Senan Alraho

• The swift progress in smart sensor technologies, Internet of Things, Industrial Internet of Things, and Cyber-Physical Systems has led to evolving the sensor standards to enable Industry 4.0, the industrial domain where adaptability, efficiency, and reliability are essential. The sensor applications of the new industry era necessitate increasingly adaptable sensor electronics and signal processing capabilities based on machine learning (ML) and artificial intelligence (AI) with other cutting-edge technologies. This thesis presents a literature review of the design and applications of evolvable hardware and reconfigurable/programmable electronics that can be tailored for smart sensory electronics (SSEs) in Industry 4.0. Through an interdisciplinary approach that weaves together elements from bio-inspired systems, evolvable hardware, and advanced signal processing techniques, this work introduces a suite of design methodologies and implementations for analog front-end (AFEX) systems endowed with self-X capabilities, namely self-optimization, self-configuration, and self-calibration. Central work to the AFEX is the circuit improvement and implementation of the fully-differential current-feedback instrumentation amplifier (CFIA) that demonstrates high performance in terms of input dynamic range, power efficiency, and adaptability and also integrates advanced features like input-offset voltage autozeroing. A major limitation of hardware in-field optimization is the chip area due to the configurable elements and the assessment unit implementation; both together increase the cost and almost present the optimization approach as possible but not a practical or attractive industrial solution. In this work, the application of indirect measurement for devices under optimization is implemented using simple non-intrusive sensors (NISs) and THD-based power-efficient indirect measurement techniques. Several design metrics are extracted simultaneously in fewer tests that don’t require the addition of new hardware, except for the utilization of the existing sensor’s data acquisition resources. To reduce the chip cost, it is proposed to configure the sensitive elements only in the circuit. In addition to the CFIA, the thesis proposes an innovative design of a fourth-order fully-differential anti-aliasing and anti-imaging filter, a crucial device for maintaining signal integrity for various signal processing properties ranging from low to high-frequency sensor applications. The key features of the proposed filter are the wide tunable bandwidth range, fine-step frequency resolution per decade, and a high dynamic signal range approached by the application of a programmable and linearized MOS resistor. Furthermore, to account for the complexity of the bandwidth tuning, an indirect measurement approach based on SSIs is proposed with the help of AI and neural networks. The practical realization of these designs is fabricated on a chip using the CMOS 0.35 µm technology from XFAB. The conducted LAB experiments under various operating conditions demonstrate not only the feasibility of the proposed solutions but also their potential to enhance the performance and energy efficiency, maximize yield, and improve the reliability of SSE in harsh industrial environments. Furthermore, by enabling sensors to autonomously adapt under varying conditions, it reduced the need for manual recalibration, thereby supporting the autonomous operation of industrial systems. An experimental demonstration using a Tunnel Magnetoresistance (TMR) sensor in the last chapter, showcases the practical application and benefits of the proposed in-field optimization. This demonstration not only serves as a proof of concept but also illustrates the potential of the proposed design approach in real-world industrial scenarios.
