减少边缘节点的洞察时间可在获得数据之后尽快做出关键决定。而理论上处理能力和通信数据均不受限制,则可将所有全带宽边缘节点检测信息发送至远端的云计算服务器。此外,还可以进行大量运算,以挖掘做出明智决策所需的宝贵细节信息。然而,电池电量、通信带宽和计算周期密集型算法的局限使得我们的设想只是一种概念,而无法成为实际方案。
在这个包含多个部分的工业物联网系列文章中,我们将分解和研究大型物联网框架中边缘节点解读的基本方面:检测、测量、解读和连接数据,同时还将考虑功率管理和安全性。边缘节点所需的数据集可能只是一个离散的完整宽带信息子集。同样,数据可以根据要求进行传输。高效的超低功耗(ULP)处理也是实施任何边缘节点方案的一个关键。
智能分区模式转变
工业物联网及其前身(机对机(M2M)通信)的先锋时代在很大程度上是由云平台这一主要应用推动因素的作用定义的。智能系统的洞察力以往都只是依赖于云级能力。实际的边缘传感器装置一直以来都相对简单。然而,由于边缘节点的低功耗计算能力比云计算能力的发展更迅速,这个前提目前正在动摇。1 边缘节点如今具有检测、测量、解读和连接数据的能力。
智能分区模式正从连接传感器模型向智能设备模型转变,从而提供更多的可用架构选项,并允许组织部署工业物联网,以独特的方式改进其实体资产和流程。边缘计算分析(亦称为智能边缘或解读)推动着这一转变。大规模的工业物联网部署依赖于一系列安全、高效节能并且易于管理的多样化智能节点。
边缘分析
最优质的传感数据仍可边缘化,且无需细心留意边缘节点分析中应用的要求。边缘传感器装置可能会受到能源、带宽或原始计算能力的约束。这些约束条件将影响到能够将IP堆栈删减为最小闪存或RAM的协议选择。这使得编写程序充满挑战性,并且可能需要牺牲一些IP性能。
边缘处理可以是一个分析过程,除了将数据发送至远端服务器以进行云级分析,它还可以作为一种方法,用于分析接近其来源的数据。在数据链中尽早地进行实时分析边缘处理可减少下游有效负载,并缩短延迟。如果初始数据处理可以在边缘节点进行,那么就可以简化所需的数据格式、通信带宽以及最终聚集在云端网关。通过紧耦合连接至传感器的时间敏感型反馈回路可提供即时处理,从而为更有价值的明智决策作准备。2
然而,这要求提前了解清楚需要获得哪些有价值的具体信息,才能从检测和测量数据中得到预期结果。此外,由于空间隔离或应用差异,也可能因边缘节点的不同而不同。事件报警、触发信号和中断检测可以忽略大部分数据,只传输需要的数据。
时间折旧
货币的时间价值是一种概念,即现在的一美元比未来某一时候的一美元更有价值。类似地,数据也存在时间常数。数据的时间价值是指在这个几分之一秒检测到的数据与从现在起一周、一天或甚至一个小时之后检测到的数据不同。此类任务关键型物联网范例有热冲击检测、气体泄漏检测或需要采取立即行动的灾难性机械故障检测。时间敏感型数据价值在解读之时开始衰减。有效解读数据和采取行动的延迟越长,决策的价值将越低。为了解决工业物联网的时间折旧问题,我们必须进一步深入了解信号链。
边缘传感器节点的处理算法可对抽样数据进行筛选、抽取、调谐和精处理,将其分解至最低要求的子集。这首先需要定义目标窄带数据。可调带宽、抽样率和动态范围有助于一开始就在硬件的模拟域中建立基准。通过使用所需的模拟设置,传感器只会检测需要的信息,并提供更短的时间常数以获得高质量的解读数据。
边缘处的数字后端处理滤波器可进一步重点关注目标数据。边缘传感器处的数据频率分析可在信息离开节点之前,并及早判定信号内容。一些高阶计算模块执行快速傅里叶变换(FFT)、有限脉冲响应(FIR)滤波并使用智能抽取,可缩小抽样数据的范围。在一些情况下,在大幅度降低数据带宽之后,只需要从边缘传感器节点处传输通过或未通过信息增量痕迹。
