縮短邊緣節點的洞察時間可以在數據可用時立即做出關鍵決策。利用理論上無限的處理能力和通信數據，來自所有邊緣節點感測信息的全帶寬可以被發送到云中的遠程計算站。可以執行大量計算以挖掘尋求做出明智決策的有價值的細節。然而，電池功率，通信帶寬和計算周期密集型算法的局限性使得該場景僅僅是一個概念而非實際實現。

在這個多部分工業物聯網系列中，我們將分解并探索基礎更大的物聯網框架內邊緣節點解釋的各個方面：感知，測量，解釋和連接數據，并額外考慮電源管理和安全性。來自邊緣節點的所需數據集可能僅需要是全寬帶信息的離散子集。類似地，數據可以僅在請求時可用于傳輸。節能超低功耗（ULP）處理也應該是任何邊緣節點實現的關鍵方面。

智能分區范式轉換

工業物聯網及其前身，機器的先驅時代機器（M2M）通信主要由云平臺作為主要應用程序推動者的角色定義。歷史上，智能系統僅依靠云級別功能來提供洞察力。實際的邊緣傳感器裝置相對簡單。然而，由于邊緣節點的低功率計算能力以比云端更快的速度提前，這個舊的前提正在被動搖。 1 邊緣節點現在提供感知，測量，解釋的能力，并連接。

從連接的傳感器模型到智能設備模型正在進行智能分區范式轉換。這提供了更多可用的架構選擇，并允許組織部署工業物聯網的組織以獨特的方式增強其物理資產和流程。邊緣計算分析，也稱為邊緣智能或解釋，正在推動這種轉變。大規模工業物聯網部署依賴于各種智能節點的可用性，這些節點安全，高效，易于管理。

Edge Analytics

最高質量的感知數據可以如果不仔細關注邊緣節點分析中的應用程序要求，仍然會被邊緣化。邊緣傳感器設備可能受到能量，帶寬或原始計算能力的約束。這些約束傳播到協議選擇，可以將IP堆棧減少到最小的閃存或RAM。這可能會使編程變得具有挑戰性，并且可能會犧牲IP的好處。

邊緣處理可以作為一種分析命題，作為分析靠近其源的數據的方法，并將其發送到遠程用于云級分析的服務器。盡可能早地在信號鏈中移動實時分析邊緣處理可以減少下游的有效載荷負擔并縮短延遲。如果初始數據處理可以在邊緣節點處完成，則這將簡化所需的數據格式化，通信帶寬以及到云的網關處的最終聚合。通過與傳感器緊密耦合的時間敏感反饋循環可以提供即時處理，從而提供更有價值的知情決策。 2

然而，這需要提前了解哪些具體信息對于感測和測量的數據有何價值。由于空間分離或應用差異，它也可能從邊緣節點到邊緣節點變化。事件警報，觸發器和中斷檢測可以忽略大部分數據僅傳輸所需的數據。

時間折舊

貨幣的時間價值是今天一美元的想法將來某個時候價值超過1美元。類似地，數據有一個時間常數。數據的時間價值意味著您在此小數秒內感知到的數據在一周，一天或甚至一小時后的意義并不大。優秀的關鍵任務IoT示例包括熱浪涌傳感，氣體泄漏檢測或感應災難性機械故障，需要立即采取措施。時間敏感數據值衰減從解釋點開始。有效解釋數據和采取行動的延遲時間越長，決策的價值就越低。為了解決工業物聯網中的時間貶值問題，我們必須在信號鏈中進一步獲得洞察力。

邊緣傳感器節點內的處理算法可用于過濾，抽取，調整和細化采樣數據下降到所需的最小子集。這需要首先定義感興趣的狹窄數據。可調節帶寬，采樣率和動態范圍有助于在開始時在硬件的模擬域中建立此基線。通過使用所需的模擬設置，傳感器將僅針對所需信息，并為質量解釋數據提供更短的時間常數。

邊緣處的數字后處理可以進一步聚焦感興趣的數據。邊緣傳感器處的數據的頻率分析可以在信息離開節點之前做出關于信號內容的早期決定。執行快速傅里葉變換（FFT），有限脈沖響應（FIR）濾波和使用智能抽取是一些高階計算塊，縮小了采樣數據的范圍。在某些情況下，在顯著降低數據的全部帶寬之后，只需要傳遞通過或失敗信息的增量面包屑。

