優(yōu)化邊緣節(jié)點設(shè)計，加速人工智能應(yīng)用落地

工業(yè)物聯(lián)網(wǎng)(IoT) 正在醞釀廣泛的轉(zhuǎn)變，這種轉(zhuǎn)變不僅將使互聯(lián)機(jī)器間的相互檢測成為一種競爭優(yōu)勢，還將使其成為必不可少的基本服務(wù)。工業(yè)物聯(lián)網(wǎng)以邊緣節(jié)點為起始點，后者是檢測和測量的目標(biāo)切入點。這是物理世界與計算數(shù)據(jù)分析進(jìn)行交互的接口所在?；ヂ?lián)的工業(yè)機(jī)器可檢測大量的信息，進(jìn)而用于制定關(guān)鍵決策。這種邊緣傳感器可能遠(yuǎn)離存儲歷史分析的云服務(wù)器。它必須通過將邊緣數(shù)據(jù)聚合到互聯(lián)網(wǎng)的網(wǎng)關(guān)進(jìn)行連接。理想情況下，邊緣傳感器節(jié)點具有很小的規(guī)格尺寸，可在空間受限的環(huán)境中輕松進(jìn)行部署。

解決邊緣節(jié)點的檢測、測量、解讀與連接挑戰(zhàn)

數(shù)據(jù)可以通過一些形式的分析進(jìn)行預(yù)處理，然后再傳輸以進(jìn)行更深的數(shù)據(jù)挖掘智能分析。

傳感器構(gòu)成工業(yè)物聯(lián)網(wǎng)電子生態(tài)系統(tǒng)的前端邊緣。測量階段將檢測到的信息轉(zhuǎn)換為有意義的數(shù)據(jù)，如壓力、位移或旋轉(zhuǎn)的可量化值。在解讀階段，邊緣分析與處理會將測量數(shù)據(jù)轉(zhuǎn)換為可操作的事件。只有有價值的信息才應(yīng)越過節(jié)點連接到云，以供預(yù)測或歷史處理。在整個信號鏈中，都可以根據(jù)初始的可接受性限制來抑制或過濾數(shù)據(jù)。理想情況下，傳感器節(jié)點應(yīng)僅發(fā)送絕對必要的信息，并且應(yīng)在獲得關(guān)鍵數(shù)據(jù)后盡快制定關(guān)鍵決策。

圖1 邊緣節(jié)點器件智能地檢測、測量和解讀數(shù)據(jù)并將其連接至與云相連的互聯(lián)網(wǎng)網(wǎng)關(guān)

邊緣節(jié)點必須通過有線或無線傳感器節(jié)點(WSN)連接到外部網(wǎng)絡(luò)。在信號鏈的這一部分中，數(shù)據(jù)完整性仍然十分關(guān)鍵。如果通信不一致、丟失或損壞，則優(yōu)化檢測和測量數(shù)據(jù)幾乎沒有價值，通信期間數(shù)據(jù)丟失是不可接受的。存在電氣噪聲的工業(yè)環(huán)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(jìn)行射頻通信時。因此，必須在系統(tǒng)架構(gòu)設(shè)計期間預(yù)先設(shè)計魯棒的通信協(xié)議。

超低功耗系統(tǒng)的功率管理以選擇調(diào)節(jié)器元件來實現(xiàn)較大效率為起點。但是，由于邊緣節(jié)點也可能以快速占空比喚醒和睡眠，因此還應(yīng)考慮上電和掉電時間。外部觸發(fā)器或喚醒命令能夠幫助快速提醒邊緣節(jié)點，使其開始檢測和測量數(shù)據(jù)。

數(shù)據(jù)安全性也是工業(yè)物聯(lián)網(wǎng)系統(tǒng)必須考慮的一個問題。我們不僅需要確保邊緣內(nèi)的數(shù)據(jù)安全無慮，還必須確保其對網(wǎng)絡(luò)網(wǎng)關(guān)的訪問免受惡意攻擊，決不允許仿冒邊緣節(jié)點來獲取網(wǎng)絡(luò)訪問以進(jìn)行不法活動。

確保邊緣節(jié)點數(shù)據(jù)的質(zhì)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(guān)數(shù)據(jù)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(shù)據(jù)會經(jīng)過處理并通過網(wǎng)關(guān)發(fā)送至云，以進(jìn)行進(jìn)一步的歷史和預(yù)測分析。

毫不夸張地說，傳感器就是工業(yè)物聯(lián)網(wǎng)的支柱，但更準(zhǔn)確的說法應(yīng)該是，它們是獲得洞察的中樞神經(jīng)系統(tǒng)。邊緣節(jié)點檢測和測量技術(shù)是目標(biāo)數(shù)據(jù)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(shù)據(jù)，則云中再多的后期處理也無法挽回?fù)p失的價值。

