Интеллект на грани 1: пограничный узел
Промышленный Интернет Вещей (IoT) охватывает широкомасштабную трансформацию, которая будет распространяться среди подключенных машин не только на конкурентное преимущество, но и на фундаментальную услугу. Промышленный IoT начинается с краевого узла, который представляет собой точку восприятия и измерения, представляющую интерес.
Здесь физический мир взаимодействует с вычислительной аналитикой данных. Подключенные промышленные машины могут ощущать широкий спектр информации, которая будет использоваться для принятия ключевых решений. Этот краевой датчик, вероятно, удален от облачного сервера, который хранит исторический анализ. Он должен подключаться через шлюз, который объединяет данные края в Интернет. В идеальном случае узел краевого датчика ненавязчив в пределах небольшого номинального форм-фактора, который легко развертывается в условиях ограниченного пространства.
Смысл, измерение, интерпретация, подключение
В этой первой из многопроцессорной серии IoT мы сломаем и рассмотрим фундаментальные аспекты возможностей и возможностей измерения краевого узла в рамках большей инфраструктуры IoT: измерение, измерение, интерпретация и подключение данных с дополнительным учетом управления питанием и безопасность. Каждая часть представляет собой уникальный набор проблем. Интеллектуальное разбиение краевого узла может стать ключом к успешной реализации. В некоторых случаях наивысшая мощность (ULP) является наиболее важной метрикой производительности. Подавляющее большинство потенциальных данных может быть отфильтровано, когда датчик просыпается в спящем режиме во время ключевых событий.
Датчики образуют передний край промышленной электронной электроники IoT. Измерения преобразуют воспринимаемую информацию во что-то значимое, такое как измеряемое значение давления, смещения или вращения. Этап интерпретации заключается в том, что краевая аналитика и обработка преобразуют измеренные данные в действие, которое может быть выполнено. Только одна ценная информация должна быть связана за пределами узла в облаке для предсказательной или исторической обработки. По всей цепочке сигналов данные могут быть отбракованы или отфильтрованы на основе начальных пределов приемлемости. В идеальном случае узел датчика должен отправлять только абсолютно необходимую информацию и принимать критические решения, как только будут доступны ключевые данные.
Кромковый узел должен быть подключен к внешней сети либо через проводной, либо беспроводной сенсорный узел (WSN). Целостность данных остается ключевым в этом блоке цепочки сигналов. Оптимальные измеренные и измеренные данные имеют мало значения, если связь несовместима, потеряна или повреждена. Отсутствие данных через связь не может быть вариантом. Электрически шумные промышленные среды могут быть жесткими и неумолимыми, особенно для радиочастотной связи в присутствии высокого содержания металлов. Поэтому надежный протокол связи должен быть разработан как предусмотрительный при проектировании системной архитектуры.
Управление питанием для систем ULP начинается с выбора компонентов регулятора для максимальной эффективности. Но, поскольку краевые узлы могут также просыпаться и спать с быстрым рабочим циклом, время включения и выключения также не должно игнорироваться. Внешняя команда триггера или пробуждения помогает в быстром оповещении краевого узла начать считывание и измерение данных.

Рисунок 1. Устройство реберного узла обеспечивает интеллект для определения, измерения, интерпретации и подключения к интернет-шлюзу к облаку. Данные могут быть предварительно обработаны с помощью какой-либо формы аналитики до ее передачи для более глубокого интеллектуального анализа данных
Защита данных также должна быть предметом рассмотрения для промышленной системы IoT. Защита данных в пределах края должна быть не только безопасной, но и ее доступ к сетевому шлюзу также должен быть защищен от злонамеренных намерений. Нельзя допускать, чтобы пограничный узел был подделан, чтобы получить доступ к сети для нечестной деятельности.
Интеллект начинается на краю
На краю есть легион решений, которые могут быть не только одним дискретным устройством. Кромкой может быть множество различных одновременных несвязанных приобретений данных. Температура, звук, вибрация, давление, влажность, движение, загрязняющие вещества, аудио и видео являются лишь некоторыми из переменных, которые можно воспринимать, обрабатывать и отправлять в облако через шлюз для дальнейшего исторического и прогнозирующего анализа.
Это не гипербола, чтобы сказать, что датчики являются основой промышленного IoT.2. Но может быть более точным сказать, что они являются центральной нервной системой для извлечения информации. Чувствительность и технология измерения краевого узла являются родиной для данных, представляющих интерес. Если на этом этапе в цепочке решений достоверно записаны плохие или неправильные данные, никакая почтовая обработка в облаке не сможет вернуть потерянное значение.
Критически важные системы, такие как здравоохранение и мониторинг заводских линий с высокими ставками, требуют надежной целостности измерений качества данных. Качество данных имеет первостепенное значение. Ложные срабатывания или упущения могут быть дорогостоящими, трудоемкими и потенциально опасными для жизни. В результате дорогостоящие ошибки приводят к незапланированному обслуживанию, неэффективному использованию рабочей силы или к необходимости полностью отключить систему IoT. Интеллект начинается на краевом узле, где все еще применяется избегание старой поговорки - мусор, мусор.

