優(yōu)化邊緣節(jié)點(diǎn)設(shè)計(jì),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(cè)成為一種競(jìng)爭(zhēng)優(yōu)勢(shì),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(diǎn)為起始點(diǎn),后者是檢測(cè)和測(cè)量的目標(biāo)切入點(diǎn)。這是物理世界與計(jì)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(cè)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(chǔ)歷史分析的云服務(wù)器。它必須通過(guò)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(diǎn)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。
本文引用地址:http://www.ex-cimer.com/article/202204/433043.htm解決邊緣節(jié)點(diǎn)的檢測(cè)、測(cè)量、解讀與連接挑戰(zhàn)
數(shù)據(jù)可以通過(guò)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(cè)量階段將檢測(cè)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(huì)將測(cè)量數(shù)據(jù)轉(zhuǎn)換為可操作的事件。只有有價(jià)值的信息才應(yīng)越過(guò)節(jié)點(diǎn)連接到云,以供預(yù)測(cè)或歷史處理。在整個(gè)信號(hào)鏈中,都可以根據(jù)初始的可接受性限制來(lái)抑制或過(guò)濾數(shù)據(jù)。理想情況下,傳感器節(jié)點(diǎn)應(yīng)僅發(fā)送絕對(duì)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(diǎn)器件智能地檢測(cè)、測(cè)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(diǎn)必須通過(guò)有線或無(wú)線傳感器節(jié)點(diǎn)(WSN)連接到外部網(wǎng)絡(luò)。在信號(hào)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(cè)和測(cè)量數(shù)據(jù)幾乎沒有價(jià)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(shí)。因此,必須在系統(tǒng)架構(gòu)設(shè)計(jì)期間預(yù)先設(shè)計(jì)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(lái)實(shí)現(xiàn)較大效率為起點(diǎn)。但是,由于邊緣節(jié)點(diǎn)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(shí)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(diǎn),使其開始檢測(cè)和測(cè)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(gè)問(wèn)題。我們不僅需要確保邊緣內(nèi)的數(shù)據(jù)安全無(wú)慮,還必須確保其對(duì)網(wǎng)絡(luò)網(wǎng)關(guān)的訪問(wèn)免受惡意攻擊,決不允許仿冒邊緣節(jié)點(diǎn)來(lái)獲取網(wǎng)絡(luò)訪問(wèn)以進(jìn)行不法活動(dòng)。
確保邊緣節(jié)點(diǎn)數(shù)據(jù)的質(zhì)量與可靠性
邊緣處具有眾多檢測(cè)解決方案,這些解決方案可能不只是單個(gè)分立器件。邊緣可能存在多種不同的無(wú)關(guān)數(shù)據(jù)采集,溫度、聲音、振動(dòng)、壓力、濕度、運(yùn)動(dòng)、污染物、音頻和視頻只是其中可檢測(cè)的部分變量,這些數(shù)據(jù)會(huì)經(jīng)過(guò)處理并通過(guò)網(wǎng)關(guān)發(fā)送至云,以進(jìn)行進(jìn)一步的歷史和預(yù)測(cè)分析。
毫不夸張地說(shuō),傳感器就是工業(yè)物聯(lián)網(wǎng)的支柱,但更準(zhǔn)確的說(shuō)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(diǎn)檢測(cè)和測(cè)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(shí)地記錄了不良或錯(cuò)誤的數(shù)據(jù),則云中再多的后期處理也無(wú)法挽回?fù)p失的價(jià)值。
任務(wù)關(guān)鍵型系統(tǒng)(如具有高風(fēng)險(xiǎn)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(cè)量具有魯棒的完整性,數(shù)據(jù)質(zhì)量至關(guān)重要。誤報(bào)或遺漏可能代價(jià)高昂,非常耗時(shí),甚至可能威脅生命。代價(jià)巨大的錯(cuò)誤最終會(huì)導(dǎo)致計(jì)劃外的維護(hù)、勞動(dòng)力使用效率低下,甚至不得不禁用整個(gè)物聯(lián)網(wǎng)系統(tǒng)。智能始于邊緣節(jié)點(diǎn),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(diǎn)實(shí)現(xiàn)高效的物聯(lián)網(wǎng)解決方案
