组合传感融合机器学习，多传感平台加速智能化感测

电子发烧友网报道（文/李宁远）单一传感类型我们已经探讨过很多，从振动到压力、从气体到湿度等等各种物理量的传感我们已经见过不少。不过在实际使用过程中，尤其是在工业场景这种工况复杂的场景里，传感器大多是以组合的形式出现，通过多个传感器共同监控某一设备。
 
单一传感到多传感组合
 
我们此前就工业场景里基于状态的监控，探讨过对其中存在的振动传感、声压传感等需求如何选取相应传感器的注意事项。比如在轴承检测上，振动传感器必须具有低噪声和宽带宽两个关键性能，声压传感需要有更高的频率，诸如此类。这种预测性的维护当然需要高性能的传感器，但想要实现这种监控，并不是将高性能的传感器选出来组合在一起就行。
 
在预测性维护中，想要试图实现状态监控目标，会面临两个主要挑战。其一，在工业场景中各种传感器和分析工具通常是以不同的系统提供的，这意味着各种传感数据的收集和处理会变得复杂，从而难以利用数据分析现场状态。其二，由于各种传感器布线和其他物理特性的限制，通常无法在用户所需位置实现传感，难以实现最佳的状态监控。
 
因此，解决感数据收集和处理难以及传感设备布置难的问题成了多传感组合的首要工作。
 
传感器融合到多传感平台
 
通过上面的分析，其实大家很容易联想到这是现在常被提起的sensor fusion传感器融合概念。不过多传感平台并不止步于传感器融合。首先，传感器融合不是简单的传感器堆叠，它是传感器的属性合一。以测距的传感器组合为例，这些传感器进行融合的先决条件是传感器必须在一个共同参考系中，同时传感器必须能够以某些方式同步或者能用一个通用的时间参考。传感器层面融合之后，加上网络模块、电源模块甚至是边缘人工智能模块才算构成了完整的多传感平台。
   
上图是TDK发布的i3多传感模块，将多传感技术、电源技术、边缘人工智能技术组合成一个微模块。i3中的传感器组合包含了振动、温度、声音、压力等，是一个无线多传感模块，可以在任何所需位置实现传感，而不受布线等物理限制。TDK后续还会进一步融合新的传感技术和电源技术进入该多传感模块中。
 
传感器检测到的数据由模块中的嵌入式边缘人工智能进行处理，不需要在云中聚合和分析数据。模块通过无线网状网络相互连接，只需安装模块即可在各个多传感模块之间自动形成连接，这极大地促进了理想的状态监控的实现。
 
这种由传感器阵列组成的多传感平台，很好地解决了前面提到的两个挑战，不仅将原本单一的传感组合了起来，还通过其他技术手段将其可以实现的功能做了进一步拓展。
 
多传感平台中的ML
 
TDK的i3嵌入了边缘人工智能，Nordic去年发布的多传感器原型构建平台Thingy:53同样支持嵌入式机器学习。Thingy 53结合双Arm Cortex-M33处理器、电源管理 IC、PA/LNA范围扩展器和多个传感器，并且带有嵌入式机器学习固件。
  Thingy:53主要针对物联网应用，所以传感器方面组合了IMU、温度、湿度、空气质量和压力传感器等等，其中的ML固件通过传感器收集的训练和测试数据，在云上构建和测试嵌入式 ML 模型。
 
ADI的状态监控多传感平台同样结合了终端人工智能和云洞察力，以实现连续状态监控和按需诊断，通过不断学习帮助识别机器故障，从而提早预测故障。
 
现在的趋势是在多传感平台中融合机器学习固件，对传感器数据进行深度融合，进行汇总、筛选、训练、判断。整个过程分为训练和推理，训练过程通常在云中离线进行，需要将大量的传感器数据反馈到神经网络中。训练完成后的传感平台可以更好地利用数据分析现场设备状态。多传感平台正向着智能化传感快速发展。
 
小结
 
从传感器融合的概念到完整的多传感平台，再将多传感器与边缘人工智能整合开始应用，这种成熟的多传感器平台无疑会大大加快相关场景的智能化感测。