技術頻道

許多通訊系統採用48伏特背板供電。這個電壓通常會降壓至較低的中間匯流排電壓，通常為12伏、5伏或甚至更低，藉以為系統中各板卡供電。然而，在這些板卡上，大多數的分支電路(Sub-Circuits)或IC必須採用3.x伏至0.5伏的操作電壓，操作電流則從數十毫安培到數百安培。因此必須使用負載點(PoL)DC-DC轉換器來將這些較高的匯流排電壓降至分支電路或IC能運用的較低電壓。這種方法本身看似沒有很困難，但其在許多方面也面臨著嚴格的要求，包括定序、電壓精度、邊限微調(Margining)以及監測等方面，這些因素也都必須加以考量。 由於通訊設備中含有動輒數百條負載點電壓軌，因此系統工程師需要一個簡單的方法來管理這些電壓軌，包括其輸出電壓、定序以及最高容許電流。現今許多深次微米IC的數位處理器要求在其核心電壓之前升高其I/O電壓，另一方面許多DSP則要求核心電壓在其I/O電壓之前進行升壓。此外，關閉電源的定序也不可或缺。為此，系統工程師需要一種簡易的變更方法，藉以優化系統效能，以及為每個DC-DC轉換器儲存特定組態，以便簡化設計操作。 此外，大多數通訊設備製造商除了著手提高其系統的資料吞吐量與效能之外，還設法加入更多功能與特色。在此同時，業者也面臨壓力必須降低系統整體功耗。舉例來說，常見的挑戰是重新排定操作流程，把作業移至使用率偏低的伺服器，設法關閉其他伺服器，以藉此降低整體耗電量。為因應這些要求，關鍵在於必須知道終端使用者設備的功耗。因此妥善設計數位電源管理系統(DPSM)即能提供使用者功耗資料，進而做出明智的能源管理決策。 DPSM的主要利益是降低設計成本以及加快產品上市時程。運用完備的開發環境，透過內附直覺化操作的圖形介面(GUI)，即可輕鬆開發各種複雜的多軌系統。此外，這類的系統還能簡化電性測試In-Circuit Testing(ICT)以及機板除錯，直接透過GUI進行修改，而不是在電路板上以補焊接線(White Wire)的方式進行修正。另一項好處，是其能預測電源系統故障以及進行預測性措施，而這一切都要歸功於具有即時遙測資料來提供協助。最關鍵的好處，可能是具有數位管理功能的DC-DC轉換器，讓設計者能開發各種「綠能」電源系統，在負載點、機板、機架、甚至安裝系統層面以最低耗能達到目標效能(包括運算速度、資料傳輸率等)，藉此降低基礎設施成本以及產品生命週期內的總體持有成本。追根究柢，資料中心占最大比重的成本項目就是冷卻系統的耗電成本，而這些冷卻系統則負責讓資料中心內部的溫度維持在預設「最佳」作業溫度以下。 此外，系統工程師仍需要透用一些相對簡單的功率轉換器來滿足機板上其他電源軌，但能用來置放它們的電路板空間則一直不斷地縮減中。這方面也導致無法將這些轉換器置於電路板的背面，因為2mm最高元件高度的限制，以致必須裝在多片電路板上，安排成並列機架的組態。業界真正想要的是微型化的完整電源供應器，採用的元件貼焊到印刷電路板(PCB)時其高度不會超過2mm。本文將詳加探討這樣的解決方案。 廠商推SiP方案應戰 為此，半導體商ADI便推出Power by Linear µModule穩壓器，該產品是完整系統晶片構裝(SiP)解決方案，不僅可將設計時間縮至最短，還能解決通訊系統常見的機板空間與電源密度等問題。這些µModule產品是完整的電源管理解決方案，內含整合式DC-DC控制器、功率電晶體、輸入與輸出電容、補償元件以及電感等，全部均包含於微型表面黏著BGA或LGA封裝中。運用Power by Linear的µModule產品來進行設計，將使完成設計流程所需的時間大幅減少50%，而縮減幅度端視設計的複雜度而定。此系列µModule穩壓器能將元件選擇、最佳化以及布線等設計重擔轉移到元件，進而縮短整體設計與系統除錯時間，最終加快產品上市時程。 這些µModule解決方案整合許多分立式電源、訊號鏈以及隔離式設計中常用的關鍵元件，裝入一個類似IC的纖巧封裝內。之後再經過嚴格的測試與高可靠度的製程，使µModule產品系列能簡化各種電源管理與轉換方案的設計與布線流程。此產品系列涵蓋廣泛的應用領域，其中包括負載點穩壓器、電池充電器、DPSM產品(PMBus數位管理電源供應器)、隔離式轉換器、電池充電與LED驅動器。針對每種元件提供隨附PCB Gerber電路圖檔的高度整合解決方案，使這些µModule電源穩壓器不僅能解決時間與空間的限制，本身就是一款高效率與可靠的方案。此外，ADI許多新產品能協助客戶開發低電磁干擾(EMI)的解決方案，符合EN55022 Class B標準的規範，使系統設計者能獲得十足的信心，讓自身開發的終端系統能符合嚴格的雜訊性能標準，包括終端系統必須遵循的雜訊免疫力業界標準。 此外，隨著系統複雜度提高，所運用的設計資源也更廣泛，而縮短的設計週期，致使業者必須專注開發系統的關鍵智財。這通常意謂電源供應器會被擱在一旁，直到開發週期的後期階段才會展開設計。加上有限的時間，以及有限的專業電源設計資源，如此巨大的壓力催生出一款擁有最小底面積的高效率解決方案，透過PCB底部空間的善用，達到最大的空間使用率。 µModule穩壓器在這個關鍵領域能提供理想的解決方案。其概念是內部複雜，但外部簡單，結合切換穩壓器的效率以及線性穩壓器的設計簡易性。審慎設計、PCB布線以及元件的選擇，這些在設計切換器穩壓器都是相當重要的環節。許多有經驗的設計者在其職場生涯初期都有燒掉電路板的經歷，若是面臨時程短暫，或是電源供應器設計人才有限，現成的µModule穩壓器則不僅能節省時間與空間，還能減少設計程式所面臨的風險。 超薄µModule解決方案最新出爐的成員就是LTM4622。這款雙2.5安培或單一雙相5安培輸出降壓(Step-Down)電源穩壓器，達到6.25mm×6.25mm×1.8mm尺吋的超薄LGA封裝。高度接近下焊式1206電容，其超薄的高度讓它能貼焊在機板的正面(Topside)。