在這個(gè)包含多個(gè)部分的工業(yè)物聯(lián)網(wǎng)系列文章的第一部分，我們將分解和研究大型物聯(lián)網(wǎng)框架中邊緣節(jié)點(diǎn)檢測(cè)和測(cè)量能力的基本方面：檢測(cè)、測(cè)量、解讀和連接數(shù)據(jù)，同時(shí)還將考慮功率管理和安全性。每個(gè)部分都將探討一組獨(dú)特的挑戰(zhàn)。邊緣節(jié)點(diǎn)的智能管理對(duì)成功實(shí)施來(lái)說(shuō)十分關(guān)鍵。在一些情況下，超低功耗(ULP)是最重要的性能指標(biāo)。在關(guān)鍵事件期間，當(dāng)傳感器從睡眠模式喚醒時(shí)，可以過(guò)濾掉絕大多數(shù)的潛在數(shù)據(jù)。

 

圖1. 邊緣節(jié)點(diǎn)器件智能地檢測(cè)、測(cè)量和解讀數(shù)據(jù)并將其連接至與云相連的互聯(lián)網(wǎng)網(wǎng)關(guān)。數(shù)據(jù)可以通過(guò)一些形式的分析進(jìn)行預(yù)處理，然后再傳輸以進(jìn)行更深的數(shù)據(jù)挖掘智能分析。

 

傳感器構(gòu)成工業(yè)物聯(lián)網(wǎng)電子生態(tài)系統(tǒng)的前端邊緣。測(cè)量階段將檢測(cè)到的信息轉(zhuǎn)換為有意義的數(shù)據(jù)，如壓力、位移或旋轉(zhuǎn)的可量化值。在解讀階段，邊緣分析與處理會(huì)將測(cè)量數(shù)據(jù)轉(zhuǎn)換為可操作的事件。1 只有最有價(jià)值的信息才應(yīng)越過(guò)節(jié)點(diǎn)連接到云，以供預(yù)測(cè)或歷史處理。在整個(gè)信號(hào)鏈中，都可以根據(jù)初始的可接受性限制來(lái)抑制或過(guò)濾數(shù)據(jù)。理想情況下，傳感器節(jié)點(diǎn)應(yīng)僅發(fā)送絕對(duì)必要的信息，并且應(yīng)在獲得關(guān)鍵數(shù)據(jù)后盡快制定關(guān)鍵決策。

 

邊緣節(jié)點(diǎn)必須通過(guò)有線或無(wú)線傳感器節(jié)點(diǎn)(WSN)連接到外部網(wǎng)絡(luò)。在信號(hào)鏈的這一部分中，數(shù)據(jù)完整性仍然十分關(guān)鍵。如果通信不一致、丟失或損壞，則優(yōu)化檢測(cè)和測(cè)量數(shù)據(jù)幾乎沒(méi)有價(jià)值。通信期間數(shù)據(jù)丟失是不可接受的。存在電氣噪聲的工業(yè)環(huán)境可能十分惡劣和艱苦，尤其是在存在大量金屬物體情況下進(jìn)行射頻通信時(shí)。因此，必須在系統(tǒng)架構(gòu)設(shè)計(jì)期間預(yù)先設(shè)計(jì)魯棒的通信協(xié)議。

 

ULP系統(tǒng)的功率管理以選擇調(diào)節(jié)器元件來(lái)實(shí)現(xiàn)最大效率為起點(diǎn)。但是，由于邊緣節(jié)點(diǎn)也可能以快速占空比喚醒和睡眠，因此還應(yīng)考慮上電和掉電時(shí)間。外部觸發(fā)器或喚醒命令能夠幫助快速提醒邊緣節(jié)點(diǎn)，使其開(kāi)始檢測(cè)和測(cè)量數(shù)據(jù)。

 

數(shù)據(jù)安全性也是工業(yè)物聯(lián)網(wǎng)系統(tǒng)必須考慮的一個(gè)問(wèn)題。我們不僅需要確保邊緣內(nèi)的數(shù)據(jù)安全無(wú)慮，還必須確保其對(duì)網(wǎng)絡(luò)網(wǎng)關(guān)的訪問(wèn)免受惡意攻擊。決不允許仿冒邊緣節(jié)點(diǎn)來(lái)獲取網(wǎng)絡(luò)訪問(wèn)以進(jìn)行不法活動(dòng)。

 

 

