Der Edge Node ist die Stelle, an der die physikalische Welt mit der Datenanalyse der Rechnerwelt interagiert. Vernetzte Industriemaschinen können eine Vielzahl von Informationen erfassen, die sich nutzen lassen, um Entscheidungen zu treffen. Der Sensor am Netzwerkrand (Edge-Sensor) befindet sich wahrscheinlich in einiger Entfernung vom Cloud-Server, der historische Analysen speichert. Er muss über ein Gateway verbunden werden, das die Daten am Netzwerkrand im Internet bündelt. Idealerweise hat der Edge-Sensor am Netzknoten nur kleine Abmessungen und eignet sich somit für platzkritische Umgebungen.
Erfassen, messen, interpretieren, verbinden
Egal ob es um das Erfassen, Messen, Interpretieren oder Verbinden von Daten geht: jeder Bereich bringt einzigartige Herausforderungen mit sich, auch hinsichtlich Powermanagement und Datensicherheit. Die intelligente Partitionierung des Edge Node kann dabei entscheidend sein für eine erfolgreiche Implementierung (Bild 1). In manchen Fällen ist ULP (Ultralow Power) die wichtigste Leistungskennzahl. Die überwiegende Mehrzahl potenzieller Daten lässt sich filtern, wenn der Sensor bei wichtigen Ereignissen aus dem Sleep-Modus erwacht.
Sensoren bilden das Front-end am Netzwerkrand des industriellen IoT-Elektronik-Ökosystems. Messungen transformieren die erfasste Information in etwas Sinnvolles, etwa einen quantifizierbaren Wert von Druck, Verschiebung oder Rotation. Die Interpretationsstufe ist die Stelle, an der Edge-Analyse und Verarbeitung die Messdaten in ein praktisches Ereignis transformiert. Nur die wichtigste Information sollte über den Netzknoten hinaus in die Cloud gelangen, um eine vorausschauende oder historische Verarbeitung durchzuführen. Auf der gesamten Signalkette lassen sich Daten je nach den anfänglichen Grenzen der Akzeptanz zurückweisen oder filtern. Im Idealfall sollte der Sensorknoten nur absolut notwendige Informationen senden und wichtige Entscheidungen treffen, sobald wesentliche Daten verfügbar sind.
Der Edge Node muss über einen leitungsgebundenen oder einen drahtlosen Sensorknoten (WSN, wireless sensor node) mit dem Netzwerk außerhalb verbunden sein (Bild 2). Datenintegrität bleibt in diesem Block der Signalkette entscheidend. Optimal erfasste und gemessene Daten sind von nur geringem Wert, wenn die Kommunikation inkonsistent, unterbrochen oder fehlerhaft ist. Mit elektrischem Rauschen behaftete Industrieumgebungen können rau und gnadenlos sein, speziell bei HF-Kommunikation in Anwesenheit von viel Metall. Daher kommt der Entwicklung eines robusten Kommunikationsprotokolls im Hinblick auf die Systemarchitektur hohe Bedeutung zu.
Powermanagement für ULP-Systeme beginnt mit der Auswahl von Reglerbauteilen für maximale Effizienz. Da Edge Nodes jedoch auch mit einem schnellen Tastverhältnis in den Sleep-Modus gelangen und aus diesem wieder erwachen können, dürfen Entwickler die Power-up- und Power-down-Zeit nicht vernachlässigen. Ein externer Trigger oder Wake-up-Befehl hilft bei der Fähigkeit, den Knoten am Netzwerkrand schnell zu alarmieren, um Daten zu erfassen und zu messen.
Datensicherheit muss bei einem IIoT-System ebenfalls Berücksichtigung finden. So müssen nicht nur die Daten innerhalb des Netzwerkrands sicher sein, sondern auch der Zugang zum Netzwerk-Gateway vor böswilligen Absichten geschützt werden. Ein Knoten am Netzwerkrand darf sich nicht manipulieren lassen, um Zugriff auf das Netzwerk für kriminelle Aktivitäten zu erhalten.
Intelligenz beginnt am Netzwerkrand
Eck-Daten
Am Netzwerkrand im IIoT interagiert die physikalische Welt mit der Datenanalyse der Rechnerwelt. Sensoren bilden dabei das Rückgrat beziehungsweise das zentrale Nervensystem zur Gewinnung von Einblicken in vernetzte Industriemaschinen. Der Beitrag von Analog Devices gibt einen Überblick über grundlegende Aspekte der Möglichkeiten zur Messung, Erfassung und Interpretation von Daten, das Powermanagement und die Datensicherheit. Zusätzlich beleuchtet der Autor die intelligente Partitionierung, was bei Entscheidungen in Echtzeit zu beachten ist und gibt Empfehlungen für die Auswahl eines geeigneten ADCs.