在沒有邊緣節(jié)點(diǎn)智能的傳統(tǒng)信號(hào)鏈解決方案中,數(shù)據(jù)只是數(shù)據(jù),非智能節(jié)點(diǎn)從不會(huì)幫助生成用于制定可行決策的智慧和知識(shí)??赡艽嬖诖罅繉?duì)系統(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(chǔ)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(diǎn)檢測(cè)和測(cè)量會(huì)將數(shù)據(jù)轉(zhuǎn)換為可付諸行動(dòng)的信息。智能節(jié)點(diǎn)可降低整體功耗,縮短延遲并減少帶寬浪費(fèi)。這使得具有較長(zhǎng)延遲的反應(yīng)型物聯(lián)網(wǎng)可以轉(zhuǎn)變成實(shí)時(shí)的預(yù)測(cè)型物聯(lián)網(wǎng)模式。物聯(lián)網(wǎng)仍然適用基本的模擬信號(hào)鏈電路設(shè)計(jì)理念,對(duì)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(shí)來(lái)解讀已處理的數(shù)據(jù)。
只有重要的測(cè)量信息才需要通過(guò)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(duì)于本地實(shí)時(shí)決策所需的時(shí)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(wèn)的遠(yuǎn)端節(jié)點(diǎn)之前及早依其行事。相反,通過(guò)預(yù)測(cè)模型利用歷史值來(lái)影響長(zhǎng)期洞察的信息是云處理的理想應(yīng)用,通過(guò)將數(shù)據(jù)歸檔到龐大的數(shù)據(jù)庫(kù)以供追溯處理和決策使用,發(fā)揮出了云處理和存儲(chǔ)的強(qiáng)大優(yōu)勢(shì)。
圖2 邊緣節(jié)點(diǎn)的智能分區(qū)解決了以前無(wú)法解決的新挑戰(zhàn)
信號(hào)鏈中更早的精簡(jiǎn)處理和智能實(shí)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(hào)鏈優(yōu)化邊緣節(jié)點(diǎn)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(diǎn)前端所需傳感器的動(dòng)態(tài)范圍和帶寬,在將信號(hào)轉(zhuǎn)換為數(shù)字表示并傳輸?shù)竭吘壨獠壳?,信?hào)鏈的前端將處于模擬域內(nèi)。如果選擇不當(dāng),模擬信號(hào)鏈中的各個(gè)元件都有可能限制邊緣節(jié)點(diǎn)的整體性能。動(dòng)態(tài)范圍將為目標(biāo)滿量程傳感器相對(duì)于本底噪聲或下個(gè)最高無(wú)用信號(hào)的差值。
由于物聯(lián)網(wǎng)傳感器通常會(huì)同時(shí)尋找已知和未知活動(dòng),因此模擬濾波器并非始終有意義。數(shù)字濾波會(huì)在對(duì)信號(hào)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(hào)可能混入檢測(cè)的信息并與目標(biāo)信號(hào)競(jìng)爭(zhēng)功率。因此,在設(shè)計(jì)階段應(yīng)該針對(duì)時(shí)域和頻域中的意外檢測(cè)信號(hào)制定應(yīng)對(duì)計(jì)劃,防止干擾偽像出現(xiàn)在測(cè)量數(shù)據(jù)中。
檢測(cè)到的信息通常由信號(hào)鏈中接下來(lái)的ADC 進(jìn)行測(cè)量。如果使用分立元件來(lái)設(shè)計(jì)物聯(lián)網(wǎng)邊緣節(jié)點(diǎn),則在選擇測(cè)量ADC 時(shí)應(yīng)該注意不要減小傳感器的動(dòng)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(gè)ADC 輸入范圍(在1 dB 內(nèi)),而不使ADC 發(fā)生飽和,也不會(huì)在范圍限制處被裁減掉。但是,也可以使用放大器級(jí)來(lái)對(duì)傳感器輸出信號(hào)進(jìn)行增益或衰減,以便使ADC 自身的動(dòng)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(huì)影響邊緣節(jié)點(diǎn)的信號(hào)測(cè)量性能。
前端放大器可以嵌入在節(jié)點(diǎn)的測(cè)量級(jí)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(diǎn)的性能。
信號(hào)鏈中傳感器之后的測(cè)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(shí)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(guò)采樣率和陷波通帶,使噪聲超出目標(biāo)帶寬,從而增加動(dòng)態(tài)范圍。在了解邊緣節(jié)點(diǎn)的模擬帶寬和動(dòng)態(tài)范圍時(shí),測(cè)量ADC 架構(gòu)及其分辨率非常關(guān)鍵。