任務(wù)關(guān)鍵型系統(tǒng)（如具有高風(fēng)險結(jié)果的醫(yī)療保健和工廠停機(jī)監(jiān)控系統(tǒng)）要求質(zhì)量數(shù)據(jù)測量具有魯棒的完整性，數(shù)據(jù)質(zhì)量至關(guān)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(dǎo)致計劃外的維護(hù)、勞動力使用效率低下，甚至不得不禁用整個物聯(lián)網(wǎng)系統(tǒng)。智能始于邊緣節(jié)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(jié)點實現(xiàn)高效的物聯(lián)網(wǎng)解決方案

在沒有邊緣節(jié)點智能的傳統(tǒng)信號鏈解決方案中，數(shù)據(jù)只是數(shù)據(jù)，非智能節(jié)點從不會幫助生成用于制定可行決策的智慧和知識?？赡艽嬖诖罅繉ο到y(tǒng)目標(biāo)性能沒有影響的原始低質(zhì)量數(shù)據(jù)，轉(zhuǎn)換所有這些數(shù)據(jù)并將其發(fā)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(qū)邊緣節(jié)點檢測和測量會將數(shù)據(jù)轉(zhuǎn)換為可付諸行動的信息。智能節(jié)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(yīng)型物聯(lián)網(wǎng)可以轉(zhuǎn)變成實時的預(yù)測型物聯(lián)網(wǎng)模式。物聯(lián)網(wǎng)仍然適用基本的模擬信號鏈電路設(shè)計理念，對于復(fù)雜的系統(tǒng)，通常需要擁有深厚的應(yīng)用專業(yè)知識來解讀已處理的數(shù)據(jù)。

只有重要的測量信息才需要通過網(wǎng)關(guān)發(fā)送至云端以進(jìn)行最終處理。在一些情況下，大多數(shù)數(shù)據(jù)根本不重要。但是，對于本地實時決策所需的時間關(guān)鍵型系統(tǒng)數(shù)據(jù)，應(yīng)在將其聚合到可進(jìn)行遠(yuǎn)程訪問的遠(yuǎn)端節(jié)點之前及早依其行事。相反，通過預(yù)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(yīng)用，通過將數(shù)據(jù)歸檔到龐大的數(shù)據(jù)庫以供追溯處理和決策使用，發(fā)揮出了云處理和存儲的強(qiáng)大優(yōu)勢。

圖2 邊緣節(jié)點的智能分區(qū)解決了以前無法解決的新挑戰(zhàn)

信號鏈中更早的精簡處理和智能實現(xiàn)了更高效的整體物聯(lián)網(wǎng)解決方案。

以高性能模擬信號鏈優(yōu)化邊緣節(jié)點整體性能

物聯(lián)網(wǎng)傳感器主要為模擬傳感器。具體的工業(yè)應(yīng)用要求將決定邊緣節(jié)點前端所需傳感器的動態(tài)范圍和帶寬，在將信號轉(zhuǎn)換為數(shù)字表示并傳輸?shù)竭吘壨獠壳?，信號鏈的前端將處于模擬域內(nèi)。如果選擇不當(dāng)，模擬信號鏈中的各個元件都有可能限制邊緣節(jié)點的整體性能。動態(tài)范圍將為目標(biāo)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(lián)網(wǎng)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(shù)字濾波會在對信號進(jìn)行采樣后執(zhí)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(biāo)信號競爭功率。因此，在設(shè)計階段應(yīng)該針對時域和頻域中的意外檢測信號制定應(yīng)對計劃，防止干擾偽像出現(xiàn)在測量數(shù)據(jù)中。

檢測到的信息通常由信號鏈中接下來的ADC 進(jìn)行測量。如果使用分立元件來設(shè)計物聯(lián)網(wǎng)邊緣節(jié)點，則在選擇測量ADC 時應(yīng)該注意不要減小傳感器的動態(tài)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(yīng)消耗幾乎整個ADC 輸入范圍（在1 dB 內(nèi)），而不使ADC 發(fā)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(jìn)行增益或衰減，以便使ADC 自身的動態(tài)范圍達(dá)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(jié)點的信號測量性能。

前端放大器可以嵌入在節(jié)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(qiáng)邊緣節(jié)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(gòu)類型之一：奈奎斯特速率或連續(xù)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(biāo)稱噪底。CTSD 結(jié)合使用過采樣率和陷波通帶，使噪聲超出目標(biāo)帶寬，從而增加動態(tài)范圍。在了解邊緣節(jié)點的模擬帶寬和動態(tài)范圍時，測量ADC 架構(gòu)及其分辨率非常關(guān)鍵。

