【導讀】在智能制造中，物理AI依賴傳感器感知環境并做出實時決策。本文詳解圖像、位置、超聲波等核心工業傳感器的工作原理與應用場景，并列出精度、可靠性、集成性等五大選型關鍵，為構建高效物理AI系統提供實用指南。
智能制造中，如何為物理AI挑選傳感器？
作者：安森美
智能制造是數字技術與傳統制造流程深度融合的體現。其中的核心是物理人工智能 (AI)，它將 AI 算法引入物理系統，例如機械臂、自動引導車輛 (AGV) 和計算機數控 (CNC) 機床。物理系統要能有效運行，離不開來自物理環境的實時數據，而傳感器的作用正在于此。
工業傳感器扮演著“眼睛和耳朵”的角色，在現代制造和自動化領域中已成為不可或缺的基石，從基礎的測量設備蛻變為能夠全方位監測離散自動化與過程自動化的精密系統。當與 AI（視覺 AI、聲學 AI 或物理 AI）相結合時，工業傳感器讓物理系統具備了自學習能力，進而助推制造效率、安全性的提升，并促進數字孿生技術和數據分析的應用。本文將深入探討各類傳感器及其應用。
洞悉工業傳感器及其工作原理
工業傳感器是感知和處理各種物理參數的器件，如距離、壓力、溫度、流量、液位、運動、速度、加速度等。它們收集的數據，對于監測和控制制造流程而言，可謂舉足輕重。收集到的數據隨后會通過數字/模擬輸入輸出 (I/O) 及通信模塊發送到可編程邏輯控制器 (PLC) 或 CNC。
在典型的工業傳感器中，主要組件（見圖 1）包括傳感元件、電壓基準源、運算放大器 (OpAmp)、模數轉換器 (ADC)、處理器、接口和電源管理模塊。傳感元件負責測量物理參數，并將其轉化為電壓、電流、電阻等電信號。
圖 1. 典型工業傳感器的組成模塊
工業傳感器充當著 AI 與物理世界之間的接口，恰如人體中的神經系統。當數字世界需要與物理環境進行交互時，離不開模擬和混合信號傳感器。下一代工業自動化系統不僅在信息技術 (IT) 云端融入 AI 能力，還將 AI 嵌入到部署在現場的操作技術 (OT) 器件中。換言之，AI 算法將應用于邊緣端的傳感器或可編程邏輯控制器 (PLC)/機器人中，以實現快速決策。 在此，我們將重點探討工業自動化中所使用的傳感器。
傳感器類型
圖像（視覺）傳感器：
圖像傳感器借助攝像頭拍攝在制產品的圖像和視頻，以此判斷產品的有無、方位及精度，是質量控制與檢測環節中不可或缺的器件。圖像傳感器憑借單個裝置即可實現對產品多個點位的檢測，為機器視覺提供有力支撐。安森美 (onsemi)的圖像傳感器和短波紅外攝像頭兼具低功耗和出色的圖像質量，具備高動態范圍和低光性能，助力系統在各類智能工廠場景中均發揮出理想效能。
圖 2. 機器視覺系統框圖
位置和扭矩傳感器：
盡管霍爾效應傳感器、力傳感器和光學傳感器已應用于電機位置控制，但考慮到磁體、精密電阻等感應元件及光學編碼器復雜的制造工藝，整體方案的成本實則居高不下。
如今，一種新趨勢逐漸興起：在運動控制和機器人技術相關應用中開始采用電感式位置傳感器，以帶繞組的印刷電路板 (PCB) 作為感應元件，并搭配模擬前端 (AFE) 和控制器。NCS32100和 NCV77320兩款產品相較傳統位置傳感器具有專門優勢，包括但不限于耐溫性強、機械結構簡化、抗污染能力出色等。
超聲波傳感器：
