單一傳感類型我們已經(jīng)探討過很多，從振動到壓力、從氣體到濕度等等各種物理量的傳感我們已經(jīng)見過不少。不過在實際使用過程中，尤其是在工業(yè)場景這種工況復雜的場景里，傳感器大多是以組合的形式出現(xiàn)，通過多個傳感器共同監(jiān)控某一設備。
單一傳感到多傳感組合
我們此前就工業(yè)場景里基于狀態(tài)的監(jiān)控，探討過對其中存在的振動傳感、聲壓傳感等需求如何選取相應傳感器的注意事項。比如在軸承檢測上，振動傳感器必須具有低噪聲和寬帶寬兩個關(guān)鍵性能，聲壓傳感需要有更高的頻率，諸如此類。這種預測性的維護當然需要高性能的傳感器，但想要實現(xiàn)這種監(jiān)控，并不是將高性能的傳感器選出來組合在一起就行。
在預測性維護中，想要試圖實現(xiàn)狀態(tài)監(jiān)控目標，會面臨兩個主要挑戰(zhàn)。其一，在工業(yè)場景中各種傳感器和分析工具通常是以不同的系統(tǒng)提供的，這意味著各種傳感數(shù)據(jù)的收集和處理會變得復雜，從而難以利用數(shù)據(jù)分析現(xiàn)場狀態(tài)。其二，由于各種傳感器布線和其他物理特性的限制，通常無法在用戶所需位置實現(xiàn)傳感，難以實現(xiàn)最佳的狀態(tài)監(jiān)控。
因此，解決感數(shù)據(jù)收集和處理難以及傳感設備布置難的問題成了多傳感組合的首要工作。
傳感器融合到多傳感平臺
通過上面的分析，其實大家很容易聯(lián)想到這是現(xiàn)在常被提起的sensor fusion傳感器融合概念。不過多傳感平臺并不止步于傳感器融合。首先，傳感器融合不是簡單的傳感器堆疊，它是傳感器的屬性合一。以測距的傳感器組合為例，這些傳感器進行融合的先決條件是傳感器必須在一個共同參考系中，同時傳感器必須能夠以某些方式同步或者能用一個通用的時間參考。傳感器層面融合之后，加上網(wǎng)絡模塊、電源模塊甚至是邊緣人工智能模塊才算構(gòu)成了完整的多傳感平臺。
i3多傳感模塊，TDK
上圖是TDK發(fā)布的i3多傳感模塊，將多傳感技術(shù)、電源技術(shù)、邊緣人工智能技術(shù)組合成一個微模塊。i3中的傳感器組合包含了振動、溫度、聲音、壓力等，是一個無線多傳感模塊，可以在任何所需位置實現(xiàn)傳感，而不受布線等物理限制。TDK后續(xù)還會進一步融合新的傳感技術(shù)和電源技術(shù)進入該多傳感模塊中。
傳感器檢測到的數(shù)據(jù)由模塊中的嵌入式邊緣人工智能進行處理，不需要在云中聚合和分析數(shù)據(jù)。模塊通過無線網(wǎng)狀網(wǎng)絡相互連接，只需安裝模塊即可在各個多傳感模塊之間自動形成連接，這極大地促進了理想的狀態(tài)監(jiān)控的實現(xiàn)。 這種由傳感器陣列組成的多傳感平臺，很好地解決了前面提到的兩個挑戰(zhàn)，不僅將原本單一的傳感組合了起來，還通過其他技術(shù)手段將其可以實現(xiàn)的功能做了進一步拓展。
多傳感平臺中的ML
TDK的i3嵌入了邊緣人工智能，Nordic去年發(fā)布的多傳感器原型構(gòu)建平臺Thingy:53同樣支持嵌入式機器學習。Thingy 53結(jié)合雙Arm Cortex-M33處理器、電源管理 IC、PA/LNA范圍擴展器和多個傳感器，并且?guī)в星度胧綑C器學習固件。
Thingy:53，Nordic
Thingy:53主要針對物聯(lián)網(wǎng)應用，所以傳感器方面組合了IMU、溫度、濕度、空氣質(zhì)量和壓力傳感器等等，其中的ML固件通過傳感器收集的訓練和測試數(shù)據(jù)，在云上構(gòu)建和測試嵌入式 ML 模型。
ADI的狀態(tài)監(jiān)控多傳感平臺同樣結(jié)合了終端人工智能和云洞察力，以實現(xiàn)連續(xù)狀態(tài)監(jiān)控和按需診斷，通過不斷學習幫助識別機器故障，從而提早預測故障。
現(xiàn)在的趨勢是在多傳感平臺中融合機器學習固件，對傳感器數(shù)據(jù)進行深度融合，進行匯總、篩選、訓練、判斷。整個過程分為訓練和推理，訓練過程通常在云中離線進行，需要將大量的傳感器數(shù)據(jù)反饋到神經(jīng)網(wǎng)絡中。訓練完成后的傳感平臺可以更好地利用數(shù)據(jù)分析現(xiàn)場設備狀態(tài)。多傳感平臺正向著智能化傳感快速發(fā)展。
小結(jié)
從傳感器融合的概念到完整的多傳感平臺，再將多傳感器與邊緣人工智能整合開始應用，這種成熟的多傳感器平臺無疑會大大加快相關(guān)場景的智能化感測。
更多信息可以來這里獲取==>>電子技術(shù)應用-AET<<