在圖1中，我們可以看到沒有前端模擬濾波器或數字后處理濾波器，抽取8（左）的簡單信號將新的無用信號（中心）混疊到頻率折疊到新的所需信號頻帶（右）。采用數字信號處理器（DSP）或微控制器單元（MCU）的數字后處理，使用半帶FIR低通濾波器作為抽取的伴隨，將通過濾除干擾混疊信號來幫助防止這一問題。

邊緣節點洞察處理 - 智能工廠

領先的工業物聯網應用是工廠機器狀態監測的解決方案。該解決方案的目的是在故障之前識別和預測機器性能問題。在邊緣傳感器節點，多軸高動態范圍加速度計監測工業機器上各個位置的振動位移。可以對原始數據進行濾波和抽取，以便在微控制器單元內進行頻域解釋。可以處理與已知性能限制進行比較的FFT，以針對下游的通過，失敗和警告警報進行測試。 FFT內的處理增益可以通過FIR濾波來實現，以消除超出目標帶寬的寬帶噪聲。

邊緣節點處理是機器狀態監視的重要組成部分。采樣數據的全帶寬可以為無線網關的聚合提供重要瓶頸。考慮到單個機器可能有許多傳感器，并且可以同時監控數百臺機器。微控制器單元內的濾波和智能決策為無線收發器提供低帶寬輸出，而無需在云端進行密集濾波處理。

圖2顯示了用于機器狀態監測的信號鏈，其中加速度計傳感器測量位移振動特征。通過邊緣傳感器節點的后處理，可以在窄帶寬內完成頻率分析，方法是在FFT計算之前對采樣數據進行濾波和抽取。

在FFT計算過程中，類似于真實時間示波器，處理可以對新的時域活動視而不見，直到FFT完成。第二個線程中的備用時域路徑也可用于防止數據分析中的間隙。

如果準確知道感興趣的機械特征頻率，則可以規劃微控制器單元內的ADC的采樣率和FFT大小，使得最大能量量落在單個直方圖箱的寬度內。這樣可以防止信號功率泄漏到多個區間，從而降低了幅度測量的精度。

圖3提供了一個FFT示例，其中特定預定區域在邊緣節點MCU內被解釋為多個觀察到機械部件。在所需綠色區域內達到峰值的Bin能量表示令人滿意的操作，而黃色和紅色區域分別表示警告和嚴重警報。較低數據速率警報或觸發面包屑可以向系統警告感興趣區域內的偏移事件，而不是傳輸完整的傳感器帶寬。

動態范圍，符號和精度

邊緣分析的計算能力有多種選擇。許多選項可用于處理算法，從提供有限控制的簡單MCU，復雜的片上系統（SoC）的復雜MCU到強大的多核數字信號處理。處理核心大小，單核或雙核操作，指令RAM高速緩存大小以及固定與浮點需求是典型的技術考慮因素。通常在節點上可用的功率預算和應用程序的計算要求之間進行權衡。

對于數字信號處理，兩個類別指定用于存儲和操縱傳感器節點數據的數字表示的符號格式：固定點和浮點。固定點是指在小數點之后和有時在小數點之前用固定位數表示數字的方式。使用此方法的DSP使用最少16位和216種可能的位模式處理整數，例如正整數和負整數。相比之下，浮點使用有理數和最少232種可能模式。 3 使用浮點計算方法的DSP可以處理比固定點更寬范圍的值，并且能夠表示非常大的值

浮點處理確保可以表示更大的動態范圍的數字。如果要計算大組傳感器節點數據，其中在感測之前可能未知精確范圍，則這是重要的。另外，由于每個新計算都需要數學計算，因此舍入或截斷是固有結果。這在數據內產生量化誤差或數字信號噪聲。量化誤差是理想模擬值與其數字表示之間的差值，即最接近的舍入值。這些值之間的量化間隙越大，數字噪聲就越明顯。當精度和精度對解釋的傳感器數據很重要時，浮點處理比定點處理產生更高的精度。