Рисунок 2. Многие выходы конечных узлов, как проводные, так и беспроводные, могут автономно подключаться к узлу шлюза, который должен быть агрегирован до передачи на облачный сервер
При доступе к трофеям данных возникает большая ответственность
В устаревших решениях цепочки сигналов без учета узловых узлов данные остаются данными. Неинтеллектуальный узел никогда не помогает генерировать мудрость и знания, чтобы принимать действенные решения1. Могут быть большие количества необработанных и низкокачественных данных, которые не влияют на производительность системы. Интересно, что это может быть голодными и интенсивными в полосе пропускания для преобразования и отправьте все эти данные в конечный пункт назначения облачного хранилища.
Напротив, интеллектуальное интеллектуальное разделение краевого узла измеряет и измеряет данные поворота в действительную информацию. Интеллектуальный узел снижает общее энергопотребление, снижает время ожидания и уменьшает потери в полосе пропускания4. Это позволяет перейти от реактивного IoT с большой задержкой как к модели реального времени, так и к прогнозируемой модели IoT. Принцип построения принципиальной схемы цепей аналоговых сигналов по-прежнему применяется к IoT. Для сложных систем часто требуется глубокая экспертиза приложений для интерпретации обрабатываемых данных.
Оптимизированное интеллектуальное разделение максимизирует облачную стоимость
Только самая важная измеренная информация должна быть отправлена через шлюз в облако для окончательной обработки. В некоторых случаях большинство данных совершенно неважно5. Однако системные данные, которые критичны во времени с необходимостью решения локального решения в реальном времени, должны действовать задолго до того, как они будут агрегированы в отдаленной точке с удаленным доступом. Напротив, информация, которая использует историческую ценность с моделями прогнозирования для воздействия на долгосрочные идеи, является идеальным приложением для облачной обработки. Архивирование данных в массовые базы данных для обратной обработки и решений играет сильные стороны мощной обработки облаков и хранения.

