想要实现机械设备自动化，工业传感器到底有多重要？

工业机械设备的自动化，无论是在制造、农业、物流、能源、汽车、或无人驾驶飞行器等领域，都能在资源效率、设备精度、及安全性方面，取得相当大的改善。 而实现这些改善的关键推动因素之一，是要找到适当的感测技术，来增强对于设备状况的情境知识(Contextual Knowledge)。 设备的位置或定位信息，对于精确计算而言是重要的输入，而精确的惯性传感器便可实质地定位出位置或维持准确的姿态。

在以移动性为考虑的应用中，位置和情境传感器信息的耦合处理，具有重要的实质价值。 在许多情况下，如果能判定复杂或恶劣的操作环境中的姿态，会具有特别的关键价值。 这类移动式物联网(IoMT)在提高效率增益的发展过程中会有许多挑战，而高性能的惯性传感器可在这点上提供很大的帮助。

实现机械设备自动化 工业传感器扮要角
随着机械设备从简单的被动测量，演变到内建嵌入式控制功能，乃至于现在完全自主无人化的操作，传感器正在发挥着一股推进的力量。 无论是支持脱机分析的简单测量、或是过程控制，在过去很多这类的传感器都是以相当独立的分式在动作。 对于获取实时性优势的期待、以及越来越多的感测类型及高效处理的出现，让传感器融合(Sensor Fusion)有重要的进展，以便能良好地判定跨越于多种应用及环境状况的情境。 最后，在涉及到多个平台互动且需要知道先前系统状态的复杂系统中，链接性的进展也正推进越来越高智能性的传感器系统，如表1所述。

这些智能型且可存取的传感器系统，正在彻底改变原本可能将进入成熟阶段的产业，让农业转变为智能农业，让基础设施建设转变为智能基础设施，并让城市变为智能城市。 由于传感器被部署在这些环境中，以收集相关的情境信息，让数据库管理及通讯出现新的复杂性，所需要的复杂感测融合不仅要跨传感器，还需跨平台与跨时间，例如：针对基础设施状况的时变云端分析、去年的农作物产量、或是交通状况及模式等，如图1所示。

图1 朝向位置感知工业智能感测的整合趋势

在某些移动性为重要考虑的场合中，对这类情境传感器数据进行地理定位是必要的。 事实上，只有极少的物联网可被视为静态的。 移动性会让工厂、现场、和医院中的设备更为有用，而在地理静态性质的设备上的光学传感器，由于需要操控驾驶和指向，也仍然可能会是局部移动性。 这种移动式物联网(表2)融合了情境和位置信息，本质上会放大信息的有用性和效率增益。 举例来说，为了分析改善产量的机会，如果我们能够知道每个被种植的种子的温度、湿度、和精确位置，相对于只是简单地知道被随机种植种子的农场温度和土壤条件，其差异会有多大。

回授机制大靠山 惯性传感器助设备稳定
惯性传感器在大多数智能机器设备中，提供了两个主要功能：分别为设备稳定和指向，或导航及指引，如图2所示(一单独且重要的用途是用于振动分析和状态监测，这是单独涵盖的)。 虽然GPS由于其无处不在的特点，可以被视为是大多数系统导航辅助的首选，但在某些情况下，对于GPS的依赖会存在着不小的隐忧，这主要是由于其潜在的拥塞问题。 在GPS拥塞期间转换到惯性感测会有其效果，但前提是此惯性感测的质量，能够在这段期间内提供足够的精度。 对于稳定化或伺服回路而言，回授机制可以借重惯性传感器，以维持如天线、起重机平台、工程推土车、耕作工具、或UAV上的照相机的可靠指向角度。 在所有这些例子中，其用途已超出了提供有用的特性(例如，在移动电话中的手势控制)，因而得以在令人难以想象的困难环境中，提供关键的精度或安全机制(参见表3)。

图2 在其他类传统传感器有其能力限制的应用中，惯性测量单元能提供关键的稳定化和定位作用。

校准/补偿受重视 传感器质量影响甚大
这也许是一个神话，也许只是梦想，即传感器融合算法可用于将良好的性能，带入到原本可能边缘化的传感器技术中。 传感器融合可被应用在一些校正上，例如使用一温度传感器来校正另一个传感器的温度漂移，或是利用一加速度(g)传感器来校正陀螺仪上的重力效应(Gravitational Effect）。 但即使是这样的应用例，实际上也只是将原先的传感器，校准到对应于该环境中。 它不会提高其既有能力以维持校准点之间的性能，而只是对其进行插值处理。 质量不佳的传感器由于漂移快，在没有广泛或昂贵校准点的情况下，准确度会快速下降。

然而，为了从感测组件中取得最高可能的性能，即使是高质量的传感器，通常还是会被期望要有一些程度的校准。 要达到此期望的最具成本效益作法，取决于传感器的复杂细节，以及对于运动动力学的深入了解(图3)，再加上对于相当独特的测试设备的存取。 为此，校准和补偿步骤越来越普遍被传感器制造商视为必要的嵌入项目。