JavaScript is currently disabled.Please enable it for a better experience of Jumi. Analog Devices: Välj sensor för IoT med omsorg
Guidelines for contributing Technical Papers: download PDF

En av de svåraste avvägningarna för utvecklare av smarta IoT-tillämpningar är den mellan prestanda och effektförbrukning. Sensorns brus är ofta en viktig egenskap att utvärdera, eftersom det dels kan begränsa komponentvalet och dels kan öka effektförbrukningen. Brusets beteende kan dessutom styra behovet av filtrering, vilket kan påverka sensorns förmåga att snabbt svara på förändringar och även öka tiden det tar att mäta med hög kvalitet.


Ladda ner artikeln här (länk, pdf).

Fler tekniska rapporter finns på etn.se/expert

I tillämpningar som stöder kontinuerlig bevakning (sampling, bearbetning, kommunikation) tvingas systemkonstruktören ofta att navigera i ett motstridigt förhållande mellan brus och effekt. Lösningar med lägst brus har sällan lägst effekt (inom en viss funktionsklass). För att exemplifiera detta kan vi titta på mems-accelerometrar, som ofta är den centrala sensorn i system för fjärravläsning av lutning.

I tabell 1 jämförs två produkter med industriledande prestanda för antingen brus eller effekt: ADXL355 (lågt brus) och ADXL362 (låg effekt). Tabellen visar tre valbara driftslägen för ADXL362 och ett för ADXL355.

Det går att se att ADXL355 har cirka 27 gånger lägre brus än det energisnålaste läget hos ADXL362, men ADXL355 drar mycket högre effekt. I en tillämpning där högprestanda-mode hos ADXL362:s ställs mot ADXL355 kommer den senare att ha nio gånger lägre brus, medan effektförbrukningen hos ADXL362 ligger 13 gånger lägre.

När det inte krävs kontinuerlig övervakning och mätning blir förhållandet mellan genomsnittlig effekt och brus mer intressant. Förhållandet kan till och med bli valbart, vilket kan tyckas förvånande.

Tidigare har det hänt att konstruktioner blivit försenade för att utvecklare brottats med att besluta om deras projekt ska fokusera på effektförbrukning eller prestanda. Nu kan de istället vänta med den kompromissen till användandet.

Kvantifieringen av relevanta alternativ för en viss tillämpning inleds med vissa antaganden kring signalkedjan. I figur 1 kan du se ett generiskt exempel på de vanligaste funktionerna hos en smart sensorarkitektur.

Signalkedjan i en smart sensornod börjar med sensorns grundläggande funktion. I sin enklaste form består sensorkärnan av en givare, som översätter ett fysiskt tillstånd eller en egenskap till en representativ elektrisk signal. En givares skalfaktor beskriver den linjära delen av dess elektriska svar på den fysiska egenskap eller det tillstånd som den övervakar. För en temperatursensor med en analog utgång, som till exempel AD590, anges exempelvis skalfaktorn i enheter av mV/°C. För en digital accelerometer, som ADXL355, anges skalfaktorn som LSB (least significant bit)/g eller koder/g.

Nästa block i signalkedjan (figur 1) är filt­ret. Syftet med det steget är att minska bruset från frekvensband som sensorkärnan stöder, men inte är relevanta för tillämpningen. Vid vibrationsövervakning skulle det kunna vara ett bandpassfilter som skiljer slumpvisa vibrationer från en specifik spektralsignatur och amplitud som kan indikera en försämring hos en maskins hälsotillstånd. I en lutningssensor kan det vara ett enkelt lågpassfilter. I det fallet blir tidslängden en viktig avvägning mellan insvängningstid och kvarvarande brus på filtrets utgång. Figur 2 ger exempel på en Allanvarians för ADXL355, som visar på osäkerheten (bruset) för en mätning i förhållande till tiden för medelvärdesbildningen i mätningen.

