一文知道边缘节点对工业物联网的重要性.doc

《一文知道边缘节点对工业物联网的重要性.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、一文知道边缘节点对工业物联网的重要性　　工业物联网(IoT)正在酝酿广泛的转变，这种转变不仅将使互联机器间的相互检测成为一种竞争优势，还将使其成为必不可少的基本服务。工业物联网以边缘节点为起始点，后者是检测和测量的目标切入点。这是物理世界与计算数据分析进行交互的接口所在。互联的工业机器可检测大量的信息，进而用于制定关键决策。这种边缘传感器可能远离存储历史分析的云服务器。它必须通过将边缘数据聚合到互联网的网关进行连接。理想情况下，边缘传感器节点具有很小的规格尺寸，可在空间受限的环境中轻松进行部署。　

2、　检测、测量、解读、连接　　在这个包含多个部分的工业物联网系列文章的第一部分，我们将分解和研究大型物联网框架中边缘节点检测和测量能力的基本方面：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。每个部分都将探讨一组独特的挑战。边缘节点的智能管理对成功实施来说十分关键。在一些情况下，超低功耗(ULP)是最重要的性能指标。在关键事件期间，当传感器从睡眠模式唤醒时，可以过滤掉绝大多数的潜在数据。　　传感器构成工业物联网电子生态系统的前端边缘。测量阶段将检测到的信息转换为有意义的数据，如压力、位移

3、或旋转的可量化值。在解读阶段，边缘分析与处理会将测量数据转换为可操作的事件。1只有最有价值的信息才应越过节点连接到云，以供预测或历史处理。在整个信号链中，都可以根据初始的可接受性限制来抑制或过滤数据。理想情况下，传感器节点应仅发送绝对必要的信息，并且应在获得关键数据后尽快制定关键决策。　　边缘节点必须通过有线或无线传感器节点(WSN)连接到外部网络。在信号链的这一部分中，数据完整性仍然十分关键。如果通信不一致、丢失或损坏，则优化检测和测量数据几乎没有价值。通信期间数据丢失是不可接受的。存在电气噪声

4、的工业环境可能十分恶劣和艰苦，尤其是在存在大量金属物体情况下进行射频通信时。因此，必须在系统架构设计期间预先设计鲁棒的通信协议。　　ULP系统的功率管理以选择调节器元件来实现最大效率为起点。但是，由于边缘节点也可能以快速占空比唤醒和睡眠，因此还应考虑上电和掉电时间。外部触发器或唤醒命令能够帮助快速提醒边缘节点，使其开始检测和测量数据。　　　　图1.边缘节点器件智能地检测、测量和解读数据并将其连接至与云相连的互联网网关。数据可以通过一些形式的分析进行预处理，然后再传输以进行更深的数据挖掘智能分析。　

5、　数据安全性也是工业物联网系统必须考虑的一个问题。我们不仅需要确保边缘内的数据安全无虑，还必须确保其对网络网关的访问免受恶意攻击。决不允许仿冒边缘节点来获取网络访问以进行不法活动。　　智能始于边缘　　边缘处具有众多检测解决方案，这些解决方案可能不只是单个分立器件。边缘可能存在多种不同的无关数据采集。温度、声音、振动、压力、湿度、运动、污染物、音频和视频只是其中可检测的部分变量，这些数据会经过处理并通过网关发送至云，以进行进一步的历史和预测分析。毫不夸张地说，传感器就是工业物联网的支柱。2但更准确的

6、说法应该是，它们是获得洞察的中枢神经系统。边缘节点检测和测量技术是目标数据的“出生地”。如果在解决方案链的这一阶段如实地记录了不良或错误的数据，则云中再多的后期处理也无法挽回损失的价值。　　任务关键型系统（如具有高风险结果的医疗保健和工厂停机监控系统）要求质量数据测量具有鲁棒的完整性。数据质量至关重要。误报或遗漏可能代价高昂，非常耗时，甚至可能威胁生命。代价巨大的错误最终会导致计划外的维护、劳动力使用效率低下，甚至不得不禁用整个物联网系统。智能始于边缘节点，而此处也适用那句老话：如果输入的是垃圾，

7、那么输出的也一定是垃圾。　　　　图2.很多有线和无线边缘节点输出可自主连接到网关节点，以便在传输至云服务器之前进行聚合。　　能够访问数据宝藏也就意味着需要承担重大的责任在没有边缘节点智能的传统信号链解决方案中，数据只是数据。非智能节点从不会帮助生成用于制定可行决策的智慧和知识。1可能存在大量对系统目标性能没有影响的原始低质量数据。3转换所有这些数据并将其发送至最终云存储目的地可能需要消耗大量的功率和带宽。　　相比之下，聪明的智能分区边缘节点检测和测量会将数据转换为可付诸行动的信息。智能节点可降低整

8、体功耗，缩短延迟并减少带宽浪费。4这使得具有较长延迟的反应型物联网可以转变成实时的预测型物联网模式。物联网仍然适用基本的模拟信号链电路设计理念。对于复杂的系统，通常需要拥有深厚的应用专业知识来解读已处理的数据。　　优化的智能分区最大程度地提升了云价值　　只有最重要的测量信息才需要通过网关发送至云端以进行最终处理。在一些情况下，大多数数据根本不重要。5但是，对于本地实时决策所需的时间关键型系统数据，应在将其聚合到可进行远程访问的远端节点之前及早依其行事。相反，通过预测模型利用历史值来