物联网智能传感器的噪声与功耗

对于那些为物联网应用领域开发智能传感器的人士而言，性能与功耗的关系是最微妙的权衡考虑。在广阔的性能空间中，噪声常常是一个重要的评估因素，因为它能制约智能传感器中关键功能模块的器件选择，进而提高功耗负担。此外，噪声特性在很大程度上决定了滤波要求，而这又会影响传感器对条件快速变化的响应能力，延长产生高质量测量结果所需的时间。

在支持连续观测（采样、处理、通信）的应用中，系统架构师常常不得不解决噪声与功耗相互对立的关系，因为噪声最低的解决方案很少正好也是功耗最低的解决方案（就特定功能类别的器件而言）。例如，MEMS加速度计常常用作远程倾斜测量系统的核心传感器。表1显示了两款不同产品的重要特性，它们提供目前在业界领先的噪声或功耗性能：ADXL355（低噪声）和ADXL362（低功耗）。

表1包括四行，其中三行对应ADXL362的可选工作模式，剩下的一行给出了ADXL355的主要指标。从这一权衡空间的关键边界开始，ADXL355的噪声比最低功耗模式的ADXL362要低几乎27倍，但前者的功耗要高得多。性能要求更具挑战性的应用可能需要考虑ADXL362的最高性能模式，此时ADXL355的噪声要低9倍，但ADXL362的功耗要低13倍。

在不需要连续观测的应用中，平均功耗与噪声的关系变得更有意义。或许令人难以置信，但噪声和功耗的关系甚至可能变成互补式。这对开发人员来说无疑是个好消息。因为在之前的设计中，开发人员可能因难以确定该让功耗还是性能主导其设计而延误了时机。而现在，无需等待其他人在这一权衡中做出决定，智能传感器架构师可自行对权衡范围内的相关选项进行量化；这一做法将重新定义架构师的工作。

智能传感器架构

为了量化特定应用的相关选项，首先需要对信号链做一些假设，因此可以从概念架构开始。图1是智能传感器架构的一般例子，其中包含了最常见的功能。

图1.智能传感器架构

核心传感器

智能传感器节点中的信号链从核心传感器功能开始。最基本形式的核心传感器也称为变换器，其将物理条件或属性转换成代表性的电信号。传感器的比例因子描述其电响应与其监控的物理属性或条件的线性关系。例如，提供模拟输出的温度传感器（如AD590）的比例因子单位为mV/°C；数字加速度计（如ADXL355）的比例因子用LSB/g或码数/g来表示。

滤波器

信号链（图1）的下一个功能模块是滤波器。这一级的作用是降低核心传感器可能支持，但与应用无关的频段中的噪声。在振动监控应用中，这可能是一个带通滤波器，它将随机振动与可能指示机器寿命减损的特定频谱特征分离开来。在倾斜传感器中，这可能是一个简单的低通滤波器，例如移动平均滤波器。这种情况下，时长是建立时间与滤波器输出残余噪声之间的一个重要权衡因素。图2显示了ADXL355艾伦方差曲线的例子，它表示相对于产生测量的均值时间，测量的不确定性（噪声）。

图2.艾伦方差曲线：ADXL355和ADXL362

校准

校准功能的作用是通过应用校正公式来提高测量精度。在要求极高的应用中，通常是在严格受控条件下进行测量，通过直接观测传感器响应来获得此类校正公式。例如在倾斜传感器应用中，校准过程涉及到观测MEMS加速度计在多个不同方向上相对于重力的输出。这种观测的一般目标是观测传感器对足够多取向的响应，从而求解如下关系式（参见方程1）中所有12个校正系数（m11、m12、m13、m21、m22、m23、m31、m32、m33、bx、by、bz）：

方程1中的校正系数用于处理偏置、灵敏度和对准误差。此公式还可以扩展以包括更高阶传感器特性（非线性）或环境相关性（温度、电源电平）。

数据处理

数据处理功能用于将校准且滤波的传感器数据转换成适当的测量结果以对应用提供最佳支持。在振动监控系统中，这可能是简单的RMS-DC转换或带频谱报警的快速傅里叶变换（FFT）（参见ADIS16228）。在倾斜检测应用中，智能传感器会利用方程2、方程3或方程4将传感器对重力的加速度响应转换成方位角估计值。