此外，薄型化規格使其能符合各種嚴苛的高度限制，例如PCIe，以及嵌入式運算系統採用的先進夾層卡(Mezzanine Cards)，如圖1所示。 圖1　LTM4622(A)能貼焊到PCB的背面 此外，LTM4622A是最近發表的產品。LTM4622的衍生「A」版本擁有更高的輸出電壓範圍，從1.5至12伏特，取代非A版本的0.6至5.5伏特。系統設計者能藉此得到更寬廣的輸出電壓，並支援需要較高電壓的終端系統。A版與非A版元件的輸入電壓範圍都是3.6至20伏特。Power by Linear的µModule DC-DC穩壓器還可透過一個簡單的方式來提供高功率與DPSM功能。由於許多µModule穩壓器能以並聯方式組建出高負載電流與精準的電流匹配功能(額定準確度為1%)，其能減輕各處熱點(Hot Spot)的電勢。此外，只需動用其中一款µModule穩壓器就能將DPSM功能納入到產品中，即使其他並聯的µModule元件並沒有內建DPSM功能，只要有一個支援DPSM的µModule就足以提供完整的數位介面。 有了DPSM元件，系統設計者就能進行許多工作，其中包括： 設定電壓、定義複雜的導通/關斷順序、定義包括過壓與低電壓極限值等預設失效條件以及設定在數位通訊匯流排上的重要電源供應器參數，像是切換頻率以及電流界限等。 透過同一個通訊匯流排，我們可以讀回各項重要的作業參數，像是輸入電壓與輸出電壓、輸入與輸出電流、輸入與輸出功率、內部與外部溫度以及在我們產品中的耗用能源量測值。 另外業者也可針對其設計執行極精準的封閉循環式邊限測試，以及極精準地微調電源電壓。 這些元件本身就設計成能夠自主運行。一旦設定並灌入輸入電力，它們就會啟動電源供應；在負載點極精準地穩壓電壓，並持續監控電壓與電流來執行使用者設定的失效管理機制，啟動非揮發性記憶體的失效記錄器，以在偵測到失效狀況時用來儲存電源系統的資訊。 lDPSM可以層疊(Cascaded)方式組建出彼此同調(Coherent)的大型電源供應器系統。其中運用了跨晶片協調匯流排，其運行速度達到全線速(Wireline Speed)。 內建的非揮發性記憶體(NVM)支援元件組態儲存以及失效日誌記錄等功能。 這些元件內含I2C/PMBus通訊埠，並採用業界標準PMBus指令集來控制與管理電源系統。 這些PSM元件背後都有共用LTpowerPlay® GUI全力支援。LTpowerPlay是一款工程級圖形介面，在開發時就納入電源系統設計與除錯方面的需求，並融入遠端用戶支援的功能。 圖2顯示一個LTM4677(36安培DPSM µModule穩壓器)的應用示意圖，其與三個LTM4650s(50安培µModule穩壓器)並聯，組成一個180安培DPSM負載點解決方案。 圖2　結合一個LTM4677 DPSM µModule 與3個LTM4650 µModule穩壓器，能從一個額定12伏特輸入，轉換成186安培/1伏特的輸出。 在現今通訊設備中採用具有DPSM功能與超低晶片高度的功率轉換元件，能為電源供應器設計業者提供一個簡單且有力的途徑，藉此向核心電壓提供高功率輸出，最低並可支援至0.5伏特，在作業溫度範圍內最大直流輸出誤差範圍為正負0.5%，如此的規格很接近最新20奈米以下ASIC、繪圖處理器以及FPGA等元件。若是具有晶片高度的限制，可採用超薄型µModule穩壓器，例如LTM4622(A)，這款晶片裝到電路板時的高度不到2mm，因此原本沒用到的電路板的底側空間還能善加運用，如此不僅可省下昂貴的電路板空間，由於整體的操作效率提高，所需的冷卻資源也將隨之減少。 最後，µModule穩壓器非常適合運用於通訊設備，因為它們不僅能大幅縮短除錯時間，還能提高電路板空間的使用效率。如此不但降低基礎設施的成本，系統生命週期的總體持有成本也會隨之降低。對於設計與組裝等設備廠商而言，這也是一項雙贏的局面，因為企業一旦加以運用，就會將之安裝在自身的資料中心。 (本文作者為ADI電源產品行銷總監)

降低能源損耗　PMSM設計興起 就設計趨勢來看，目前簡易型家電通常為交流感應馬達(ACIM)，這類型的馬達多以變頻器(VFD)進行簡單控制，在此技術中，馬達採用三相正弦波作為繞組供電，透過改變脈衝寬度調變(PWM)負載週期控制馬達，並以負載週期變化率設定電壓與頻率。 對變頻器來說，只要負載不變，就可透過恆定的電壓與頻率比率提供恆定轉矩，不過配備變頻器的交流感應馬達，其響應變化的負載與速度需求較慢，導致其效能不佳。例如洗衣機通常使用交流感應馬達，當濕衣服在滾筒中翻動，或是滾筒在攪拌循環期間變速時，交流感應馬達對可負載變化的響應往往較慢。 要解決此一問題、提升效率的最直接方式，是更換設備的馬達類型，目前高階設備已開始採用新型態馬達「永磁同步馬達(PMSM)」，此一類型馬達的控制性更佳，但製造成本也更高。 相較於感應馬達的轉子需要使用額外電能維持繞線線圈磁場，PMSM則是在轉子中採用永磁體，因此功耗更低，在控制演算法方面，則可使用經改善過的磁場定向控制(FOC)，當馬達在更寬負載與更高速度中運作時，FOC可精準控制使用能量。在控制器部分，PMSM可使用數位訊號控制器(例如Microchip的dsPIC33EV系列)，協助提升馬達效能，同時降低運轉時的噪音。 此外使用以FOC運算法的PMSM也可以節省大量電能。例如冰箱壓縮機所使用的馬達轉速極低，1分鐘僅有800轉，轉速設計如此之低的原因，是為了降低冷卻液泵的速度，讓冰箱保持冰冷，改用FOC運算法PMSM的冰箱，其使用功率降低約30%，提升此電器能源之星的等級。而根據其他研究數據，在電能轉換為轉矩部分，PMSM則可達到90%的效率。 運用弱磁控制大幅提升馬達轉速 相較於冰箱壓縮機的低轉速，其他電器像是電鑽、空調系統、排風扇等，則需要高速馬達，這就可使用弱磁控制(Field-weakening或Flux Weakening)技術大幅提升馬達轉速。