Es gibt zahlreiche Erfassungslösungen am Netzwerkrand, was nicht ein einziges diskretes Gerät sein muss. Der Netzwerkrand kann eine Vielzahl verschiedener gleichzeitiger, zusammenhangloser Datenerfassungen umfassen. Temperatur, Klang, Vibration, Druck, Luftfeuchte, Bewegung, Schadstoffe, Audio und Video sind nur einige der Variablen, die erfasst, verarbeitet und durch ein Gateway für eine weitere historische und vorausschauende Analyse an die Cloud geschickt werden können.
Die Sensoren bilden das Rückgrat im IIoT, genauer gesagt sind sie das zentrale Nervensystem zur Gewinnung von Einblicken. Die Erfassungs- und Messtechnologie im Knoten am Netzwerkrand ist der Entstehungsort der relevanten Daten. Falls in dieser Stufe der Lösungskette schlechte oder inkorrekte Daten aufgezeichnet werden, kann keine noch so intensive Nachverarbeitung in der Cloud diesen verlorenen Wert zurückgewinnen.
Anwendungskritische Systeme, beispielsweise aus dem Gesundheitswesen und aus dem Bereich Fabriküberwachung, erfordern eine solide Integrität von qualitätsbezogenen Datenmessungen. Die Datenqualität ist von höchster Bedeutung. Falsche Werte oder Versäumnisse können kostspielig und zeitraubend sein und möglicherweise die Gesundheit gefährden. Kostspielige Fehler führen letztlich zu außerplanmäßiger Wartung, ineffizienter Nutzung von Personal oder dazu, dass das IoT-System komplett abgeschaltet werden muss.
Mehr Daten, mehr Verantwortung
In älteren Signalketten ohne Intelligenz im Knoten am Netzwerkrand bleiben Daten nur Daten. Ein nicht intelligenter Knoten hilft niemals, Weisheit und Wissen zu erzeugen, um ausführbare Entscheidungen zu treffen. Es kann große Mengen von Rohdaten mit geringer Qualität geben, die sich nicht auf die relevante Systemleistungsfähigkeit auswirken. Außerdem kann sich die Wandlung der Daten und das Senden an ihren Speicherort in der Cloud als leistungshungrig und brandbreitenintensiv herausstellen.
Im Gegensatz dazu wandelt die intelligente Erfassung und Messung im Edge Node Daten in verwertbare Information. Ein intelligenter Netzknoten senkt die gesamte Leistungsaufnahme sowie die Latenz und spart Bandbreite. Dies ermöglicht den Übergang von einem reaktiven IoT mit langer Latenz hin zu einem Echtzeit- und vorhersagbaren IoT-Modell. Die Grundlagen der Entwicklung von analogen Signalketten gelten weiterhin auch für das IoT, wobei für komplexere Systeme ein tiefgehendes Know-how erforderlich ist, um die verarbeiteten Daten zu interpretieren.
Intelligente Partitionierung
Nur die wichtigste gemessene Information muss über das Gateway in die Cloud zur weiteren Verarbeitung geschickt werden – in manchen Fällen sind die meisten Daten völlig unbedeutend. Allerdings sollte auf Systemdaten, die zeitkritisch sind und lokale Echtzeit-Entscheidungen erfordern, lange vor ihrer per Fernzugriff erfolgenden Bündelung an einem nahe gelegenen Punkt, reagiert werden. Im Gegensatz dazu stellen Informationen, die historische Werte mit Vorausschauungsmodellen nutzen und langzeitliche Einblicke beeinflussen, eine ideale Applikation für Cloud-Verarbeitung dar. Die Archivierung von Daten in Massendatenbanken für retroaktive Verarbeitung und Entscheidungen spielt die Stärken leistungsfähiger Cloud-Verarbeitung und Speicherung aus (Bild 3).
Entscheidungen in Echtzeit
IoT-Sensoren sind meist analoge Bauteile. Die spezifischen Anforderungen von Industrie-Anwendungen bestimmen den Dynamikbereich und die Bandbreite des Sensors, der am Front-End des Edge Node erforderlich ist. Die Eingangsstufe der Signalkette befindet sich im analogen Bereich, bevor das Signal digitalisiert und außerhalb des Netzwerkrands übertragen wird. Jede Komponente in der analogen Signalkette hat das Potenzial, die gesamte Leistungsfähigkeit des Edge Node zu begrenzen, falls sie nicht richtig ausgewählt wurde. Der Dynamikbereich ist die Differenz zwischen dem relevanten Full-Scale Sensor relativ zum Grundrauschen oder dem nächst höheren, unerwünschten Signal.
Da IoT-Sensoren normalerweise sowohl nach bekannten, als auch nach unbekannten Aktivitäten suchen, ist ein Analogfilter nicht immer sinnvoll. Digitale Filterung erfolgt, nachdem das Signal abgetastet ist. Wenn kein Analogfilter am Front-End des Sensors verwendet wird, können Harmonische der Grundschwingung oder Störsignale in die erfasste Information falten und hinsichtlich der Leistung mit dem relevanten Signal konkurrieren. Durch entsprechende Planung für unvorhergesehene erfasste Signale im Zeit- und Frequenzbereich während der Entwicklung lässt sich verhindern, dass unerwünschte Artefakte in den gemessenen Daten auftreten.
