优化边缘节点设计，加速人工智能应用落地

工业物联网(IoT) 正在酝酿广泛的转变，这种转变不仅将使互联机器间的相互检测成为一种竞争优势，还将使其成为必不可少的基本服务。工业物联网以边缘节点为起始点，后者是检测和测量的目标切入点。这是物理世界与计算数据分析进行交互的接口所在。互联的工业机器可检测大量的信息，进而用于制定关键决策。这种边缘传感器可能远离存储历史分析的云服务器。它必须通过将边缘数据聚合到互联网的网关进行连接。理想情况下，边缘传感器节点具有很小的规格尺寸，可在空间受限的环境中轻松进行部署。

解决边缘节点的检测、测量、解读与连接挑战

数据可以通过一些形式的分析进行预处理，然后再传输以进行更深的数据挖掘智能分析。

传感器构成工业物联网电子生态系统的前端边缘。测量阶段将检测到的信息转换为有意义的数据，如压力、位移或旋转的可量化值。在解读阶段，边缘分析与处理会将测量数据转换为可操作的事件。只有有价值的信息才应越过节点连接到云，以供预测或历史处理。在整个信号链中，都可以根据初始的可接受性限制来抑制或过滤数据。理想情况下，传感器节点应仅发送绝对必要的信息，并且应在获得关键数据后尽快制定关键决策。

图1 边缘节点器件智能地检测、测量和解读数据并将其连接至与云相连的互联网网关

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。在信号链的这一部分中，数据完整性仍然十分关键。如果通信不一致、丢失或损坏，则优化检测和测量数据几乎没有价值，通信期间数据丢失是不可接受的。存在电气噪声的工业环境可能十分恶劣和艰苦，尤其是在存在大量金属物体情况下进行射频通信时。因此，必须在系统架构设计期间预先设计鲁棒的通信协议。

超低功耗系统的功率管理以选择调节器元件来实现较大效率为起点。但是，由于边缘节点也可能以快速占空比唤醒和睡眠，因此还应考虑上电和掉电时间。外部触发器或唤醒命令能够帮助快速提醒边缘节点，使其开始检测和测量数据。

数据安全性也是工业物联网系统必须考虑的一个问题。我们不仅需要确保边缘内的数据安全无虑，还必须确保其对网络网关的访问免受恶意攻击，决不允许仿冒边缘节点来获取网络访问以进行不法活动。

确保边缘节点数据的质量与可靠性

边缘处具有众多检测解决方案，这些解决方案可能不只是单个分立器件。边缘可能存在多种不同的无关数据采集，温度、声音、振动、压力、湿度、运动、污染物、音频和视频只是其中可检测的部分变量，这些数据会经过处理并通过网关发送至云，以进行进一步的历史和预测分析。

毫不夸张地说，传感器就是工业物联网的支柱，但更准确的说法应该是，它们是获得洞察的中枢神经系统。边缘节点检测和测量技术是目标数据的“出生地”，如果在解决方案链的这一阶段如实地记录了不良或错误的数据，则云中再多的后期处理也无法挽回损失的价值。

任务关键型系统（如具有高风险结果的医疗保健和工厂停机监控系统）要求质量数据测量具有鲁棒的完整性，数据质量至关重要。误报或遗漏可能代价高昂，非常耗时，甚至可能威胁生命。代价巨大的错误最终会导致计划外的维护、劳动力使用效率低下，甚至不得不禁用整个物联网系统。智能始于边缘节点，而此处也适用那句老话：如果输入的是垃圾，那么输出的也一定是垃圾。

智能边缘节点实现高效的物联网解决方案

在没有边缘节点智能的传统信号链解决方案中，数据只是数据，非智能节点从不会帮助生成用于制定可行决策的智慧和知识。可能存在大量对系统目标性能没有影响的原始低质量数据，转换所有这些数据并将其发送至最终云存储目的地可能需要消耗大量的功率和带宽。

相比之下，聪明的智能分区边缘节点检测和测量会将数据转换为可付诸行动的信息。智能节点可降低整体功耗，缩短延迟并减少带宽浪费。这使得具有较长延迟的反应型物联网可以转变成实时的预测型物联网模式。物联网仍然适用基本的模拟信号链电路设计理念，对于复杂的系统，通常需要拥有深厚的应用专业知识来解读已处理的数据。

只有重要的测量信息才需要通过网关发送至云端以进行最终处理。在一些情况下，大多数数据根本不重要。但是，对于本地实时决策所需的时间关键型系统数据，应在将其聚合到可进行远程访问的远端节点之前及早依其行事。相反，通过预测模型利用历史值来影响长期洞察的信息是云处理的理想应用，通过将数据归档到庞大的数据库以供追溯处理和决策使用，发挥出了云处理和存储的强大优势。

图2 边缘节点的智能分区解决了以前无法解决的新挑战

信号链中更早的精简处理和智能实现了更高效的整体物联网解决方案。

以高性能模拟信号链优化边缘节点整体性能

物联网传感器主要为模拟传感器。具体的工业应用要求将决定边缘节点前端所需传感器的动态范围和带宽，在将信号转换为数字表示并传输到边缘外部前，信号链的前端将处于模拟域内。如果选择不当，模拟信号链中的各个元件都有可能限制边缘节点的整体性能。动态范围将为目标满量程传感器相对于本底噪声或下个最高无用信号的差值。