超聲波傳感器借助超聲波來測量距離，非常適合檢測透明物體（不同于光學傳感器），且不受灰塵和污垢的影響。安森美的 NCV75215是一款性能出色的接近傳感器，檢測距離為 25 厘米至 4.5 米。在自主移動機器人中，超聲波傳感器用于導航和避障；在過程自動化應用中，可對流體進行流量與液位檢測；而在成品質量檢驗中，可用于識別缺陷與裂紋。
光電傳感器：
光電傳感器借助光線實現物體檢測，分為對射式、反射式和漫反射式三種類型，各自具備不同的特性和應用場景。光電傳感器以非接觸檢測、適用幾乎所有材料、支持長距離視距檢測為顯著優勢，主要采用紅外與激光技術。安森美的 QR1113是一款性能優良的反射式傳感器，940 納米紅外發射器與配套的硅光電晶體管并排封裝，提供表面貼裝和通孔兩種封裝形式。
接近傳感器：
接近傳感器基于電磁感應原理，可在無物理接觸的情況下檢測金屬物體，且對灰塵、油污等環境因素具有極強的耐受能力。若需檢測非金屬物體，則以超聲波和光電技術為優選方案。
壓力傳感器：
壓力傳感器應用于氣動、液壓或潔凈室環境中，用于維持理想運行狀態并對偏差發出警報。它們通常以應變片或力敏電阻為核心，采用惠斯通 (Wheatstone) 電橋結構來抵消誤差，通過微小電壓變化實現壓力測量。
溫度傳感器：
溫度傳感器用于監控和調節溫度，應用范圍覆蓋食品加工、機械運行等多個行業。常用類型包括熱電偶、電阻溫度檢測器 (RTD) 及半導體溫度傳感器，例如安森美的 ADM1023。
環境傳感器：
氣體傳感器、化學傳感器等環境傳感器，用于在需要保持警惕的環境中監控特定的有毒或易燃氣體，常常集成在安全系統中。例如，NCV76124雨量和光線傳感器最初為汽車應用設計，可通過光電二極管發射并測量反射光，進而識別環境中的顆粒物。再如，用于連續血糖監測 (CGM) 的 CEM102 電化學傳感器模擬前端與 RSL15 藍牙 5.2 微控制器配合使用時，能在極低的系統功耗下實現對化學電流微小變化的測量。
傳感器的主要考量因素
為智能制造中的物理 AI 系統挑選適配傳感器時，需重點關注以下五大因素：
應用所需的精度與速度：傳感器必須滿足特定AI 任務對精度和速度的要求，例如實時質量檢測、預測性維護、機器人控制等任務。
數據質量與可靠性：傳感器會隨著時間推移生成海量數據，而AI 可對海量數據進行分析以挖掘其中的規律。能夠持續提供可靠數據的傳感器，對于訓練和運行 AI 模型至關重要，可為整個制造生態系統中的敏捷決策奠定堅實基礎。
互操作性與集成：傳感器應當能與現有制造系統無縫集成，并支持標準的現場總線和通信協議。換言之，新型 AI 傳感器必須具備小型化特性且能夠實現互操作。
網絡安全與數據隱私：隨著聯網傳感器數量增多，網絡威脅風險也在增高，對OT 和IT 安全的要求愈發嚴苛。確保邊緣數據傳輸的安全至關重要，尤其是當 AI 系統依賴傳感器提供的敏感操作數據進行決策時。為此，可采用具備自校準和冗余功能的傳感器，用于檢測和隔離威脅。
可持續性與能效：在為物理AI 系統擴充傳感器數量時，操作人員仍需將功耗控制在預算范圍內，而具有低工作電流的傳感器在系統擴展性方面具備顯著優勢。
綜上，工業傳感器是物理 AI 系統的基本構成要素，使物理 AI 系統能夠在邊緣與云端對真實世界進行感知、理解和交互。隨著 AI 的不斷演進，傳感器技術的進步將成為充分釋放 AI 潛力的關鍵，助力智能制造領域開發出更智能且適應性更強的系統。安森美在智能傳感技術領域具有優勢，憑借豐富的傳感器產品組合與深厚的應用專業知識，正走在助力客戶向工業 5.0 轉型的前列。
