【導讀】隨著工業(yè)供應商繼續(xù)將智能互聯(lián)解決方案集成到其現(xiàn)有運營中，工業(yè)物聯(lián)網 （IIoT） 革命正在全面發(fā)展。一個高層次的挑戰(zhàn)是，許多 IIoT 解決方案的任務是捕獲大量數據并將其從無數傳感器移動到云端。通常，這會因原始數據的瓶頸泛濫而造成無意的嚴重影響。使用笨拙的傳感器方法，典型的“將所有內容發(fā)送到云”模型可能會非常低效。這通常會給云平臺帶來幾乎不可能完成的任務，即從大量噪音中提取一些有價值的數據。

隨著工業(yè)供應商繼續(xù)將智能互聯(lián)解決方案集成到其現(xiàn)有運營中，工業(yè)物聯(lián)網 （IIoT） 革命正在全面發(fā)展。一個高層次的挑戰(zhàn)是，許多 IIoT 解決方案的任務是捕獲大量數據并將其從無數傳感器移動到云端。通常，這會因原始數據的瓶頸泛濫而造成無意的嚴重影響。使用笨拙的傳感器方法，典型的“將所有內容發(fā)送到云”模型可能會非常低效。這通常會給云平臺帶來幾乎不可能完成的任務，即從大量噪音中提取一些有價值的數據。

在 IIoT 中，精密傳感和測量的作用在可靠性和準確性至關重要的應用中至關重要。IIoT 創(chuàng)新者在管理大量數據同時還要保持整個解決方案的完整性方面面臨多項挑戰(zhàn)。系統(tǒng)工程師正在利用邊緣的硬件和軟件創(chuàng)新來克服這些挑戰(zhàn)，其中一種解決方案是更智能的傳感器節(jié)點，能夠在邊緣提取和解釋數據，以便僅將重要數據發(fā)送到云端進行處理。分布式分析處理模型可以實現(xiàn)本地化決策，并緩解有關延遲、安全性、帶寬和功耗的許多問題。

優(yōu)化的智能分區(qū)最大化數據價值

由于只有一部分 IIoT 數據真正有價值，因此大部分數據并不重要，可以忽略不計。但是，如果不仔細注意邊緣節(jié)點的分析要求，最高質量的傳感數據仍然可能被邊緣化。

需要實時本地決策的系統(tǒng)數據應該在它被聚合到云中的遠程點之前很久就采取行動。相比之下，利用歷史價值和預測模型來影響長期洞察力的信息是云處理的理想應用。將數據歸檔到海量數據庫中以進行追溯處理和決策發(fā)揮了強大的云處理和存儲的優(yōu)勢。

邊緣處理可以是一個分析命題，除了將數據發(fā)送到遠程服務器進行云級分析外，還可以在靠近其源的位置分析數據。通過與傳感器的緊密耦合，時間敏感的反饋回路可以提供即時處理，從而提供更明智的決策，同時盡早在信號鏈中移動實時分析處理還可以減少下游的有效負載負擔并縮短延遲。此外，邊緣節(jié)點的初始數據處理可以簡化數據格式并減少云網關最終聚合的通信帶寬（圖 1）。

圖1 邊緣節(jié)點的智能分區(qū)可在信號鏈中進一步實現(xiàn)更精簡的處理和智能，從而實現(xiàn)更高效的物聯(lián)網解決方案。

邊緣節(jié)點洞察處理——智能工廠

IIoT 中一項重要的應用是機器振動狀態(tài)監(jiān)測。新的或舊的機器設備可以具有安裝有高動態(tài)范圍 MEMS 加速度計的關鍵機械部件（例如旋轉軸或齒輪）。這些多軸傳感器實時采樣機器的振動，這些特征可以被測量、處理并與理想的機器輪廓進行比較。在工廠中，對這些信息的分析有助于提高效率，減少生產線停機情況，并可以提前預測機械故障。在極端情況下，可以立即關閉具有快速惡化的機械部件的機器，否則會導致進一步的損壞。

