边缘智能第1部分：边缘节点

工业物联网（IoT）涵盖了正在进行的广泛转型，这将使互联机器的普遍传感不仅成为竞争优势，而且成为一项必不可少的基础服务。工业物联网从边缘节点开始，边缘节点是感兴趣的传感和测量入口点。这是物理世界与计算数据分析交互的地方。互联的工业机器可以感知用于做出关键决策的各种信息。此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中的网关进行连接。理想情况下，边缘传感器节点在较小的标称外形尺寸内不显眼，可轻松部署在空间受限的环境中。

感知、测量、解释、连接

在由多部分组成的工业物联网系列的第一部分中，我们将在更大的物联网框架内分解和探索边缘节点感知和测量功能的基本方面：传感、测量、解释和连接数据，并额外考虑电源管理和安全性。每个部分都提出了一系列独特的挑战。边缘节点的智能分区是成功实施的关键。在某些情况下，超低功耗（ULP）是最重要的性能指标。当传感器在关键事件期间从睡眠模式唤醒时，绝大多数潜在数据可能会被过滤。

图1.边缘节点设备提供智能来感知、测量、解释和连接到云的互联网网关。数据可以在传输之前使用某种形式的分析进行预处理，以实现更深入的数据挖掘智能。

传感器构成了工业物联网电子生态系统的前端边缘。测量将感测信息转换为有意义的信息，例如压力、位移或旋转的可量化值。在解释阶段，边缘分析和处理将测量数据转换为可操作的事件。1只有最有价值的信息才能从节点连接到云中，以进行预测或历史处理。在整个信号链中，可以根据初始可接受性限制来拒绝或滤除数据。理想情况下，传感器节点应仅发送绝对必要的信息，并在关键数据可用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。数据完整性仍然是信号链这一模块的关键。如果通信不一致、丢失或损坏，最佳感测和测量数据几乎没有价值。无法选择通过通信丢失数据。电气嘈杂的工业环境可能非常恶劣和无情，特别是对于存在高金属含量的射频通信。因此，在系统架构设计过程中，必须预先考虑鲁棒的通信协议。

ULP 系统的电源管理从稳压器组件选择开始，以实现最高效率。但是，由于边缘节点也可能以快速占空比唤醒和休眠，因此上电和关断时间也不容忽视。外部触发或唤醒命令有助于快速提醒边缘节点开始检测和测量数据。

数据安全也必须是工业物联网系统的考虑因素。边缘内的数据保护不仅需要安全，而且对网络网关的访问也必须受到保护，免受恶意攻击。不得允许欺骗边缘节点以获取恶意活动的网络访问权限。

智能始于边缘

边缘有大量的传感解决方案，可能不仅仅是单个分立器件。边缘可以是多个并发各种不相关的数据采集。温度、声音、振动、压力、湿度、运动、污染物、音频和视频只是可以通过网关感知、处理并发送到云以进行进一步历史和预测分析的一些变量。

毫不夸张地说，传感器是工业物联网的支柱。2但更准确地说，它们是提取见解的中枢神经系统。边缘节点感知和测量技术是感兴趣数据的发源地。如果在解决方案链的这个阶段忠实地记录了错误或不正确的数据，那么云中再多的后处理也无法收回丢失的价值。

关键任务系统，如医疗保健和工厂停机监控，具有高风险的结果，需要质量数据测量的强大完整性。数据质量至关重要。误报或遗漏可能代价高昂、耗时且可能危及生命。代价高昂的错误最终会导致计划外维护、劳动力使用效率低下或不得不完全禁用物联网系统。智能始于边缘节点，避免使用古老的格言仍然适用 - 垃圾输入，垃圾输出。

图2.许多边缘节点输出（有线和无线）可以自主连接到网关节点，以便在传输到云服务器之前进行聚合。

随着对大量数据的访问，责任重大

在没有边缘节点智能的传统信号链解决方案中，数据仍然是数据。一个不智能的节点永远不会帮助产生智慧和知识来做出可操作的决策。1可能存在大量对感兴趣的系统性能没有影响的原始、低质量数据。3转换所有这些数据并将其发送到最终的云存储目的地可能会耗电且带宽密集。