性能

固件設計人員應以最高效率實現計算應用，因為操作執行的速度至關重要。因此，重要的是描述數據解釋的處理要求，以確定是否需要固定或浮點計算以實現最大效率。

可以對定點處理器進行編程以執行浮點任務，反之亦然。然而，這非常低效并且將影響處理性能和功率。定點處理器在針對不需要密集計算算法的更高容量通用應用進行優化的地方大放異彩。相反，浮點處理器可以利用專用算法來簡化開發和提高整體精度。

雖然性能不高，但處理器內支持的GPIO引腳數量可以提供次要選擇標準。直接支持感興趣的傳感器的正確控制接口，例如SPI，I 2 C，SPORT和UART，降低了系統設計的復雜性。核心處理時鐘速度，每次執行的位數，可用于處理的嵌入式指令RAM的數量以及存儲器接口速度都將影響邊緣節點處理的能力。實時時鐘有助于對數據進行時間戳，并允許跨多個平臺對齊處理。

處理計算能力通常在MIPS或MMAC中定義。 MIPS是一秒內可以執行的百萬條指令。 MMAC是單精度浮點或定點乘法累加32位運算的數量，可以每秒百萬次執行。對于16位和8位操作，MMAC性能值分別增加2倍和4倍。

安全性

雖然工業物聯網的完全安全性涵蓋了每個系統，傳輸和數據點訪問，但微控制器和DSP都提供了內部安全功能。高級加密標準（AES）提供了在有線鏈路（如UART / SPI或無線鏈路）上添加安全性的方法。在無線RF通信的情況下，在通過邊緣節點無線電進行有效載荷傳輸之前執行AES加密。接收節點相應地執行逆向解密。電子代碼塊（ECB）或密碼塊鏈接（CBC）是AES的典型模式。通常優選128位或更大的安全密鑰。真正的隨機數生成器用作處理器內安全計算的一部分。這些方案的細節將在未來的工業物聯網文章中進行更詳細的描述，以獲得更全面的安全方法。

單核或雙核

始終需要原始處理能力。高效的原始處理能力甚至更好。多核MCU和DSP可以為特別受益于密集并行處理的算法提供額外的計算能力。但是，經常處理不同數據的需求也在增加。這產生了一類多核微控制器，它們將兩個或多個具有特定但不同功能強度的內核集合在一起。通常稱為異構或非對稱多核設備，它們通常具有兩個具有非常不同的配置文件的內核。

非對稱MCU的一個示例可能包含ARM ? Cortex ? -M3和Cortex-M0，它們使用處理器間通信協議進行通信。這允許M3專注于繁重的數字信號處理任務，而M0實現了應用程序的低密集控制方面。 5 這個概念允許將更簡單的任務卸載到較小的核心上。分區最大化了功能更強大的M3內核的處理帶寬，用于計算密集型處理，這實際上是協處理的核心。核心間通信使用共享SRAM和一個處理器，為另一個處理器引發中斷以進行檢查。當接收處理器響應時發出中斷時，將確認此警報。

異構多核MCU的另一個好處是克服嵌入式閃存的速度限制。通過跨兩個小內核以非對稱方式劃分任務，可以在仍然使用低成本嵌入式存儲器的同時訪問內核的全部性能。實現嵌入式閃存的成本通常決定了MCU的成本，因此可以有效地消除瓶頸。在可用功率預算內平衡處理器需求可能是工業物聯網邊緣傳感器節點設計的關鍵部分。

許多工業物聯網邊緣傳感器節點必須能夠在相同的小型電池上運行多年，即使可以進行能量收集也是如此。 ULP操作將是這些節點的關鍵參數，必須選擇最小化節點實際電流消耗的組件。

許多最適合的節點的MCU工業物聯網基于ARM系列Cortex-M嵌入式處理器，適用于低功耗MCU和傳感器應用。這些系列包括Cortex-M0 +，針對節能的簡單應用進行了優化，到Cortex-M4，適用于需要浮點和DSP操作的復雜高性能應用。可以以低功耗為代價使用更高的處理內核。

ARM CPU提供了代碼大小，性能和效率的起點。但是，當涉及MCU在主動或深度睡眠模式下的實際電流消耗時，許多超低功耗功能完全取決于MCU供應商。主動電流消耗可能受到過程技術選擇，高速緩存和處理器整體架構的嚴重影響。 CPU睡眠時MCU的睡眠電流和外圍功能主要受MCU設計和架構的影響。

