Hur man använder sensorfusion för att förbättra produktionsprocesser och logistik inom Industry 4.0

Sensorfusion kombinerar information från flera sensorer för att ge en mer detaljerad och nyanserad förståelse av systemets funktion eller miljön. I många fall kan svagheten hos en sensorteknik övervinnas genom att lägga till (fusionera) information från en annan sensorteknik. Genom att lägga till artificiell intelligens (AI) och maskininlärning (ML) kan sensorfusionen bli ännu kraftfullare.

Det finns flera utmaningar att ta itu med när man implementerar sensorfusion. Det kan till exempel vara svårt att ta fram en balanserad lösning och inte "favorisera" en av teknikerna framför de andra. Det kan leda till bristande skalbarhet och försämrad prestanda. Ett sätt att hantera den utmaningen är att integrera flera olika sensortekniker i en och samma kapsling. Sensorfusion är inte begränsat till användning av flera separata sensorer.

Oavsett nivån på sensorintegrationen kan AI eller ML förbättra prestandan, men utbildningen kan vara komplex och tidskrävande. Konstruktörer kan istället använda sig av självlärande sensorer med inbyggda AI- och ML-funktioner.

Artikeln börjar med en genomgång av en implementering av en sensorfusion med diskreta sensorer, en 32-bitars MCU och ML-programvara. Därefter presenteras en rad integrerade lösningar för sensorfusion och tillämpningsexempel inom logistikanläggningar, datacenter, processautomation, materialhantering och jordbruksutrustning.

Avslutningsvis tittar vi på en integrerad lösning för fusion av miljösensorer med integrerad AI-programvara. Under hela diskussionen kommer exempel på enheter från Renesas Electronics, Sensirion, TE Connectivity, ACEINNA, Bosch Sensortec och TDK InvenSense att presenteras.

Konstruktörer kan utforska alternativ för sensorfusion med hjälp av ett referenskonstruktionskort från Renesas. Kortet är baserat på en 32-bitars MCU med en 120 MHz Arm® Cortex®-M4-kärna, upp till 2 MB Flash-minne och 640 KB SRAM, samt ett stort antal gränssnitt och anslutningsmöjligheter.

Den tillhörande utvärderingssatsen är optimerad för konstruktioner med flera sensorer och sensorfusion. Den innehåller en luftkvalitetssensor, ljussensor, temperatur- och luftfuktighetssensor, en tröghetsmätningsenhet med sex axlar (IMU), en mikrofon och Bluetooth Low Energy (BLE)-anslutning (figur 1). Referenskonstruktionen innehåller även en automatiserad ML-plattform för enheter i molnkanten och tillämpningar för sensorfusion.

Figur 1: Utvärderings- och utvecklingskort för IoT-sensorfusion med automatiserad programvara för ML-utveckling och BLE-anslutning. (Bildkälla: Renesas Electronics)

Stabiliserande lutningssensorer

Lutningssensorer är specialiserade IMU:er som används i olika tillämpningar, som t.ex. jordbruksmaskiner, terrängfordon, materialhantering och tunga anläggningsmaskiner. Säkerhetsstandarder kräver ibland lutningssensorer för att garantera säkra driftmiljöer. Lutningssensorer kan byggas upp av flera olika diskreta enheter, vilket kan vara komplicerat.

Kärnan i de flesta lutningssensorkonstruktioner är en gyroskopsensor (gyro) som mäter vinkelhastigheten eller rotationshastigheten kring en axel. Det är bra om plattformen är i rörelse, men om den slutar röra sig, till exempel om den lutar i en vinkel på 20 grader, blir sensorutgången noll. Dessutom kan ett gyro ha en betydande avvikelse över tid, där felen ackumuleras och till slut ger en mätning som inte längre är exakt eller användbar.

För att komma till rätta med gyroteknikens begränsningar lägger lösningar med dynamiska lutningssensorer till en accelerometer för att mäta rörelse. Den kan tala om för systemet när det har slutat röra sig och göra det möjligt att använda den senaste informationen från gyroskopet för att uppskatta lutningsvinkeln. En sista pusselbit är en temperatursensor som kompenserar för de effekter som varierande temperaturer har på gyroskopet och accelerometern.

Ett Kalman-filter används ofta för sensorfusion i lutningssensorer. Ett standardiserat Kalman-filter baserat på linjär kvadratisk uppskattning kan användas om sensorerna används i ett linjärt prestandaområde. Kalman-filter kan ge relativt exakta tillståndsuppskattningar även i system som lutningssensorer med inbyggd osäkerhet och ackumuleringsfel.