Syftet med kalibreringsfunktionen är att förbättra mätningens precision genom korrigeringsformler. För de mest krävande tillämpningarna kommer de normalt från mätning av sensorns svar som resultat av pålagd signal (mätstorhet) under kontrollerade former. I en lutningssensor kommer kalibreringsprocessen exempelvis att observera mems-accelerometerns utgång i flera (kända) riktningar i förhållande till gravitationen. Det generella målet är att följa sensorns svar på tillräckligt många riktningar för att lösa samtliga 12 korrigeringsfaktorer (m11, m12, m13, m21, m22, m23, m31, m32, m33, bx, by, bz) i följande förhållande (se ekvation 1):
Korrigeringsfaktorerna i ekvation 1 avser biaserings-, känslighets- och anpassningsfel (fel i vinkel mellan x-, y- och z-axlarna). Formeln kan utökas till att även omfatta sensorbeteende av högre ordning (olinjäritet) eller miljöförhållanden (temperatur, matning).

Databearbetningsfunktionen översätter kalibrerad och filtrerad sensordata till ett mätresultat som fungerar bäst för tillämpningen. I ett system som övervakar vibration skulle detta kunna vara en enkel omvandling mellan rms och dc eller en snabb Fourier­analys (FFT) med spektrala larm (se ADIS16228). I en tillämpning för lutningsavkänning översätter den smarta sensorn accelerations-baserade respons på gravitation till en uppskattad riktningsvinkel. Här används ekvation 2, 3 eller 4.

De tre sambanden ovan representerar beräknad lutning med en, två eller tre accelerometrar, då ortogonalitet antas perfekt mellan dem.

Kommunikations-/lagringsfunktionen stöder lagring av stora mängder obearbetad data (data staging) och uppkoppling med samtliga IoT-molntjänster (kryptering/säkerhet och analys).

Krafthanteringen (PM) tillhandahåller tre olika funktioner för en vanlig smart sensor. Den första är att hantera all effektsekvensering i signalkedjan. Den andra är att omvandla källans energi till spänning(ar) som ger optimal drift av samtliga komponenter i signalkedjan. Slutligen, i system med regelbundna mätintervall, schemaläggs samtliga mätningar av PM-systemet.

Kraftcykling är ett vanligt sätt att hantera den här typen av diskontinuerlig drift i en smart sensornod. Genom att vila i ett lågenergiläge (eller nolläge) mellan mätningarna hjälper denna teknik till att spara energi i noden. Figur 3 visar den momentana effektförbrukningen över en komplett mätcykel, för en sensor som utnyttjar tekniken.

Ekvationerna nedan visar hur man kan beräkna den genomsnittliga effektförbrukningen (PAV) utifrån egenskaperna i figur 3.

PON – genomsnittliga effektförbrukningen i sensornoden, när den samplar och bearbetar data för att ta fram och kommunicera ett relevant mätresultat.
POFF – genomsnittliga effektförbrukningen i sovläge (sleep mode).
tON – tiden det tar för den smarta sensorn att starta, ge ett mätresultat, kommunicera det till IoT-molnet och sedan stänga av.
tOFF – tiden som sensorn är inaktiv (i sovläge eller helt avstängd).
T – genomsnittliga tiden för en mätcykel.

När sensorn är aktiv (tON) kommer den normalt att arbeta i flera driftslägen. ­Figur 4 och ekvation 6 ger ett exempel på en ­sekvens som delar upp tiden i fyra delar: initialisering, insvängning, bearbetning och kommunikation.

tI (initialisering), tiden mellan tillslag (VSP) och tiden då alla komponenter i signalkedjan är redo att börja sampla och bearbeta data.
tS (insvängning), tiden mellan första data och tiden då filtrets utgång (VSM) har nått tillräcklig noggrannhet.
tP (bearbetning), tiden att ta fram mätresultatet efter filterjämvikt. Detta kan inkludera kalibreringsformler, tillämpningsspecifik signalbehandling och datakryptering för säkerhetsprotokoll inom IoT-tillämpningar.
tC (kommunikation), tiden det tar att ansluta molntjänster, skicka krypterad data och utföra felhantering och verifiering.

