边缘节点的动态范围将由传感器的动态范围、信号的放大率(如果需要)和ADC满量程动态范围组成。如果传感器的满量程输出信号未达到ADC满量程范围输入的1 dB以内，则ADC的部分动态范围将会闲置。相反，如果来自传感器的输入超出ADC的量程，则会造成采样的信号失真。在计算边缘节点的动态范围时，放大器带宽、增益和噪声也是需要考虑的一部分。传感器、放大器和ADC的总电气噪声将为各RMS分量的平方和的平方根。
图5. 传感器信号输出幅度与ADC的输入满量程不匹配而出现动态范围丢失(蓝色)的示例。需要使用放大器最大程度地增大传感器的动态范围，同时防止ADC发生饱和(红色)。信号匹配必须考虑整个边缘节点信号链的带宽、动态范围和噪声。
智能工厂
在工业物联网中，机器振动状态监控将会是一项非常重要的应用。新型或传统机器设备可能拥有多个关键的机械元件，例如转轴或齿轮，这些元件可能装有高动态范围的MEMS加速度计。这些多轴传感器将对机械的振动位移进行实时采样。测量后，振动信号可以进行处理并与理想的机器配置进行比较。
在工厂中，通过分析这类信息，可以帮助提高效率、减少停机情况并提前预测机械故障。在极端情况下，可迅速关闭机械元件正在急剧恶化的机器，从而避免造成进一步的损坏。
图6. 虽然可以定期执行例行机器维护，但这通常不是根据机器状况而智能进行的。10 通过分析特定机器操作的振动性能，可在边缘节点处发出预测故障点和维护里程碑警告。
通过实现边缘节点分析，可以显著缩短决策时间延迟。图7显示了这样的一个示例，在这个示例中，在超出MEMS传感器警告阈值限制后，系统立即发送了警告。如果事件极其严重而被认定为关键事件，可授权节点自动禁用违规设备，以防止发生非常耗时的灾难性机械故障。
或者，可以调用触发信号以使能另一个检测和测量节点(如备用机器元件上的节点)，以便开始根据第一个事件来解读数据。这样可以减少来自边缘节点的采样数据总量。要确定相对于标称值的任何振动异常，前端节点在设计上必须达到所需的检测性能。检测和测量电路的动态范围、采样率和输入带宽应该足以识别任何偏移事件。
图7. 机器振动采样数据的时域表示，其中比较器阈值可决定是否将检测和测量数据传送到边缘以外。系统可保持低功耗状态以过滤大部分信息，直到通过阈值交叉事件实现数据优势为止。
智慧城市
另一种工业物联网边缘节点应用为具有嵌入式视频分析的智慧城市工业摄像机。根据智慧城市的定义，城市的使命是将无数的信息和通信点汇聚到一个凝聚的系统中，以实现对城市资产的管理。一种常见的应用是提供停车位空缺提醒和占用检测。调试期间会为各摄像机预先确定视场。分析机制中可以定义和使用边界边缘检测来识别各种对象及其运动。在边缘处，不仅可以分析对象的历史运动，还可使用数字信号处理(DSP)算法来根据对象轨迹计算预测的路径。
图8. 利用边缘节点视频分析，可在低功耗系统中确定对象类型检测、轨迹和边界交叉，而无需将全带宽视频数据发送至云端进行分析。只需传输时间戳及痕迹对象坐标和类型。
在类似的频率滤波中，终端处理通常不需要全带宽的视频分析帧。通常，不用于安全目的时，只需要完整视频帧的一小部分。在固定安装的摄像机上，帧与帧之间的大部分可视数据为静态数据。静态数据可以过滤掉。在一些情况下，只需要分析目标对象的边界交叉数或运动坐标。缩减的信息子集可以采用痕迹坐标的形式传输至信号链中的下一网关。