Energy Harvesting Entwicklung eines energieautarken Sensorsystems

Verschiedene Anwendungen vom Umwelt-Monitoring bis zur Prozessüberwachung.
Verschiedene Anwendungen vom Umwelt-Monitoring bis zur Prozessüberwachung.

Energy Harvesting gewinnt weiterhin an Bedeutung in verschiedensten Anwendungen vom Umwelt-Monitoring bis hin zur Prozessüberwachung. Neue Ansätze zum Energiemanagement sollen schlanke Messsysteme ermöglichen, die bisherigen Systemen hinsichtlich Miniaturisierungsgrad, funktionaler Robustheit gegenüber Änderungen in den spezifischen Umgebungsgrößen und ihren Umwelteigenschaften überlegen sind.

Energieautarke Sensoren sind Systeme, die vollständig über eine integrierte Energiequelle versorgt werden. Dabei ermöglichen Energy Harvester die Wandlung von Umgebungsgrößen aus dem unmittelbaren Umfeld des Sensors in elektrische Energie – und können damit die Einsatzzeit verteilter sensorischer Systeme gegenüber dem reinen Batteriebetrieb erheblich verlängern. Neben der Gebäudeautomatisierung treten zunehmend auch Applikationen der Prozess- und Zustandsüberwachung in indus­triellen Umgebungen in den Vordergrund.

Der wartungsfreie kabellose Betrieb ermöglicht dabei über eine örtlich hoch aufgelöste Datenerfassung hinaus Zugang zu Orten, die mit drahtgebundenen Systemen schwer zugänglich sind. Trotz stetigen Effizienzsteigerungen von energiesparenden Prozessoren, Energiezwischenspeichern und integrierten Schaltkreisen des Power Management führen die endlichen Leistungsdichten der Energiewandler zu einem wesentlichen Volumen- und Gewichtsanteil am Gesamtsystem.

Eine schlanke, applikationsgerechte Auslegung der Energieversorgungseinheit ist daher der Schlüssel für Miniaturisierung und umweltgerechte Entwicklung autarker Sensorsysteme. Dabei muss die Funktion zu jedem Zeitpunkt, und zwar über die gesamte Bandbreite des Anwendungsbereiches sowie die Einsatzdauer des Sensors, gewährleistet sein. Eine präzise Definition des verbraucherseitigen Lastprofils sowie der Umgebungsbedingungen sind damit unabdingbar. Der Entwicklungsprozess von Energy-Harvesting-Systemen beginnt in der Regel mit einer Charakterisierung der nichtelektrischen physikalischen Eingangsgrößen vor Ort und endet mit der Verifizierung des Systems im Feld. Die Abbildung dieser Umgebungsgrößen in Labor und Simulation ist für die Auswahl und Konfiguration von Teilkomponenten sowie deren Optimierung im Kontext der gesamten Energiewandlungskette ein wichtiger entwicklungsbegleitender Schritt.

Reduzierung des Energiebedarfes autarker Systeme

Autarke Sensorsysteme verfügen typischerweise über anwendungsspezifische Sensoren, digitale Logik und eine Funkschnittstelle. Messgrößen werden erfasst, digitalisiert, gefiltert und lokal ausgewertet, direkt gesendet und/oder über mehrere Sensorknoten an einen Empfänger weitergeleitet. Aufgrund der Vielfalt ist eine pauschale Aussage über den Energiebedarf nicht möglich. Dieser hängt stark von den verwendeten Messprinzipien, den für die konkrete Anwendung erforderlichen Algorithmen und den genutzten Übertragungsprotokollen ab.