När man delar upp de olika faserna i en mätcykel (figur 4) är filtrets jämviktstid en tydlig del där bruset kan påverka effektförbrukningen hos en smart sensornod som utnyttjar kraftcykling.

I allmänhet är det så att den minskning av bruset som kommer av att man bildar ett medelvärde är proportionell mot kvadratroten av tiden för medelvärdesbildningen, medan effektförbrukningen är direkt proportionell mot samma tid.

Det betyder att om bruset minskar med en faktor 10 så kommer energiförbrukningen (tiden till filtret är i jämvikt) att öka med en faktor 100! Faktum som detta ger sensor som kräver minst filtrering ett klart försprång.

I figur 5 visas en mikrovågsantenn på ett torn. I denna typ av kommunikationssystem bestäms datalänkens tillförlitlighet av riktningsvinkelns noggrannhet. Manuell justering krävs eventuellt för att bibehålla rätt riktning, speciellt efter jordbävningar och andra händelser som påverkar plattformarna som antennerna står på. Denna typ av underhåll kan bli dyrt och ta tid. Det gör att en antennoperatör i sin strategi för underhåll undersöker om det går att använda en mems-accelerometer för att övervaka förändringar av antennens orientering.

Systemkonstruktören börjar med att titta på det mest grundläggande funktionskravet: att tillförlitlig kommunikation bibehålls på samtliga antennplattformar. I detta system kräver tillförlitlig datakommunikation att antennens riktningsvinkel alltid hålls inom antennens HPBW (half power beamwidth, se figur 5). Därför görs ett underhållsbesök när förändringen av antennens orientering når 25 procent av antennens HPBW, över en kort tidsperiod.

För att stödja det målet kommer systemkonstruktören att tillåta att bruset vid lutningsmätningen bli högst 10 procent av tillåtet faktiskt fel (25% av HPBW). För enkelhets skull antar konstruktören att felet i brusets toppvärde är tre gånger större än brusets rms-värde. Ekvation 7 tar samtliga definierade ingångsvärden och förenklar dem till ett samband, som helt enkelt säger att bruset vid lutningsmätningen måste vara 120 gånger lägre än HPBW.

För att relatera kravet på vinkelbrus till samma prestanda hos mems-accelerometern kan resultatet från ekvation 7 införas i formeln för accelerometer/lutning (ekvation 2), vilket ger ekvation 8.

För en antenn som har ett HPBW på 0,7 grader måste alltså bruset hos accelerometern vara mindre än 100 μg.

Resultatet kan användas för att bestämma tiden för medelvärdesbildning som en sensor (från tabell 1) behöver för att få 100 μg av osäkerhet i en mätning. Figur 2 ­visar att ADXL355 behöver cirka 0,01 sekunder (tS355 = 0,01, se ekvation 10) för att hamna under den nivån.

Ett snabbt överslag gör att vi kan anta att eftersom ADXL362 har nio gånger ­högre brus än ADXL355 så kommer den förstnämnda att kräva en medelvärdestid som är 81 gånger den för ADXL355 (tS362 = 81 x tS355, se ekvation 11) för att nå samma mål. Ekvation 10 ger den energiförbrukning som jämviktstiden för ADXL355 resulterar i och ekvation 11 ger den energiförbrukning som jämviktstiden för ADXL362 resulterar i (se ­tabell 1).

Ironiskt nog så nås lägsta energiförbrukning här om den accelerometer som har lägst brus används, inte den som har lägst effekt. Ekvationen nedan (12) delar den uppskattade energin för varje sensor i ekvation 10 och ekvation 11 med mätintervallet (T = 10 sekunder) för att beräkna jämviktstidens ­bidrag till effekten.

 

MER LÄSNING:
 
KOMMENTARER
Kommentarer via Disqus

Anne-Charlotte Lantz

Anne-Charlotte
Lantz

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)