边缘智能第2部分：缩短获得洞察的时间

作者：Ian Beavers

缩短边缘节点获得见解的时间可以在数据可用后立即做出关键决策。凭借理论上无限的处理能力和通信数据，来自所有边缘节点感知信息的全部带宽可以发送到云中的远程计算站。可以进行大量计算来挖掘有价值的细节，以做出明智的决策。但是，电池电量、通信带宽和计算周期密集型算法的限制使得该方案只是一个概念，而不是实际实现。

在这个由多部分组成的工业物联网系列中，我们将在更大的物联网框架内分解和探索边缘节点解释的基本方面：传感、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只需要是完整宽带信息的离散子集。同样，数据可能仅在请求时提供传输。高能效超低功耗（ULP）处理也应该是任何边缘节点实施的关键方面。

智能分区范式转变

工业物联网及其前身机器对机器（M2M）通信的先驱时代在很大程度上是由云平台作为主要应用推动者的角色定义的。智能系统历来仅依靠云级别功能来获得洞察力。实际的边缘传感器设备相对不复杂。然而，随着边缘节点的低功耗计算能力以比云更快的速度发展，这个旧前提目前正在被撼动。边缘节点现在提供检测、测量、解释和连接的功能。

从连接的传感器模型到智能设备模型的智能分区范式正在转变。这提供了更多可用的架构选择，并允许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，正在推动这一转变。大规模工业物联网部署依赖于安全、高能效且易于管理的各种智能节点的可用性。

边缘分析

如果不仔细关注边缘节点分析中的应用程序要求，最高质量的感测数据仍然可以被边缘化。边缘传感器设备可能受到能量、带宽或原始计算能力的限制。这些约束会传播到协议选择，这些协议选择可以将 IP 堆栈减少到最小的闪存或 RAM。这可能会使编程具有挑战性，并且可能会牺牲一些知识产权利益。

边缘处理可以是一种分析主张，作为一种分析靠近其源的数据的方法，以及将其发送到远程服务器进行云级分析。在信号链中尽早移动实时分析边缘处理可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完成，这将简化所需的数据格式、通信带宽以及云网关的最终聚合。通过与传感器紧密耦合的时间敏感反馈回路可以提供即时处理，从而提供更有价值的明智决策。

然而，这需要预先了解从感测和测量数据中期望哪些特定信息是有价值的。由于空间分离或应用程序差异，它也可能因边缘节点而异。事件警报、触发器和中断检测可以忽略大部分数据，只传输必要的数据。

时间折旧

货币的时间价值是今天一美元在未来某个时候比一美元更值钱的想法。类似地，数据有一个时间常数。数据的时间值意味着你在这几秒内感知到的数据在一周、一天甚至一小时内不会那么重要。出色的关键任务物联网示例包括热浪涌检测、气体泄漏检测或需要立即采取行动的灾难性机械故障检测。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折旧之谜，我们必须进一步了解信号链。

边缘传感器节点内的处理算法可用于过滤、筛选、调谐和细化采样数据，使其精确到所需的最小子集。这需要首先定义感兴趣的窄数据。可调带宽、采样速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的信息，并为高质量的解释数据提供更短的时间常数。

边缘的数字后处理可以进一步聚焦感兴趣的数据。边缘传感器上对数据进行频率分析可以在信息离开节点之前对信号内容做出早期决策。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缩小采样数据范围的高阶计算模块。在某些情况下，在大幅降低数据的全部带宽后，只需要从边缘传感器节点传输出通过或失败信息的增量痕迹导航。

在图1中，我们可以看到，在没有前端模拟滤波器或数字后处理滤波器的情况下，抽取8的简单信号（左）将混叠新的无用信号（中）以频率折叠到新的所需信号频段（右）。数字后处理使用数字信号处理器（DSP）或微控制器单元（MCU），使用半带FIR低通滤波器作为抽取的配套，将通过滤除干扰混叠信号来帮助防止此问题。

图1.混叠可以在没有前端滤波器或数字后处理的情况下发生。

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解决方案。该解决方案的目的是在故障发生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不同位置的振动位移。原始数据可以被滤波和抽取，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，以消除目标带宽之外的宽带噪声。

边缘节点处理是机器状态监控的重要组成部分。采样数据的完整带宽可能会为无线网关的聚合提供重大瓶颈。考虑到一台机器可能有许多传感器，并且可能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的滤波器处理。

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。通过在边缘传感器节点进行后处理，可以在FFT计算之前对采样数据进行滤波和抽取，从而在感兴趣的窄带宽内进行频率分析。

图2.用于振动监测的典型信号链。

在FFT计算过程中，类似于实时示波器，在FFT完成之前，处理可能会对新的时域活动视而不见。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空白。

如果精确知道目标的机械特征频率，则可以规划微控制器单元内ADC和FFT大小的采样速率，使最大能量落在单个直方图箱的宽度范围内。这将防止信号功率泄漏到多个箱中，从而降低幅度测量的精度。

