【导读】随着工业供应商继续将智能互联解决方案集成到其现有运营中，工业物联网 （IIoT） 革命正在全面发展。一个高层次的挑战是，许多 IIoT 解决方案的任务是捕获大量数据并将其从无数传感器移动到云端。通常，这会因原始数据的瓶颈泛滥而造成无意的严重影响。使用笨拙的传感器方法，典型的“将所有内容发送到云”模型可能会非常低效。这通常会给云平台带来几乎不可能完成的任务，即从大量噪音中提取一些有价值的数据。
随着工业供应商继续将智能互联解决方案集成到其现有运营中，工业物联网 （IIoT） 革命正在全面发展。一个高层次的挑战是，许多 IIoT 解决方案的任务是捕获大量数据并将其从无数传感器移动到云端。通常，这会因原始数据的瓶颈泛滥而造成无意的严重影响。使用笨拙的传感器方法，典型的“将所有内容发送到云”模型可能会非常低效。这通常会给云平台带来几乎不可能完成的任务，即从大量噪音中提取一些有价值的数据。
在 IIoT 中，精密传感和测量的作用在可靠性和准确性至关重要的应用中至关重要。IIoT 创新者在管理大量数据同时还要保持整个解决方案的完整性方面面临多项挑战。系统工程师正在利用边缘的硬件和软件创新来克服这些挑战，其中一种解决方案是更智能的传感器节点，能够在边缘提取和解释数据，以便仅将重要数据发送到云端进行处理。分布式分析处理模型可以实现本地化决策，并缓解有关延迟、安全性、带宽和功耗的许多问题。
优化的智能分区最大化数据价值
由于只有一部分 IIoT 数据真正有价值，因此大部分数据并不重要，可以忽略不计。但是，如果不仔细注意边缘节点的分析要求，最高质量的传感数据仍然可能被边缘化。
需要实时本地决策的系统数据应该在它被聚合到云中的远程点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洞察力的信息是云处理的理想应用。将数据归档到海量数据库中以进行追溯处理和决策发挥了强大的云处理和存储的优势。
边缘处理可以是一个分析命题，除了将数据发送到远程服务器进行云级分析外，还可以在靠近其源的位置分析数据。通过与传感器的紧密耦合，时间敏感的反馈回路可以提供即时处理，从而提供更明智的决策，同时尽早在信号链中移动实时分析处理还可以减少下游的有效负载负担并缩短延迟。此外，边缘节点的初始数据处理可以简化数据格式并减少云网关最终聚合的通信带宽（图 1）。
图1 边缘节点的智能分区可在信号链中进一步实现更精简的处理和智能，从而实现更高效的物联网解决方案。
边缘节点洞察处理——智能工厂
IIoT 中一项重要的应用是机器振动状态监测。新的或旧的机器设备可以具有安装有高动态范围 MEMS 加速度计的关键机械部件（例如旋转轴或齿轮）。这些多轴传感器实时采样机器的振动，这些特征可以被测量、处理并与理想的机器轮廓进行比较。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，可以立即关闭具有快速恶化的机械部件的机器，否则会导致进一步的损坏。
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。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不同位置的振动位移。可以对原始数据进行过滤和抽取，以便在微控制器（MCU） 内进行频域解释。可以处理与已知性能限制进行比较的快速傅里叶变换 （FFT），以针对下游通过、失败和警告警报进行测试（图 2）。FFT 内的处理增益可以通过有限脉冲响应 （FIR） 滤波来实现，以去除超出目标带宽的宽带噪声。
图2 尽管可以定期执行机器维护，但通常无法通过有关机器状况的情报来完成。通过分析特定机器操作的振动性能，边缘节点警报可以提供预测故障点和维护里程碑。
边缘节点处理是机器状态监控的重要组成部分。考虑到单台机器可能有许多传感器并且可能同时监控数百台机器，采样数据的全带宽可能会在无线网关处提供显着的聚合瓶颈。MCU 内的滤波和智能决策可为无线收发器提供低带宽输出，无需在云中进行密集的滤波处理（图 3）。
图3 振动监测的典型信号链。
边缘节点分析可以大大减少决策时间延迟。图 4 中显示了一个示例，其中超过了 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认为是严重的，则可以授权节点自动禁用有问题的设备，以防止时间敏感的灾难性机械故障。
图4 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递。可以保持较低的功率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感测和测量节点（例如辅助机器组件上的一个）能够开始基于第一事件解释数据，从而减少来自边缘节点的采样数据的总数据集。为了确定任何振动异常，前端节点必须设计具有所需的检测性能。传感和测量电路的动态范围、采样率和输入带宽应该足以识别任何偏移事件。
解释
如果精确知道感兴趣的机械特征频率，则可以规划 MCU 内模数转换器 （ADC） 的采样率和 FFT 大小，以使最大能量落在单个直方图 bin 的宽度内。这将防止信号功率通过多个 bin 泄漏并降低幅度测量的精度。
图 5 是 FFT 的一个示例，其中在边缘节点 MCU 内解释特定预定区域以用于多个观察到的机械组件。在所需绿色区域内达到峰值的箱体能量表示运行良好，而黄色和红色区域分别表示警告和严重警报。代替传输全部传感器带宽，较低的数据速率警报或触发面包屑可以提醒系统关注区域内的偏移事件。
图5 FFT bin 能量可用于触发警报。
机器状态监控只是智能工厂应用的一个例子，其中边缘节点处理有利于 IIoT 系统的成功。可以处理和解释最重要的数据，以便立即采取本地化行动。这减轻了远程云分析的全部带宽需求负担。
（作者：Ian Beavers）
免责声明：本文为转载文章，转载此文目的在于传递更多信息，版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题，请联系小编进行处理。
推荐阅读：
助推电动汽车发展的新动力：Soitec 的 SmartSiC™