邊緣處具有眾多檢測(cè)解決方案，這些解決方案可能不只是單個(gè)分立器件。邊緣可能存在多種不同的無(wú)關(guān)數(shù)據(jù)采集。溫度、聲音、振動(dòng)、壓力、濕度、運(yùn)動(dòng)、污染物、音頻和視頻只是其中可檢測(cè)的部分變量，這些數(shù)據(jù)會(huì)經(jīng)過(guò)處理并通過(guò)網(wǎng)關(guān)發(fā)送至云，以進(jìn)行進(jìn)一步的歷史和預(yù)測(cè)分析。

 

毫不夸張地說(shuō)，傳感器就是工業(yè)物聯(lián)網(wǎng)的支柱。2 但更準(zhǔn)確的說(shuō)法應(yīng)該是，它們是獲得洞察的中樞神經(jīng)系統(tǒng)。邊緣節(jié)點(diǎn)檢測(cè)和測(cè)量技術(shù)是目標(biāo)數(shù)據(jù)的"出生地"。如果在解決方案鏈的這一階段如實(shí)地記錄了不良或錯(cuò)誤的數(shù)據(jù)，則云中再多的后期處理也無(wú)法挽回?fù)p失的價(jià)值。

 

任務(wù)關(guān)鍵型系統(tǒng)（如具有高風(fēng)險(xiǎn)結(jié)果的醫(yī)療保健和工廠停機(jī)監(jiān)控系統(tǒng)）要求質(zhì)量數(shù)據(jù)測(cè)量具有魯棒的完整性。數(shù)據(jù)質(zhì)量至關(guān)重要。誤報(bào)或遺漏可能代價(jià)高昂，非常耗時(shí)，甚至可能威脅生命。代價(jià)巨大的錯(cuò)誤最終會(huì)導(dǎo)致計(jì)劃外的維護(hù)、勞動(dòng)力使用效率低下，甚至不得不禁用整個(gè)物聯(lián)網(wǎng)系統(tǒng)。智能始于邊緣節(jié)點(diǎn)，而此處也適用那句老話：如果輸入的是垃圾，那么輸出的也一定是垃圾。

 

圖2. 很多有線和無(wú)線邊緣節(jié)點(diǎn)輸出可自主連接到網(wǎng)關(guān)節(jié)點(diǎn)，以便在傳輸至云服務(wù)器之前進(jìn)行聚合。

 

 

在沒(méi)有邊緣節(jié)點(diǎn)智能的傳統(tǒng)信號(hào)鏈解決方案中，數(shù)據(jù)只是數(shù)據(jù)。非智能節(jié)點(diǎn)從不會(huì)幫助生成用于制定可行決策的智慧和知識(shí)。1 可能存在大量對(duì)系統(tǒng)目標(biāo)性能沒(méi)有影響的原始低質(zhì)量數(shù)據(jù)。3 轉(zhuǎn)換所有這些數(shù)據(jù)并將其發(fā)送至最終云存儲(chǔ)目的地可能需要消耗大量的功率和帶寬。

 

相比之下，聰明的智能分區(qū)邊緣節(jié)點(diǎn)檢測(cè)和測(cè)量會(huì)將數(shù)據(jù)轉(zhuǎn)換為可付諸行動(dòng)的信息。智能節(jié)點(diǎn)可降低整體功耗，縮短延遲并減少帶寬浪費(fèi)。4 這使得具有較長(zhǎng)延遲的反應(yīng)型物聯(lián)網(wǎng)可以轉(zhuǎn)變成實(shí)時(shí)的預(yù)測(cè)型物聯(lián)網(wǎng)模式。物聯(lián)網(wǎng)仍然適用基本的模擬信號(hào)鏈電路設(shè)計(jì)理念。對(duì)于復(fù)雜的系統(tǒng)，通常需要擁有深厚的應(yīng)用專(zhuān)業(yè)知識(shí)來(lái)解讀已處理的數(shù)據(jù)。

 

 

只有最重要的測(cè)量信息才需要通過(guò)網(wǎng)關(guān)發(fā)送至云端以進(jìn)行最終處理。在一些情況下，大多數(shù)數(shù)據(jù)根本不重要。5 但是，對(duì)于本地實(shí)時(shí)決策所需的時(shí)間關(guān)鍵型系統(tǒng)數(shù)據(jù)，應(yīng)在將其聚合到可進(jìn)行遠(yuǎn)程訪問(wèn)的遠(yuǎn)端節(jié)點(diǎn)之前及早依其行事。相反，通過(guò)預(yù)測(cè)模型利用歷史值來(lái)影響長(zhǎng)期洞察的信息是云處理的理想應(yīng)用。通過(guò)將數(shù)據(jù)歸檔到龐大的數(shù)據(jù)庫(kù)以供追溯處理和決策使用，發(fā)揮出了云處理和存儲(chǔ)的強(qiáng)大優(yōu)勢(shì)。6