邊緣節(jié)點的動態(tài)范圍將由傳感器的動態(tài)范圍、信號的放大率（如果需要）和ADC 滿量程動態(tài)范圍組成。如果傳感器的滿量程輸出信號未達(dá)到ADC 滿量程范圍輸入的1 dB 以內(nèi)，則ADC 的部分動態(tài)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(jié)點的動態(tài)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(xiàn)動態(tài)范圍丟失（藍(lán)色）的示例。需要使用放大器較大程度地增大傳感器的動態(tài)范圍，同時防止ADC發(fā)生飽和（紅色）。信號匹配必須考慮整個邊緣節(jié)點信號鏈的帶寬、動態(tài)范圍和噪聲。

從邊緣節(jié)點到云端平臺，ADI打造人工智能應(yīng)用完整落地方案

在工業(yè)物聯(lián)網(wǎng)中，機(jī)器振動狀態(tài)監(jiān)控將會是一項非常重要的應(yīng)用。新型或傳統(tǒng)機(jī)器設(shè)備可能擁有多個關(guān)鍵的機(jī)械元件，例如轉(zhuǎn)軸或齒輪，這些元件可能裝有高動態(tài)范圍的MEMS 加速度計。這些多軸傳感器將對機(jī)械的振動位移進(jìn)行實時采樣，測量后，振動信號可以進(jìn)行處理并與理想的機(jī)器配置進(jìn)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(jī)情況并提前預(yù)測機(jī)械故障。在極端情況下，可迅速關(guān)閉機(jī)械元件正在急劇惡化的機(jī)器，從而避免造成進(jìn)一步的損壞。

圖4 雖然可以定期執(zhí)行例行機(jī)器維護(hù)，但這通常不是根據(jù)機(jī)器狀況而智能進(jìn)行的。

通過分析特定機(jī)器操作的振動性能，可在邊緣節(jié)點處發(fā)出預(yù)測故障點和維護(hù)里程碑警告。

通過實現(xiàn)邊緣節(jié)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(tǒng)立即發(fā)送了警告。如果事件極其嚴(yán)重而被認(rèn)定為關(guān)鍵事件，可授權(quán)節(jié)點自動禁用違規(guī)設(shè)備，以防止發(fā)生非常耗時的災(zāi)難性機(jī)械故障。

或者，可以調(diào)用觸發(fā)信號以使能另一個檢測和測量節(jié)點（如備用機(jī)器元件上的節(jié)點），以便開始根據(jù)第一個事件來解讀數(shù)據(jù)。這樣可以減少來自邊緣節(jié)點的采樣數(shù)據(jù)總量。要確定相對于標(biāo)稱值的任何振動異常，前端節(jié)點在設(shè)計上必須達(dá)到所需的檢測性能。檢測和測量電路的動態(tài)范圍、采樣率和輸入帶寬應(yīng)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(yè)機(jī)器振動狀態(tài)監(jiān)控的人工智能傳感解譯平臺，可以獲取、學(xué)習(xí)和感知任何物理現(xiàn)象，如聲音、振動、壓力、電流和溫度。通過各種連續(xù)狀態(tài)監(jiān)控功能，它可以分析設(shè)備運行狀況，監(jiān)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(chǎn)）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(jī)、嚴(yán)重?fù)p壞或故障。

圖5 機(jī)器振動采樣數(shù)據(jù)的時域表示，其中比較器閾值可決定是否將檢測和測量數(shù)據(jù)傳送到邊緣以外。系統(tǒng)可保持低功耗狀態(tài)以過濾大部分信息，直到通過閾值交叉事件實現(xiàn)數(shù)據(jù)優(yōu)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(nèi)的各種傳感器進(jìn)行數(shù)據(jù)采集。由于OtoSense技術(shù)使邊緣節(jié)點測量的聲音、振動等信息在任何設(shè)備上都持續(xù)可用，且無需連接網(wǎng)絡(luò)來執(zhí)行異常檢測和事件識別，因此可用于汽車、工業(yè)、能源等行業(yè)領(lǐng)域的設(shè)備監(jiān)測應(yīng)用，減少停機(jī)時間、降低維護(hù)成本并提高生產(chǎn)力。

預(yù)測性維護(hù)是工業(yè)大數(shù)據(jù)和人工智能方向的一個重要的應(yīng)用場景，針對設(shè)備的故障和失效問題，從被動的故障維護(hù)到主動的預(yù)測和綜合規(guī)劃管理，研究人員不斷提供新思路和新方法。根據(jù)IoT Analytics 最新的報告中提到，目前全球范圍內(nèi)已有超過280 家預(yù)測性維護(hù)類企業(yè)，這一數(shù)據(jù)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(yè)預(yù)測性維護(hù)領(lǐng)域的落地，預(yù)測性維護(hù)從一個原本小眾的物聯(lián)網(wǎng)話題演變?yōu)榭焖僭鲩L的高投資回報應(yīng)用，真正為工業(yè)用戶帶來了價值。

（本文來源于《電子產(chǎn)品世界》雜志2022年4月期）