在过去几年中，工业物联网 (IIoT) 和工业 4.0 的重点完全放在子系统、传感器和开关等组件、大数据和互连上。然而，随着工业 4.0 的不断发展，能源效率对于真正实现工业 4.0 的进步至关重要。 工业设施是主要的能源消费者，可靠电力的可用性对于先进的制造工艺至关重要。工业部门可以对全球可持续性产生重大影响。 2016年，根据国际能源署的数据，该行业占全球用电量的41.6%。 电源和电源管理对于加强维护并最大程度地减少工业机器人在必须避免停机时间的市场中的中断是必要的。然而，更重要的是，提高效率具有节省大量资源的潜力。 有多种方法可以实现能源效率，包括但不限于以下方法： 安排生产过

对于依赖深度学习作为自动驾驶关键的自动驾驶汽车 (AV) 供应商来说，数据就是一切——在许多方面，它是唯一的东西。 数据是 AV 公司在公共道路上积累数英里的测试经验、记录和储存数 PB 的道路知识的原因。例如，Waymo 在 7 月份声称在现实世界中行驶了超过 1000 万英里，在模拟中行驶了 100 亿英里。 但这里还有一个行业不喜欢问的问题： 假设 AV 公司已经在真实道路上收集了 PB 甚至 EB 的数据。该数据集有多少已被标记？也许更重要的是，被注释的数据有多准确？ 在最近接受 EE Times 采访时，Edge Case Research 的联合创始人兼首席技术官 Phil

选择开关的过程并不总是得到应有的时间和关注。鉴于大多数开关的成本相对较低且性质简单，因此选择它们时通常没有充分考虑它们提供的特性和功能。根据应用的不同，有一些参数可以指导设计人员选择特定的开关，但在众多可用选项中，很容易误入歧途。 在这里，我们重点介绍了设计师在选择开关时应考虑的十个因素，重点介绍了为什么选择开关很重要 - 以及如果选择正确，开关如何为其产品和整体品牌增加价值。 由数据驱动 物联网 (IoT) 的出现正在各个领域产生大量数据。这些数据需要存储，或者更频繁地进行通信。容纳所需的天线、发射器和附加电路的必要性会对可用于操作、检测和数据收集组件（例如开关）的空间产生巨大影响。

TinyML 小组最近召开成立大会时，成员必须解决一些基本问题，首先是：TinyML 是什么？ TinyML 是一个工程师社区，专注于如何最好地在超低功耗系统中实施机器学习 (ML)。他们每月举行的第一次会议致力于确定这个问题。机器学习是否可以用于微控制器等低功耗设备？是否需要专业的超低功耗机器学习处理器？ 来自 Qualcomm AI Research 的 Evgeni Gousev 将 TinyML 定义为功耗 1mW 或以下的机器学习 (ML) 方法。 Gousev 表示，1mW 是智能手机中永远在线应用的“神奇数字”。 “有很多关于云机器学习的讨论，而智能手机级别的机器学习变得越

XMOS 的那些聪明人让我们更接近于在我们与之交互的几乎所有设备中嵌入用于语音控制的“耳朵”。 提醒一下，XMOS 是一家无晶圆厂半导体公司，开发语音解决方案、音频产品和多核微控制器，能够同时执行实时任务、极限数字信号处理 (DSP) 和控制流。 XMOS 微控制器以其确定性（可预测）的行为而著称。 让我们从底层的 xCORE 多核微控制器技术开始，该技术包括通过高速开关连接的多个“处理器块”。每个处理器块都是一个传统的 RISC 处理器，最多可以同时执行八个任务。任务可以通过通道（可以连接到本地磁贴上的任务或远程磁贴上的任务）或使用内存（仅适用于在同一磁贴中运行的任务）相互通信。 xC

一个新的联盟已经启动，以推动超宽带 (UWB) 技术用于精确的精细测距应用，并通过标准和认证确保整个芯片组、设备和服务基础设施生态系统的互操作性。 FiRa 联盟由四名赞助成员推动，旨在建立 IEEE 802.15.4/4z 标准，以实现低数据速率无线连接和增强测距。它表示将根据 IEEE 的特性制定互操作性标准，定义超出 IEEE 标准范围的机制，并开展支持特定用例快速开发的活动。 FiRa 联盟将以 IEEE 标准为基础，帮助确保互操作性（图片：FiRa） 发起人成员是 ASSA ABLOY 集团，其中包括 HID Global、恩智浦半导体、三星电子和博世；首批

收集数据从未像今天这样容易。只需单击几下，您就可以启动并运行，并配备了云必须提供的所有最佳数据技术，准备好尽可能地囤积所有数据。很难相信就在十年前，情况已经大不相同了。事实上，大规模收集数据只是大型公司的一种选择，组织能够负担得起昂贵的服务器（这是存储所有数据的唯一可行选择）和少数能够发挥最大作用的工程师其中，在数据科学还只是一个萌芽领域的时代。 如今，幸运的是，生成数据不再只是一项企业运动。事实上，多亏了物联网 (IoT)，无论好坏，我们现在都已成为小型大数据工厂。到 2020 年，一个人将负责每秒生成 1.7 MB 的数据。即使是现在，仅一辆自动驾驶汽车每天就会产生 11TB 的数据。而