此一技術是以轉子磁體遇到定子繞組電壓場，以抵銷轉子磁體中部分磁場(磁通)的方式充電。 當轉子對準繞組中的磁體時，將產生降低馬達的轉向阻力，這種電阻稱為反電磁力(BEMF)。透過弱磁降低反電磁力，可將馬達的最高速度從25%提高到100%，進而降低該時間點的轉矩需求。由於多數電器在高速度運作下，並不需要全轉矩，因此弱磁控制可有效提升最高速度，以強化運作效率。 改變PWM頻率可有效降低噪音 家電馬達控制的第三個主要趨勢是最小化噪音，多數人早已厭倦廚房家電不時傳來的嗡嗡聲。所謂沉默是「金」，消費者會願意為了沉靜支付更多金額。 電器馬達會產生噪音有多種原因，包括電源電壓忽然下降、負載或轉矩需求突然變化導致轉子位置產生偏移，或是PWM訊號時間未與轉子位置對準，這些狀況都有可能導致轉子振動並產生噪音。 不過馬達噪音的主要來源，是接通和斷開金屬氧化物半導體場效應晶體管(MOSFET)或絕緣柵雙極晶體管(IGBT)時所產生，這兩者是馬達繞組傳輸電源的大型電晶體。每當馬達啟動或關閉時，繞組中電流的突然變化抖動，都會推擠周圍空氣(與揚聲器的操作方式相同)，進而產生可察覺的聲響，只要有3個馬達繞組，每秒有數千次相同動作，就會產生正常人類聽覺範圍(20~20,000Hz)的馬達嗡嗡聲。 所幸現在已有降低噪音的解決方案，而這些解決方案的效率取決於成本，而其關鍵做法都是以更高頻率切換MOSFET，並擴展PWM。 雖然所有馬達控制算法都可使用20KHz或更高的PWM頻率，以確保噪音頻率在人耳的可聽範圍之外，但由於成本因素，內含MOSFET封裝的整合功率模組(IPM)，在較慢的頻率下，其售價更低，因此許多家電仍然採用以更低頻率(通常在5~8KHz)開關馬達的MOSFET。 另一種降低噪音的技術是展頻。此技術是使用隨機亂數產生器改變PWM頻率，這種技術雖然速度不一，不過不會改變PWM頻率，將此抖動加入PWM頻率中時，其噪音訊號將會變小而且顯著降低。 仰賴先進控制技術提升馬達效能 家電馬達在啟動與低轉速時，必須確定馬達內的轉子位置與定子對比。主要原因有二，首先是空調機組中泵浦與壓縮機之類的設備，馬達無法倒轉，即便只是輕微錯轉，仍會損壞泵浦。其次是鑽頭、食品加工機、洗衣機和風扇等應用，為盡快達到全速，在設備啟動時，就必須得到全轉矩動力。 然而，與FOC搭配使用的反饋電路(稱為估測器或觀測器)，無法在零速或低速下運作。FOC被稱為無感測器技術，這代表無法從霍爾感測器、磁性位置感測器或光學軸編碼器提供轉子位置，因此FOC演算法會從3個馬達繞組取得電流回饋。但馬達開始運轉時，由於轉速仍慢，反饋電路難以產生良好讀數，等到足夠的轉速(例如50PRM)並獲得良好電流反饋後，控制迴路就會閉合且FOC開始正常運作。 而為了在馬達啟動或低速時檢測轉子位置，目前已開發出使用高頻注入(HFI)的技術。在此技術中，轉子中的3個繞組會使用高頻PWM訊號逐一逐次通電，並且測量電流反饋訊號。比較3組測量值後，就可精準定位轉子，並應用正確的PWM訊號，在泵浦和壓縮機以正確方向啟動轉子讓馬達加速。 另一項新技術是「Wind-Milling」，透過Wind-Milling重新啟動正處於慣性運轉的馬達，可匹配當下的位置與速度，讓馬達在穩定非晃動狀態下重啟，進而降低噪音並提升馬達耐用性。 此外也可以FOC最大化轉矩的方式控制馬達，此技術稱為每安培最大轉矩(MTPA)，允許馬達在恆轉矩階段，閉環轉換後加快轉速。MTPA可讓洗衣機的滾筒高速旋轉，強化其脫水能力，無人機馬達可在300ms之內，讓轉速從0RPM到30,000RPM，加快起飛速度。 提高馬達安全性　MCU/DSP須符合安全規範 安全性向來是馬達控制領域非常重要的設計考量，在產業中也一直往更高的產品功能安全設計方向走，而這也代表電子零組件，也就是控制馬達的微控制器(MCU)與DSP，需要內建符合產業規範的安全功能。像是IEC 60730 B，此一規範要求在馬達啟動時，關閉MCU與DSP的PWM預設狀態，以防止馬達在啟動時產生任何瞬態故障。 而未來，馬達控制設計工程師也希望拿到安全使用手冊，以協助他們了解並使用MCU或DSP中內建的所有馬達控制安全功能，這將帶來更安全的馬達驅動家電，也會讓所有消費者受益。 (本文作者任職於Microchip) 

在人工智慧的協助下，臉部辨識技術於不同環境中的辨識能力都已大幅提升，包括隨機(Wild)影像，以及使用者為了身分驗證而刻意捕捉的影像。根據Gartner發布的2019年企業IT與消費者十大預測，在人工智慧臉部辨識功能的協助下，2023年成熟市場裡的失蹤人口，將比2018年減少80%。 美國情報高級研究計畫署(IARPA)在2017年的IARPA臉部辨識準確度獎金挑戰賽(FRPC)即指出臉部辨識技術確實有所提升，該競賽首獎由上海新創公司「依圖(YITU Technology)」抱走。依圖的辨識技術與微軟Azure雲端運算平台進行整合，其領先業界的資料庫配對系統可以在3秒內搜尋超過10億筆紀錄。 除了應用於辨識人臉外，非洲國家也已開始試用臉部辨識技術來尋找走失的動物。舉例來說，阿里巴巴正和肯亞共和國的觀光與野生動物部合作，使用臉部辨識技術搭配物聯網(IoT)來保護園區裡瀕臨絕種的大象、犀牛和獅子。 臉部辨識實際應用結果顯示，即使樣本數量大，一對多比對的辨識速度仍然表現突出(低於600微秒)，且誤漏和誤認比例都在可以接受的範圍內。不過這樣的測試仍無法立即用於多數應用，因為模型的開發相當耗時，而影像比對也必須先擁有影像辨識集才能做到，這跟「現場」辨識是不一樣的產品架構；但至少對於從影像庫中辨識失蹤的人口依然有用，因此百度等臉部辨識技術供應商，正在開發預測準確度更高的技術。 此外，臉部辨識技術也能拿多年前拍攝的照片進行比對，根據父母長相來評估此人是否就是當年失蹤兒童的可能性；2017年，中國大陸即有個孩子在失蹤27年後，因臉部辨識技術而被尋獲。 