由于物联网传感器通常会同时寻找已知和未知活动，因此模拟滤波器并非始终有意义。数字滤波会在对信号进行采样后执行。除非在传感器的前端使用模拟滤波器，否则基波的谐波或其他杂散信号可能混入检测的信息并与目标信号竞争功率。因此，在设计阶段应该针对时域和频域中的意外检测信号制定应对计划，防止干扰伪像出现在测量数据中。

检测到的信息通常由信号链中接下来的ADC 进行测量。如果使用分立元件来设计物联网边缘节点，则在选择测量ADC 时应该注意不要减小传感器的动态范围。嵌入式ADC 的输入满量程范围通常与传感器输出幅度匹配良好。理想情况下，传感器输出应消耗几乎整个ADC 输入范围（在1 dB 内），而不使ADC 发生饱和，也不会在范围限制处被裁减掉。但是，也可以使用放大器级来对传感器输出信号进行增益或衰减，以便使ADC 自身的动态范围达到较大。ADC 满量程输入、采样率、位分辨率、输入带宽和噪声密度都会影响边缘节点的信号测量性能。

前端放大器可以嵌入在节点的测量级或作为分立元件置于ADC 前，放大器的增益、带宽和噪声也可以增强边缘节点的性能。

信号链中传感器之后的测量ADC 通常采用以下两种采样架构类型之一：奈奎斯特速率或连续时间(CTSD)，其中后者在嵌入式ADC 中更为常见。奈奎斯特速率ADC 具有等于采样率频率一半（即fs/2）的平坦标称噪底。CTSD 结合使用过采样率和陷波通带，使噪声超出目标带宽，从而增加动态范围。在了解边缘节点的模拟带宽和动态范围时，测量ADC 架构及其分辨率非常关键。

边缘节点的动态范围将由传感器的动态范围、信号的放大率（如果需要）和ADC 满量程动态范围组成。如果传感器的满量程输出信号未达到ADC 满量程范围输入的1 dB 以内，则ADC 的部分动态范围将会闲置。相反，如果来自传感器的输入超出ADC 的量程，则会造成采样的信号失真。在计算边缘节点的动态范围时，放大器带宽、增益和噪声也是需要考虑的一部分。传感器、放大器和ADC 的总电气噪声将为各RMS 分量的平方和的平方根。

图3 传感器信号输出幅度与ADC的输入满量程不匹配而出现动态范围丢失（蓝色）的示例。需要使用放大器较大程度地增大传感器的动态范围，同时防止ADC发生饱和（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。

从边缘节点到云端平台，ADI打造人工智能应用完整落地方案

在工业物联网中，机器振动状态监控将会是一项非常重要的应用。新型或传统机器设备可能拥有多个关键的机械元件，例如转轴或齿轮，这些元件可能装有高动态范围的MEMS 加速度计。这些多轴传感器将对机械的振动位移进行实时采样，测量后，振动信号可以进行处理并与理想的机器配置进行比较。在工厂中，通过分析这类信息，可以帮助提高效率、减少停机情况并提前预测机械故障。在极端情况下，可迅速关闭机械元件正在急剧恶化的机器，从而避免造成进一步的损坏。

图4 虽然可以定期执行例行机器维护，但这通常不是根据机器状况而智能进行的。

通过分析特定机器操作的振动性能，可在边缘节点处发出预测故障点和维护里程碑警告。

通过实现边缘节点分析，可以显著缩短决策时间延迟。图5 显示了这样的一个示例，在这个示例中，在超出MEMS 传感器警告阈值限制后，系统立即发送了警告。如果事件极其严重而被认定为关键事件，可授权节点自动禁用违规设备，以防止发生非常耗时的灾难性机械故障。

或者，可以调用触发信号以使能另一个检测和测量节点（如备用机器元件上的节点），以便开始根据第一个事件来解读数据。这样可以减少来自边缘节点的采样数据总量。要确定相对于标称值的任何振动异常，前端节点在设计上必须达到所需的检测性能。检测和测量电路的动态范围、采样率和输入带宽应该足以识别任何偏移事件。

ADI 推出的OtoSense™ 就是一款适合用于工业机器振动状态监控的人工智能传感解译平台，可以获取、学习和感知任何物理现象，如声音、振动、压力、电流和温度。通过各种连续状态监控功能，它可以分析设备运行状况，监督制造过程并及早察觉异常避免造成问题。人工智能模型在（靠近资产）边缘运行，以便提供实时、在线和离线输出，这有助于避免不必要的停机、严重损坏或故障。

图5 机器振动采样数据的时域表示，其中比较器阈值可决定是否将检测和测量数据传送到边缘以外。系统可保持低功耗状态以过滤大部分信息，直到通过阈值交叉事件实现数据优势为止。

OtoSense 的人工智能平台依赖于包括高性能MEMS加速度计在内的各种传感器进行数据采集。由于OtoSense技术使边缘节点测量的声音、振动等信息在任何设备上都持续可用，且无需连接网络来执行异常检测和事件识别，因此可用于汽车、工业、能源等行业领域的设备监测应用，减少停机时间、降低维护成本并提高生产力。

预测性维护是工业大数据和人工智能方向的一个重要的应用场景，针对设备的故障和失效问题，从被动的故障维护到主动的预测和综合规划管理，研究人员不断提供新思路和新方法。根据IoT Analytics 最新的报告中提到，目前全球范围内已有超过280 家预测性维护类企业，这一数据在两年前约为180 家。类似OtoSense 这样的完整解决方案加速了人工智能在工业预测性维护领域的落地，预测性维护从一个原本小众的物联网话题演变为快速增长的高投资回报应用，真正为工业用户带来了价值。

（本文来源于《电子产品世界》杂志2022年4月期）