Den richtigen ADC wählen
Die erfasste Information wird normalerweise mit einem ADC gemessen, der sich als nächstes Element in der Signalkette befindet. Falls der IoT-Edge-Node mit diskreten Komponenten aufgebaut ist, sollte die Wahl auf einen Mess-ADC fallen, der den Dynamikbereich des Sensors nicht verkleinert. Der eingangsseitige Messbereich eines embedded ADC ist meist gut auf die Amplitude am Sensorausgang abgestimmt. Idealerweise sollte der Ausgang des Sensors fast den gesamten ADC-Eingangsbereich verbrauchen, innerhalb 1 dB, ohne den ADC in die Sättigung zu bringen und Clipping an den Bereichsgrenzen zu verursachen.
Allerdings kann auch eine Verstärkerstufe zum Einsatz kommen, um das Ausgangssignal am Sensor zu verstärken oder zu dämpfen und so den eigenen Dynamikbereich des ADC zu maximieren. Eingangsbereich des ADC, Abtastrate, Auflösung in Bit, Eingangsbandbreite und Rauschdichte leisten ihren Beitrag zur Leistungsfähigkeit der Signalmessung am Knoten am Netzwerkrand. Ein Front-End-Verstärker kann entweder in die Messung am Netzwerkknoten eingebunden werden, oder sich als diskretes Bauteil vor dem ADC befinden. Verstärkung, Bandbreite und Rauschen des Verstärkers können die Leistungsfähigkeit des Knotens am Netzwerkrand ebenfalls verbessern (Bilder 4 und 5).
Als Mess-ADC nach dem Sensor in der Signalkette kann entweder ein Nyquist-Rate- oder ein CTSD-Wandler (Continuous Time Σ/Δ) zum Einsatz kommen, wobei letzterer häufiger bei embedded ADCs vorkommt. Ein Nyquist-Rate-ADC hat ein nominal flaches Grundrauschen entsprechend der halben Abtastrate oder fs/2. CTSD-Wandler nutzen eine Überabtastungsfrequenz mit einem gekerbten Durchlassband, welches für einen erhöhten Dynamikbereich das Rauschen außerhalb der relevanten Bandbreite schiebt. Die Architektur des Mess-ADC und dessen Auflösung sind wesentlich zum Verständnis von Analogbandbreite und Dynamikbereich des Edge Node.
Im Frequenzbereich zum Beispiel basiert die Rauschdichte pro Bandbreiteneinheit von 1 Hz auf dem SNR (Signal/Rausch-Verhältnis) des ADC und darauf, wie weit das Rauschen über das abgetastete Spektrum des ADC verteilt ist. Bei einem Nyquist-Rate-ADC ist die spektrale Rauschdichte (pro 1 Hz Bandbreite) = 0 dB – SNRADC – 10 × log(fs/2). Darin ist (fs/2) die halbe Abtastrate oder eine Nyquist-Zone des ADC. Das ideale SNR lässt sich so berechnen als: SNR = 6,02 × N + 1,76 dB. Darin ist N die Zahl der ADC-Bits.
Allerdings beinhaltet das tatsächliche SNR eines ADC die nicht idealen Eigenschaften der Transistor- und Halbleiterherstellung, einschließlich elektrischem Rauschen und Fehlern auf Transistorebene. Diese Nichtlinearitäten setzen das SNR auf einen Wert unter dem Ideal herab. Daher sollten Entwickler im Datenblatt des ADC das SNR-Verhalten überprüfen.
Lösungen auf Plattformebene
Analog Devices bietet ein umfangreiches Portfolio an Sensorlösungen für den Edge Node. Der ADT7420 ist ein 4 mm × 4 mm großer digitaler Temperatursensor mit hoher Leistungsfähigkeit, der einen internen 16-bit-ADC mit einer Auflösung von bis zu 0,0078 °C enthält und nur 210 μA aufnimmt. ADXL362 ist ein dreiachsiger MEMS-Beschleunigungssensor mit geringer Leistungsaufnahme, der nur 2 μA bei einer Abtastrate von 100 Hz im bewegungsgetriggerten Wake-up-Modus aufnimmt. Das Bauteil nutzt kein Power Duty Cycling und beinhaltet stattdessen eine Architektur mit voller Bandbreite bei allen Datenraten, die Aliasing von Eingangssignalen verhindert. Der ADIS16229 ist ein zweiachsiger digitaler MEMS-Vibrationssensor für 18 g mit Embedded HF-Transceiver. Er bietet On-Board-Signalverarbeitung im Frequenzbereich mit 512-Punkte-FFT-Fähigkeit.
Ian Beavers
(na)