臉部識別應用增　比對/分析技術持續革新　 我們預測未來幾年將有更多影像辨識被應用於協尋失蹤人口，尤其是尋找那些非自願性失蹤，但因為年幼無知，或年事已高、身心障礙等原因而回不了家的人。不過這項預測並不包括遭逢災禍(例如建築物傾倒和天然災害)，或因組織犯罪被害而喪命的失蹤人口。 企業組織將採取更積極的行動來提升臉部比對與分析技術，比如設點讓人成排走過公共及私人攝影機，為的是蒐集資料以利即時辨識人群，並於稍後進行後製處理，或未來在人們失蹤時予以協助。臉部比對和3D臉部成像技術將成為上述弱勢人口(包括兒童、老人或其他殘障人士)資料蒐集裡十分重要的選項，能減少失蹤人口，且毋須針對數量龐大的群眾進行大規模搜尋。 而在未來，當有了更穩健的影像擷取能力、影像圖庫開發、影像分析策略和更高的公眾接受度，臉部辨識技術最重要的突破也將隨之而生。此外，隨著攝影機裝置內部和邊緣人工智慧功能提升，公部門和私人組織將可以預先過濾必要的影像資料，而不必將所有影像串流傳送到雲端才能進行處理。 邊緣運算興起　隱私權挑戰逐漸克服 企業組織可將臉部辨識視為比散布式編碼(Scatter Code)、條碼和RFID標籤更具流動性和可靠的一個步驟，以定位這類系統的同樣方式來管理各個臉部辨識應用的場域，藉此增加可靠的臉部判讀數量。由於演算法和資料會因為年齡、種族和性別而大不相同，所以建議根據所在城市或國家裡失蹤人口的族群特質，來排定演算法和資料收集的優先順序；同時將臉部辨識視為一種生物辨識手段，以深入了解公民和員工在不同環境下的應用洞察。 當然，人們對於臉部辨識涉及的隱私權議題仍存在疑慮。但攝影機技術的發展正使邊緣運算模型的數量增加，進而減少不當蒐集資料的狀況。若法規要求，甚至可以定期清除資料。企業也必須部署邊緣運算方法並強化管理，以便根據在地文化來保障隱私權。不過由於失蹤人口在全球都是個嚴重問題，即使當事人並非因為犯罪事件而失蹤，都會耗費執法資源。臉部辨識只是解決失蹤人口問題這整個大拼圖的一部分，仍需其他如兒童專用智慧手表以及老人用GPS追蹤器等技術共同協助。 (本文作者CK Lu為Gartner資深研究總監；Whit Andrews為Gartner副總裁暨傑出分析師)

隨著邏輯裝置的線寬不斷縮小、3D NAND架構的堆疊層數不斷增加，連DRAM記憶體密度也屢創新高，整個製程對於污染也越來越敏感，而瑕疵對裝置效能影響也大大增加。為讓晶圓良率與可靠度達到最高，整個微電子產業須針對高效能技術越來越嚴格的材料使用與純度要求提出一套辦法，因應從化學製造到使用端的整個流程。 為了有效控制製程污染，就必須從每一片晶圓直接接觸的化學品著手。為了確保製程潔淨度並改善裝置良率，第一步就是提升化學純度。而這正是裝置製造商不斷要求化學供應商提供純度接近千兆分率(ppq)的化學品，以避免在化學品包裝、運輸與配送過程中出現污染物的理由(圖1)。 圖1　新一代半導體製造純度等級正朝著千兆分率(ppq)目標邁進。 另外，材料純度與液體輸送系統中的結構材料也一樣重要。若是沒有控制污染的化學品包裝、過濾、泵浦輸送及液體處理零組件，化學品就容易受到粉塵、金屬與雜質的二次污染。 而在瑕疵控制流程中，利用污染分布圖了解污染來源是至關重要的一環，然而，當製造業者分散採購產品，並將這些來自不同廠商、潔淨度不一的產品批次合併使用時，接著再追查污染源可能會困難重重(圖2)。 圖2　為維護從生產端到使用端的潔淨液體路徑，整個供應鏈必須攜手合作，共同管理污染以確保潔淨的化學輸送過程。 化學品製造商、OEM廠商與裝置製造商須與零組件供應商合作，共同管理污染物，並維護化學品、貯存槽與液體輸送系統的高純淨度。本文特別從粉塵剝離與可濾出的金屬污染兩大重點領域，探討業界在純度規範所面臨的種種挑戰，以及為全面符合尖端技術所要求的純度規格，添購更潔淨的液體輸送系統所能獲得的好處。 利用污染分布圖減少粉塵污染 有鑑於高純度化學品的用量不斷增加，而業界對純度的要求也越來越嚴苛，化學品製造商必須投入重資來防止粉塵污染，同時確保化學品在運送至晶圓廠過程中維持一定的純度。為了讓全新建構的化學品產線符合規範，業界投入大部分時間及費用來清洗管線、液體零組件與過濾器，以消除表面污染。半導體業界每年在清潔用化學品上的開銷就高達20億美元；預估其中有近10%的費用是在管線沖洗等非生產活動上，目的是透過清洗液體流動路徑，來確保製程潔淨無污染。 這些粉塵通常不會在第一次清洗就能完全沖刷乾淨，而隨著化學品長期停留在漫長的管線中或是不斷地循環使用，細微粉塵就容易從材料上剝離脫落，進而污染管線內的所有液體，最終造成晶圓的瑕疵。 為了減少沖洗管線所需耗費的龐大費用與時間，同時減少長期的粉塵剝離脫落現象，化學品製造商對於使用超潔淨與穩定聚合物的零組件技術紛紛感到興趣。這些零組件供應商正與化學品製造商攜手合作，共同開發一系列可減少表面粉塵的解決方案，同時了解這類解決方案對其系統的影響。 有鑑於現今的電路線寬不斷縮減，而製程節點也即將邁入低於10奈米的水準，製造過程中任何一個表面粉塵都將對邏輯裝置造成嚴重的損傷；因此，潔淨的化學品輸送方案便顯得比以往更加重要。同理，隨著3D NAND記憶體堆疊裡的電晶體數量不斷增加，任何一個瑕疵都可能堵塞多個晶胞，進而影響整個裝置的效能。一旦出現這種情況，產線就必須確認所有可能的污染區域，並採取適當的步驟來避免出現瑕疵。 一旦系統通過潔淨品質認證，而且化學品也符合所需的純度規範時，這時製程重點將轉為維持化學品運送至晶圓廠過程的純度。化學品在運輸過程或從大型化學品容器中分裝到較小的容器、運輸包裝，乃至於液體輸送系統裡存放時，過程中很可能受到粉塵的污染。為確保化學品的純度不變，所有的液體路徑都必須受到嚴格的污染控制，以保持環境的穩定。 另外，為維護化學品的純淨，我們必須慎選化學貯存容器。舉例來說，原先潔淨的光阻劑在抵達晶圓廠之後，便不符合粉塵規定，這時運輸容器便很可能是污染源。在選擇容器時，如果只是單純依據結構材料與容量的話，就會忽略了達成長期污染防制效果的關鍵層面。 