該解決方案的目的是在發(fā)生故障之前識別和預測機器性能問題。在邊緣傳感器節(jié)點，多軸高動態(tài)范圍加速度計監(jiān)測工業(yè)機器不同位置的振動位移?？梢詫υ紨祿M行過濾和抽取，以便在微控制器（MCU） 內進行頻域解釋?？梢蕴幚砼c已知性能限制進行比較的快速傅里葉變換 （FFT），以針對下游通過、失敗和警告警報進行測試（圖 2）。FFT 內的處理增益可以通過有限脈沖響應 （FIR） 濾波來實現(xiàn)，以去除超出目標帶寬的寬帶噪聲。

圖2 盡管可以定期執(zhí)行機器維護，但通常無法通過有關機器狀況的情報來完成。通過分析特定機器操作的振動性能，邊緣節(jié)點警報可以提供預測故障點和維護里程碑。

邊緣節(jié)點處理是機器狀態(tài)監(jiān)控的重要組成部分?？紤]到單臺機器可能有許多傳感器并且可能同時監(jiān)控數百臺機器，采樣數據的全帶寬可能會在無線網關處提供顯著的聚合瓶頸。MCU 內的濾波和智能決策可為無線收發(fā)器提供低帶寬輸出，無需在云中進行密集的濾波處理（圖 3）。

圖3  振動監(jiān)測的典型信號鏈。

邊緣節(jié)點分析可以大大減少決策時間延遲。圖 4 中顯示了一個示例，其中超過了 MEMS 傳感器警告閾值限制并立即發(fā)送警報。如果事件極端到足以被認為是嚴重的，則可以授權節(jié)點自動禁用有問題的設備，以防止時間敏感的災難性機械故障。

圖4  采樣機器振動數據的時域表示，其中比較器閾值可以確定感測和測量數據是否在邊緣之外傳遞。可以保持較低的功率狀態(tài)以過濾大部分信息，直到通過閾值交叉事件實現(xiàn)數據優(yōu)勢。

或者，可以調用觸發(fā)信號以使另一個感測和測量節(jié)點（例如輔助機器組件上的一個）能夠開始基于第一事件解釋數據，從而減少來自邊緣節(jié)點的采樣數據的總數據集。為了確定任何振動異常，前端節(jié)點必須設計具有所需的檢測性能。傳感和測量電路的動態(tài)范圍、采樣率和輸入帶寬應該足以識別任何偏移事件。

解釋

如果精確知道感興趣的機械特征頻率，則可以規(guī)劃 MCU 內模數轉換器 （ADC） 的采樣率和 FFT 大小，以使最大能量落在單個直方圖 bin 的寬度內。這將防止信號功率通過多個 bin 泄漏并降低幅度測量的精度。

圖 5 是 FFT 的一個示例，其中在邊緣節(jié)點 MCU 內解釋特定預定區(qū)域以用于多個觀察到的機械組件。在所需綠色區(qū)域內達到峰值的箱體能量表示運行良好，而黃色和紅色區(qū)域分別表示警告和嚴重警報。代替?zhèn)鬏斎總鞲衅鲙挘^低的數據速率警報或觸發(fā)面包屑可以提醒系統(tǒng)關注區(qū)域內的偏移事件。

圖5  FFT bin 能量可用于觸發(fā)警報。

機器狀態(tài)監(jiān)控只是智能工廠應用的一個例子，其中邊緣節(jié)點處理有利于 IIoT 系統(tǒng)的成功。可以處理和解釋最重要的數據，以便立即采取本地化行動。這減輕了遠程云分析的全部帶寬需求負擔。

（作者：Ian Beavers）

推薦閱讀：

面向移動機器人的無線充電技術實現(xiàn)工業(yè)4.0

利用物聯(lián)網充分發(fā)揮智能電網優(yōu)勢

助推電動汽車發(fā)展的新動力：Soitec 的 SmartSiC?

如何使用AT32F407以太網通信接口實現(xiàn)在應用中編程(IAP)

電源線噪聲：共模干擾、差模干擾