新世代的高效能工業感測器能夠支援次級指向精確度與精密的地理位置定位, 同時提供必要的尺寸與成本效率, 而且開始致力於推動 '可移動的物聯網' 的發展.
隨著高品質的感測器日益普及, 並結合可靠的連接能力和數據分析, 創造了新的工業效率, 同時也使得這些智能節點越來越具有自主性和行動化. 在許多情況下, 感測器節點進行精密的動作擷取與定位追蹤, 成為應用是否成功的主要核心.
例如, 智能農場可以利用自動化的地面與空中交通工具, 依據豐富的地理位置定位(geolocation)感測器內容與分析學習, 更有效率的指引地面作業. 智能手術室將典型的導航技術帶到手術台上, 採用感測器融合的精密導引機械手臂, 確保在所有情況下都能夠精確的指引. 在許多領域中, 以動作為基礎的感測器能讓行動應用的價值得到加乘效果.
消費型慣性感測器應用已廣泛用於智能型手機中, 但也造成使用者普遍認為其準確度差強人意; 因此, 迄今為止, 在推動 '可移動的物聯網' (Internet of Moving Things; IoMT)概念上一直成效不彰. 然而, 新世代的高效能工業感測器能夠支援分度(sub-gegree)指向精確度與精密的地理位置定位, 同時提供必要的尺寸與成本效率, 而且正開始致力於推動IoMT的發展.
工業系統中的智能感測驅動力
工業機械與製程中最有價值的進展就是專註於有形的系統級優點, 而其通常會帶來設計與實作上的挑戰, 另一方面也進而轉化為新的解決方案與商業模式. 目前有三種這一類型的系統級驅動力, 都是為了追求資源效率, 臨界精確度以及提升安全性而設計. 著眼於這些增強功能的應用分布在不同的產業, 橫跨空中/陸地/海洋, 室內/室外, 短期/長期以及人類/機械等方面, 但無論如何, 這些應用領域都仰賴於共同的屬性; 也就是精確度, 可靠度, 安全性以及智能處理與分析, 如表1中所列.
表1: 在IoMT應用中, 有價值系統屬性轉化為具挑戰性的設計需求
具有多種類型的感測器成為目標應用設計任務的核心. 然而, 為了因應設計的系統複雜度, 開發者必須在廣泛變化的情況中謹慎考量感測器的品質與耐用度. 雖然有些產業可以基於方便性選擇感測器(例如, 利用手機中既有的感測器套件), 但是其他產業會從頭開始定義感測器套件, 並依據精密度加以挑選, 再以智能化的方式進行整合, 以實現完整可靠且涵蓋所有預期的系統狀態.
智能感測
這些智能且可存取的系統藉由感測器豐富的情境架構, 徹底改變了原本已經成熟的產業, 讓農業轉型為智能農業, 基礎設施升級為智能型基礎設施, 城市過渡至智能城市. 當為了收集與環境相關的情境資訊而部署更多的感測器時, 對於要求跨平台與跨時間融合(例如, 針對去年作物產量或交通狀況與模式等基礎架構, 透過雲端分析其如何隨時間進展)的資料庫管理與通訊(而非單純感測器對感測器)也帶來了新的複雜度, 如圖1所示.
對於能夠從設備與環境中可靠擷取資訊的解決方案, 成為這些創新企業最終效用與成長的主要衡量依據. 準確度帶動效率, 並轉化為必要的經濟規模, 同時也是安全與可靠作業的核心. 雖然增加簡單的特點對於最基本的感測器而言並不難, 但是這種最小附加價值對於目標IoMT應用(其中的是/否, 上/下或開/關等介面都會被更精密的解決方案取代)以及對感測器選擇的附加影響而言其實都是不足的.
'動作' 至關重要
在大多數情況下, IoT是處於運動狀態的. 即使它不在動態時(例如固定式工業安全攝影機), 精準指向仍然至關重要, 或者意識到出現不想要的動作(如竄改)也具有價值. 以採用光學負載擷取作物影像的無人機而言, 假如可以在嚴苛的飛行狀況下維持精確的指向角度, 就能更快提供較佳的結果, 而且, 如果光學數據能夠精確地套用地理映射, 還能夠進行數據與趨勢的曆史比較.
智能交通工具(無論是地面, 空中或是海上)越來越依賴GPS導航系統. 然而, 無論是蓄意或是自然的因素(建築物, 樹木, 隧道等等), GPS所受到的威脅也日益嚴重. 如果選擇精確的感測器, 就能在中斷運作期間以更多感測器進行可靠的航位推算(dead reckon). 表2列出將動作(M)加入IoMT中事件範例, 顯示動作對於應用效用的相關性.
假如有特定的機會與方法能擷取設備或人的自然慣性, 那麼就能增強所擷取系統狀態的知識重要性, 而且可以恰當地融合到既有的情境資訊中, 如表3所示.