 

圖3. 邊緣節(jié)點(diǎn)的智能分區(qū)解決了以前無(wú)法解決的新挑戰(zhàn)。信號(hào)鏈中更早的精簡(jiǎn)處理和智能實(shí)現(xiàn)了更高效的整體物聯(lián)網(wǎng)解決方案。

 

 

物聯(lián)網(wǎng)傳感器主要為模擬傳感器。具體的工業(yè)應(yīng)用要求將決定邊緣節(jié)點(diǎn)前端所需傳感器的動(dòng)態(tài)范圍和帶寬。在將信號(hào)轉(zhuǎn)換為數(shù)字表示并傳輸?shù)竭吘壨獠壳?，信?hào)鏈的前端將處于模擬域內(nèi)。如果選擇不當(dāng)，模擬信號(hào)鏈中的各個(gè)元件都有可能限制邊緣節(jié)點(diǎn)的整體性能。動(dòng)態(tài)范圍將為目標(biāo)滿量程傳感器相對(duì)于本底噪聲或下個(gè)最高無(wú)用信號(hào)的差值。

 

由于物聯(lián)網(wǎng)傳感器通常會(huì)同時(shí)尋找已知和未知活動(dòng)，因此模擬濾波器并非始終有意義。數(shù)字濾波會(huì)在對(duì)信號(hào)進(jìn)行采樣后執(zhí)行。除非在傳感器的前端使用模擬濾波器，否則基波的諧波或其他雜散信號(hào)可能混入檢測(cè)的信息并與目標(biāo)信號(hào)競(jìng)爭(zhēng)功率。因此，在設(shè)計(jì)階段應(yīng)該針對(duì)時(shí)域和頻域中的意外檢測(cè)信號(hào)制定應(yīng)對(duì)計(jì)劃，防止干擾偽像出現(xiàn)在測(cè)量數(shù)據(jù)中。

 

檢測(cè)到的信息通常由信號(hào)鏈中接下來(lái)的ADC進(jìn)行測(cè)量。如果使用分立元件來(lái)設(shè)計(jì)物聯(lián)網(wǎng)邊緣節(jié)點(diǎn)，則在選擇測(cè)量ADC時(shí)應(yīng)該注意不要減小傳感器的動(dòng)態(tài)范圍。嵌入式ADC的輸入滿量程范圍通常與傳感器輸出幅度匹配良好。理想情況下，傳感器輸出應(yīng)消耗幾乎整個(gè)ADC輸入范圍（在1 dB內(nèi)），而不使ADC發(fā)生飽和，也不會(huì)在范圍限制處被裁減掉。但是，也可以使用放大器級(jí)來(lái)對(duì)傳感器輸出信號(hào)進(jìn)行增益或衰減，以便使ADC自身的動(dòng)態(tài)范圍達(dá)到最大。ADC滿量程輸入、采樣率、位分辨率、輸入帶寬和噪聲密度都會(huì)影響邊緣節(jié)點(diǎn)的信號(hào)測(cè)量性能。

 

前端放大器可以嵌入在節(jié)點(diǎn)的測(cè)量級(jí)或作為分立元件置于ADC前。放大器的增益、帶寬和噪聲也可以增強(qiáng)邊緣節(jié)點(diǎn)的性能。

 

信號(hào)鏈中傳感器之后的測(cè)量ADC通常采用以下兩種采樣架構(gòu)類(lèi)型之一：奈奎斯特速率或連續(xù)時(shí)間- (CTSD)，其中后者在嵌入式ADC中更為常見(jiàn)。奈奎斯特速率ADC具有等于采樣率頻率一半（即fs/2）的平坦標(biāo)稱(chēng)噪底。CTSD結(jié)合使用過(guò)采樣率和陷波通帶，使噪聲超出目標(biāo)帶寬，從而增加動(dòng)態(tài)范圍。在了解邊緣節(jié)點(diǎn)的模擬帶寬和動(dòng)態(tài)范圍時(shí)，測(cè)量ADC架構(gòu)及其分辨率非常關(guān)鍵。

 