Рисунок 3. Интеллектуальное разбиение на краевом узле решает новые задачи, которые ранее не могли быть решены. Более поздняя обработка и разведка в цепочке сигналов позволяют получить более эффективное общее решение IoT
Жизнь на грани с решениями реального времени
Датчики IoT являются преимущественно аналоговыми. Специфические требования к промышленным приложениям будут определять динамический диапазон и пропускную способность датчика, которые потребуются на переднем конце краевого узла. Передняя часть сигнальной цепи будет находиться в пределах аналоговой области до того, как сигнал будет преобразован в цифровое представление и передан за пределы края. Каждый компонент в цепи аналогового сигнала может ограничить общую производительность реберного узла, если он не выбран правильно. Динамический диапазон будет дельта между интересующим полномасштабным датчиком относительно уровня шума или следующим самым высоким нежелательным сигналом.
Поскольку датчики IoT обычно ищут как известные, так и неизвестные действия, аналоговый фильтр не всегда имеет смысл. Цифровая фильтрация выполняется после отбора сигнала. Если на переднем конце датчика не используется аналоговый фильтр, гармоники основного или другого паразитных сигналов могут складываться в воспринимаемую информацию и конкурировать по мощности с представляющим интерес сигналом. Поэтому планирование непредвиденных зондированных сигналов как во временной, так и во временной области на этапе проектирования предотвратит появление нежелательных артефактов в измеренных данных.
Чувствительная информация обычно измеряется с помощью АЦП, следующего в цепочке сигналов. Если краевой узел IoT разработан с использованием дискретных компонентов, следует позаботиться о выборе измерительного АЦП, который не уменьшает динамический диапазон датчика. Входной полноразмерный диапазон встроенного АЦП обычно хорошо согласуется с амплитудой выходного сигнала датчика. В идеальном случае выход датчика должен потреблять почти весь входной диапазон АЦП в пределах 1 дБ, без насыщения АЦП и получения ограничения в пределах диапазона. Тем не менее, ступень усилителя также может использоваться для усиления или ослабления выходного сигнала датчика, чтобы максимизировать собственный динамический диапазон АЦП. Полномасштабный входной сигнал АЦП, частота дискретизации, разрешение в битах, ширина полосы пропускания и плотность шума будут способствовать повышению эффективности измерения сигнала краевого узла.
Интерфейсный усилитель может быть встроен в измерение узла или добавлен как дискретный компонент перед АЦП. Усиление, ширина полосы и шум усилителя также могут повысить производительность краевого узла.
АЦП измерения после датчика в цепочке сигналов часто является одним из двух типов архитектуры выборки: частота Найквиста или непрерывное время Σ-Δ (CTSD), причем последнее более распространено со встроенными АЦП. АЦП с коэффициентом Nyquist будет иметь номинальный уровень плоского шума, равный половине частоты дискретизации, или fs / 2. CTSD использует скорость передискретизации с полосой пропускания с надрезом, которая выталкивает шум за пределы полосы пропускания, представляющей интерес, для увеличения динамического диапазона. Измерение архитектуры АЦП и ее разрешение являются ключевыми для понимания аналоговой полосы пропускания и динамического диапазона краевого узла.

Рисунок 4. Без фронтального аналогового фильтра на датчике IoT АЦП с коэффициентом Nyquist сбрасывает частоты более высокого порядка за пределы первой зоны Найквиста обратно в интересующую полосу пропускания. Напротив, архитектура CTSD ADC с синхронизацией с избыточной дискретизацией использует шумоподавление, чтобы обеспечить высокий динамический диапазон в пределах диапазона интереса. CTSD менее чувствителен к псевдониму сигнала, поскольку он обеспечивает встроенную фильтрацию
Например, в частотной области плотность шума на единицу ширины полосы 1 Гц будет основываться на SNR АЦП и насколько широкий шум распределяется по спектру дискретизации АЦП. В АЦП с коэффициентом усиления Найквиста спектральная плотность шума (в полосе 1 Гц) = 0 дБ - отношение сигнал / шум АЦП (SNR) - 10 × log (fs / 2), где fs / 2 - частота дискретизации, деленная на два или одной зоны Найквиста АЦП. Идеальное SNR можно рассчитать как SNR = 6, 02 × N + 1, 76 дБ, где N - количество бит АЦП. Однако фактическое SNR АЦП включает в себя неидеальности транзисторной и полупроводниковой обработки, включая дефекты компонентов электрического шума и транзистора. Эти нелинейности ухудшат производительность SNR ниже идеального, поэтому проверьте спецификацию ADC для интересующей характеристики SNR.
Динамический диапазон краевого узла будет состоять из динамического диапазона датчика, усиления сигнала в случае необходимости и динамического диапазона АЦП. Если выходной сигнал полномасштабного датчика не достигнет 1 дБ входного диапазона полного диапазона АЦП, то некоторая часть динамического диапазона АЦП останется неиспользованной. И наоборот, вход ADC с расширенным диапазоном входного сигнала от датчика будет искажать дискретизированный сигнал. Полоса пропускания усилителя, усиление и шум также будут частью рассмотрения для динамического диапазона краевого узла. Электрический шум датчика, усилителя и комбинированного АЦП будет квадратным корнем из квадратной суммы каждого среднеквадратичного компонента.7