Lutningssensorer som arbetar i ett icke-linjärt område kan dra nytta av ett utökat Kalman-filter som linjäriserar uppskattningarna med hjälp av det aktuella medelvärdet och kovariansen.

Lutningssensorer som AXISENSE-G-700 från TE Connectivity och MTLT305D från ACEINNA har rörelseavkänning med sex frihetsgrader (6 DoF), tre från gyroskopet och tre från accelerometern, och använder Kalman-filtreringsteknik för sensorfusion (figur 2).

Figur 2: Lutningssensorn AXISENSE-G-700 kombinerar information från accelerations-, rotations- och temperatursensorer för att ge exakt lutningsinformation i dynamiska miljöer. (Bildkälla: TE Connectivity)

Slå samman nio till en

I många fall räcker det med 6 grader av frihet, men vissa tillämpningar för rörelsespårning, som t.ex. drönare, fordon och virtual reality-enheter, kan dra nytta av den ytterligare information som 9 grader av frihet ger.

Modulen OPENIMU300RI från ACEINNA är avsedd för användning i 12 V och 24 V fordons-, entreprenad- och jordbruksfordon. Förutom ett gyroskop och en accelerometer har denna IMU en anisotropisk magnetoresistiv (AMR) magnetometer med tre grader av frihet.

En ARM-processor samlar in sensordata och implementerar OpenIMU, en stack med öppen källkod för utveckling av IMU, GPS (Global Positioning System) och INS (Inertial Navigation System). Stacken innehåller ett anpassningsbart Kalman-filter för sensorfusion.

TDK InvenSense har även en enhet för rörelsespårning med nio axlar. Modell ICM-20948 har ett drifttemperaturområde på -40 °C till 85 °C, vilket gör den lämplig för olika tillämpningar i utmanande miljöer som industriell automation och autonoma system. Den innehåller ett MEMS-baserat (mikroelektromekaniskt system) treaxligt gyroskop, en MEMS-baserad accelerometer med tre axlar och en MEMS-baserad magnetometer/kompass med tre axlar.

Förutom rörelsesensorerna med 9 grader av frihet innehåller ICM-20948 en oberoende analog- till digitalomvandlare (ADC) för respektive sensor, signalbehandlingskretsar och en digital rörelseprocessor (DMP) (fig. 3).

Figur 3: Denna integrerade sensorplattform har stöd för 9 gradera av frihet med hjälp av ett gyroskop med tre axlar och en accelerometer med tre axlar (lyftsidan) samt en magnetometer/kompass med tre axlar (nere till höger). (Bildkälla: TDK InvenSense)

Några egenskaper hos ICM-20948 inkluderar:

Tre oberoende MEMS-frekvensgyroskop med vibrationsfunktion. Om gyroskopen vrids runt någon av de tre axlarna orsakar Coriolis-effekten en vibration som detekteras av en kapacitiv pickup. Utsignalen från pickupen bearbetas för att producera en spänning som är proportionerlig mot vinkelhastigheten.

MEMS-accelerometern med tre axlar har separata massor för respektive axel. Acceleration längs en axel förskjuter motsvarande massa, vilket en kapacitiv pickup känner av. När ICM-20948 placeras på en plan yta kommer den att mäta 0g på X- och Y-axlarna och +1g på Z-axeln.

Magnetometern är baserad på Hall-sensorteknik. Den känner av jordmagnetism i X-, Y- och Z-axlarna. Sensorns utgång genereras med en drivkrets för sensorn, en förstärkare, en 16-bitars ADC och en aritmetisk krets för bearbetning av den producerade signalen. Respektive axel har ett fullskaleområde på ±4900 µT.

DMP:n i ICM-20948 är en särskiljande egenskap. Några av dess funktioner och fördelar inkluderar:

• Genom att flytta beräkningen av rörelsebehandlingsalgoritmerna från värdprocessorn minimeras strömförbrukningen och timing och mjukvaruarkitektur förenklas. DMP:n säkerställer att algoritmer för rörelsebearbetning kan köras med en hög frekvens, på cirka 200 Hz, för att ge exakta resultat med låg latens. Drift vid 200 Hz rekommenderas, även om programmet uppdateras mycket långsammare, som t.ex. 5 Hz. Genom att frikoppla DMP-behandlingshastigheten från tillämpningens uppdateringshastighet får man en mer robust systemprestanda.
• DMP:n möjliggör drifttid med extremt låg strömförbrukning och bakgrundskalibrering av sensorerna. Kalibrering behövs för att bibehålla optimala prestanda för enskilda sensorer och sensorfusionsprocesser under enhetens livstid.
• DMP förenklar programmets arkitektur och påskyndar programvaruutvecklingen, vilket leder till snabbare marknadsintroduktion.