這時如果製造商願意和持續測試並開發各項結構材料與產品製造方法的材料專家合作的話，就能生產出粉塵產生數量更低的容器。添購經污染控制的化學品運輸與輸送系統，能協助確保化學品潔淨無污染，同時提高產品良率並降低財務損失。當化學品運送到晶圓廠時，用來抽取容器內化學品，同時進行過濾，最終分配到晶圓廠各個生產線的設備，必須負責確保化學品的潔淨，而不能使其遭受污染。 晶圓設備投資續飆高　維持潔淨更不容忽視 最新出刊的SEMI全球晶圓廠預測報告指出，2018年全球花在晶圓廠設備的經費，預計將達到630億美元的歷史新高。這波大增的投資大部分來自於韓國三星半導體與SK海力士半導體，而部分則來自中國、歐洲與美國等地(圖3)。 圖3　半導體業者設備支出持續增加。 重金投資的設備當然不能讓人失望，而這樣的設備也必須立即有能力為晶圓廠提供純度極高的化學品，並維持穩定的品質。為了充分了解不同的化學品潔淨度相對等級，來指定送入晶圓廠化學品輸送系統所採用的零組件全程符合運送規範，所有的裝置製造商與OEM廠商無不戰戰兢兢地評估各種零組件。 這些OEM廠商與晶圓廠承包商在收到各種零組件規格之後，必須針對設備需要選出最適當的解決方案，確保送入晶圓廠的化學品在整個輸送系統中全程維持潔淨。 每當有新的晶圓廠建廠完成，就會開始建置大量的液體處理系統，而這些系統在開始輸送化學品之前，都必須經過預先沖洗、測試與吹淨流程。預先沖洗流程主要是對系統進行洩漏測試，同時去除系統內的表面污染物。一旦化學品開始流經系統，晶圓廠工程師便須持續監控化學品純度與晶圓瑕疵，接著沖掉化學品並進行整個流程，直到獲得理想的良率。整個過程不但曠日廢時，還會浪費化學品，造成鉅額的成本支出。 為此，我們需要盡可能減少製程產線認證所需耗費的時間與成本，及早找到更潔淨的零組件並使用計量技術以提高瑕疵偵測率與預防效果。如同化學品製造商，裝置製造商需要採購污染控制液體系統時，如果能夠仔細評估以確保此系統不會污染整個製程，甚至可以提升製程的潔淨度時，將可受益良多。 當結構日趨複雜的記憶體與邏輯裝置對於粉塵的敏感度日漸增加時，去除這些粉塵的需要將會變得更加迫切。為了有效控制製程流程中的污染物，透過複雜的液體過濾方式是業界認可的方式。 液體過濾有效控制流程汙染物 最先進的過濾薄膜技術已經能夠去除小於10奈米的粉塵，對於提升整體作業效率，乃至於推進尖端技術而言，是不可或缺的大功臣。現今的過濾器解決方案具備新穎的聚合物設計、多元的薄膜製造技術與先進的潔淨技術，能夠幫助裝置製造商依據使用的化學品特性及所需達到的狀態，量身打造合適的污染控制方案。透過製程監控、統計資料分析與客戶協作方式，這類液體零組件並可提供穩定且可重複實施的解決方案，有效控制污染物。 在無塵潔淨度與污染控制的條件上，沒有一樣零組件是相同的(圖4)。由於每一家HDPE鼓式容器供應商生產條件都不同，因此了解樹脂選擇與持續測試的重要性，乃至於如何運用製程控制方法來維持鼓式容器純度一致性，便顯得格外重要。這時，可以執行每日粉塵測試來達到這個目的。 圖4　在無塵潔淨度與污染控制的條件上，沒有一樣零組件是相同的。 此外，使用多家管線供應商可能會大幅增加污染變異的風險。這時，必須選擇對含氟聚合物處理有專業了解的供應商，並定期進行污染分布圖評估作業，以了解各種潛在的污染來源及其控制方式。 污染分布圖的概念，在於勘驗整個液體系統並將其細分為個別零組件一一檢視，然後從使用的材料以及/或是材料的製程中找出粉塵污染物的來源。一旦製程末端所使用的化學品出現粉塵數量激增現象，檢視各個零組件有助於釐清粉塵出自哪個零組件。 確定污染物出處之後，零組件供應商必須對其製程進行污染分布圖評估，包括設備、材料，乃至於生產零組件的製程，全都須要進行仔細分析。 一旦確定污染源來自材料本身，則整個製程將回到供應鏈的上一個環節，並由材料供應商進行製程的污染分布圖分析，以判斷污染物是出自其原物料饋送材料或是聚合物處理過程。此舉的目的是在整個供應鏈中採取主動檢視的策略，以去除污染物的來源。 為確保系統整體潔淨度，重要的步驟之一是促成使用者和零組件與設備供應商的合作，而這些供應商可在共同執行污染分布圖評估時溯源至整個供應鏈，進而了解並減少污染源。為確保能夠讓OEM廠商與晶圓廠持續收到潔淨的零組件，善用零組件供應商的污染分析能力也能小兵立大功。 除了評估較不容易出現粉塵剝離過濾現象的結構材料之外，還須要持續關注零組件組態、有效減少盲管與截流區，同時降低閥門、泵浦與過濾器的零件移動期間所產生的粉塵數量。計算流體力學分析是零組件製造商用來最佳化產品設計，同時提升零組件沖洗效果的另一項工具。 減少可濾出金屬污染　液體路徑更潔淨 半導體製程中如微影成像、濕蝕刻與清潔在先進的製程節點上對於金屬的敏感度越來越高。在全含氟聚合物輸送系統上，從PFA管線、閥門與純化器等零組件材料中濾出來的金屬物質會降低裝置良率。 無論投入多少資金或時間，想盡辦法沖洗系統以去除其中的粉塵污染，仍舊存在一個無法藉由沖洗方式解決的結構性問題。當化學品停留在貯存容器與漫長的管線裡的時間越久，材料裡的金屬離子就會開始剝離脫落或是濾出，進而污染管線內的所有液體。如此一來，化學品製造商與裝置製造商除了須要找出粉塵污染的原因之外，還必須額外花上許多時間巡察整個化學品輸送系統，藉此判斷金屬離子的來源(圖5)。 圖5　材料等級與製程計畫會因製造商而異，為了準確偵測出可導致金屬污染的製程與金屬變異，執行金屬溶出測試絕對有其必要。 這些金屬污染物通常得花上數個月時間，才會慢慢地從材料中濾出來。密封容器製造商不斷地尋求各種方式，希望藉由金屬含量較低的創新聚合物來降低金屬污染。零組件製造商也努力研發超潔淨的PFA材料，希望藉此降少管線與其他零組件所帶來的污染。 化學品製造商與晶圓廠不但對潔淨的管線深感興趣，還一同參與零組件供應商的研究，目的在於評估並確定管線材料對系統的影響。不過，並非每家供應商都對自家產品進行金屬溶出測試，也不是所有供應商都會想辦法最佳化製程以減少污染。