相比之下，智能智能分区边缘节点感知和测量将数据转化为可操作的信息。智能节点可降低整体功耗、降低延迟并减少带宽浪费。4这使得从具有长延迟的反应式物联网转变为实时和预测物联网模型成为可能。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，通常需要深厚的应用专业知识来解释处理后的数据。

优化的智能分区使云价值最大化

只有最重要的测量信息需要通过网关发送到云端进行最终处理。在某些情况下，大多数数据完全不重要。5但是，对于需要本地实时决策的时间关键型系统数据，应该在通过远程访问在远处聚合之前很久就采取行动。相比之下，利用历史价值和预测模型来影响长期见解的信息是云处理的理想应用程序。将数据存档到海量数据库中以进行追溯处理和决策，充分利用了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实现更高效的整体物联网解决方案。

通过实时决策生活在边缘

物联网传感器主要是模拟的.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。在信号转换为数字表示并在边缘外传输之前，信号链的前端将位于模拟域内。如果选择不当，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。动态范围将是目标满量程传感器相对于本底噪声或下一个最高无用信号之间的增量。

由于物联网传感器通常同时寻找已知和未知的活动， 模拟滤波器并不总是有意义的.数字滤波在信号采样后执行。除非在传感器前端使用模拟滤波器，否则基波或其他杂散信号的谐波可以折叠到感测信息中，并与目标信号竞争功率。因此，在设计阶段规划时域和频域中的意外感测信号将防止测量数据中出现不需要的伪影。

检测信息通常由信号链中的下一个ADC测量。如果物联网边缘节点是使用分立元件设计的，则应注意选择不会降低传感器动态范围的测量ADC。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（1 dB以内），而不会使ADC饱和并在范围限值处削波。但是，放大器级也可用于增益或衰减传感器输出信号，以最大化ADC自身的动态范围。ADC满量程输入、采样速率、位分辨率、输入带宽和噪声密度都将影响边缘节点的信号测量性能。

前端放大器可以嵌入到节点测量中，也可以作为分立元件添加到ADC之前。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通常是两种采样架构类型之一：奈奎斯特速率或连续时间Σ-Δ（CTSD），后者在嵌入式ADC中更为普遍。奈奎斯特速率ADC的标称平坦本底噪声等于采样速率频率的一半，或fs/2.CTSD使用带有陷波通带的过采样率，将噪声推到目标带宽之外，以增加动态范围。测量 ADC 架构 及其 解决 率 是 了解 边缘 节点 的 模拟 带 宽 和 动态 范围 的 关键。

图4.如果物联网传感器上没有前端模拟滤波器，奈奎斯特速率ADC会将高阶频率折叠到1圣奈奎斯特区回到感兴趣的带宽。相比之下，具有过采样调制时钟的CTSD ADC架构使用噪声整形，在目标频带内实现高动态范围。CTSD对信号混叠不太敏感，因为它提供了固有的滤波。

例如，在频域中，每单位带宽1 Hz的噪声密度将取决于ADC的SNR以及噪声在ADC采样频谱中的分布宽度。在奈奎斯特速率ADC中，噪声频谱密度（每1 Hz带宽）= 0 dB – ADC信噪比（SNR） – 10 × log（fs/2） 其中 fs/2是采样速率除以ADC的两个或单个奈奎斯特区。理想的SNR可以计算为SNR = 6.02 × N + 1.76 dB，其中N是ADC位数。然而，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级元件缺陷。这些非线性会使SNR性能降低到理想值以下，因此请查看ADC数据手册，了解感兴趣的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（如果需要）和ADC满量程动态范围组成。如果满量程传感器输出信号未达到ADC满量程范围输入的1 dB以内，则ADC动态范围的某些部分将闲置。相反，来自传感器的超量程ADC输入会使采样信号失真。放大器带宽、增益和噪声也将是边缘节点动态范围考虑因素的一部分。传感器、放大器和ADC的电噪声之和将是每个均方根分量的平方根。7

图5.传感器信号输出幅度与ADC的输入满量程不匹配，动态范围丢失的示例（蓝色）。需要一个放大器来最大化传感器的动态范围，同时防止ADC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。