圖4. 如果物聯(lián)網(wǎng)傳感器上沒(méi)有前端模擬濾波器，奈奎斯特速率ADC會(huì)將超出第一奈奎斯特區(qū)域的高階頻率折疊回目標(biāo)帶寬中。相比之下，具有過(guò)采樣調(diào)制時(shí)鐘的CTSD ADC架構(gòu)使用噪聲整形來(lái)在目標(biāo)頻段中實(shí)現(xiàn)高動(dòng)態(tài)范圍。由于CTSD具有固有濾波能力，因此對(duì)信號(hào)混疊不太敏感。

 

例如，在頻域中，1 Hz單位帶寬的噪聲密度將基于ADC的SNR以及噪聲在ADC采樣頻譜上的分布寬度。在奈奎斯特速率ADC中，噪聲頻譜密度（每1 Hz帶寬）為0 dB – ADC信噪比(SNR) – 10 × log(fs/2)，其中fs/2為采樣率除以二或ADC的單個(gè)奈奎斯特區(qū)域。理想SNR的計(jì)算公式為SNR = 6.02 × N + 1.76 dB，其中N為ADC位數(shù)。但是，ADC的實(shí)際SNR涉及到晶體管和半導(dǎo)體處理的非理想因素，這包括電氣噪聲和晶體管級(jí)元件瑕疵。這些非理想因素會(huì)導(dǎo)致SNR性能降到理想性能以下，因此請(qǐng)查閱ADC數(shù)據(jù)手冊(cè)以了解SNR目標(biāo)性能。

 

邊緣節(jié)點(diǎn)的動(dòng)態(tài)范圍將由傳感器的動(dòng)態(tài)范圍、信號(hào)的放大率（如果需要）和ADC滿量程動(dòng)態(tài)范圍組成。如果傳感器的滿量程輸出信號(hào)未達(dá)到ADC滿量程范圍輸入的1 dB以內(nèi)，則ADC的部分動(dòng)態(tài)范圍將會(huì)閑置。相反，如果來(lái)自傳感器的輸入超出ADC的量程，則會(huì)造成采樣的信號(hào)失真。在計(jì)算邊緣節(jié)點(diǎn)的動(dòng)態(tài)范圍時(shí)，放大器帶寬、增益和噪聲也是需要考慮的一部分。傳感器、放大器和ADC的總電氣噪聲將為各RMS分量的平方和的平方根。7

 

圖5. 傳感器信號(hào)輸出幅度與ADC的輸入滿量程不匹配而出現(xiàn)動(dòng)態(tài)范圍丟失（藍(lán)色）的示例。需要使用放大器最大程度地增大傳感器的動(dòng)態(tài)范圍，同時(shí)防止ADC發(fā)生飽和（紅色）。信號(hào)匹配必須考慮整個(gè)邊緣節(jié)點(diǎn)信號(hào)鏈的帶寬、動(dòng)態(tài)范圍和噪聲。

 

 

在工業(yè)物聯(lián)網(wǎng)中，機(jī)器振動(dòng)狀態(tài)監(jiān)控將會(huì)是一項(xiàng)非常重要的應(yīng)用。新型或傳統(tǒng)機(jī)器設(shè)備可能擁有多個(gè)關(guān)鍵的機(jī)械元件，例如轉(zhuǎn)軸或齒輪，這些元件可能裝有高動(dòng)態(tài)范圍的MEMS加速度計(jì)。8 這些多軸傳感器將對(duì)機(jī)械的振動(dòng)位移進(jìn)行實(shí)時(shí)采樣。測(cè)量后，振動(dòng)信號(hào)可以進(jìn)行處理并與理想的機(jī)器配置進(jìn)行比較。9 在工廠中，通過(guò)分析這類(lèi)信息，可以幫助提高效率、減少停機(jī)情況并提前預(yù)測(cè)機(jī)械故障。在極端情況下，可迅速關(guān)閉機(jī)械元件正在急劇惡化的機(jī)器，從而避免造成進(jìn)一步的損壞。

 

圖6. 雖然可以定期執(zhí)行例行機(jī)器維護(hù)，但這通常不是根據(jù)機(jī)器狀況而智能進(jìn)行的。10 通過(guò)分析特定機(jī)器操作的振動(dòng)性能，可在邊緣節(jié)點(diǎn)處發(fā)出預(yù)測(cè)故障點(diǎn)和維護(hù)里程碑警告。

 

