Suchen

Drahtlose Sensornetzwerke Designmethoden für die kommende Generation von IoT-Sensoren

| Autor / Redakteur: Rafael Mena * / Sebastian Gerstl

Industrielle IoT-Lösungen und Sensornetzwerke setzen hohe Batterielebensdauer und gute Leistung auch bei kurzen Laufzeiten voraus. Das erfordert auf System- und Modulanforderungen abgestimmte Designs.

Firmen zum Thema

Der Autor: Rafael Mena, Ph.D., war Systems/Applications Manager in der Microcontroller Organization von Texas Instruments und mit über 20 Jahren Erfahrung im Design von Elektronik- und Systemlösungen.
Der Autor: Rafael Mena, Ph.D., war Systems/Applications Manager in der Microcontroller Organization von Texas Instruments und mit über 20 Jahren Erfahrung im Design von Elektronik- und Systemlösungen.
(Bild: Texas Instruments)

Von einer IoT-Sensor-Backplane wird zunehmend erwartet, dass sie das jeweils geprüfte System in Echtzeit überwacht. Diese Aussage gilt für IoT-Sensorlösungen, die Body Area Networks, Safety- und Security-Lösungen, Fabrik- und Prozessautomations-Lösungen für die Industrie sowie Gebäudeautomations-Lösungen überwachen, um nur einige zu nennen.

Der große Umfang an Daten, der mit dem Zusammenwachsen dieser drahtlosen Sensorknoten einhergeht, bringt ein neues Paradigma hervor, das als ‚Big Data Sensing‘ bezeichnet wird. Damit das IoT den Anforderungen dieses Paradigmas gerecht werden kann, muss der IoT-Sensor vom Gateway aus autonom agieren, die Datenerfassung bei statistisch signifikanten Ereignissen anstoßen, mit geringstmöglichem Stromverbrauch arbeiten, effiziente Möglichkeiten zum Extrahieren von Daten nutzen und den Transfer von Daten nur in solchen Situationen initiieren, die als statistisch signifikant eingestuft werden.

Indem man die Häufigkeit dieser Datentransfers zum Gateway minimiert, reduziert man die vom Netzwerk in Anspruch genommenen Ressourcen und erreicht eine möglichst effiziente Lösung. Der vorliegende Beitrag bietet eine ganzheitliche Sicht auf die IoT-Sensor-Lösung und beschreibt Designmethodiken gemäß den System- und Modulanforderungen, die eine Echtzeit-Überwachung des jeweils zu prüfenden Systems ermöglichen. Wir erkunden dabei adaptive Datenmanagement-Techniken, innovative Sensor-Front-Ends für eine effiziente Datenerfassung, neue Embedded-Technologien, die zu möglichst stromsparenden Implementierungen führen, Techniken zur Optimierung der Systemarchitektur sowie zukunftsweisende System-on-Chip-Konzepte, mit denen sich die gesamte Lösung in einem einzigen Chip zusammenfassen lässt.

Das ‚Big Data‘-Paradigma entspringt einer Welt, die infolge der vermehrten Social-Media- und Business-Transaktionen zunehmend vernetzt wird. Durch das Zusammenwachsen drahtloser Sensornetzwerke, die enorme Datenmengen generieren, wird das Vorherrschen des Internet of Things (IoT) die Ressourcen des Internets auch weiterhin stark in Anspruch nehmen. Prognosen besagen, dass bis zum Jahr 2020 etwa 20 Milliarden Geräte mit dem Internet verbunden sein werden, an die wiederum jeweils durchschnittlich 6,58 vernetzte Geräte angeschlossen sein werden [1]. Hieraus resultiert ein neues, als ‚Big Data Sensing‘ bezeichnetes Paradigma im Zusammenhang mit den Daten, die von all diesen vernetzten Geräten gesammelt werden.

Das Konzept einer elastischen Cloud, deren Rechen- und Speicherkapazität bei Bedarf aufgestockt werden kann, um das wachsende Datenaufkommen zu bewältigen, wird sich in der nahen Zukunft nur schwierig unterstützen lassen. Big Data Sensing verlangt in der Tat nach einem Umdenken hinsichtlich der Art und Weise, wie diese Daten gemanagt werden.

Das als ‚Edge Computing‘ bezeichnete Konzept unternimmt hier einen Lösungsversuch, indem die Verarbeitung der Daten an jenem Punkt erfolgt, an dem das vernetzte Gerät seine Daten an das Netzwerk hochlädt. Hierbei allerdings gerät das System als Ganzes aus dem Blick, bei dem es nicht nur darum geht, das Datenaufkommen im Netzwerk zu verringern, sondern auch den Gesamt-Stromverbrauch des drahtlosen Sensornetzwerks zu minimieren, um eine akzeptable Batterielebensdauer zu erzielen.

In industriellen IoT-Lösungen wird von den vernetzten Geräten beispielsweise eine Batterielebensdauer von 10 Jahren erwartet. Soll das vernetzte Gerät seine Daten in Echtzeit in das Netzwerk streamen, beansprucht dies die Ressourcen des Endknotens, wodurch sich zwangsläufig die Batterielebensdauer des Geräts reduziert. Effizienter wäre es, die Daten bereits bei ihrer Erfassung zu verarbeiten. Das Gerät würde in diesem Fall autonom arbeiten und nähme nur dann Cloud-Ressourcen in Anspruch, wenn es ein statistisch signifikantes Ereignis erkennt. Nachfolgend werden Designmethodiken beschrieben, die einen autonomen Betrieb des vernetzten Geräts mit minimaler Leistungsaufnahme ermöglichen.

(ID:44218127)