Рисунок 5. Ошибка потери амплитуды выходного сигнала датчика, которая не соответствует входной полной шкале АЦП и динамическому диапазону (синий). Усилитель необходим для максимального увеличения динамического диапазона датчика, не допуская насыщения ADC (красный). Согласование сигналов должно учитывать полосу пропускания, динамический диапазон и шум всей цепочки сигналов краевого узла
Умный завод
Одним из приложений, которое будет важно в промышленном IoT, является мониторинг состояния вибрации машины. Новое или унаследованное машинное оборудование может иметь ключевые механические компоненты, такие как вращающиеся валы или шестерни, смонтированные с помощью акселерометров MEMS с высоким динамическим диапазоном.8 Эти многоосевые датчики определяют вибрационное перемещение машин в режиме реального времени. Вибрационные сигнатуры могут быть измерены, обработаны и сопоставлены с идеальным профилем машины. 9 На заводе анализ этой информации повышает эффективность, уменьшает ситуационные ситуации и может заранее предсказать механические сбои. В крайних случаях машина с быстро разрушающимся механическим компонентом, которая в противном случае вызывала бы дополнительные повреждения, может быть немедленно отключена.

Рисунок 6. Хотя рутинное обслуживание машины может выполняться с регулярными временными интервалами, часто не делается разведка о состоянии машины. 10 Анализируя эффективность вибрации для конкретных операций машины, на краевом узле можно предупредить прогностическую точку отказа и вехи обслуживания
Задержка времени принятия решения может быть резко уменьшена за счет включения анализа краевых узлов. Пример этого можно увидеть на рисунке 7, где предел порога предупреждения датчика MEMS превышен, и сразу же отправляется предупреждение. Если событие является достаточно экстремальным, чтобы считаться критическим, узлу может быть предоставлено право автоматически отключать оборудование для защиты, чтобы предотвратить временное, катастрофическое механическое разрушение.
Альтернативно, триггерный сигнал может быть вызван для включения другого узла измерения и измерения, такого как один на компонент вторичной машины, для начала интерпретации данных на основе 1-го события. Это уменьшает общий набор данных выборочных данных от краевых узлов. Чтобы определить отклонения вибрации от номинала, передняя часть должна быть спроектирована с требуемой производительностью для обнаружения. Динамический диапазон, частота дискретизации и входная полоса пропускания схемы измерения и измерения должны быть более чем достаточны для идентификации любого события экскурсии.

Рисунок 7. Представление данных во временной области данных вибрации дискретизированных машин, где порог компаратора может определять, передаются ли измеренные и измеренные данные за пределы края. Более низкое энергопотребление может поддерживаться для фильтрации большей части информации, пока преобладание данных не будет достигнуто с помощью события пересечения порога
Умный город
Другое промышленное приложение IoT для краевых узлов - это интеллектуальная городская промышленная камера со встроенной видеоаналитикой. Умный город определяет городскую миссию для интеграции множества информационных и коммуникационных точек в единую систему, позволяющую управлять активами города. Обычным приложением является предоставление оповещений о вакансиях на парковке и определение занятости. Во время ввода в эксплуатацию каждая камера имеет предопределенное поле обзора. Определение границ границ можно определить и использовать в аналитике для идентификации множества объектов и их движения. Не только можно анализировать движение исторических объектов, но из-за траектории объекта предсказанный путь также может быть вычислен на границе с использованием алгоритмов цифровой обработки сигналов (DSP).

Рисунок 8. Использование видеоаналитики краевого узла, определение типа объекта, траекторию и пересечение границ можно определить в системе с низким энергопотреблением без отправки видеоизображений полной полосы пропускания в облако для анализа. Необходимо сообщать только временную метку с координатами и типом объекта
В аналогичном ключе для частотной фильтрации полная пропускная способность кадра видеоаналитики обычно не требуется для конечной обработки. Часто, когда он не используется в целях безопасности, требуется только небольшое подмножество полного видеокадра. Большинство визуальных данных от кадра к кадру являются статическими на стационарной смонтированной камере. Статические данные могут быть отфильтрованы. В некоторых случаях необходимо анализировать только граф пересечений границ или координаты движения объекта интереса. Сокращенное подмножество может быть передано в виде координаты паттерна для следующего шлюза в цепочке сигналов.
Видеоаналитика пограничного узла может предоставлять множество фильтрованных интерпретаций для дифференциации типов объектов: автомобиль, грузовик, велосипед, человек, животное и т. Д. Это прореживание уменьшает пропускную способность и вычислительную мощность, которая в противном случае понадобилась бы на облачном сервере для анализа полной частоты кадров видеоданные, отправленные вниз по течению.
Приложения для внутренней камеры могут определять количество людей, пересекающих границу входа, и регулировать освещение, нагрев или охлаждение для комнаты. Чтобы быть визуально эффективными в экстремальных условиях освещения или других сложных осветительных приборах, таких как дождь, камера с высоким динамическим диапазоном, возможно, потребуется использовать на наружных камерах. Типичный 8-битный или 10-битный датчик изображения может не обеспечивать достаточный динамический диапазон яркости, который не зависит от освещения во всех сценариях обнаружения. В отличие от просмотра скоростных видов спорта с частотой обновления 240 Гц, для отслеживания активности на промышленной аналитической камере можно использовать более медленную частоту кадров.

