如何根据状态监控选择相应传感器的注意事项

据报道，我们已经讨论了很多单一的传感类型，从振动到压力，从气体到湿度，我们已经看到了很多物理量的传感。然而，在实际使用过程中，特别是在工业场景复杂的场景中，大多数传感器是以组合的形式出现的，并通过多个传感器监控某个设备。

多传感组合单一传感

在工业场景中，我们讨论了如何根据状态监控选择相应传感器的注意事项，如振动传感器和声压传感器。例如，在轴承检测中，振动传感器BSS123LT1必须具有低噪声和宽带宽两个关键性能，声压传感器需要更高的频率，等等。当然，这种预测性的维护需要高性能的传感器，但要实现这种监控，选择和组合高性能的传感器是不够的。

在预测性维护中，试图实现状态监测目标将面临两个主要挑战。首先，工业场景中的各种传感器和分析工具通常由不同的系统提供，这意味着各种传感数据的收集和处理会变得复杂，因此很难使用数据来分析现场状态。第二，由于各种传感器布线等物理特性的限制，通常无法在用户需要的位置实现传感，难以实现最佳状态监测。

所以，多传感组合的首要任务是解决感数据收集与处理难度大、传感设备布置难的问题。

传感器融合到多传感平台

通过以上分析，人们很容易认为这是sensorfusion传感器融合的概念。然而，多传感平台并不局限于传感器融合。首先，传感器融合不是简单的传感器堆叠，而是传感器属性的统一。以测距传感器组合为例。这些传感器融合的前提是传感器必须在一个共同的参考系统中，传感器必须能够以某种方式同步或使用一个通用的时间参考。传感器层面融合后，加上网络模块、电源模块甚至边缘人工智能模块。

i3多传感模块，TDK

上图为TDK发布的i3多传感模块，将多传感技术、电源技术和边缘人工智能技术组合成微模块。I3中的传感器组合包括振动、温度、声音、压力等。它是一个无线多传感模块，可以在不受布线等物理限制的情况下在任何需要的位置传感。TDK将进一步将新的传感技术和电源技术融入多传感模块。

传感器检测到的数据不需要在云中聚合和分析数据，而是由模块中嵌入式边缘人工智能处理的。模块通过无线网络相互连接，只需安装模块就可以自动在多个传感模块之间形成连接，大大促进了理想状态监控的实现。

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器结合起来，还通过其他技术手段进一步拓展了可以实现的功能。

ML在多传感平台上

边缘人工智能嵌入TDKi3，去年Nordic发布的多传感器原型构建平台Thingy。同样支持嵌入式机器学习。Thingy53与双ArmCortex-M33处理器相结合，电源管理IC、PA带有嵌入式机器学习固件的LNA范围扩展器和多个传感器。

Thingy:53，Nordic

Thingy:53主要用于物联网应用，因此IMU组合在传感器上、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，如温度、湿度、空气质量和压力传感器等。

ADI状态监测多传感平台还结合终端人工智能和云洞察力，通过不断学习帮助识别机器故障，实现连续状态监测和按需诊断，从而提前预测故障。

目前的趋势是将机器学习固件融入多传感平台，深度融合传感器数据，进行总结、筛选、训练和判断。整个过程分为训练和推理。训练过程通常在云中离线，需要向神经网络反馈大量传感器数据。训练后的传感平台可以更好地利用数据分析现场设备的状态。多传感平台正在向智能传感快速发展。

小结

这种成熟的多传感平台无疑会大大加快相关场景的智能感知，从传感器融合的概念到完整的多传感平台，再到多传感器与边缘人工智能的融合。