智能工厂

在工业物联网中，一个重要的应用是机器振动状态监测。新的或传统的机器设备可以安装有关键的机械部件，如旋转轴或齿轮，安装有高动态范围的MEMS加速度计。8这些多轴传感器实时对机械的振动位移进行采样。可以测量、处理振动特征，并将其与理想的机器轮廓进行比较。9在工厂中，对这些信息的分析有助于提高效率，减少生产线停机情况，并可以提前预测机械故障。在极端情况下，机械部件迅速恶化的机器可能会立即关闭，否则会导致进一步的损坏。

图6.虽然例行的机器维护可以定期执行，但通常不能通过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，可以在边缘节点发出预测故障点和维护里程碑警报。

通过启用边缘节点分析，可以大大减少决策时间延迟。图7中可以看到一个例子，其中超过MEMS传感器警告阈值限制并立即发送警报。如果事件极端到足以被视为关键事件，则可以授权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。

图7.采样机器振动数据的时域表示，其中比较器阈值可以确定感测和测量数据是否在边缘之外传输。可以保持较低的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。

或者，可以调用触发信号以使另一个检测和测量节点（例如辅助机器组件上的节点）开始根据 1圣事件。这减少了来自边缘节点的采样数据的总数据集。为了从标称值确定任何振动异常，前端节点必须设计具有检测所需的性能。检测和测量电路的动态范围、采样速率和输入带宽应足以识别任何偏移事件。

智慧城市

另一种工业物联网边缘节点应用是具有嵌入式视频分析功能的智能城市工业相机。智慧城市定义了城市使命，即将无数的信息和通信点整合到一个有凝聚力的系统中，以实现对城市资产的管理。一个常见的应用是提供停车位空置警报和占用检测。在调试时，每台摄像机都有一个预定的视野。可以在分析中定义和使用边界边缘检测，以识别各种对象及其运动。不仅可以分析历史物体运动，而且由于物体轨迹，还可以使用数字信号处理（DSP）算法在边缘计算预测路径。

图8.使用边缘节点视频分析，可以在低功耗系统中确定对象类型检测、轨迹和边界交叉，而无需将全带宽视频数据发送到云端进行分析。只需要传达具有痕迹导航对象坐标和类型的时间戳。

与频率滤波类似，终端处理通常不需要视频分析帧的全带宽。通常，当不用于安全目的时，只需要完整视频帧的一小部分。从一帧到另一帧的大部分视觉数据都是静态的，固定安装的相机上。可以过滤静态数据。在某些情况下，只需要分析边界交叉计数或感兴趣对象的移动坐标。缩减的子集可以作为痕迹导航坐标传送到信号链中的下一个网关。

边缘节点视频分析可以提供许多过滤解释，以区分对象类型 - 汽车、卡车、自行车、人类、动物等。这种抽取减少了数据带宽和计算能力，否则云服务器需要这些数据带宽和计算能力来分析下游发送的全帧速率视频数据。

室内摄像头应用可以识别越过入口边界的人数，并调整房间的照明、加热或冷却。为了在极端照明条件或其他具有挑战性的照明（如雨）下保持视觉效果，可能需要在户外相机中使用高动态范围相机。典型的 8 位或 10 位/像素成像传感器可能无法在所有检测场景中提供与照明无关的足够亮度动态范围。与以 240 Hz 刷新率观看快动作运动相比，可以使用较慢的帧速率来监控工业分析相机上的活动。

图9.在边缘节点采用DSP对象检测算法的高动态范围成像器即使在低光照条件下也可以确定运动和边界入侵。此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

ADT7420是一款4 mm×4 mm数字温度传感器，具有突破性的性能，内置一个分辨率为0.0078°C的内部16位ADC，功耗仅为210 μA。ADXL362是一款超低功耗3轴MEMS加速度计，在运动触发唤醒模式下，以100 Hz采样速率仅消耗2 μA电流。它不使用功率占空比，而是在所有数据速率下采用全带宽架构，防止输入信号混叠。ADIS16229是一款双轴、18 g数字MEMS振动传感器，内置RF收发器。它还提供具有 512 点数字 FFT 功能的板载频域信号处理。

支持DSP的Blackfin低功耗成像平台（BLIP）11允许基于成熟的数字信号处理工具对工业视觉设计进行快速原型设计。优化的软件交付成果库为设备制造商提供了开箱即用的运动传感、人数统计和车辆检测解决方案。

审核编辑：郭婷