可靠且安全的IoMT節點
IoMT節點輸出的有效性與價值最為仰賴的就是核心感測器的品質, 以及其以高傳真度擷取應用情境架構的能力. 其次, 對於持續的感測器校正/增強以及理想的感測器對感測器狀態等動態(例如, 在任意特定時間點, 哪一個感測器最可靠)而言, 融合處理是必要的. 應用級的處理被分層至解決方案中, 並且針對環境的細節(包括適當的限制條件)進行最佳化. 雖然這些節點分別具有自主性, 但在某些狀況中會協同運作, 例如在地面或空中集結成群的無人駕駛車輛等. 這些情況中都會部署安全的通訊連結, 並且加強可靠的傳輸以及受到保護的獨特身份等, 如圖2所示.
位於自主核心的感測器
就像人體一樣, 自主性IoMT節點仰賴多重感測輸入, 以實現獨立行動所需要的意識, 並為將其隨機或甚至是混亂的事件進行最佳化, 最終隨著時間而予以改善. 如表4中所註記的, 由基本量測轉換成控制或是自主性, 都必須在感測器合并層級與嵌入式智能方面提高精密度. 由於這些節點具備高層次的互連與自主學習能力, 它們正朝向人體與機器聚合的方向發展.
無需基礎架構的定位途徑
GPS無所不在, 除非衛星訊受阻或是停止運作. 如果能順利存取的話, 可以實現極其精密的無線測距技術. 如果能不受到幹擾的話, 磁場讀數會一直存在著. 慣性也可以獨立自主作業. 很顯然的, 慣性MEMS感測器存在自身的不足(漂移), 但這些問題都是可以管控的, 而且新世代的工業慣性測量單元(IMU)以小巧又具有成本效益的封裝提供了前所未有的穩定度.
慣性MEMS元件採用標準的半導體製程, 精密的封裝以及整合方案, 藉以直接感測, 測量與解譯其動作, 它通常是以線性加速度(g)或是角度旋轉(°/秒或速率)的形式呈現, 如圖3所示. 因為幾乎所有的理想應用都具有所謂的多重自由度(事實上, 動作能在任何以及所有軸上發生, 而設備在其動作中則相對不受限制), 所以, g與速率的測量必須分別針對x, y與z軸進行擷取; 或是在某些狀況下稱為滾動, 俯仰與偏航軸. 將這些結合起來, 有時候可被稱為6自由度慣性量測單元.
雖然經濟因素很自然地驅使MEMS設計者採用最少的晶片空間, 在每個軸(x, y, z)上擷取多重感測類型(g, 速率), 但是為了滿足更具挑戰性的工業感測規範, 刻意採用更平衡設計性能的觀點是有必要的. 事實上, 有些MEMS結構嘗試以單一MEMS質量測量這六種模式. 在檢查這類方案進行高性能感測的有效性之前, 很重要的一點是先了解即使必須使用MEMS元件擷取動作數據, 但是, 同樣的元件是否能夠排除會被解譯為其他型式的錯誤動作, 這點也是同等重要的. 舉例來說, 當陀螺儀在量測角速率時, 應該也要能夠忽略加速度或是重力對於角速率量測的影響. 試圖以小巧結構進行各種測量的簡單MEMS元件, 很自然地(在設計上)也會受到其它幹擾的誤差來源所影響, 因而無法分辨需要與不需要的動作. 最終, 這將會在導航或是指嚮應用中轉化為雜訊和誤差.
對於在必要時提供所承諾的寶貴資源效率, 安全增強或是臨界精確度的IoMT來說, 它所需要的精密度比目前行動裝置中無所不在的簡單感測器更高. 針對性能的設計可轉化為分別為每一種感測模式與每個感測軸進行設計, 但必須以融合與整合的方向進行. 最後, 重要的一點是必須了解: 針對性能的設計, 並不需要以犧牲成本效益的設計做為代價.
特點或性能
有些應用可能只是意味著增加特點(以裝置的姿勢/方向切換模式)的實質價值, 而這些特點透過簡單的MEMS元件就能輕易地擷取. 工業或是專業裝置或許更易於測量價值, 因為具備了多個方向精確度與次級之間的差異, 或是更高一個數量級的精確位置辨認能力, 而且又可以在高振動環境下運作. 低階與高階感測器之間的性能差異並非十分微小, 事實上其差異大到在挑選元件時必須確保經過謹慎的考慮.
終端應用將會決定所需的精確程度, 而所挑選的感測器品質則將會決定是否能達成目標. 表5比較兩種解決方案, 顯示感測器挑選的重要性不僅只針對設計的過程, 同時也影響設備的精密度. 低精密度感測器如果只在有限的情況使用, 而且應用裝置具有容錯能力, 那麼它或許是適用的; 換個方式說, 它適用於無關乎安全性, 無性命攸關, 或是相對精密度不需要太高即已足夠的情況. 雖然大部份的消費級感測器具有低雜訊, 而且可在良好條件下充份的運作, 但並不適用於處在動態動作(包括振動)中的機械, 因為在低性能慣性量測單元中無法將其所需要的部份從簡單的線性加速度或是傾斜測量中分離出來. 為了在工業環境中運作時具有優於一度以上的精確度, 感測器挑選的重點在於能針對來自振動或溫度影響造成的漂移進行拒斥的設計. 像這樣的高精密度感測器才能支援更大範圍的預期應用狀態, 而且可以經曆更長的使用時間.
