Объем рынка интеллектуальных датчиков Интернета вещей увеличится до 141,8 млрд. долларов к 2030 году

Романов Роман
Объем рынка интеллектуальных датчиков Интернета вещей увеличится до 141,8 млрд. долларов к 2030 году

В связи с переходом к периферийной архитектуре встроенные интеллектуальные датчики привлекают все большее внимание в IoT.

Многое из того, что объединяется в Интернете вещей, зависит от первого узла в сети, который чаще всего является датчиком. Трансформационная аналитика и автоматизация Индустрии 4.0 требуют еще более качественных данных, из-за чего производители заняты попытками вывести на рынок интеллектуальные встроенные датчики. 

Их роль сейчас рассматривается еще более внимательно, поскольку в настоящее время происходит архитектурный переход в масштабах всей отрасли, который перемещает больше обработки данных на периферию, уменьшая зависимость от «только облачной» архитектуры. По мере распространения датчиков становится очень трудно обрабатывать всю информацию, поступающую с них, в удаленном облаке, поэтому датчики и перефирийные узлы, которые они размещают, должны стать умнее.

Это одна из движущих сил, согласно прогнозам Allied Market Research, глобальная индустрия датчиков Интернета вещей вырастет с 12,37 млрд долларов до 141,8 млрд долларов к 2030 году, достигнув за этот период темпов роста CAGR 28%. 

Как и в прошлом, современные встроенные датчики должны измерять температуру, влажность, давление, близость и широкий спектр других явлений. Миниатюрные акселерометры, магнитометры и другие устройства превратились в сложные комбинации датчиков, которые объединяют разнородные типы источников. 

Но теперь среди прочих вариантов включены периферийные устройства искусственного интеллекта, которые обрабатывают машинное обучение у источника, при этом потребляя гораздо меньше электроэнергии, чем альтернативы облачной обработки. Хотя лидары и радиоволны еще только зарождаются, они также используются для измерений датчиков Интернета вещей.

ImageForArticle_1289(1).webp (149 KB)

Мир, покрытый сенсорами, расширяется. В то же время расширяются пределы возможностей:  

  • Защищенные датчики Интернета вещей, подключенные к шлюзам Интернета вещей, используются для измерения и мониторинга урожая винограда для производства вина в долине Напа в Калифорнии в рамках платформы Cisco System Industrial Asset Vision;
  • Датчики Bosch Sensortec со встроенным искусственным интеллектом действуют как «цифровые носы» для обнаружения газов, твердых частиц и, что вызывает растущую обеспокоенность, вирусов, переносимых по воздуху;
  • Город Саффолк, штат Вирджиния, переосмысливает услуги дорожной сигнализации с помощью платформы Iteris ClearMobility, которая, в свою очередь, использует интеллектуальные датчики Vantage Apex, объединяющие видео высокой четкости и четырехмерные радарные датчики со встроенными алгоритмами искусственного интеллекта.
  • MPS Mini от NevadaNano сочетает в себе матрицу химических датчиков на кристалле со встроенным спектрометром молекулярных свойств для обнаружения горючих газов.

Интеллектуальные датчики начинают обучаться

«Типичный интеллектуальный датчик обычно состоит из четырех основных частей - самого датчика, функции аналого-цифрового преобразования, вычислительного - или микроконтроллерного блока - и механизма связи, который сегодня может быть либо беспроводным, либо проводным», - говорит Раймонд Инь, директор по техническому контенту Mouser Electronics, а также ведущий подкаста Mouser «Технологии среди нас». Он предупреждает, что существует множество вариантов.   

Например, многие интеллектуальные датчики имеют несколько отдельных типов, адаптированных к конкретному применению. Также существует различие в функциях встроенного микроконтроллера (MCU). По его словам, некоторые интегрированные микроконтроллеры являются просто конечными автоматами, которые управляют процессом преобразования данных и связью, тогда как другие полностью выполняют алгоритмы объединения датчиков.

В качестве примера Инь привел инерционный модуль LSM6DSO32XTR iNEMO от STMicroelectronics, который объединяет акселерометры с гироскопом и датчиком температуры и включает ядро ​​машинного обучения, которое помогает обнаруживать такие приложения, как ходьба, бег и вождение.  

Целенаправленное энергосбережение 

Мануэль Тальявини, главный аналитик компании Omdia, специализирующийся на МЭМС и датчиках, сказал, что интеллектуальный датчик можно определить как электронный компонент, который не только может считывать и сохранять физические измерения, такие как ускорение, свет, поток, влажность и т. д., но и также может выполнять более сложные операции, которые могут иметь разные цели.  

