Сегодняшний цикл разработки и поддержки продуктов быстрый. Встроенные продукты обнаруживают сбои программного и аппаратного обеспечения и предоставляют информацию о поведении пользователей, предоставляя инженерам данные, необходимые для обеспечения правильной работы и постоянного улучшения оборудования.
Не все промышленное оборудование можно легко подключить для поддержки этих встроенных продуктов. Даже продукты, разработанные для Интернета вещей (IoT), испытывают проблемы с подключением, такие как электромагнитные помехи (EMI), ограничения пропускной способности и длинные кабели.
Появление технологии System on Chip (SoC) с поддержкой Bluetooth предоставляет инженерам бесперебойную связь и мощность микропроцессора для встроенной поддержки машинного обучения (ML). Сочетание возможности подключения с интеллектуальной аналитикой является важным инструментом в цикле проектирования и поддержки от пассивного к проактивному.
Интеллектуальный сбор данных меняет разработку и поддержку продуктов
Успешная разработка и поддержка продуктов требуют использования данных. Дизайнеры, которые не понимают, как клиент использует продукт, в том числе на что он рассчитывает, какие функции являются громоздкими или имеют уязвимости, могут столкнуться с трудностями при итеративном обновлении продукта до уровня, который хочет пользователь. Аналогичным образом, персонал службы поддержки не может адекватно устранять неполадки, не зная поведения пользователя, состояния системы, условий окружающей среды и других важных данных до или во время возникновения проблемы.
Продукты с современными встроенными возможностями подключения и анализа могут сделать итерации проектирования и поддержку более эффективными. Встраиваемые продукты и интеллектуальные маяки могут определять условия окружающей среды, такие как температура, влажность и давление воздуха, а также определять многоосное ускорение, окружающий свет и магнитные поля. Временная метка часов реального времени (RTC) позволяет связывать данные с другими системными событиями при использовании встроенной аналитики или при трансляции на облачный сервер через Bluetooth.
Например, интеллектуальный маяк, подключенный к системе линейного перемещения в промышленной среде, может обнаруживать усиление вибрации при повышении влажности. Бортовой процессор может затем предупредить инженера по техническому обслуживанию о необходимости дополнительной смазки. Такая упреждающая диагностика неисправностей может сократить время простоя оборудования и затраты на техническое обслуживание.
Разработчики продуктов также могут использовать записанные данные о вибрации и окружающей среде для улучшения будущих версий систем линейного перемещения. Например, они могут порекомендовать другую смазку, которая прослужит дольше во влажных условиях. Они также могут изменить конструкцию системы смазки, чтобы лучше защитить ее от внешних воздействий.
Реализация проблем и решений
Чтобы реализовать преимущества расширенного сбора данных в среде Интернета вещей, инженеры должны оптимизировать сбор и анализ данных. Передача любой информации в облако для анализа по своей сути задерживается и снижает безопасность данных. Встроенные системы и интеллектуальные маяки решают эту проблему, интегрируя возможности искусственного интеллекта и машинного обучения в само устройство. Эти системы Edge AI и TinyML содержат масштабированные модели программного обеспечения, которые позволяют процессору интеллектуально экстраполировать данные на основе полученных реальных данных.
Встроенные функции машинного обучения могут быть простыми для сопоставления данных о вибрации, данных об окружающей среде и глобальных метках времени или сложными для прогнозирования требований к техническому обслуживанию на основе тенденций данных. Сложный или простой, модуль ML может получать и обрабатывать данные в режиме реального времени, не занимая сетевые ресурсы, тем самым обеспечивая своевременное понимание изменений и минимизируя потребление энергии.
Однако в конечном итоге интеллектуальным маякам и встроенным системам необходимо передавать статус другим устройствам или серверам по сети. Многие традиционные конструкции систем имеют проводные последовательные соединения через такие протоколы, как PROFIBUS, DeviceNet, CANOpen и Modbus RTU. Более современные устройства используют протоколы Ethernet с низкой задержкой, такие как PROFINET, EtherCAT, EtherNet/IP или Ethernet POWER. Однако как последовательная, так и Ethernet-связь требует прокладки кабелей передачи данных и силовых кабелей в заводском цехе, а следующие проблемы включают электромагнитные помехи, затухание сигнала при передаче по длинному кабелю, а также инвестиции в средства, необходимые для уменьшения опасности спотыкания и обеспечения доступа для вождения или беспилотных транспортных средств.
Радиочастотная (РЧ) связь ближнего действия с использованием протокола Bluetooth позволяет преодолеть многие из этих проблем. Некоторые версии Bluetooth, такие как Bluetooth с низким энергопотреблением (BLE), используют мощность батарейки-таблетки для передачи сильных сигналов на расстоянии до 150 метров, устраняя необходимость в линиях питания и передачи данных.
Сигнал BLE работает в диапазоне 2,4 ГГц, который также поддерживает некоторые сотовые сети и сети Wi-Fi. Хотя общие диапазоны могут привести к помехам в сети и снижению целостности сигнала, они являются наиболее надежными диапазонами для преодоления препятствий видимости, таких как стены и оборудование. Чтобы преодолеть проблемы LOS и помех, многие системы BLE могут использовать ячеистые сети с использованием интернет-протокола версии 6 (IPv6) для соединения устройств BLE и подключения их к облаку (рис. 1). Стратегическое размещение точек доступа Bluetooth также увеличивает мощность и целостность сигнала в ячеистой сети.