Рисунок 9. Изображения с высоким динамическим диапазоном с алгоритмами обнаружения объектов DSP на краевом узле могут определять перемещение и пограничные вторжения даже в условиях низкой освещенности. Этот пример использует визуальный контраст для определения обнаружения края для закрытого завода / офиса (слева) и открытой автостоянки (справа)
Решения для платформы
ADT7420 представляет собой цифровой температурный датчик 4 мм × 4 мм с характеристиками пробоя, который содержит внутренний 16-разрядный АЦП с разрешением до 0, 0078 ° C, потребляющий всего 210 мкА. ADXL362 представляет собой сверхмощный 3-осевой акселерометр MEMS, который потребляет всего 2 мкА при частоте дискретизации 100 Гц в режиме активированного движения. Он не использует циклический режим питания, а использует всю архитектуру с пропускной способностью со всеми скоростями передачи данных, что предотвращает сглаживание входных сигналов. ADIS16229 представляет собой двухосный 18-дюймовый цифровой датчик вибрации MEMS со встроенным радиоприемником. Он также обеспечивает обработку сигнала на частотной частоте с 512-битной цифровой функцией FFT.
DSP-платформа Blackfin с низким энергопотреблением (BLIP) 11 позволяет быстро создавать прототипы для промышленных проекций на основе проверенных цифровых инструментов обработки сигналов. Библиотека оптимизированных программных продуктов позволяет производителям оборудования готовое решение для обнаружения движения, подсчета людей и обнаружения транспортных средств.
Рекомендации
1 Колм Прендергаст. «Умное разделение и создание ценности в подключенном мире». Основной доклад IoT: Саммит по перспективам IESA 2015.
2 Стивен Лоусон. «IoT продолжает приближать аналитику ближе к краю». PCWorld: Служба новостей IDG, 2016 год.
3 Лиза Морган. «Edge Analytics - противоядие от потока данных IoT». InformationWeek: UBM Electronics, 2016.
4 Даниэль Кирш. «Значение привлечения аналитики на грань». Hurwitz & Associates Services, 2015.
5 Джейсон Стампер. Почему IoT управляет аналитикой на краю сети. 451 Research, 2015.
6 Стив Нельсон. «Изучение Интернета вещей от конца до конца». Element14: Newark Electronics, 2014.
7 Умеш Джаямохан. «Понимание того, как шум усилителя способствует суммарному шуму в цепочках сигналов АЦП». Analog Dialogue, февраль 2013 г.
Роберт Рэндалл. Мониторинг состояния вибраций. Новый Южный Уэльс, Австралия: Университет Нового Южного Уэльса, 2010.
9 Эд Спенс. «Принесите преимущества акселерометров MEMS для мониторинга состояния». Электронный дизайн, Penton Publishing, 2016.
10 Джейми Смит. «Умные пограничные устройства для промышленного Интернета вещей». Промышленный форум АРК, 2015 год
11 Blackfin Low Power Imaging Platform (BLIP). Analog Devices, Inc., 2014.
Отраслевые статьи - это форма контента, которая позволяет отраслевым партнерам делиться полезными новостями, сообщениями и технологиями с читателями All About Circuits таким образом, что редакционный контент не очень подходит. Все отраслевые статьи подчиняются строгим редакционным правилам с целью предоставления читателям полезных новостей, технических знаний или историй. Точки зрения и мнения, выраженные в отраслевых статьях, являются точками партнера, а не обязательно для All About Circuits или его авторов.