Integrerade miljösensorer

Miljöövervakning är en viktig del av livsmedelsbearbetning och -lagring, kemiska fabriker, logistikverksamhet, datacenter, växthusproduktion, värme-, ventilations- och luftkonditioneringssystem (HVAC) och andra områden. Relativ luftfuktighet (RH) och temperaturmätningar kan kombineras för att beräkna daggpunkten.

Serien SHTC3 från Sensirion är digitala fukt- och temperatursensorer som optimerats för batteridrivna tillämpningar i molnkanten och i konsumentelektronik med stora volymer. CMOS-sensorplattformen innehåller en kapacitiv fuktighetssensor, en temperaturgivare med bandgap, analog och digital signalbehandling, A/D-omvandlare, minne för kalibreringsdata och ett snabbt I²C-kommunikationsgränssnitt.

Den lilla DFN-kapslingen på 2 x 2 x 0,75 mm har stöd för tillämpningar med med begränsat utrymme. Det stora matningsspänningsområdet från 1,62 till 3,6 V och en energibudget på under 1 μJ per mätning gör SHTC3 lämplig för batteridrivna mobila eller trådlösa enheter (figur 4). Exempelvis levereras artikelnummer SHTC3-TR-10KS i kvantiteter om 10 000 på Digi-Reel, pappersremsa eller remsbit. Konstruktörer kan använda utvärderingskortet SHTC3 för att skynda på systemutvecklingen.

Bild 4: Denna enhet för miljöövervakning har digitala fukt- och temperatursensorer. (Bildkälla: Sensirion)

Lägga till barometertryck

Sammanhangs- och platsmedvetenhet blir allt viktigare i styrenheter för hemautomation, luftbehandlingssystem, träningsutrustning och tillämpningar för inomhusnavigering. Dessa system kan med fördel utformas med hjälp av den integrerade miljöenheten BME280 från Bosch Sensortec, som förutom fukt- och temperatursensorer även innehåller en barometrisk trycksensor.

Sensorerna har lågt brus som ger hög noggrannhet och upplösning. Trycksensorn mäter det absoluta barometertrycket. Den integrerade temperaturen är optimerad för att fungera med fuktsensorn för att bestämma RH och daggpunkt. Den används även för att tillhandahålla temperaturkompensation för barometern. Ett utvecklingskort finns för att påskynda konstruktions- och systemintegrationsprocessen.

AI för miljöavkänning

Bosch Sensortec har även en 4-i-1-miljösensor med inbyggd AI. BME688 innehåller en gassensor och tryck-, fuktighets- och temperatursensorer med hög linjäritet och hög noggrannhet. Den levereras i en robust kapsling på 3 x 3 x 0,9 mm som lämpar sig för mobila och andra utrymmeskrävande tillämpningar (figur 5).

Figur 5: BME688 från Bosch Sensortec innehåller en gassensor samt tryck-, fuktighets- och temperatursensorer, alla med stöd för integrerad AI. (Bildkälla: Bosch Sensortec)

Gassensorn kan upptäcka flyktiga organiska föreningar (VOC), flyktiga svavelföreningar (VSC) och andra gaser som kolmonoxid och väte i ppm-området (parts per miljard). BME688 innehåller en gasskannerfunktion som kan anpassas med avseende på känslighet, selektivitet, datahastighet och strömförbrukning.

Programmet BME AI-Studio optimerar även gassensorn för andra gasblandningar och tillämpningar. Utvärderingskortet BME688 kan konfigureras med programmet BME AI-Studio. BME AI-Studio har stöd för sensorkonfiguration, dataanalys och märkning, utbildning och optimering av tillämpningslösningar för fabriker, logistikanläggningar, smarta hem och IoT-enheter.

Provtagning av gaser och utbildning av systemet i fält i stället för i labbet gör det möjligt att utforma mer realistiska algoritmer som ger bättre prestanda och högre tillförlitlighet under verkliga driftsförhållanden. Genom att dra nytta av BME688:s förmåga att samtidigt mäta luftfuktighet, temperatur och barometertryck, utöver gaser, kan mer omfattande och exakta AI-modeller utvecklas.

Sammanfattning

System för sensorfusion för Industry 4.0, logistik och andra tillämpningar kan utvecklas med hjälp av en serie diskreta sensorer eller en integrerad lösning som innehåller flera sensorer i en enda kapsling. Integrerade enheter kan ge mindre lösningar med lägre strömförbrukning för mobila och avancerade tillämpningar. Oavsett om man använder diskreta sensorer eller en integrerad uppsättning sensorer kan prestandan förbättras genom att lägga till en AI och ML.