若要準確偵測可導致金屬污染的製程與材料變異，定期分析零組件是重要的法門。 不同的PFA等級以及這些材料的處理方式，都會導致不同的純度等級。出現在原物料饋送過程的污染物，最終會出現在含氟聚合物裡，後者經過擠出加工變成管線或閥門管壁，或是變成過濾器薄膜，而後在整個液體輸送系統中移動穿梭，最終接觸到晶圓並造成晶圓瑕疵。實施污染分布圖分析，有助於找到污染源。 樹脂製造過程始於單體，由於單體本身可能已經存在污染，在經過聚合反應作用室(Polymerization Chamber)時，如果此作用室本身以金屬材質製成，便可能對產出的聚合物粉末造成污染。聚合物在乾燥與擠出為顆粒的過程中，也有機會將一些污染物帶進聚合物顆粒。當零組件供應商將這些聚合物顆粒加工成型為管線時，整個擠出過程也會對最終產品構成另一層潛在的污染源。因此，對材料供應鏈實施污染分布圖分析，攸關是否能夠順利確認金屬污染源，以立即採取修正措施。 光阻劑噴量泵浦之類的製程清潔工具與零組件，也可減少金屬污染的影響。光阻劑與其他微影溶劑無法強力地去除金屬污染物，但是這些污染物一段時間以後還是會濾出，而光阻劑與金屬離子之間的化學反應就會造成凝膠瑕疵與微橋接電路，進而導致晶圓出現電路短路現象。 在先進的邏輯節點上，這些污染物都會對減損裝置良率。在面對光阻劑應用中所使用的各種超純淨、極性，乃至於非極性溶劑時，溶劑純化器能夠極為有效地去除溶劑中已溶解及膠狀金屬污染物。現今市面上的溶劑純化器可去除小於ppt單位的污染物，並成功減少原物料製造乃至於晶圓供應過程中，源自金屬的瑕疵。 另外，在粉塵與金屬含量上，沒有一樣負責材料處理的零組件是相同的。評估機械零組件與結構材料可提高純度等級，協助確保安全及經污染控制的化學品輸送環境。為達到這個目的，全球各地的化學品製造商首先必須確保符合，甚至是超越嚴格的純度規定，同時控制密封容器與配送系統中的粉塵與金屬污染量。 化學/設備/材料三方須緊密合作確保化學品潔淨　 在確保液體系統的整體潔淨度上，另一個重要的步驟是促成使用者和零組件及設備供應商的合作，而這些供應商可在共同執行污染分布圖評估時溯源至整個供應鏈，進而了解並減少污染源。在污染減量策略上，評估零組件潔淨度並採購最潔淨的化學品輸送、過濾、計量與液體處理系統是不可或缺的一環。 整個半導體產業得益於化學品製造商、設備與材料供應商的三方合作，獲得其經污染控制的潔淨產品，以確保從化學品生產到使用端的每個製程步驟的潔淨。如此一來，裝置效能與良率都同步提升，連帶使得成本下降不少。 總而言之，材料商了解潔淨的化學品輸送過程所面對的種種獨特挑戰，因此與客戶共同開發及最佳化各項作業方式，希望藉由找出潛在的污染源，搭配適當的解決方案以去除製程中所產生的粉塵與金屬雜質。從安全有效率的化學貯存及輸送系統，到全系列液體處理產品，乃至於過濾與純化技術的專業知識，協助客戶確保整個製程的潔淨，進而提升良率。 (本文由英特格提供)

長久以來，人臉驗證一直被認為是電腦視覺領域中最大的挑戰之一，但現已設計出一套準確度高達98.36%的人臉驗證系統，而且是此一概念的即時驗證。本系統選擇的管線設計結合典型與現代的機器學習(深度學習)技巧，支援包括多用戶驗證以及反詐騙階段等關鍵功能，以解決利用照片或影片進行詐騙的關鍵安全議題。本文的目標是針對使用機器學習所產生的問題，以及終端用戶使用平台遭遇的問題，進一步瞭解打造更完整解決方案的程序。也因此，此一使用案例主要在探討如何在多IP上部署機器學習，以提升使用者體驗。為了達成概念驗證，本文使用Arm NN軟體以及已生產的硬體IP，展示一套Always-on的人臉解鎖(人臉驗證)系統。 人臉驗證演算法設計總覽 資訊流的來源，來自耗電量非常低的低解析度照相機檢測到的場景顯著變化，並對隨後階段進行閘控，以保持低電力使用量。當場景變化達到預先定義的水準時，高解析度的RGBD相機會啟動，並且開始針對每一幀(Frame)進行掃瞄，以找出人臉(圖1)。 圖1　當場景變化達到預先定義的水準，為找出人臉，高解析度RGBD相機會開始針對每一幀(Frame)進行掃瞄。 依據RGB資訊，倘若檢測出人臉，相對應的景深影像會傳送至負責辨識真實人臉的詐騙偵測器。在初期便放置反詐騙偵測器的作法，在出現的人臉若是列印的臉或是螢幕影像，得以馬上中止管線執行，並進一步降低電力消耗。 倘若人臉經過驗證後確認是真的，經裁切的RGB人臉會送至特徵點偵測器。追蹤可信之人臉部分，以及更精確的眼睛座標，可以協助我們對準人臉，並讓特徵提取器更易派上用場。在這個階段，我們使用卷積神經網路(Convolutional Neural Network, CNN)，替每位用戶將每張臉轉換成一套特徵集。 最後，驗證階段使用一個分類器，它負責透過比對輸入特徵與用戶儲存的特徵來驗證用戶的身份，以決定是否讓用戶進行系統存取。 此一解決方案使用Python做為開發語言達成，每一個資料段都可依據任務的不同，部署於最合適的Arm IP，讓管線更加節能，同時也能保持低推論延遲。 系統的啟動，靠在Arm Cortex-M處理器上處理的低解析度影像達成，可以提供最大的效能與最小的記憶體使用量。為了觸發高解析度相機，人臉偵測與反詐騙階段在Arm Cortex-A CPU上運作，並使用Compute Library運算函式庫支援的低階且高度優化的軟體功能。同樣地，特徵提取神經網路透過Arm NN可以進行高效剖析，然後匯入NEON或GPU，這讓我們針對所有的關鍵階段，都能達成高效的平行執行(圖2)。 圖2　人臉辨識執行步驟 Always-on階段使用一顆Arm Cortex-M處理器執行，處理來自低解析度感測器的輸入訊號，並在偵測到場景變化時，把系統喚醒；此一場景變化的偵測，會對在Cortex-A73上運行的RGBD相機資料處理，進行閘控。 更高品質的人臉偵測可移除偽陽性，且詐騙偵測使用深度資訊，確保人臉不會只是一張照片。