缩短数据测量的边缘节点洞察时间

缩短边缘节点的洞察时间可以在数据可用时立即做出关键决策。利用理论上无限的处理能力和通信数据，来自所有边缘节点感测信息的全带宽可以被发送到云中的远程计算站。可以执行大量计算以挖掘寻求做出明智决策的有价值的细节。然而，电池功率，通信带宽和计算周期密集型算法的局限性使得该场景仅仅是一个概念而非实际实现。

在这个多部分工业物联网系列中，我们将分解并探索基础更大的物联网框架内边缘节点解释的各个方面：感知，测量，解释和连接数据，并额外考虑电源管理和安全性。来自边缘节点的所需数据集可能仅需要是全宽带信息的离散子集。类似地，数据可以仅在请求时可用于传输。节能超低功耗（ULP）处理也应该是任何边缘节点实现的关键方面。

智能分区范式转换

工业物联网及其前身，机器的先驱时代机器（M2M）通信主要由云平台作为主要应用程序推动者的角色定义。历史上，智能系统仅依靠云级别功能来提供洞察力。实际的边缘传感器装置相对简单。然而，由于边缘节点的低功率计算能力以比云端更快的速度提前，这个旧的前提正在被动摇。 1 边缘节点现在提供感知，测量，解释的能力，并连接。

从连接的传感器模型到智能设备模型正在进行智能分区范式转换。这提供了更多可用的架构选择，并允许组织部署工业物联网的组织以独特的方式增强其物理资产和流程。边缘计算分析，也称为边缘智能或解释，正在推动这种转变。大规模工业物联网部署依赖于各种智能节点的可用性，这些节点安全，高效，易于管理。

Edge Analytics

最高质量的感知数据可以如果不仔细关注边缘节点分析中的应用程序要求，仍然会被边缘化。边缘传感器设备可能受到能量，带宽或原始计算能力的约束。这些约束传播到协议选择，可以将IP堆栈减少到最小的闪存或RAM。这可能会使编程变得具有挑战性，并且可能会牺牲IP的好处。

边缘处理可以作为一种分析命题，作为分析靠近其源的数据的方法，并将其发送到远程用于云级分析的服务器。尽可能早地在信号链中移动实时分析边缘处理可以减少下游的有效载荷负担并缩短延迟。如果初始数据处理可以在边缘节点处完成，则这将简化所需的数据格式化，通信带宽以及到云的网关处的最终聚合。通过与传感器紧密耦合的时间敏感反馈循环可以提供即时处理，从而提供更有价值的知情决策。 2

然而，这需要提前了解哪些具体信息对于感测和测量的数据有何价值。由于空间分离或应用差异，它也可能从边缘节点到边缘节点变化。事件警报，触发器和中断检测可以忽略大部分数据仅传输所需的数据。

时间折旧

货币的时间价值是今天一美元的想法将来某个时候价值超过1美元。类似地，数据有一个时间常数。数据的时间价值意味着您在此小数秒内感知到的数据在一周，一天或甚至一小时后的意义并不大。优秀的关键任务IoT示例包括热浪涌传感，气体泄漏检测或感应灾难性机械故障，需要立即采取措施。时间敏感数据值衰减从解释点开始。有效解释数据和采取行动的延迟时间越长，决策的价值就越低。为了解决工业物联网中的时间贬值问题，我们必须在信号链中进一步获得洞察力。

边缘传感器节点内的处理算法可用于过滤，抽取，调整和细化采样数据下降到所需的最小子集。这需要首先定义感兴趣的狭窄数据。可调节带宽，采样率和动态范围有助于在开始时在硬件的模拟域中建立此基线。通过使用所需的模拟设置，传感器将仅针对所需信息，并为质量解释数据提供更短的时间常数。

边缘处的数字后处理可以进一步聚焦感兴趣的数据。边缘传感器处的数据的频率分析可以在信息离开节点之前做出关于信号内容的早期决定。执行快速傅里叶变换（FFT），有限脉冲响应（FIR）滤波和使用智能抽取是一些高阶计算块，缩小了采样数据的范围。在某些情况下，在显着降低数据的全部带宽之后，只需要传递通过或失败信息的增量面包屑。