Grundsätzlich lassen sich zwei Hauptbetriebsmodi unterscheiden. Während der aktiven Phase erfolgen Messungen, Verarbeitung und/oder Funkkommunikation. In der Schlafphase wartet der Sensorknoten auf ein Ereignis, wobei die Leistungsaufnahme gegenüber dem aktiven Modus deutlich reduziert ist. Ursache für die Leistungsaufnahme trotz passivem Verhalten sind Leckströme und die Versorgung des Aktivierungsmechanismus. Bei Ultra-Low-Power-Systemen mit nur kurzen Wachphasen wird der Gesamtenergiebedarf jedoch maßgeblich durch die Schlafphase bestimmt und muss zwingend bei der Systembetrachtung berücksichtigt werden. Durch geeignete Sensoren mit entsprechender Signalverarbeitung wird die physikalische Messgröße in eine Spannung, Strom oder Frequenz überführt. Beide werden anschließend durch einen Analog-/Digitalumsetzer oder einem Zählwerk digitalisiert. Als Faustregel gilt, dass die elektrische Leistungsaufnahme mit der Abtastfrequenz steigt. Zur Reduzierung des Energiebedarfs bieten sich Messprinzipien mit möglichst niedriger Signalfrequenz an. Gegebenenfalls bieten sich sogar passive Indikatorstrukturen zur Auswertung von Schwellwertüberschreitungen an.

Mikrocontroller, Signalprozessoren oder FPGAs steuern die Abläufe im Sensorsystem. Der dynamische Energiebedarf digitaler CMOS-basierter Logik nimmt quadratisch mit der Versorgungsspannung und linear mit der Taktfrequenz zu. Zusätzlich treten in der Praxis jedoch frequenzunabhängige, statische Verlustleistungen auf. Die maximal zulässigen Taktraten vermindern sich mit der Senkung der Versorgungsspannung und damit erhöhen sich die Zugriffszeiten auf externe Speicher und Sensoren. Niedrige Taktraten senken zwar die Verlustleistung, führen im Gegenzug aber dazu, dass Berechnungen länger dauern. Die längere Betriebsphase kann durch zeitlich akkumulierte statische Verluste zu einem höheren Energiebedarf führen. Maßnahmen zur Optimierung des Energiebedarfs sind daher auch hier stark durch die konkrete Anwendung geprägt. In der Regel wird nicht darauf zurückgegriffen, Berechnungen mit hoher Taktrate und damit kurzen aktiven Betriebsphasen durchzuführen.

Flüchtige Speicher, wie SRAM, müssen dauerhaft mit Spannung versorgt werden, um Leckströme zu kompensieren. Das permanente Speichern von Daten in Registern und Speichern führt zu einem merklichen Leistungsanteil während der Schlafphase. Abhilfe schaffen hier nichtflüchtige Speicher, wie EEPROM oder Flash, die nach dem Schreiben und Lesen von der Energieversorgung vollständig getrennt werden können. Ihre längere Zugriffzeit erhöht jedoch den Energiebedarf in der aktiven Phase. Abhängig vom Verhältnis zwischen aktiver und Schlafphase kann ein Caching-Mechanismus die Gesamtenergiebilanz verbessern. Vielversprechend sind inzwischen kommerziell erhältliche Mikrocontroller mit nichtflüchtigem FRAM (Ferroelectric Random Access Memory). Diese Technologie bietet kürzere Lese- und Schreibzyklen und wesentlich höhere Beständigkeit als Flash oder EEPROM und lässt sich als Arbeitsspeicher nutzen.

Im aktiven Betrieb nimmt die Funkkommunikation einen erheblichen Anteil am Energiebedarf des Sensorsystems in Anspruch. Dabei steigt die Energieaufnahme mit Zunahme der zu übertragenden Datenmenge. Es ist daher abzuwägen, ob für die Datenvorverarbeitung und -reduktion „on Board“ mehr Energie aufgebracht werden muss, als durch die Verkürzung der Sendedauer und die entsprechend reduzierte mittlere Leistung des Transceiver eingespart wird. Die ständige Bereitschaft, Funkprotokolle zu empfangen, kann über energieeffizientes Idle-Listening oder besser noch über die Zuteilung und Synchronisation von Zeitschlitzen, in denen ein Empfang von Daten erwartet wird, realisiert werden. Für asynchrone Systeme existieren Ansätze für Wake-up Receiver, die bei deutlich reduziertem Energiebedarf detektieren, ob Datenverkehr erfolgt, und erst dann den Empfänger vollständig aktivieren.

