智能制造领域中物理 AI 系统的工业传感器 - 第一部分 

引言 

智能制造是数字技术与传统制造流程深度融合的体现。其中的核心是物理人工智能 (AI)，它将 AI 算法引入物理系统，例如机械臂、自动引导车辆 (AGV) 和计算机数控 (CNC) 机床。物理系统要能有效运行，离不开来自物理环境的实时数据，而传感器的作用正在于此。工业传感器扮演着“眼睛和耳朵”的角色，在现代制造和自动化领域中已成为不可或缺的基石，从基础的测量设备蜕变为能够全方位监测离散自动化与过程自动化的精密系统。当与 AI（视觉 AI、声学 AI 或物理 AI）相结合时，工业传感器让物理系统具备了自学习能力，进而助推制造效率、安全性的提升，并促进数字孪生技术和数据分析的应用。 

本系列博客分为两部分，旨在为设计工程师挑选适配 AI 工业应用的传感器产品指点迷津。第一部分将深入探讨各类传感器及其应用；第二部分则聚焦工业传感器的创新成果，并介绍物理 AI 系统与智能制造的新兴趋势。  

洞悉工业传感器及其工作原理 

工业传感器是感知和处理各种物理参数的器件，如距离、压力、温度、流量、液位、运动、速度、加速度等。它们收集的数据，对于监测和控制制造流程而言，可谓举足轻重。收集到的数据随后会通过数字/模拟输入输出 (I/O) 及通信模块发送到可编程逻辑控制器 (PLC) 或 CNC。 

在典型的工业传感器中，主要组件（见图 1）包括传感元件、电压基准源、运算放大器 (OpAmp)、模数转换器 (ADC)、处理器、接口和电源管理模块。传感元件负责测量物理参数，并将其转化为电压、电流、电阻等电信号。 

工业传感器充当着 AI 与物理世界之间的接口，恰如人体中的神经系统。当数字世界需要与物理环境进行交互时，离不开模拟和混合信号传感器。下一代工业自动化系统不仅在信息技术 (IT) 云端融入 AI 能力，还将 AI 嵌入到部署在现场的操作技术 (OT) 器件中。换言之，AI 算法将应用于边缘端的传感器或可编程逻辑控制器 (PLC)/机器人中，以实现快速决策。 在此，我们将重点探讨工业自动化中所使用的传感器。 

传感器类型 

• 图像（视觉）传感器：图像传感器借助摄像头拍摄在制产品的图像和视频，以此判断产品的有无、方位及精度，是质量控制与检测环节中不可或缺的器件。图像传感器凭借单个装置即可实现对产品多个点位的检测，为机器视觉提供有力支撑。安森美 (onsemi) 的图像传感器和短波红外摄像头兼具低功耗和出色的图像质量，具备高动态范围和低光性能，助力系统在各类智能工厂场景中均发挥出理想效能。 