在图1中，我们可以看到没有前端模拟滤波器或数字后处理滤波器，抽取8（左）的简单信号将新的无用信号（中心）混叠到频率折叠到新的所需信号频带（右）。采用数字信号处理器（DSP）或微控制器单元（MCU）的数字后处理，使用半带FIR低通滤波器作为抽取的伴随，将通过滤除干扰混叠信号来帮助防止这一问题。

边缘节点洞察处理 - 智能工厂

领先的工业物联网应用是工厂机器状态监测的解决方案。该解决方案的目的是在故障之前识别和预测机器性能问题。在边缘传感器节点，多轴高动态范围加速度计监测工业机器上各个位置的振动位移。可以对原始数据进行滤波和抽取，以便在微控制器单元内进行频域解释。可以处理与已知性能限制进行比较的FFT，以针对下游的通过，失败和警告警报进行测试。 FFT内的处理增益可以通过FIR滤波来实现，以消除超出目标带宽的宽带噪声。

边缘节点处理是机器状态监视的重要组成部分。采样数据的全带宽可以为无线网关的聚合提供重要瓶颈。考虑到单个机器可能有许多传感器，并且可以同时监控数百台机器。微控制器单元内的滤波和智能决策为无线收发器提供低带宽输出，而无需在云端进行密集滤波处理。

图2显示了用于机器状态监测的信号链，其中加速度计传感器测量位移振动特征。通过边缘传感器节点的后处理，可以在窄带宽内完成频率分析，方法是在FFT计算之前对采样数据进行滤波和抽取。

在FFT计算过程中，类似于真实时间示波器，处理可以对新的时域活动视而不见，直到FFT完成。第二个线程中的备用时域路径也可用于防止数据分析中的间隙。

如果准确知道感兴趣的机械特征频率，则可以规划微控制器单元内的ADC的采样率和FFT大小，使得最大能量量落在单个直方图箱的宽度内。这样可以防止信号功率泄漏到多个区间，从而降低了幅度测量的精度。

图3提供了一个FFT示例，其中特定预定区域在边缘节点MCU内被解释为多个观察到机械部件。在所需绿色区域内达到峰值的Bin能量表示令人满意的操作，而黄色和红色区域分别表示警告和严重警报。较低数据速率警报或触发面包屑可以向系统警告感兴趣区域内的偏移事件，而不是传输完整的传感器带宽。

动态范围，符号和精度

边缘分析的计算能力有多种选择。许多选项可用于处理算法，从提供有限控制的简单MCU，复杂的片上系统（SoC）的复杂MCU到强大的多核数字信号处理。处理核心大小，单核或双核操作，指令RAM高速缓存大小以及固定与浮点需求是典型的技术考虑因素。通常在节点上可用的功率预算和应用程序的计算要求之间进行权衡。

对于数字信号处理，两个类别指定用于存储和操纵传感器节点数据的数字表示的符号格式：固定点和浮点。固定点是指在小数点之后和有时在小数点之前用固定位数表示数字的方式。使用此方法的DSP使用最少16位和216种可能的位模式处理整数，例如正整数和负整数。相比之下，浮点使用有理数和最少232种可能模式。 3 使用浮点计算方法的DSP可以处理比固定点更宽范围的值，并且能够表示非常大的值

浮点处理确保可以表示更大的动态范围的数字。如果要计算大组传感器节点数据，其中在感测之前可能未知精确范围，则这是重要的。另外，由于每个新计算都需要数学计算，因此舍入或截断是固有结果。这在数据内产生量化误差或数字信号噪声。量化误差是理想模拟值与其数字表示之间的差值，即最接近的舍入值。这些值之间的量化间隙越大，数字噪声就越明显。当精度和精度对解释的传感器数据很重要时，浮点处理比定点处理产生更高的精度。