«В двух словах, - сказал он, - возможность выполнять операции с помощью усовершенствованной ASIC или встроенного микроконтроллера - вот что позволяет называть датчик «умным»».

По мере того, как датчики продвигаются все дальше и дальше к периферии Интернета вещей, эти цели все больше вращаются вокруг энергосбережения.

«Люди должны думать о функциях «сна», которые удерживают весь сенсорный компонент и, возможно, другие системы, связанные с ним, в режиме низкого энергопотребления, пока что-то не произойдет в физическом мире», - заявил Тальявини в интервью.

Очевидная цель - сэкономить на электроэнергии, а для портативных устройств - на батарее, что может стать препятствием, если системы постоянно отчитываются в облаке. Датчики без батарей, которые собирают энергию из окружающей среды, находят все более широкое применение в некоторых приложениях.

Всегда на периферии

В критически важных приложениях на периферии проблемы энергопотребления не ограничиваются датчиком, а и процессором. Для процессоров, предназначенных для машинного обучения эти опасения не лишены смысла.

В облачных дата-центрах богатые источники электропитания - это само собой разумеется. На периферии Интернета вещей дело обстоит иначе. 

Такие соображения теперь учитываются при разработке периферийных микросхем ИИ следующего поколения. Это показано, например, в недавних предложениях, таких как процессор нейронных решений NDP102 от Syntiant Corp.

Он предназначен для применения обработки искусственного интеллекта к аудио и другим входным сигналам, начиная от типа предупреждений, которые мы используем для пробуждения интеллектуальных устройств Siri или Alexa, до угла наклона колеблющегося пробивного пресса, готового выйти из строя на заводе.

«Мы довольно много делаем в области датчиков и вибрации, мониторинга состояния и здравоохранения», - сказал Курт Буш, генеральный директор Syntiant, в интервью. Он сказал, что вибрации и температурные явления, которые сигнализируют о проблемах с обслуживанием машины, лучше всего обнаруживать и принимать меры до того, как произойдет дорогостоящий отказ из-за поломки.  

Он отметил, что нейронный процессор Syntiant рассчитан на работу с энергопотреблением менее 100 микроватт в постоянно включенных сенсорных приложениях. Syntiant была одной из немногих компаний, занимающихся нейронной обработкой в ​​аналоговой, а не цифровой области, с основными целями в области скорости и энергосбережения.

Пример с Fitbit

Потребительские устройства, такие как iPhone, AirPod и Fitbit, сыграли большую роль в улучшении сенсорных функций и снижении цен. По словам Тальявини из Omdia, толчок в стиле золотой лихорадки для вспомогательных и автономных транспортных средств может сделать то же самое или даже больше, особенно за счет продвижения сочетаний датчиков, которые сочетают в себе различные технологии.

По его словам, вспомогательные методы автономного вождения, которые еще только появятся, требуют множественных и разнообразных измерений датчиков по очевидным причинам безопасности. 

Это означает, что «сбор и вычисление данных, считываемых с радара, лидара, инерциального блока и GPS, является критически важной деятельностью, которая требует надежности, избыточности и своевременных результатов», - говорит эксперт. Достижения здесь будут ощущаться в более широкой вселенной Интернета вещей. 

Тем не менее, прогресс интеллектуальных датчиков в критически важных промышленных приложениях - тех, которые обновляются с более длительными интервалами, чем постоянно меняющиеся потребительские приложения, - может занять больше времени для распространения, - отмечает он. 

Требования к измерительному датчику 

Перед лицом всплеска новых технологий основные компромиссы остаются одинаковыми. По словам Раймонда Инь из Mouser, задача перехода на периферию и развертывания машинного обучения мало влияет на основные системные решения, которые всегда влияли на проектирование сенсорных систем. Вопросы по-прежнему остаются:

  • Отвечают ли датчики требованиям разрешения и точности?   
  • Достаточно ли стабильны и надежны результаты датчиков для рабочих решений?   
  • Предоставляют ли датчики необходимые данные для достижения целей системы?   
  • Отвечают ли датчики требованиям по мощности, размеру и времени?   

Точно так же, по его словам, необходимо определить спецификации для связности и вычислительной части всей системы в зависимости от приложения или варианта использования.

Встроенные датчики и искусственный интеллект играют в развивающихся секторах Интернета вещей роль драйвера изменений. Достижения в области сенсоров, в области визуализации, MEMS, лидаров, Wi-Fi, UWB, радаров и других областей явно многочисленны, равно как и различные ядра машинного обучения, которые работают, чтобы «понять сенсоры». 

То, как разработчики систем согласовывают эти технологии с выгодными сценариями применения, вероятно, определит окончательный успех следующей эпохи Интернета вещей.

По материалам: Iotworldtoday