行業聯盟EEMBC開發基準測試，幫助系統設計人員選擇最佳處理器了解其系統的性能和能量特性。為每個設備報告的ULPMark ? -CP得分是計算的單數值品質因數。該套件中每個基準測試的分數允許設計人員對基準進行加權和匯總，以滿足特定的應用要求。

傳感器邊緣節點的功率預算將直接關聯它的處理能力。如果功率預算與邊緣節點分析的處理需求不一致，則可能需要進行權衡。性能效率會影響傳感器邊緣節點的功率效率。微控制器的典型功耗指標是指定每MHz計算使用的有效電流量。例如，對于基于ARM Cortex-M3的MCU，電流可以達到每MHz數十μA。

占空比

邊緣傳感器節點的功耗最小化通常基于兩個因素：節點在活動時消耗多少電流以及它必須保持活動以檢測，測量和解讀。該占空比將根據節點中使用的傳感器和處理器的類型以及算法的要求而變化。

在不考慮MCU電流消耗的情況下，大多數活動狀態將消耗相當大的功率。邊緣傳感器節點，并將電池供電應用的使用壽命縮短至數小時或數天。

通過對節點內的組件進行工作循環，確保它們僅處于活動狀態，從而實現顯著的節能效果當嚴格需要時。 MCU很少完全關閉。它必須專門針對低能量操作而設計，以使MCU能夠在盡可能少地消耗能量的同時保持對邊緣傳感器節點的完全控制。最大限度地降低MCU電流消耗的目的是讓MCU盡可能經常地休眠，同時仍然允許它在需要時執行其關鍵任務。

保持MCU在低功耗休眠模式下工作，主要處于非活動狀態，只在短時間內處于活動狀態，可以將邊緣節點的電池壽命延長多年。

工業物聯網內的許多邊緣節點傳感解決方案可能不需要處理連續不間斷的數據流。使用中斷事件閾值忽略已知越界條件中的數據會降低處理能力。為了節省功率和帶寬，可以預先知道可預測的占空比。此外，基于感測信息狀態的可變占空比可以觸發有功或無功功率狀態。

微控制器的響應時間和功耗，包括開啟和關閉，或者DSP可能是低帶寬應用的重要設計考慮因素。例如，在建筑物內不活動期間，可以顯著減少來自溫度和光傳感器的數據傳輸。這允許傳感器節點的睡眠時間更長，信息傳輸更少。

為了提供快速反應，許多微控制器提供各種低功耗操作狀態，此外還具有完全活動狀態，如睡眠，靈活，休眠和完全斷電。每種模式將在不需要時關閉各種內部計算模塊以提高功率效率，通常將電流要求改變幾個數量級。這種功率優勢的權衡是，將有一些最小的有限響應時間轉換為完整活動。在稱為flexi模式的混合配置中，計算核心處于睡眠模式，而外圍接口保持活動狀態。休眠模式可以提供SRAM數據保持，同時仍允許實時時鐘保持活動狀態。

圖6中詳細的MCU功耗與時序圖顯示了每種低功耗MCU模式的影響，過渡時間和工作周期。在MCU未激活時使用低功耗狀態是保持低功耗傳感器節點預算的關鍵。 9

傳感器融合

高級模擬微控制器提供完整的混合信號計算解決方案。帶有嵌入式精密模數轉換器（ADC）的前端模擬復用器允許采用更先進的傳感器融合方法。在數字處理之前，可以將多個傳感器輸入發送到單個微控制器。板載數模轉換器（DAC）和微控制器對附近其他設備的反饋允許快速反饋回路。其他嵌入式電路模塊，如比較器，帶隙基準，溫度傳感器和鎖相環，為多傳感器邊緣節點提供了額外的算法靈活性。 10

來自多個傳感器的模擬信號可以發送到單個精密模擬微控制器。智能微控制器內的算法可以在稱為傳感器融合的過程中組合信息。

此類邊緣節點處理的一個例子是在室外污染監測器內。在這樣的應用中，來自多個輸入的數據（包括氣體，溫度，濕度和顆粒傳感器）在單個處理器內被融合和分析。根據該信息，可以進行處理以基于僅在本地傳感器節點處已知的校準和補償來生成污染數據。然后可以將該校準數據發送到云以進行歷史分析。在某些情況下，可能需要進行獨特的一次性調試，以配置每個傳感器節點的特定環境偏移。