Skip to main content

零售業

LPWAN 提供冷鏈物流

冷鏈物流, AI, 物聯網網路

多年來,2G 晶片組變得相當便宜,足以嵌入到低成本物聯網裝置中。同時,電信業者為了少量資料提供了極具吸引力的價格。這些因素使 2G 行動數據對於資產追蹤、物流和遠端監控等物聯網應用至關重要,因為替代的行動數據解決方案以更高的成本提供了多餘的頻寬。

但是在過去幾年來,世界各地的電信業者一直在關閉其 2G 和 3G 服務。

現在,出現了諸如 LTE Cat M1、NB-IoT 和 LoRa 之類的低功耗、廣域網路 (LPWAN) 標準,以實現輸送量、服務品質 (QoS) 和成本之間的平衡,進而使其非常適合行動物聯網使用案例(圖 1)。

LPWAN 技術為遠端和行動式物聯網應用程式提供了新的選擇。
圖 1. LPWAN 技術為遠端和行動式物聯網應用程式提供了新的選擇。

如圖所示,每種技術在延遲、功耗、頻寬和成本方面都有優缺點。這表示必須在逐個應用程式的基礎上考慮選擇一個 LPWAN 解決方案而不是另一個。

行動物聯網應用程式的靈活選項

冷鏈物流營運商不必只選擇一種 LPWAN。

OnLogic 的解決方案架構師 Johnny Chen 表示:「根據您使用的資料量,M1 或 NB-IoT 類型的服務每年的費用可低至 6 美元。而且,這還取決於您對延遲的要求是什麼,以及必須達到的即時程度。」

Chen 繼續表示:「現在,對於感應器連接能力,沒錯,M1 的價格很便宜,但是如果您在 M1 上有 100 個感應器,那麼所有服務仍然要花很多錢。在端點方面,您想使用基本上免費的東西。」

那「基本免費」的選項可能是 LoRa。透過簡化的調變技術,LoRa 模組比 LTE 同類產品更便宜。它還可以在未授權的 Sub-GHz 頻譜中運作,進而減免了傳統的網路電信業者的服務費。

但是,部分行動物聯網應用程式可以從 LoRa 的低成本以及 NB-IoT 或 LTE Cat-M1 等行動選項提供的更高可靠性中受益。冷鏈追蹤提供了一個完美的範例,說明如何結合使用這些新興網路技術來簡化從 2G 網路的遷移。

結合連線能力進行冷鏈追蹤

冷鏈追蹤是監控容易腐壞的貨物在整個供應鏈中(從製造到運輸再到倉庫或最終目的地儲存)過程中溫度或濕度的過程。

在組合式 LP-WAN 情境中,配備了低成本、支援 LoRa 的溫度感應器模組的貨板可以與製造設施和倉庫中的私人 LoRa 網路進行通訊。然後,當在經過氣候控制的貨運車輛中運輸時,回程通訊可以透過更可靠的行動技術進行。

那麼該如何實現呢?透過組合的 NB-IoT 或 LTE Cat-M1 和 LoRa 行動閘道裝置。

Chen 表示:「這是一個很好的例子,我們建議客戶在主邊緣系統上混合使用幾種技術。您既可以將其用作 NB-IoT 或 M1 的閘道,也可以將其用作所有感應器的 LoRa 閘道。這使其非常具有成本效益,並且使其易於在現場實施。」

OnLogic 開發了多種支援 LTE Cat-M1 的 Intel® 處理器供電的行動邊緣系統。諸如 ML350G-10 之類的系統還包含多個 PCIe 或 mPCIe 擴充插槽,可容納 NB-IoT 或 LoRa 網路卡(圖 2)。這使得這些平台可以作為多連接性閘道,進而可讓冷鏈營運商使用低成本、低頻寬的通訊,直至貨板感應器,並使用更高的 QoS 技術進行無線回傳。

ML350G-10 是一款堅固耐用的行動閘道,支援 LTE Cat-M1、NB-IoT 和 LoRa 通訊。(資料來源:OnLogic)
圖 2. ML350G-10 是一款堅固耐用的行動閘道,支援 LTE Cat-M1、NB-IoT 和 LoRa 通訊。(資料來源:OnLogic

ML350G-10 上的 Intel Atom® 處理器還與 Intel® OpenVINO 工具組中開發的機器學習演算法相容。此功能可以整合到諸如冷鏈追蹤之類的應用中,以協助在透過行動網路傳送更昂貴的訊息之前對資料進行預處理,或者與攝影機連接以對試圖存取正在運輸貨物的人員進行臉部識別。

並且,一旦貨物到達,動態網路配置可以自動將基於 LoRa 的感應器模組移交給目的地中成本更低的私人 LoRa 網路。

Chen 表示:「透過 LoRa,您可以從一個 LoRa 網路跳到另一個網路。在貨板上放置 LoRa 的整個想法是因為它可以在該貨板的整個生命週期中生存,這表示當牛奶在那兒時,它將追蹤冷凍級別以確保始終處於冷凍狀態。」

Chen 繼續表示:「透過這種方式可以記錄曾經的位置,例如,如果發生召回事件,則更容易追蹤。此牛奶具有這個序列號碼,已向全世界廣播,因此您可以追溯到它所運送的銷售市場、交貨地點,以及甚至如果有問題的話是放在哪個貨板上。」

邊緣人工智慧的新使用案例

有太多選項並不是一件壞事,尤其是在通訊方面。如冷鏈追蹤範例所示,LPWAN 技術可以一起使用,也可以單獨使用,以滿足最終使用案例的需求,而無論重點是可靠性、頻寬還是成本。

但是,除了混合和搭配這些互補技術外,當機器學習進入方程式時,事情會變得更加有趣。能夠在邊緣進行人工智慧推斷的經濟型、低功耗邊緣閘道有可能透過預處理感應器資料來降低整個網路成本、提供更深入的分析見解並啟用全新的使用案例,進而轉變整個行業。

如果您可以在貨運車輛上執行物體識別和偵測演算法,並透過低成本通訊技術傳輸中繼資料以進行智慧城市基礎設施管理,會怎麼樣?

似乎很牽強?閱讀垃圾車如何使智慧城市更安全

作者簡介

Clive "Max" Maxfield received his BSc in Control Engineering in 1980 from Sheffield Hallam University, England and began his career as a designer of central processing units (CPUs) for mainframe computers. Over the years, Max has designed everything from silicon chips to circuit boards, and from brainwave amplifiers to Steampunk Prognostication Engines (don't ask). Max is the author and/or co-author of a number of books, including Designus Maximus Unleashed (banned in Alabama), Bebop to the Boolean Boogie (An Unconventional Guide to Electronics), EDA: Where Electronics Begins, FPGAs: Instant Access, and How Computers Do Math.

Profile Photo of Max Maxfield