根据疾病控制中心 (CDC) 的数据，美国每年大约有 610,000 人死于心脏病——占死亡人数的四分之一。心脏健康是衡量一个人整体健康的最重要参数之一。医疗物联网 (IoMT) 使新一代可穿戴、多参数、连续心脏监测系统成为可能，以改善各种医院、诊所、患者护理和家庭环境中的医疗保健管理。 IoMT 是医疗设备和服务的连接基础设施，用于收集和分析发送给医疗保健提供者的数据。今天，这些设备包括测量温度、湿度和振动的传感器，以及识别有限数量的心脏病的算法。 下一代设计正在寻求添加参数，以使用更智能、更复杂的算法识别更广泛的心律失常。例如，类似于带有一些非常小的 IC 的隐形绷带的一次性“贴片”可

我不了解你，但我开始发现技术世界是一个非常混乱的地方，我应该是一个专家，所以上帝只知道非技术人员如何设法包裹他们的大脑围绕正在发生的一切。 以无线通信为例。我认为我们大多数人都对 Wi-Fi 的概念感到满意，因为我们都在家中和办公室中使用了它。我还认为，如果你把蓝牙这个词放到谈话中，大多数人都不会害怕。 此外，即使是那些自己没有设计或使用过低功耗无线网状网络的工程社区成员，如果您提到 Zigbee 之类的东西，即使他们不了解所有细节，也可能会故意点头。 然而，实际上，上述技术只是冰山一角。有许多不同的应用可以从无线通信中受益，但它们都有不同的要求。有些只需要低数据速率和低周期（他们不想经

工业 4.0 自 2011 年汉诺威博览会上创造这个流行词以来已经走过了漫长的道路。智能制造的旅程仍在继续，但近年来真正产生影响的是物联网 (IoT) 的起飞和问世人工智能 (AI) 解决方案。 在这里，值得一提的是，通用电气在 2012 年创造了工业互联网一词，指的是智能连接的众多工业设备，以创建可以监控、收集、交换、分析和提供有价值的见解的系统。最终，工业 4.0 和工业互联网的概念开始融合，最终形成工业物联网或 IIoT。 不管叫什么，工业 4.0 或 IIoT，其根本目标是在尖端电子技术的辅助下实现继蒸汽机、传送带和信息技术 (IT) 之后的第四次工业革命。它将制造和过程自动化提升

Amazon Web Services (AWS) 是最流行的物联网 (IoT) 框架环境之一，与 Microsoft Azure 和 Google Cloud IoT 并驾齐驱。智能设备使用 Internet 连接到框架，并使用 MQTT 协议与其交互。除了与设备交互之外，该框架还为数据存储和处理、向用户表示数据、数据分析（包括人工智能方法）、具有强大权限系统的访问控制等提供了很好的机会。 为了存储数据，AWS 环境提供（除了不同的关系和非关系 DBMS）一个基于云的分层文件存储系统，称为简单存储服务 (S3)。 S3 存储中的每个文件都可以有一个通用资源定位器 (URL)，可从外部访问。

物联网 (IoT) 正在以惊人的速度增长。远程控制设备并获得有价值的数据洞察力的能力正在推动我们实现预计到 2035 年将达到 1 万亿台连接设备，提供比我们今天看到的更多数量级的数据。我们看到连接设备数量大幅增长的一个领域是智能电表。根据 iHS Markit，高级计量基础设施 (AMI) 的支出预计将在 2023 年增至 130 亿美元，而 2018 年为 90 亿美元。为我们提供热、光和水的公司正受益于自动抄表、精确计费、加上远程连接和断开连接功能——所有资源都比以前少了。 但这种前所未有的增长为网络犯罪分子创造了一个不断扩大的攻击面，以掠夺重要的基础设施，或渗透并窃取个人和企业的信息

几乎普遍而言，物联网设备的构建并没有考虑到安全性。事实上，这些设备中的绝大多数都没有使用任何加密，而且很容易被青少年在几秒钟内攻破。 为了帮助量化风险和企业准备水平，Shared Assessments 和 Ponemon Institute 于 2019 年 5 月发布了关于第三方物联网风险的第三次年度研究“公司不知道他们不知道的事情”，风险评估方面的两个行业领导者。调查回复来自 625 位领先的公司治理和风险主管。 一些令人不安的调查结果是： 26% 的人报告说遇到了由不安全的物联网设备引起的数据海滩 84% 的人表示他们的公司很可能会因物联网设备而发生数据泄露 87% 的人认为