• 位置和扭矩传感器：尽管霍尔效应传感器、力传感器和光学传感器已应用于电机位置控制，但考虑到磁体、精密电阻等感应元件及光学编码器复杂的制造工艺，整体方案的成本实则居高不下。如今，一种新趋势逐渐兴起：在运动控制和机器人技术相关应用中开始采用电感式位置传感器，以带绕组的印刷电路板 (PCB) 作为感应元件，并搭配模拟前端 (AFE) 和控制器。NCS32100 和 NCV77320 两款产品相较传统位置传感器具有专门优势，包括但不限于耐温性强、机械结构简化、抗污染能力出色等。 
• 超声波传感器：超声波传感器借助超声波来测量距离，非常适合检测透明物体（不同于光学传感器），且不受灰尘和污垢的影响。安森美的 NCV75215 是一款性能出色的接近传感器，检测距离为 25 厘米至 4.5 米。在自主移动机器人中，超声波传感器用于导航和避障；在过程自动化应用中，可对流体进行流量与液位检测；而在成品质量检验中，可用于识别缺陷与裂纹。 
• 光电传感器：光电传感器借助光线实现物体检测，分为对射式、反射式和漫反射式三种类型，各自具备不同的特性和应用场景。光电传感器以非接触检测、适用几乎所有材料、支持长距离视距检测为显著优势，主要采用红外与激光技术。安森美的 QR1113 是一款性能优良的反射式传感器，940 纳米红外发射器与配套的硅光电晶体管并排封装，提供表面贴装和通孔两种封装形式。 
• 接近传感器：接近传感器基于电磁感应原理，可在无物理接触的情况下检测金属物体，且对灰尘、油污等环境因素具有极强的耐受能力。若需检测非金属物体，则以超声波和光电技术为优选方案。 
• 压力传感器：压力传感器应用于气动、液压或洁净室环境中，用于维持理想运行状态并对偏差发出警报。它们通常以应变片或力敏电阻为核心，采用惠斯通 (Wheatstone) 电桥结构来抵消误差，通过微小电压变化实现压力测量。 
• 温度传感器：温度传感器用于监控和调节温度，应用范围覆盖食品加工、机械运行等多个行业。常用类型包括热电偶、电阻温度检测器 (RTD) 及半导体温度传感器，例如安森美的 ADM1023。 
• 环境传感器：气体传感器、化学传感器等环境传感器，用于在需要保持警惕的环境中监控特定的有毒或易燃气体，常常集成在安全系统中。例如，NCV76124 雨量和光线传感器最初为汽车应用设计，可通过光电二极管发射并测量反射光，进而识别环境中的颗粒物。再如，用于连续血糖监测 (CGM) 的 CEM102 电化学传感器模拟前端与 RSL15 蓝牙 5.2 微控制器配合使用时，能在极低的系统功耗下实现对化学电流微小变化的测量。 

传感器的主要考量因素 

为智能制造中的物理 AI 系统挑选适配传感器时，需重点关注以下五大因素： 

1. 应用所需的精度与速度：传感器必须满足特定 AI 任务对精度和速度的要求，例如实时质量检测、预测性维护、机器人控制等任务。
2. 数据质量与可靠性：传感器会随着时间推移生成海量数据，而 AI 可对海量数据进行分析以挖掘其中的规律。能够持续提供可靠数据的传感器，对于训练和运行 AI 模型至关重要，可为整个制造生态系统中的敏捷决策奠定坚实基础。
3. 互操作性与集成：传感器应当能与现有制造系统无缝集成，并支持标准的现场总线和通信协议。换言之，新型 AI 传感器必须具备小型化特性且能够实现互操作。
4. 网络安全与数据隐私：随着联网传感器数量增多，网络威胁风险也在增高，对 OT 和 IT 安全的要求愈发严苛。确保边缘数据传输的安全至关重要，尤其是当 AI 系统依赖传感器提供的敏感操作数据进行决策时。为此，可采用具备自校准和冗余功能的传感器，用于检测和隔离威胁。
5. 可持续性与能效：在为物理 AI 系统扩充传感器数量时，操作人员仍需将功耗控制在预算范围内，而具有低工作电流的传感器在系统扩展性方面具备显著优势。

综上，工业传感器是物理 AI 系统的基本构成要素，使物理 AI 系统能够在边缘与云端对真实世界进行感知、理解和交互。随着 AI 的不断演进，传感器技术的进步将成为充分释放 AI 潜力的关键，助力智能制造领域开发出更智能且适应性更强的系统。安森美在智能传感技术领域具有优势，凭借丰富的传感器产品组合与深厚的应用专业知识，正走在助力客户向工业 5.0 转型的前列。敬请关注本系列博客的第二部分，我们将继续探讨传感器创新及未来趋势。 

更多资源： 

• 机器视觉系统方案指南 
• 智能移动机器人系统方案指南 
• 工业自动化：全自主制造的智能技术 
• 传感器融合：驾驭未来的自主移动机器人