人臉經偵測後，資料將饋入身份辨識階段，其為設計用來針對每個身份擷取獨特特徵的先進神經網路。驗證階段確認人臉是裝置中已登錄的人臉之一，並確認用戶的身份；而使用Arm NN，自然地把各階段移至正確的IP。我們不妨仔細檢視每個階段的功能，以及它們對整個解決方案有何貢獻。 喚醒階段 大多數現有的喚醒方式，都需要與裝置進行實體互動。為了讓行動使用更加無縫順暢，此一方式可以用其它感測器的低電力分析加以取代，以偵測用戶是否有意開始使用裝置。 運動感測器是選項之一，但是當裝置放在口袋裡或袋子中，可能會因為錯誤的喚醒而產生電力消耗的風險。因此，本文選擇使用低解析度相機來偵測顯著的場景變化，原因是手機上鎖後的前置相機，在使用前的一刻，通常只會看到一片黑暗，或是靜止不動的天花板。 使用低解析度感測器來進行影像擷取，並用Cortex-M處理器進行影像分析，可以讓喚醒階段偵測出有趣的特徵，同時在Always-on耗電水平內進行運作。這些特徵可以靠執行背景減法，並依背景擷取強度值的直方圖差異，輕易地進行辨識。此一階段設計用意為低延遲，並藉由使用低成本的Cortex-M處理器，來觸發解析度較高的光學感測器，並開啟人臉檢測階段。 人臉檢測 針對此一階段，我們選擇執行經過訓練的支援向量機(Support Vector Machine, SVM)分類器，並用梯度直方圖(Histogram of Gradients, HOG)當成特徵提取器。與另一種Viola&Jones方法相比，這種方式經證實可產生較少的偽陽性偵測，同時仍可在Cortex-A上進行即時運作。 每張梯度直方圖都是從使用16×16像素的資料段所擷取的8×8像素儲存格，且資料段的間隔為8個像素。每個儲存格的直方圖大小，可以支稱9個bin(0~180度)，而且最後的特徵向量在每個視窗大小內，將可支撐數個序連特徵。 最後，每個視窗的特徵資訊會傳送至SVM分類器，而它也將檢測人臉是否出現在此一視窗內。分類器經過LFW影像訓練過，而且藉由提供可以接受數量的真實反例，如此一來便可證實已經能顯著減少偽陽性偵測(圖3)。 圖3　執行經過訓練的SVM分類器可顯著減少偽陽性偵測 此一方式在使用NEON的Compute Library已經主要執行，而這也是降低這個階段整體延遲的一個好選項。正常來說，特徵擷取會進行多次運行，每一次都會讀取視窗內相對應的強度值，ACL則以更有效率的方式處理，透過預先定義HOG參數，每個儲存格都會計算一次特徵向量，並儲存在裝置上。 隨後，大小不同的數個視窗，每個都可以用來讀取相對應的記憶資料段，而且藉由平行運行多個SVM分類器，可以更快速地預測人臉座標，要辦到這點，需要訓練數個SVM分類器，且每個分類器都對應特定的特徵長度。 當然，要訓練分類器，必須相對應地調整訓練資料的大小，原因是每個SVM(總共有六個)是針對特定的特徵向量長度接受訓練，且視視窗的大小而定。不過，由於不必再重覆從像素值擷取特徵，使用上述的方法可降低運行時間的延遲。此外，依據輸入影像的解析度選擇所要的視窗大小，可以免除整合金字塔表示法的需要。最後一步我們則透過非極大值的抑制，來排除多重檢測。 拿ACL人臉偵測的延遲，與針對256×256影像以Dlib在4個Arm Cortex-A73、時脈調為2.36Ghz的處理器運作兩相比較，結果只花了一半的時間，就可以達成類似的結果(ACL：15毫秒對比Dlib：30毫秒)。最後，在ACL人臉監測執行的前端，建立了Python綁定(Binding)，讓它可以輕鬆與管線進行整合。 反詐騙步驟極為關鍵 在把人臉影像匯入生物特徵提取器之前，反詐騙是極為重要的安全步驟。在這個階段，我們把應付兩個關鍵安全議題的詐騙偵測資料段整合進去；利用照片或影片詐騙用戶身份。 四個最受歡迎的詐騙檢測演算法類別，分別是運動分析、紋理分析、影像品質分析，以及如紅外線感測器等主動方式。不過，由於此次使用的是RGBD輸入感測器，於是採取使用深度資訊的方式來辨識真臉與假臉。帶出反詐騙模型最大的挑戰，在於缺乏公共資料庫，因此我們搜集了自有的真臉與假臉反詐騙資料庫，並對系統進行訓練。 真實的人臉利用各種變數進行擷取，如不同的採光環境與姿勢，以及戴上或不戴眼鏡的情況；假臉則從各種不同的顯示監視器與照片進行擷取，以模擬2D的人臉詐騙攻擊。 為了辨識出詐騙攻擊，透過RGB偵測出的人臉座標會從人臉偵測資料段，饋入反詐騙資料段。依據這些座標，我們裁切從深度空間(2D距離的矩陣)偵測到的人臉，並跟之前一樣，利用同樣的HOG參數提取特徵。 最後，已經在我們客製化資料集中接受訓練的SVM分類器，會利用區別真實與虛假的人臉，防止非法的系統存取。倘若人臉被判定為假臉，我們會拒絕該用戶，並避免管線剩下的運行；如果判定是真臉，人臉會饋入2D仿射轉型資料段。針對反詐騙階段，再次執行HOG與SVM ACL，因為此一解決方案提供加速運行與結果(圖4)。 圖4　反詐騙是執行人臉辨識十分重要的步驟。 對準人臉 倘若用來訓練與測試的臉部影像修補，可以對準成常見的角度，人臉辨識與驗證系統的效果會更好。此一對準動作，可以讓生物特徵系統專注在人臉的外表，而不用特別應付不同的姿勢。 雖然我們預期用戶在人臉驗證過程中會直視相機，但藉由人臉對準的變換，我們提升了生物特徵提取器的堅固性，並排除了資料集內的姿勢變異。在對準人臉的作業中，深度學習技術顯現出大有可為的結果。不過，我們最後選擇了一個有效且運算成本較低的解決方案，以將管線的延遲降至最低；先用特徵點偵測器來提取特徵點，隨後依據這些點，用2D仿射變換(Affine Transformation)對準輸入的人臉。 在無限制的環境下，要把人臉特徵點局部化是件極具挑戰的任務，原因是它會出現許多令人混淆的因素，如姿勢、堵塞、表情與照明；特別是這些因素會對人臉的外表以及人臉局部特徵狀態，產生顯著的影響。 在我們的情況中，針對五個特徵點進行追蹤，並依集成迴歸樹(Ensemble of...