随着联网设备变得越来越普遍，它们正在加剧隐私风险。幸运的是，现在有许多现成的芯片和服务可用于帮助设计抵御入侵并防止对私人数据的未授权访问。关键在于确定需要缓解的特定威胁。 广义上讲，隐私需要在未经信息所有者授权的情况下使指定信息不可访问。隐私涉及安全；信息不能在不保证安全的情况下保密。但它们不是一回事。信息安全还涉及防止恶意更改或破坏。从这个意义上说，信息可以在不保密的情况下保持安全。 将信息保密的原因有很多，其中一个主要的原因是全球许多政府法规和要求，用于维护与个人相关的信息隐私，称为个人身份信息 (PII)。构成 PII 的大部分内容是显而易见的——诸如姓名、地址、帐号、位置、健康状况

如今，音频接口已经无处不在。它可用于工业物联网 (IIOT) 的大多数单板计算机 (SBC)。有多种类型的接口可用，从模拟音频到数字音频端口。这种接口的每种类型在设计和测试方面都有其自身的挑战。在组装和生产期间对这些接口的测试涉及从模拟或数字前端到处理单元的数字音频输入端口的完整路径。 嵌入式平台上的音频前端和生产测试设置环境中音频数据路径的通用流程如下所示（图 1）， 图 1：嵌入式平台的测试设置和音频前端（来源：作者） 上图显示了数据路径中存在的主要块/组件。存在的接收器 IC 可以是模拟前端 IC，例如模数转换器 (ADC)，也可以是数字音频接收器 IC。 IC 的输出可以采

Aspinity 是一家成立于 2015 年的匹兹堡初创公司，周二将推出可重构模拟模块化处理器平台（RAMP）。超低功耗模拟处理平台旨在首先在模拟域中检测、分析和分类原始传感器数据。一旦将数据（语音、警报、振动频率或幅度的变化等）与背景噪声区分开来，RAMP 就会将数据移交给数字化。 （来源：Aspinity） 根据 Aspinity 的说法，这种“模拟优先”方法的结果是“将边缘所需的功率降低了多达 10 倍，并将始终在线的应用程序处理的数据量降低了多达 100 倍”。这家初创公司声称，RAMP 可以在面向消费者、智能家居、物联网和工业市场的电池供电、永远在线的传感设备中发挥关键作用

加利福尼亚州圣何塞——一家拥有由深度学习驱动的脑电波监视器的初创公司可以帮助移动和云计算巨头挖掘你的想法。该公司是在 Sensors Expo 上响应 Google 要求智能家居设备支持其智能助理服务的几家设备制造商之一。 云服务和智能手机可能不会很快被监控。然而，据参加此次活动的几家供应商称，该行业显然正处于从核心传感器技术到软件和数据的食物链上的竞赛。 Petal 使用现成的头戴式耳机来测量脑电图信号，这些信号用 Google 的 TensorFlow 框架编写的本土神经网络模型进行处理。这家成立两年的初创公司目前正在演示软件，让用户可以用自己的想法玩视频游戏。 该公司表示，三星对其

格勒诺布尔——CEA-Leti 选择“边缘人工智能 (AI) 的深度技术”作为今年 Leti 创新日年会的主题。上周的活动有来自世界各地的 800 名代表参加，在炎热的热浪中举行，室外温度接近 40 摄氏度（104 华氏度）。 在 Minatec 园区内，举办了讲座、研讨会和演示，提醒与会者将 AI 推向边缘将面临的重大挑战。 推动这一举措无非是数据隐私问题。然而，促使行业接受边缘人工智能的其他因素是他们希望减少人工智能计算的时间和能源消耗。数据传输和内存访问将占系统能耗的 90%，因此减少内存和处理器之间的数据移动变得至关重要。 CEA-Leti 的研究重点包括健康、环境和能源，在活动

加利福尼亚州圣何塞——LoRa 和蜂窝的窄带物联网 (NB-IoT) 远远领先于一系列低功耗广域网 (LPWAN)，在物联网领域取得了早期设计的胜利。根据 IHS Markit 的一份新报告，LTE-M 版本的 4G 蜂窝网络遥遥领先，Sigfox 落后。 该报告表明，曾经广阔的领域开始显着缩小。然而，现在还为时尚早。 IHS 估计，2018 年仅部署了 1.5 亿条 LPWAN 链路，预计这一数字将以 63% 的复合年增长率增长，到 2023 年将达到 17 亿条链路。 还值得注意的是，一些替代方案刚刚从实验室中出现。例如，今年有多家供应商为名为 HaLow 的 900 MHz 版本的

加利福尼亚州桑尼维尔——近 200 名工程师和研究人员聚集在这里讨论组建一个社区，以在超低功耗系统中培养深度学习，他们称之为 TinyML。在演示和对话中，他们公开努力在技术发展最快的领域的一个仍然不成熟的分支上努力，希望能够实现一类新的系统。 “不乏很棒的想法，”Arm 机器学习研究员伊恩·布拉特 (Ian Bratt) 开始讨论。 “四年前，事情变得很无聊，然后机器学习出现了新的浮点格式和压缩技术——就像再次年轻一样。但是，在实际系统中使用这些想法来赚钱的方法非常缺乏，”布拉特说。 “软件生态系统完全是一个狂野的西部。它是如此分散，而且亚马逊、谷歌、Facebook 和其他公司都在推