图3提供了一个FFT示例，其中在边缘节点MCU内为多个观察到的机械组件解释特定的预定区域。在所需绿色区域内达到峰值的箱能量表示运行令人满意，而黄色和红色区域分别表示警告和严重警报。较低的数据速率报警或触发痕迹导航不会传输全部传感器带宽，而是可以提醒系统感兴趣区域内的偏移事件。

图3.FFT仓能量可用于触发警报。

动态范围、符号和精度

边缘分析的计算能力有多种选择。处理算法有多种选择，从提供有限控制的简单 MCU、作为复杂片上系统（SoC） 的更复杂的 MCU，到强大的多核数字信号处理。处理内核大小、单核或双核操作、指令性 RAM 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作传感器节点数据的数字表示的符号格式：定点和浮点。不动点是指数字在小数点之后（有时在小数点之前）用固定位数表示的方式。使用此方法的 DSP 使用至少 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，浮点数使用具有至少 232 种可能模式的有理数。3使用浮点计算方法的DSP可以处理比定点更广泛的值范围，并且能够表示非常大或很小的数字。

浮点处理确保可以表示更大的数字动态范围。如果要计算大量传感器节点数据，而确切的范围在检测之前可能未知，这一点很重要。此外，由于每个新计算都需要数学计算，因此舍入或截断是固有的结果。这会在数据中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（最接近的舍入值）之间的差值。这些值之间的量化差距越大，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，描述数据解释的处理要求以确定是否需要定点计算或浮点计算才能实现最大效率非常重要。

可以对定点处理器进行编程以执行浮点任务，反之亦然。但是，这是非常低效的，并且会影响处理性能和功耗。定点处理器在针对不需要密集计算算法的大批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门的算法来简化开发和更高的整体精度。

虽然性能不高，但处理器中支持的 GPIO 引脚数量可以提供辅助选择标准。直接支持目标传感器的正确控制接口，例如 SPI、I2C、SPORT 和 UART 可降低系统设计复杂性。内核处理时钟速度、每次执行的位数、可用于处理的嵌入式指令 RAM 数量以及内存接口速度都将影响边缘节点的处理能力。实时时钟有助于为数据添加时间戳，并允许跨多个平台调整处理。

处理计算能力通常在MIPS或MMAC中定义。MIPS是一秒钟内可以执行的百万条指令数。MMAC 是每秒可执行的单精度浮点或定点乘法累加 32 位运算的数量，以百万为单位。对于 16 位和 8 位操作，MMAC 性能值分别提高了 2× 倍和 4×。3

安全

虽然工业物联网的完全安全性涵盖每个系统、传输和数据点访问，但微控制器和 DSP 提供内部安全功能。高级加密标准（AES） 提供了一种在有线链路（如 UART/SPI 或无线链路）上添加安全性的方法。在无线射频通信的情况下，AES加密是在通过边缘节点无线电进行有效载荷传输之前执行的。接收节点相应地执行反向解密。电子代码块 （ECB） 或密码块链 （CBC） 是 AES 的典型模式。4通常首选 128 位或更大的安全密钥。真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以后的工业物联网文章中更详细地描述，以获得更全面的安全方法。

单核或双核

原始处理能力将始终是需求。高效的原始处理能力甚至更好。多核MCU和DSP可以为算法提供额外的计算能力，这些算法特别受益于密集并行处理。但是，经常处理不同数据的需求也在增加。这催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优势的内核结合在一起。通常称为异构或非对称多核设备，它们通常具有两个配置文件截然不同的内核。

非对称MCU的一个例子可以同时采用ARM Cortex-M3和Cortex-M0，它们使用处理器间通信协议进行通信。这使得 M3 能够专注于繁重的数字信号处理任务，而 M0 则实现了应用中强度较低的控制方面。®®5该概念允许将更简单的任务卸载到较小的内核上。分区最大化了更强大的 M3 内核的处理带宽，用于计算密集型处理，这实际上是协同处理的核心。内核间通信使用共享 SRAM，一个处理器引发中断供另一个处理器检查。当接收处理器引发中断作为响应时，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。通过在两个小内核之间以非对称方式划分任务，可以访问内核的全部性能，同时仍利用低成本嵌入式内存。实施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。5

力量平衡

许多工业物联网边缘传感器节点必须能够使用相同的小型电池运行多年，即使可以收集能量也是如此。ULP操作将是这些节点的关键参数，并且必须选择能够最小化节点实际电流消耗的组件。6

许多最适合工业物联网的MCU都基于ARM系列Cortex-M嵌入式处理器，这些处理器面向低功耗MCU和传感器应用。7从针对高能效简单应用优化的 Cortex-M0+ 到适用于需要浮点和 DSP 操作的复杂高性能应用的 Cortex-M4，不一而足。可以使用更高的处理内核，但代价是低功耗。