图1．在未使用前端滤波器或数字后端处理滤波器的情况下,可能会出现混叠。
图2．振动监控的典型信号链。
图1中,我们可以看到在未使用前端模拟滤波器或数字后端处理滤波器的情况下,抽取8次(左侧)的简单信号将混叠新的干扰信号(中间),从而使频率折叠成期望的新信号频带(右侧)。数字后端处理滤波器搭配数字信号处理器(DSP)或微控制器(MCU),同时将半带FIR低通滤波器与抽取滤波器一起使用,将能够滤除混叠的干扰信号,从而有助于防止出现这一问题。
边缘节点处理洞察力——智能工厂
领先的工业物联网应用解决方案适用于工厂机器状态监控。该解决方案的目的是在发生故障之前识别和预测机器性能问题。边缘传感器节点的多轴高动态范围加速度计用于监控工业机器上不同部位的振动位移。可以筛选和抽取原始数据,在微控制器中进行频域解读。可以处理与已知性能极限进行比较的FFT,针对下游的通过、未通过和警示警报进行测试。通过FIR滤波去除目标带宽外的宽带噪声,可实现FFT内的处理增益。
边缘节点处理是机器状态监控的一个重要组成部分。抽样数据的全带宽是实现无线网关聚集的一个重要瓶颈。要考虑到,一台机器可能配有许多传感器,并且可能同时监控数百台机器。微控制器中作出的滤波和智能决策向无线收发器提供一个低增益带宽输出,而无需在云端进行密集型滤波处理。
图2显示了一个机器状态监控的信号链,在这个信号链中加速度计传感器用于测量位移振动特征。利用边缘传感器节点处的后端处理滤波器,可通过在滤波和抽样数据后进行FFT运算,从而在目标窄带宽中完成频率分析。
在FFT计算过程中,与实时示波器一样,处理滤波器可无视时域活动,直至完成FFT。第二个线程中的另一种时域路径可能还可用于防止出现数据分析差异。
如果能够清楚目标机械特征频率,则可设计微控制器中的ADC和FFT抽样率,使最大能量适合单个直方图仓的宽度。这将防止信号功率泄漏到多个仓中,从而降低幅度测量的精度。
图3．FFT仓能源可用于触发警报。
图3为FFT的一个示例。在这个示例中,我们在边缘节点MCU中对不只一个观察的机械零件进行特定的预定区解读。在所需绿色区域中达到峰值的能量代表正常运转,而黄色和红色区域则分别表示警报和严重警报。更低的数据速率警报或触发痕迹可能会在目标区域内向系统发出偏移事件报警,而不是传全带宽传感器数据。
动态范围、标记和精度
边缘分析的计算功率有几个选项。许多选项可用于处理算法,从一个提供有限控制性能的简单MCU到更加复杂的精密片上系统(SoC) MCU,再到到功能强大的多核数字信号处理。处理内核尺寸、单核或双核操作、指令RAM缓存大小和定点与浮点需求都是典型的技术考虑。通常,需要在节点可用的功率预估和应用的计算需求之间作出权衡。
针对数字信号处理,采用定点和浮点两种格式来存储和操作以数字表示的传感器节点数据。定点是指一种数字表示方式,采用小数点后(有时候为小数点前)固定位数的数字表示。使用这种方法的DSP处理整数,例如使用最少16位的正负整数,可能有216种位模式。相比之下,浮点则使用有理数,最少可能有232种模式。3 与使用定点的DSP相比,使用浮点计算方法的DSP可处理更大范围的值,并能够表示非常大或非常小的数字。
浮点处理可确保能够表示更大动态范围的数字。如果需要计算大量传感器节点数据,并且在检测之前可能并不清楚确切的范围,则浮点处理就非常重要。此外,由于每一个新的计算都需要进行一次数学运算,所以计算结果必然会出现四舍五入或截断的现象。这会导致数据出现量化误差或数字信号噪声。量化误差是理想的模拟值与该值的数字表示(即最接近的舍入值)之差。这些值之间的量化差越大,数字噪声将越明显。当准确性和精度对于解读的传感器数据来说非常重要时,浮点处理则可实现优于定点处理的精度性能。
