辆检测。

参考

1 Colm Prendergast。“在连接的世界中对智能分区和价值创造。”主题IOT地址：IESA Vision Summit 2015。

2史蒂芬·劳森（Stephen Lawson）。“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。“边缘分析对物联网数据洪水的解毒剂。”信息周：UBM电子，2016年。

4 Daniel Kirsch。“将分析提升到优势的价值。” Hurwitz＆Associates Services，2015年。

5 Jason Stamper。为什么物联网将分析推向网络边缘。451研究，2015年。

6史蒂夫·尼尔森。“从头到尾探索物联网。”元素14：纽瓦克电子，2014年。

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

8罗伯特·兰德尔。基于振动的条件监测。澳大利亚新南威尔士州：新南威尔士大学，2010年。

9 Ed Spence。“将MEMS加速度计的好处带来调理监测。”电子设计，Penton Publishing，2016年。

10杰米·史密斯。“工业互联网的智能边缘设备。”弧行业论坛，2015年

11Blackfin低功率成像平台（BLIP）。模拟设备，Inc.，2014年。

行业文章是一种内容的一种形式，可让行业合作伙伴与所有有关电路读者的新闻，消息和技术分享有用的新闻，并不适合编辑内容。所有行业文章都遵守严格的编辑准则，目的是为读者提供有用的新闻，技术专长或故事。行业文章中表达的观点和观点是合作伙伴的观点和观点，而不一定是巡回演出或其作家的观点和观点。