Intelligente Verwaltung des Energiehaushaltes

In der Regel steht nicht genügend Leistung aus der Umgebung zur Verfügung, um das Messsystem permanent betreiben zu können. Das System muss daher zunächst Energie zwischenspeichern, bevor es aktiv werden kann. Die Aktivierung kann dabei reaktiv oder proaktiv erfolgen. Ist das System reaktiv, so wird es aktiv, sobald genügend Energie für die momentane Aufgabe gesammelt worden ist. Das kann dazu führen, dass ein solarbetriebener Sensor nur tagsüber Daten liefert (Bild 1).

Ein proaktives System hingegen zieht Prognosen über den zukünftigen Ressourcenbedarf in Betracht, um z.B. ein gleichmäßiges Messintervall auch nachts zu gewährleisten (Bild 2). Die Planung, in welchen Abständen Messungen durchgeführt werden, kann statisch beim Entwurf erfolgen. Die Messzyklen werden dabei anhand des erwarteten Energieeintrags fest eingestellt. Durch ein dynamisches Energiemanagement lassen sich Anwendungsparameter auch zur Laufzeit an unbekannte Einsatzumgebungen anpassen. Sensoren lernen selbstständig von ihrer Umgebung und stellen sich darauf ein. Überschüssige Energie wird gespeichert und als Redundanz für Zeiten mit außerplanmäßiger Unterversorgung des Systems zwischengespeichert. Hierbei sind „weiche“ Spezifikationen aus der Applikation relevant, z.B. die Möglichkeit, Zeitpunkte für durchzuführende Messaufgaben innerhalb eines Zeitfensters beliebig zu takten.

Fortgeschrittene Konzepte des Energiemanagements, bei denen sich das Systemverhalten dynamisch an die verfügbare Umgebungsenergie anpasst, bedienen sich zur Laufzeit einer Messung aus dem Energiespeicher. Bei Ultracaps und Kondensatoren leitet sich der Füllstand direkt aus der Klemmspannung ab. Bei Sekundärbatterien ist der Sachverhalt komplizierter, da komplexe elektrochemische Prozesse berücksichtigt werden müssen. Ziel des Energiemanagements ist es, Systemparameter wie z.B. das Messintervall so zu regeln, dass stets eine positive Energiebilanz erhalten bleibt. Reaktive Systeme stützen sich nur auf den aktuellen Ladezustand, während proaktive Regler einen vorgeschalteten Prognosefilter verwenden. Hier kann die Prognose auf lokal erhobenen Energiespeicher-Füllgraden basieren. Bei solar- oder windbetriebenen Systemen lassen sich alternativ allgemein verfügbare Wetterprognosen nutzen und angepasste Systemparameter per Funk an den Messknoten übertragen. Der Grad der Redundanz und der Robustheit gegenüber statistischen Schwankungen des eingangsseitigen Profils bestimmt über die Größe des Energy-Harvesting-Systems. Vielfach führt dies zu Zielkonflikten mit Volumen- und Gewichtsbeschränkungen und führt zwangsläufig zu einer Priorisierung der zu optimierenden Parametern.

Um Bedarf und zeitlichen Verlauf der Energienachfrage in frühen Entwicklungsphasen zu modellieren, zu simulieren und Optimierungspotenziale zu identifizieren, haben sich Debugger mit der Möglichkeit zur parallelen Messung der Verlustleistung etabliert. Letztere ermöglichen die Korrelation der Leistungsaufnahme Mikrocontroller-gesteuerter Systeme mit dem Programm-Code und damit eine Zuordnung zwischen Leistung und Funktionen anhand prototypischer Aufbauten. Für die Optimierung des Energiebedarfs einzelner Schaltungsteile kommen Schaltungssimulatoren wie SPICE zum Einsatz. Die Simulation des Verhaltens komplexerer Systeme erfolgt auf einem höheren Abstraktionsgrad, um den Rechenaufwand bei der Simulation zu verringern. Hier wurden ereignisbasierte sowie Analog-Mixed-Signal-Simulatoren wie SystemC-AMS erfolgreich verwendet [1].