性能

固件设计人员应以最高效率实现计算应用，因为操作执行的速度至关重要。因此，重要的是描述数据解释的处理要求，以确定是否需要固定或浮点计算以实现最大效率。

可以对定点处理器进行编程以执行浮点任务，反之亦然。然而，这非常低效并且将影响处理性能和功率。定点处理器在针对不需要密集计算算法的更高容量通用应用进行优化的地方大放异彩。相反，浮点处理器可以利用专用算法来简化开发和提高整体精度。

虽然性能不高，但处理器内支持的GPIO引脚数量可以提供次要选择标准。直接支持感兴趣的传感器的正确控制接口，例如SPI，I 2 C，SPORT和UART，降低了系统设计的复杂性。核心处理时钟速度，每次执行的位数，可用于处理的嵌入式指令RAM的数量以及存储器接口速度都将影响边缘节点处理的能力。实时时钟有助于对数据进行时间戳，并允许跨多个平台对齐处理。

处理计算能力通常在MIPS或MMAC中定义。 MIPS是一秒内可以执行的百万条指令。 MMAC是单精度浮点或定点乘法累加32位运算的数量，可以每秒百万次执行。对于16位和8位操作，MMAC性能值分别增加2倍和4倍。

安全性

虽然工业物联网的完全安全性涵盖了每个系统，传输和数据点访问，但微控制器和DSP都提供了内部安全功能。高级加密标准（AES）提供了在有线链路（如UART / SPI或无线链路）上添加安全性的方法。在无线RF通信的情况下，在通过边缘节点无线电进行有效载荷传输之前执行AES加密。接收节点相应地执行逆向解密。电子代码块（ECB）或密码块链接（CBC）是AES的典型模式。通常优选128位或更大的安全密钥。真正的随机数生成器用作处理器内安全计算的一部分。这些方案的细节将在未来的工业物联网文章中进行更详细的描述，以获得更全面的安全方法。

单核或双核

始终需要原始处理能力。高效的原始处理能力甚至更好。多核MCU和DSP可以为特别受益于密集并行处理的算法提供额外的计算能力。但是，经常处理不同数据的需求也在增加。这产生了一类多核微控制器，它们将两个或多个具有特定但不同功能强度的内核集合在一起。通常称为异构或非对称多核设备，它们通常具有两个具有非常不同的配置文件的内核。

非对称MCU的一个示例可能包含ARM ® Cortex ® -M3和Cortex-M0，它们使用处理器间通信协议进行通信。这允许M3专注于繁重的数字信号处理任务，而M0实现了应用程序的低密集控制方面。 5 这个概念允许将更简单的任务卸载到较小的核心上。分区最大化了功能更强大的M3内核的处理带宽，用于计算密集型处理，这实际上是协处理的核心。核心间通信使用共享SRAM和一个处理器，为另一个处理器引发中断以进行检查。当接收处理器响应时发出中断时，将确认此警报。

异构多核MCU的另一个好处是克服嵌入式闪存的速度限制。通过跨两个小内核以非对称方式划分任务，可以在仍然使用低成本嵌入式存储器的同时访问内核的全部性能。实现嵌入式闪存的成本通常决定了MCU的成本，因此可以有效地消除瓶颈。在可用功率预算内平衡处理器需求可能是工业物联网边缘传感器节点设计的关键部分。

许多工业物联网边缘传感器节点必须能够在相同的小型电池上运行多年，即使可以进行能量收集也是如此。 ULP操作将是这些节点的关键参数，必须选择最小化节点实际电流消耗的组件。

许多最适合的节点的MCU工业物联网基于ARM系列Cortex-M嵌入式处理器，适用于低功耗MCU和传感器应用。这些系列包括Cortex-M0 +，针对节能的简单应用进行了优化，到Cortex-M4，适用于需要浮点和DSP操作的复杂高性能应用。可以以低功耗为代价使用更高的处理内核。

ARM CPU提供了代码大小，性能和效率的起点。但是，当涉及MCU在主动或深度睡眠模式下的实际电流消耗时，许多超低功耗功能完全取决于MCU供应商。主动电流消耗可能受到过程技术选择，高速缓存和处理器整体架构的严重影响。 CPU睡眠时MCU的睡眠电流和外围功能主要受MCU设计和架构的影响。

