Текущий цикл разработки и поддержки продуктов протекает быстро. Встроенные продукты могут обнаруживать сбои программного и аппаратного обеспечения и получать информацию о поведении пользователей, предоставляя инженерам необходимые данные для обеспечения нормальной работы и постоянного улучшения устройств.
Однако не все промышленное оборудование можно легко подключить для поддержки этих встроенных продуктов. Даже продукты, разработанные специально для Интернета вещей (IoT), могут столкнуться с проблемами подключения, такими как электромагнитные помехи (EMI), ограничения пропускной способности и слишком длинные кабели.
Появление технологии System on Chip (SoC) с поддержкой Bluetooth позволяет инженерам добиться бесперебойной связи и высокой производительности микропроцессоров, обеспечивая встроенную поддержку машинного обучения (ML). Сочетание возможности подключения с интеллектуальным анализом является важным инструментом в цикле проектирования и поддержки перехода от пассивного реагирования к упреждающему прогнозированию.
Интеллектуальный сбор данных изменил разработку и поддержку продуктов
Успешная разработка и поддержка продуктов требуют использования данных. Если дизайнеры не понимают, как клиенты используют продукт, в том числе на какие функции они полагаются, какие функции громоздки или имеют уязвимости, то будет сложно выполнять итерации и обновлять продукт до уровня, которого хотят пользователи. Аналогичным образом, без понимания поведения пользователя, состояния системы, условий окружающей среды и других важных данных до или во время возникновения проблемы персонал службы поддержки не может полностью устранить проблему.
Продукты с современными встроенными возможностями подключения и аналитическими возможностями 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. Используя временные метки часов реального времени (RTC), данные можно связать с другими системными событиями при использовании встроенных функций анализа или трансляции на облачные серверы через Bluetooth.
Например, интеллектуальные маяки, подключенные к системам линейного перемещения в промышленных условиях, могут обнаруживать усиление вибрации при повышении влажности. Затем бортовой процессор может отправить предупреждение инженерам по техническому обслуживанию, напоминая им 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, которую можно использовать в течение более длительного периода времени во влажных условиях. Они также могут изменить конструкцию системы смазки, чтобы лучше защитить ее от внешних воздействий.
Реализация задач и решений
Чтобы получить преимущества расширенного сбора данных в среде Интернета вещей, инженеры должны оптимизировать сбор и анализ данных. Передача любой информации в облако для анализа приводит к задержкам и снижает безопасность данных. Встроенные системы и интеллектуальные маяки решают эту проблему, интегрируя функции искусственного интеллекта и машинного обучения в само устройство. Эти периферийные системы искусственного интеллекта и TinyML содержат уменьшенные модели программного обеспечения, которые позволяют процессорам делать интеллектуальные выводы на основе полученных реальных данных.
Встроенная функция машинного обучения может быть такой же простой, как сопоставление данных о вибрации, данных об окружающей среде и глобальных временных метках, или столь же сложной, как прогнозирование потребностей в обслуживании на основе тенденций данных. Сложные или простые модули машинного обучения могут получать и обрабатывать данные в режиме реального времени, не потребляя сетевые ресурсы, что позволяет своевременно получать информацию о различных изменениях и минимизировать потребление энергии.
Однако интеллектуальным маякам и встроенным системам в конечном итоге необходимо передавать статус другим устройствам или серверам через сеть. Многие традиционные конструкции систем используют такие протоколы, как PROFIBUS, DeviceNet, CANOpen и Modbus RTU для проводных последовательных соединений. Более современные устройства используют протоколы Ethernet с низкой задержкой, такие как PROFINET, EtherCAT, EtherNet/IP или Ethernet POWERLINK. Однако как последовательная связь, так и связь Ethernet требуют прокладки кабелей передачи данных и силовых кабелей в заводских цехах, а сопутствующие проблемы включают электромагнитные помехи, затухание сигнала во время передачи по длинному кабелю, а также инвестиции в оборудование, необходимые для уменьшения опасности спотыкания и обеспечения доступа для вождения или автономных транспортных средств.
Радиочастотная (РЧ) связь ближнего действия с использованием протокола Bluetooth позволяет преодолеть многие из упомянутых выше проблем. Некоторые версии Bluetooth, такие как Low Energy Bluetooth (BLE), могут использовать энергию таблеточных батарей для передачи сильных сигналов в радиусе 150 метров, что устраняет необходимость в кабелях питания и передачи данных.
Сигналы BLE работают в диапазоне частот 2,4 ГГц, который также поддерживает некоторые сотовые сети и сети Wi-Fi. Хотя совместное использование полос частот может привести к помехам в сети и снижению целостности сигнала, это также наиболее надежный диапазон частот для преодоления препятствий прямой видимости, таких как стены и устройства. Чтобы преодолеть проблему прямой видимости и помех, многие системы BLE могут использовать ячеистые сети и использовать 6-й интернет-протокол (IPv6) для подключения устройств BLE друг к другу и к облаку (рис. 1). Стратегическое размещение точек доступа Bluetooth также может повысить мощность и целостность сигнала в ячеистых сетях.