ARM CPU 在代码大小、性能和效率方面提供了一个起点。但是，当涉及到MCU在活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。有源电流消耗会受到工艺技术选择、缓存和处理器整体架构的严重影响。MCU 休眠电流和 CPU 休眠时可用的外设功能主要受 MCU 设计和架构的影响。

EEMBC是一个行业联盟，通过帮助系统设计人员了解其系统的性能和能源特性，开发基准测试，帮助他们选择最佳处理器。The ULPMark™-每个设备报告的 CP 分数是计算出的单数品质因数。该套件中每个单独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。8

传感器边缘节点的功率预算将与其处理能力直接相关。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电源效率。微控制器的典型功耗指标是指定每MHz计算使用的有功电流量。例如，对于基于 ARM Cortex-M3 的 MCU，电流可能达到每 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状态才能检测、测量和解释的频率。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。

如果不考虑MCU电流消耗，大部分活动状态将在边缘传感器节点内消耗大量功率，并将电池供电应用的使用寿命缩短至仅数小时或数天。

图4.边缘传感器节点 MCU 内的大部分活动状态可能会消耗多余的功率。

通过对节点内的组件进行占空比，确保它们仅在严格需要时才处于活动状态，从而实现了显著的节能。MCU很少完全关闭。它必须专门针对低功耗操作进行架构设计，以使MCU能够完全控制边缘传感器节点，同时消耗尽可能少的能量。最小化MCU电流消耗就是要使MCU尽可能频繁地休眠，同时仍允许它在需要时执行关键任务。

将MCU保持在低功耗休眠模式下，使其处于大部分非活动状态，仅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至多年。

图5.使MCU保持大部分非活动状态，以实现最佳功耗降低。

工业物联网中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的数据会降低处理能力。为了节省功率和带宽，可以提前知道可预测的导通占空比。此外，基于感测信息状态的可变占空比可以触发有功或降低功率状态。

微控制器或DSP的响应时间和功耗（包括开启和关闭）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，来自温度和光传感器的数据传输可能会显着减少。这允许传感器节点的休眠时间更长，信息传输更少。

为了提供快速反应，许多微控制器除了完全激活外，还提供各种低功耗操作状态，例如睡眠、灵活、休眠和完全掉电。每种模式都会在不需要时关断各种内部计算模块以提高电源效率，通常会将电流要求改变几个数量级。这种功率优势的代价是，过渡到完全活动将有一些最短的有限响应时间。在称为灵活模式的混合配置中，计算内核处于睡眠模式，而外设接口保持活动状态。休眠模式可以提供SRAM数据保留，并可选择仍允许实时时钟保持活动状态。

图6中详细的MCU功耗与时序关系图显示了每种低功耗MCU模式、转换时间和占空比的影响。当MCU处于非活动状态时，使用低功耗状态是保持在低功耗传感器节点预算范围内的关键。9

图6.详细的MCU功耗与时序图。

传感器融合

先进的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） 的前端模拟多路复用器可实现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可实现快速反馈回路。其他嵌入式电路模块（如比较器、带隙基准电压源、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

图7.可以在单个模拟微控制器中处理多个传感器信号。

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。微控制器内的算法可以智能地将信息组合在一个称为传感器融合的过程中。

这种类型的边缘节点处理的一个示例是在室外污染监视器中。在此类应用中，来自多个输入的数据（包括气体、温度、湿度和颗粒传感器）在单个处理器中融合和分析。根据这些信息，可以进行处理，以基于仅在本地传感器节点上已知的校准和补偿生成污染数据。然后，可以将这些校准数据发送到云端进行历史分析。在某些情况下，可能需要独特的一次性调试来配置每个传感器节点的特定环境偏移。9

ADI公司投资了ULP平台，该平台在传感器、处理器和高能效模式下的强大功能集方面进行了重大创新。最近发布的ADuMC3027和ADuMC3029系列微控制器具有26 MHz ARM Cortex-M3内核的性能，工作电流规格在活动模式下小于38 μA/MHz，在待机模式下小于750 nA。这种高效的电源本地处理能力降低了整体系统功耗，同时大大减少了通过网络发送数据进行分析的需求。9

ADI公司提供各种MCU和DSP引擎，可帮助智能捕获和处理发往云的物联网数据。ADuCM36x系列提供集成双通道Ʃ-Δ型ADC的ARM Cortex-M3处理内核。ADI公司的SHARC数字信号处理器系列为许多动态范围至关重要的应用提供实时浮点处理性能。®4

下一代 Cortex-M33 处理器基于 ARMv8-M 架构，具有经过验证的 ARM TrustZone™使用处理器内置的硬件帮助保护受信任的应用程序和数据的技术。随着世界变得越来越互联，保护每个节点对于扩大物联网采用的增长至关重要。