行业联盟EEMBC开发基准测试，帮助系统设计人员选择最佳处理器了解其系统的性能和能量特性。为每个设备报告的ULPMark ™ -CP得分是计算的单数值品质因数。该套件中每个基准测试的分数允许设计人员对基准进行加权和汇总，以满足特定的应用要求。

传感器边缘节点的功率预算将直接关联它的处理能力。如果功率预算与边缘节点分析的处理需求不一致，则可能需要进行权衡。性能效率会影响传感器边缘节点的功率效率。微控制器的典型功耗指标是指定每MHz计算使用的有效电流量。例如，对于基于ARM Cortex-M3的MCU，电流可以达到每MHz数十μA。

占空比

边缘传感器节点的功耗最小化通常基于两个因素：节点在活动时消耗多少电流以及它必须保持活动以检测，测量和解读。该占空比将根据节点中使用的传感器和处理器的类型以及算法的要求而变化。

在不考虑MCU电流消耗的情况下，大多数活动状态将消耗相当大的功率。边缘传感器节点，并将电池供电应用的使用寿命缩短至数小时或数天。

通过对节点内的组件进行工作循环，确保它们仅处于活动状态，从而实现显着的节能效果当严格需要时。 MCU很少完全关闭。它必须专门针对低能量操作而设计，以使MCU能够在尽可能少地消耗能量的同时保持对边缘传感器节点的完全控制。最大限度地降低MCU电流消耗的目的是让MCU尽可能经常地休眠，同时仍然允许它在需要时执行其关键任务。

保持MCU在低功耗休眠模式下工作，主要处于非活动状态，只在短时间内处于活动状态，可以将边缘节点的电池寿命延长多年。

工业物联网内的许多边缘节点传感解决方案可能不需要处理连续不间断的数据流。使用中断事件阈值忽略已知越界条件中的数据会降低处理能力。为了节省功率和带宽，可以预先知道可预测的占空比。此外，基于感测信息状态的可变占空比可以触发有功或无功功率状态。

微控制器的响应时间和功耗，包括开启和关闭，或者DSP可能是低带宽应用的重要设计考虑因素。例如，在建筑物内不活动期间，可以显着减少来自温度和光传感器的数据传输。这允许传感器节点的睡眠时间更长，信息传输更少。

为了提供快速反应，许多微控制器提供各种低功耗操作状态，此外还具有完全活动状态，如睡眠，灵活，休眠和完全断电。每种模式将在不需要时关闭各种内部计算模块以提高功率效率，通常将电流要求改变几个数量级。这种功率优势的权衡是，将有一些最小的有限响应时间转换为完整活动。在称为flexi模式的混合配置中，计算核心处于睡眠模式，而外围接口保持活动状态。休眠模式可以提供SRAM数据保持，同时仍允许实时时钟保持活动状态。

图6中详细的MCU功耗与时序图显示了每种低功耗MCU模式的影响，过渡时间和工作周期。在MCU未激活时使用低功耗状态是保持低功耗传感器节点预算的关键。 9

传感器融合

高级模拟微控制器提供完整的混合信号计算解决方案。带有嵌入式精密模数转换器（ADC）的前端模拟复用器允许采用更先进的传感器融合方法。在数字处理之前，可以将多个传感器输入发送到单个微控制器。板载数模转换器（DAC）和微控制器对附近其他设备的反馈允许快速反馈回路。其他嵌入式电路模块，如比较器，带隙基准，温度传感器和锁相环，为多传感器边缘节点提供了额外的算法灵活性。 10

来自多个传感器的模拟信号可以发送到单个精密模拟微控制器。智能微控制器内的算法可以在称为传感器融合的过程中组合信息。

此类边缘节点处理的一个例子是在室外污染监测器内。在这样的应用中，来自多个输入的数据（包括气体，温度，湿度和颗粒传感器）在单个处理器内被融合和分析。根据该信息，可以进行处理以基于仅在本地传感器节点处已知的校准和补偿来生成污染数据。然后可以将该校准数据发送到云以进行历史分析。在某些情况下，可能需要进行独特的一次性调试，以配置每个传感器节点的特定环境偏移。