邊緣節(jié)點(diǎn)的動(dòng)態(tài)范圍將由傳感器的動(dòng)態(tài)范圍、信號(hào)的放大率(如果需要)和ADC 滿量程動(dòng)態(tài)范圍組成。如果傳感器的滿量程輸出信號(hào)未達(dá)到ADC 滿量程范圍輸入的1 dB 以內(nèi),則ADC 的部分動(dòng)態(tài)范圍將會(huì)閑置。相反,如果來(lái)自傳感器的輸入超出ADC 的量程,則會(huì)造成采樣的信號(hào)失真。在計(jì)算邊緣節(jié)點(diǎn)的動(dòng)態(tài)范圍時(shí),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(hào)輸出幅度與ADC的輸入滿量程不匹配而出現(xiàn)動(dòng)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(dòng)態(tài)范圍,同時(shí)防止ADC發(fā)生飽和(紅色)。信號(hào)匹配必須考慮整個(gè)邊緣節(jié)點(diǎn)信號(hào)鏈的帶寬、動(dòng)態(tài)范圍和噪聲。
從邊緣節(jié)點(diǎn)到云端平臺(tái),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(dòng)狀態(tài)監(jiān)控將會(huì)是一項(xiàng)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(gè)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(dòng)態(tài)范圍的MEMS 加速度計(jì)。這些多軸傳感器將對(duì)機(jī)械的振動(dòng)位移進(jìn)行實(shí)時(shí)采樣,測(cè)量后,振動(dòng)信號(hào)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(guò)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(cè)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(guò)分析特定機(jī)器操作的振動(dòng)性能,可在邊緣節(jié)點(diǎn)處發(fā)出預(yù)測(cè)故障點(diǎn)和維護(hù)里程碑警告。
通過(guò)實(shí)現(xiàn)邊緣節(jié)點(diǎn)分析,可以顯著縮短決策時(shí)間延遲。圖5 顯示了這樣的一個(gè)示例,在這個(gè)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(diǎn)自動(dòng)禁用違規(guī)設(shè)備,以防止發(fā)生非常耗時(shí)的災(zāi)難性機(jī)械故障。
或者,可以調(diào)用觸發(fā)信號(hào)以使能另一個(gè)檢測(cè)和測(cè)量節(jié)點(diǎn)(如備用機(jī)器元件上的節(jié)點(diǎn)),以便開始根據(jù)第一個(gè)事件來(lái)解讀數(shù)據(jù)。這樣可以減少來(lái)自邊緣節(jié)點(diǎn)的采樣數(shù)據(jù)總量。要確定相對(duì)于標(biāo)稱值的任何振動(dòng)異常,前端節(jié)點(diǎn)在設(shè)計(jì)上必須達(dá)到所需的檢測(cè)性能。檢測(cè)和測(cè)量電路的動(dòng)態(tài)范圍、采樣率和輸入帶寬應(yīng)該足以識(shí)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(dòng)狀態(tài)監(jiān)控的人工智能傳感解譯平臺(tái),可以獲取、學(xué)習(xí)和感知任何物理現(xiàn)象,如聲音、振動(dòng)、壓力、電流和溫度。通過(guò)各種連續(xù)狀態(tài)監(jiān)控功能,它可以分析設(shè)備運(yùn)行狀況,監(jiān)督制造過(guò)程并及早察覺異常避免造成問(wèn)題。人工智能模型在(靠近資產(chǎn))邊緣運(yùn)行,以便提供實(shí)時(shí)、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(dòng)采樣數(shù)據(jù)的時(shí)域表示,其中比較器閾值可決定是否將檢測(cè)和測(cè)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(guò)濾大部分信息,直到通過(guò)閾值交叉事件實(shí)現(xiàn)數(shù)據(jù)優(yōu)勢(shì)為止。
OtoSense 的人工智能平臺(tái)依賴于包括高性能MEMS加速度計(jì)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(diǎn)測(cè)量的聲音、振動(dòng)等信息在任何設(shè)備上都持續(xù)可用,且無(wú)需連接網(wǎng)絡(luò)來(lái)執(zhí)行異常檢測(cè)和事件識(shí)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(cè)應(yīng)用,減少停機(jī)時(shí)間、降低維護(hù)成本并提高生產(chǎn)力。
預(yù)測(cè)性維護(hù)是工業(yè)大數(shù)據(jù)和人工智能方向的一個(gè)重要的應(yīng)用場(chǎng)景,針對(duì)設(shè)備的故障和失效問(wèn)題,從被動(dòng)的故障維護(hù)到主動(dòng)的預(yù)測(cè)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(bào)告中提到,目前全球范圍內(nèi)已有超過(guò)280 家預(yù)測(cè)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(cè)性維護(hù)領(lǐng)域的落地,預(yù)測(cè)性維護(hù)從一個(gè)原本小眾的物聯(lián)網(wǎng)話題演變?yōu)榭焖僭鲩L(zhǎng)的高投資回報(bào)應(yīng)用,真正為工業(yè)用戶帶來(lái)了價(jià)值。
(本文來(lái)源于《電子產(chǎn)品世界》雜志2022年4月期)
評(píng)論