通過(guò)實(shí)現(xiàn)邊緣節(jié)點(diǎn)分析，可以顯著縮短決策時(shí)間延遲。圖7顯示了這樣的一個(gè)示例，在這個(gè)示例中，在超出MEMS傳感器警告閾值限制后，系統(tǒng)立即發(fā)送了警告。如果事件極其嚴(yán)重而被認(rèn)定為關(guān)鍵事件，可授權(quán)節(jié)點(diǎn)自動(dòng)禁用違規(guī)設(shè)備，以防止發(fā)生非常耗時(shí)的災(zāi)難性機(jī)械故障。

 

圖7. 機(jī)器振動(dòng)采樣數(shù)據(jù)的時(shí)域表示，其中比較器閾值可決定是否將檢測(cè)和測(cè)量數(shù)據(jù)傳送到邊緣以外。系統(tǒng)可保持低功耗狀態(tài)以過(guò)濾大部分信息，直到通過(guò)閾值交叉事件實(shí)現(xiàn)數(shù)據(jù)優(yōu)勢(shì)為止。

 

或者，可以調(diào)用觸發(fā)信號(hào)以使能另一個(gè)檢測(cè)和測(cè)量節(jié)點(diǎn)（如備用機(jī)器元件上的節(jié)點(diǎn)），以便開(kāi)始根據(jù)第一個(gè)事件來(lái)解讀數(shù)據(jù)。這樣可以減少來(lái)自邊緣節(jié)點(diǎn)的采樣數(shù)據(jù)總量。要確定相對(duì)于標(biāo)稱(chēng)值的任何振動(dòng)異常，前端節(jié)點(diǎn)在設(shè)計(jì)上必須達(dá)到所需的檢測(cè)性能。檢測(cè)和測(cè)量電路的動(dòng)態(tài)范圍、采樣率和輸入帶寬應(yīng)該足以識(shí)別任何偏移事件。

 

 

另一種工業(yè)物聯(lián)網(wǎng)邊緣節(jié)點(diǎn)應(yīng)用為具有嵌入式視頻分析的智慧城市工業(yè)攝像機(jī)。根據(jù)智慧城市的定義，城市的使命是將無(wú)數(shù)的信息和通信點(diǎn)匯聚到一個(gè)凝聚的系統(tǒng)中，以實(shí)現(xiàn)對(duì)城市資產(chǎn)的管理。一種常見(jiàn)的應(yīng)用是提供停車(chē)位空缺提醒和占用檢測(cè)。調(diào)試期間會(huì)為各攝像機(jī)預(yù)先確定視場(chǎng)。分析機(jī)制中可以定義和使用邊界邊緣檢測(cè)來(lái)識(shí)別各種對(duì)象及其運(yùn)動(dòng)。在邊緣處，不僅可以分析對(duì)象的歷史運(yùn)動(dòng)，還可使用數(shù)字信號(hào)處理(DSP)算法來(lái)根據(jù)對(duì)象軌跡計(jì)算預(yù)測(cè)的路徑。

 

圖8. 利用邊緣節(jié)點(diǎn)視頻分析，可在低功耗系統(tǒng)中確定對(duì)象類(lèi)型檢測(cè)、軌跡和邊界交叉，而無(wú)需將全帶寬視頻數(shù)據(jù)發(fā)送至云端進(jìn)行分析。只需傳輸時(shí)間戳及痕跡對(duì)象坐標(biāo)和類(lèi)型。

 

在類(lèi)似的頻率濾波中，終端處理通常不需要全帶寬的視頻分析幀。通常，不用于安全目的時(shí)，只需要完整視頻幀的一小部分。在固定安裝的攝像機(jī)上，幀與幀之間的大部分可視數(shù)據(jù)為靜態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)可以過(guò)濾掉。在一些情況下，只需要分析目標(biāo)對(duì)象的邊界交叉數(shù)或運(yùn)動(dòng)坐標(biāo)?？s減的信息子集可以采用痕跡坐標(biāo)的形式傳輸至信號(hào)鏈中的下一網(wǎng)關(guān)。

 

邊緣節(jié)點(diǎn)視頻分析可提供多種濾波解讀來(lái)區(qū)分各種對(duì)象類(lèi)型，例如汽車(chē)、卡車(chē)、自行車(chē)、人類(lèi)和動(dòng)物等。這種抽取操作減少了云服務(wù)器上所需的數(shù)據(jù)帶寬和計(jì)算能力，而如果要分析下游發(fā)送的全幀速率視頻數(shù)據(jù)，則會(huì)占用大量的數(shù)據(jù)帶寬和計(jì)算能力。

 