精密儀器的設計者通常最感興趣的就是使用慣性量測單元, 因為其輸出是經過校正的g以及速率, 而非行進的角度或是距離, 因為此系統級資訊是高度應用特定的, 因此也成為了系統設計者(而非慣性感測器設計者)所專註的活動. 在此所產生的課題在於辨識, 例如慣性感測器規格表中的指向精確度.
在表6中, 中階工業元件的規格被拿來與手機中常見的典型消費型感測器做比較. 值得一提的是更高階的工業元件也是可以取得的, 其規格較此處所列舉的更優一個數量級. 最低階的消費元件提供的參數規格並不包括線性加速度效應, 振動校正, 角度隨機遊走等參數, 以及其它實際上可能是工業應用中最大誤差來源的參數.
該工業感測器樣本是針對在預期相對快速或是極端運動(2000°/s, 40g)的方案中使用而設計的, 而在這種狀況下如果要實現最佳的訊號辨識, 廣大頻寬的感測器輸出也極為重要. 運作期間偏移的最小漂移(運作穩定度)是希望減少對較大互補感測器的依賴, 以修正性能. 而在某些情況下, 在無法提供後端系統濾波修正所需時間的應用中, 啟動漂移的最小化(重複性)也是極為重要的. 低雜訊加速度計被用來與陀螺儀搭配, 協助分辨與修正任何與重力相關的漂移.
陀螺儀感測器實際上已經被設計成能夠直接消除任何在元件偏移上重力事件(如振動, 衝擊, 加速度, 重力)的影響, 以線性g的方式提供了實質上的優勢, 並且透過校正使溫度漂移與校準獲得了修正. 如果沒有校準修正, 即便是整合到單晶片結構當中的典型多軸MEMS元件, 也可能無法對準而成為誤差預算主要原因.
雖然近年來雜訊已經不再是判別感測器類型的主要因素, 但像是線性g效應以及未校準之類的參數已經成為在任何應用中使雜訊增加的來源, 無論是透過晶片設計方案或是零件特定的校正來加以改善都是最耗費成本的, 而非簡單或是相對靜態的動作判定.
感測器融合能解決感測器品質差的問題嗎?
簡單的說, 不能. 感測器融合是能夠合并與管理感測器結合的濾波功能與演演算法, 與環境, 動作動力學以及應用狀態有關. 它可以提供確定性的校正像是溫度補償, 而且能依據系統狀態知識, 管理從一個感測器到另一個感測器的協調管制. 然而, 它無法修正感測器中的原生缺陷.
在感測器融合設計中最具關鍵性的任務, 首要就是開發應用狀態的深度知識, 藉以驅動其它的設計程序. 接下來是針對特定應用裝置挑選適當的感測器, 這需要透過詳細的分析以了解它們在總體任務不同階段中的權重(相關性). 在行人定位推算的範例中, 解決方案主要受到現有設備(例如智能型手機中的嵌入式感測器)的限制, 而非因為性能設計所導致. 因為這個緣故而會變得相當仰賴GPS與其它現有的嵌入式慣性或磁性之類的感測器, 其對於判定有效位置資訊的任務只能夠提供很少量的貢獻. 這在戶外很自然地可以運作, 但是在充滿挑戰性的城市環境或室內時, GPS無法使用, 而其它可用感測器的品質不佳, 於是就會留下一個很大的差距, 或者換個方式說, 就是位置資訊品質的不確定性. 雖然先進的濾波器以及演演算法通常會被用來合并這些感測器, 因而不需要額外的感測器或是更高品質的感測器, 但是想要實質上的填補不確定性差距, 軟體所能做到的其實也只有微乎其微, 最終則會顯著的降低回報位置的可信度, 如圖4所示.
與之形成鮮明對比的是, 工業航位推算方案是針對具有系統定義的性能而設計的, 並依特定的精確度需求指示而進行元件選擇. 很明顯的, 品質較佳的慣性感測器具有擔任主要角色的資格, 其它感測器則必須謹慎利用, 以便降低不確定性差距. 演演算法在概念上則更專註於感測器之間的最佳化權重, 協調管制以及交叉相關, 以及環境意識與即時動作動力學, 而不只是在可靠的感測器讀數之間外推/估計位置.
不論是哪一種情況, 精確度都可以藉由品質改善的感測器而獲得加強, 雖然感測器過濾功能與演演算法是解決方案的重要部份, 但它們本身無法消除因有限感測器覆蓋範圍造成的差距.
新型工業感測器具備了幾乎等同於前一代用來導引飛彈的感測器性能. 它利用了原本是為了車用裝置可靠度與精密度而設想的感測器架構, 以及經濟上可行且能擴展的製程, 使這些新世代工業感測器在性價比與性能尺寸比方面是完全獨一無二的, 如圖5中所示.
精密的動作感測不再孤立於利基應用, 而只能投資於其他昂貴的追蹤解決方案. 憑藉採用迷你IMU尺寸的工業級精密度, IoT設計者現在可以透過整合高品質的動作感測並結合嵌入式情境感知以加乘其所提供的價值, 從而驅動IoMT進展.