• Der rasche Fortschritt in den Bereichen intelligente Sensortechnologien, Internet der Dinge, industrielles Internet der Dinge und cyber-physische Systeme hat dazu geführt, dass die Sensorstandards weiterentwickelt wurden, um Industrie 4.0 zu ermöglichen, den industriellen Bereich, in dem Anpassungsfähigkeit, Effizienz und Zuverlässigkeit von entscheidender Bedeutung sind. Die Sensoranwendungen der neuen Industrieära erfordern zunehmend anpassungsfähige Sensorelektronik und Signalverarbeitungsfähigkeiten, die auf maschinellem Lernen (ML) und künstlicher Intelligenz (KI) sowie anderen Spitzentechnologien basieren. In dieser Arbeit wird eine Literaturübersicht über das Design und die Anwendungen von evolvierbarer Hardware und rekonfigurierbarer/programmierbarer Elektronik vorgestellt, die für intelligente sensorische Elektronik (SSEs) in der Industrie 4.0 maßgeschneidert werden können. Durch einen interdisziplinären Ansatz, der Elemente aus bioinspirierten Systemen, evolvierbarer Hardware und fortschrittlichen Signalverarbeitungstechniken miteinander verwebt, stellt diese Arbeit eine Reihe von Designmethoden und Implementierungen für analoge Front-End-Systeme (AFEX) vor, die mit Self-X-Fähigkeiten ausgestattet sind, nämlich Selbstoptimierung, Selbstkonfiguration und Selbstkalibrierung. Das Kernstück des AFEX ist die Schaltungsverbesserung und Implementierung des volldifferenziellen stromrückgekoppelten Instrumentenverstärkers (CFIA), der eine hohe Leistung in Bezug auf Eingangsdynamik, Leistungseffizienz und Anpassungsfähigkeit aufweist und auch fortschrittliche Funktionen wie die automatische Nullstellung der Eingangsoffsetspannung integriert. Eine wesentliche Einschränkung der Hardware-Infield-Optimierung ist die Chipfläche aufgrund der konfigurierbaren Elemente und der Implementierung der Bewertungseinheit; beides zusammen erhöht die Kosten und macht den Optimierungsansatz zwar möglich, aber nicht zu einer praktischen oder attraktiven industriellen Lösung. In dieser Arbeit haben wir die Anwendung der indirekten Messung für zu optimierende Bauelemente unter Verwendung einfacher nicht-intrusiver Sensoren (NISs) und THD-basierter leistungseffizienter indirekter Messverfahren implementiert. Mehrere Designmetriken werden gleichzeitig in weniger Tests extrahiert, die keine neue Hardware erfordern, mit Ausnahme der Nutzung der Datenerfassungsressourcen des vorhandenen Sensors. Um die Chipkosten zu senken, haben wir vorgeschlagen, die empfindlichen Elemente nur in der Schaltung zu konfigurieren. Zusätzlich zum CFIA wird in dieser Arbeit ein innovatives Design eines volldifferentiellen Anti-Aliasing- und Anti-Imaging-Filters vierter Ordnung vorgeschlagen, das für die Aufrechterhaltung der Signalintegrität bei verschiedenen Signalverarbeitungseigenschaften von Nieder- bis Hochfrequenzsensoranwendungen von entscheidender Bedeutung ist. Die Hauptmerkmale des vorgeschlagenen Filters sind der große abstimmbare Bandbreitenbereich, die feinschrittige Frequenzauflösung pro Dekade und ein hoher dynamischer Signalbereich, der durch die Anwendung eines programmierbaren und linearisierten MOS-Widerstands erreicht wird. Um der Komplexität der Bandbreitenabstimmung Rechnung zu tragen, wird außerdem ein indirekter Messansatz auf der Grundlage von SSI mit Hilfe von KI und neuronalen Netzen vorgeschlagen. Die praktische Umsetzung dieser Entwürfe wird auf einem Chip mit der CMOS 0,35 µm Technologie von XFAB hergestellt. Die durchgeführten LAB-Experimente unter verschiedenen Betriebsbedingungen zeigen nicht nur die Machbarkeit der vorgeschlagenen Lösungen, sondern auch ihr Potenzial, die Leistung und Energieeffizienz zu steigern, den Ertrag zu maximieren und die Zuverlässigkeit von SSE in rauen Industrieumgebungen zu verbessern. Durch die Möglichkeit der autonomen Anpassung der Sensoren an sich ändernde Bedingungen wird außerdem die Notwendigkeit einer manuellen Neukalibrierung verringert, wodurch der autonome Betrieb von Industriesystemen unterstützt wird. Eine experimentelle Demonstration unter Verwendung eines Tunnelmagnetowiderstandssensors (TMR) im letzten Kapitel zeigt die praktische Anwendung und die Vorteile der vorgeschlagenen Feld-Optimierung. Diese Demonstration dient nicht nur als Konzeptnachweis, sondern veranschaulicht auch das Potenzial des vorgeschlagenen Designansatzes in realen industriellen Szenarien.