室內(nèi)攝像機(jī)應(yīng)用可以識(shí)別穿過(guò)入口邊界的人數(shù)，還可調(diào)整房間的照明、加熱或制冷。要在極端照明條件或其他具有挑戰(zhàn)性的照明條件（如降雨）下實(shí)現(xiàn)視覺(jué)有效性，室外攝像機(jī)可能需要具有高動(dòng)態(tài)范圍。每像素8位或10位的典型成像傳感器可能無(wú)法在所有檢測(cè)情形中的照明條件下，提供足夠的亮度動(dòng)態(tài)范圍。相較于以240 Hz的刷新速率查看快速運(yùn)動(dòng)，工業(yè)分析攝像機(jī)上可以使用較慢的幀速率來(lái)監(jiān)控活動(dòng)。

 

圖9. 通過(guò)在邊緣節(jié)點(diǎn)處部署采用DSP對(duì)象檢測(cè)算法的高動(dòng)態(tài)范圍成像器，即使在低照明條件下，也可以確定運(yùn)動(dòng)和邊界入侵。這個(gè)示例使用視覺(jué)對(duì)比來(lái)定義室內(nèi)工廠/辦公室（左側(cè)）和室外停車(chē)場(chǎng)（右側(cè)）的邊緣檢測(cè)。

 

 

ADT7420 是一款具有突破性性能的4 mm × 4 mm數(shù)字溫度傳感器，內(nèi)置16位ADC，分辨率可達(dá)0.0078°C，功耗僅為210A。ADXL362是一款超低功耗、3軸MEMS加速度計(jì)，在運(yùn)動(dòng)觸發(fā)喚醒模式下，以100 Hz采樣速率工作時(shí)功耗僅為2 A。它不使用功率占空比，而是在所有數(shù)據(jù)速率下均采用全帶寬架構(gòu)，從而防止了輸入信號(hào)混疊。ADIS16229是一款具有嵌入式射頻收發(fā)器的雙軸18 g數(shù)字MEMS振動(dòng)傳感器。它還通過(guò)512點(diǎn)數(shù)字FFT能力提供了片上頻域信號(hào)處理功能。

 

支持DSP的Blackn低功耗成像平臺(tái)(BLIP)11可基于成熟的數(shù)字信號(hào)處理工具實(shí)現(xiàn)工業(yè)視覺(jué)設(shè)計(jì)的快速原型制作。優(yōu)化的軟件庫(kù)為設(shè)備制造商提供了用于運(yùn)動(dòng)檢測(cè)、人數(shù)統(tǒng)計(jì)和車(chē)輛檢測(cè)的開(kāi)箱即用解決方案。

 

 

1 Colm Prendergast. "互聯(lián)世界中的智能分區(qū)和價(jià)值創(chuàng)造" 。物聯(lián)網(wǎng)專(zhuān)題演講：2015 IESA視覺(jué)峰會(huì)。

 

2 Stephen Lawson. "物聯(lián)網(wǎng)不斷將分析能力推向邊緣." PCWorld: IDG News Service, 2016年。

 

3 Lisa Morgan. "邊緣分析——物聯(lián)網(wǎng)數(shù)據(jù)洪流的解藥." InformationWeek: UBM Electronics, 2016年。

 

4 Daniel Kirsch. "邊緣分析的價(jià)值." Hurwitz & Associates Services, 2015年。

 

5 Jason Stamper. 物聯(lián)網(wǎng)將分析能力驅(qū)動(dòng)至網(wǎng)絡(luò)邊緣的原因. 451 Research, 2015年。

 

6 Steve Nelson. "端到端探索物聯(lián)網(wǎng)." Element14: Newark Electronics, 2014年。

 

7 Umesh Jayamohan. "了解放大器噪聲對(duì)ADC信號(hào)鏈中總噪聲的影響." 模擬對(duì)話，2013年2月。

 

8 Robert Randall，"基于振動(dòng)的狀態(tài)監(jiān)控"。澳大利亞新南威爾士州：新南威爾士大學(xué)，2010年。

 

9 Ed Spence. "利用MEMS加速度計(jì)的優(yōu)勢(shì)進(jìn)行狀態(tài)監(jiān)控." Electronic Design，Penton Publishing，2016年。

 

10 Jamie Smith，"用于工業(yè)物聯(lián)網(wǎng)的智能邊緣設(shè)備"。ARC工業(yè)論壇，2015年

 

11 Blackn低功耗成像平臺(tái)(BLIP)。ADI公司，2014年。

 

本文轉(zhuǎn)載自亞德諾半導(dǎo)體。