整合式馬達驅動器結合了驅動馬達所需要的一切，如場效應電晶體(FETs)、閘極驅動器(Gate Drivers)和狀態機(State Machines)，如圖1所示。藉由整合可防止從電子控制單位(ECU)配置長線路至馬達，並具備更小的印刷電路板(PCB)尺寸和總體系統成本等額外優勢。 圖1　智慧整合式BLDC馬達驅動器 BLDC馬達在汽車應用中的優勢包括效率、緊密的體積、更長的馬達與電池壽命、更安靜的駕駛體驗以及更佳的電磁干擾(EMI)性能。 此篇智慧整合式馬達驅動器文章中，將描述BLDC馬達的不同性能要求以及半導體業者如何於整合式馬達驅動器實現「智慧化」。第一部分將詳細介紹用於汽車應用的BLDC系統中的EMI管理。 提高EMI性能　高頻雜訊有效降低 BLDC馬達在10~100kHz範圍內的高開關頻率下驅動。在此高頻率下，由於高dv/dt和寄生電感共存將會於開關節點上產生高頻振鈴，此振鈴可能會產生高頻雜訊而干擾汽車中其他零組件。 如圖2和圖3所示，調整外加電壓(Applied Voltage)上升斜率(Slew Rates)有助於減少振鈴所引起的干擾。在離散式系統中，調整閘極驅動電阻將會修正電壓上升斜率，必須手動更改電阻值，並根據測試結果選擇最佳值。手動更換電阻器的過程極其繁瑣且需要PCB多次反覆運算，進而增加總尺寸和複雜性。 圖2　DRV10983-Q1和BLDC馬達中，120V/μs上升斜率的EMI量測範例 圖3　DRV10983-Q1和BLDC馬達中，35V/μs上升斜率的EMI量測範例 針對像德州儀器(TI)旗下的DRV10983-Q1整合式驅動器，閘極電阻不可存取而且無法更改。不過，這並非是一件壞事，例如，DRV10983-Q1中整合了上升斜率控制，可以透過更改暫存器值，輕易地調整上升斜率，進一步加速EMI測試模組的整體運行。 提高EMI性能的其中一種方法是改變脈衝寬度調變(PWM)開關頻率。PWM開關頻率對振鈴有一定的影響。若是整合式驅動器，可透過配置暫存器來更改此PWM頻率；此外，另一種降低EMI的常用技術是使主時鐘有頻率的振動(Ditering)，藉由在頻譜上擴展振動來降低峰值頻率的振幅。 透過使用具有完全整合功能(如上升斜率控制、可變PWM開關頻率與振動)的馬達驅動，可減少外部濾波零組件的數量。如此不僅節省了系統成本、電路板空間，最重要的是，更節省了解決干擾來源所需的時間以及重新設計電路板的精力。 後文將討論啟動可靠度、初始位置偵測、反電壓突波(Anti Voltage Surge)、馬達在相反或相同方向旋轉時的重新同步、正弦波整流(Sinusoidal Commutation)以及其他使馬達驅動器智慧化的更多整合功能。  馬達啟動開迴路加速 前一部分討論了電磁干擾(EMI)管理以及使用整合式解決方案減少電磁輻射的各種方法。接下來，將探討在無感測器(Sensorless)模式下驅動BLDC馬達的馬達啟動技術。 以反電動勢(Back Electromotive Force, BEMF)為基礎而預估的進階無感測器演算法，需要最小的BEMF值來精確估計轉子位置，以便在180度正弦模式下驅動BLDC馬達。為取得最小的BEMF值，馬達最初透過開迴路(Open Loop)階段驅動，直到達到最小速度，再使用預估的BEMF在閉迴路(Closed Loop)中進行整流(Commutation)。馬達啟動分為兩個階段：第一階段時馬達處於靜止狀態；第二階段是指當在無BEMF資訊時它開始加速，如圖4所示。 圖4　BLDC馬達的啟動設定資訊。 在開迴路期間，馬達在無任何關於轉子位置資訊的情況下驅動。在此開迴路整流階段，也稱作盲整流(Blind Commutation)，非常重要，因為它與系統可靠性直接相關。若未正確配置盲整流，則馬達將啟動，失去同步並失速。 最重要的是，在開迴路狀態期間，驅動器可將馬達加速到足以進行精確的BEMF估計的速度。它也能夠在此開迴路狀態期間支援負載。在達到切換速度(Hand-off Speed)後，驅動器將會從開迴路切換到閉迴路狀態。該切換速度將依據馬達轉矩常數(Kt)而變化，亦即具有較高轉矩常數的馬達需要較低的切換速度，反之亦然(圖4)。 因此，驅動器應能夠提供可變速度曲線以支援開迴路加速，以及支援各種負載與可調式切換速度的可調式電流。對整合式驅動器而言，可透過配置電子式可抹除程式化唯讀記憶體(Electrically Erasable Programmable ROM, EEPROM)暫存器來實現盲啟動(Blind Startup)。 係數A1和A2定義為加速度，Op2ClsThr為切換速度，也稱為開迴路-閉迴路臨界值。請參考公式1：   　公式1 如公式1所示，二級加速度的其中一個優點是，它能夠驅動馬達並使其符合機械負載曲線(圖5)。它也同時支援緩衝啟動，這代表馬達將以較慢速度啟動，並隨著速度的增加逐漸提升加速度。此功能適用於慣性負載較高的馬達。 圖5　機械負載曲線示意圖 整合式驅動器不僅能夠使用盲整流啟動馬達，它還能透過緩衝開迴路加速的方式平穩地啟動馬達。這些功能有助於轉動各種負載的馬達。下一部分將探討啟動處於靜止位置馬達的不同技術。 從靜止位置啟動馬達 在啟動開迴路盲整流之前，驅動器必須與轉子位置同步，避免將電壓施加到錯誤的相位(激發錯誤的相位)。有兩種方法可獲得此位置，一是將馬達驅動到已知位置(稱為對齊(Align)和移動(Go))，如圖6所示；二是確定轉子位置(稱為初始位置偵測(Initial Position Detection, IPD))，如圖7所示。 圖6　馬達啟動期間的相電流及對齊 圖7　馬達啟動期間的相電流及初始位置偵測(IPD) 選擇此方法而非另一種方法的原因，主要取決於馬達類型和系統要求。調整和移動是用於啟動馬達的常用方法，其中在第一相上施加恆定電壓將馬達驅動到已知位置。第二相接地，而第三相可接地或維持高阻抗。在此狀態下，馬達應完全或幾乎靜止是必須考慮的重點，讓驅動器可啟動馬達旋轉而不會失去同步。若馬達並不處於靜狀態，驅動器則可能會失去轉子(Rotor)同步並失速。 設計者仍必須在調整狀態期間考慮為轉子提供足夠的電流，以便讓其從靜止位置移動。若電流過高會在對齊狀態下引起較大過衝(Overshoot)；電流過低則將無法取代轉子。 另外，設計者也必須在調整狀態期間配置兩個重要參數：調正時間(Align Time)和電流振幅(Current...

圖1　2014年內陸運輸運具分配比例 資料來源:歐盟統計局 隊列行駛(Platooning)意即兩輛以上卡車彼此緊跟行駛，能有效改善這些問題，兩輛卡車成一直線行駛可節省燃油並提升安全性，而逾兩輛卡車隊列行駛，則可獲得加乘效益。一輛卡車的燃料消耗中，與空氣阻力相抗的油耗高達25%；卡車間距越近，越能有效節省燃料。若隊列行駛系統上路，五輛卡車在高速公路隊列行駛，可減少10%碳排放。 歐洲卡車以隊列方式駕駛已行之有年，好處包括增進能源效率、行車安全、增進共事氛圍等。若卡車駕駛能藉助技術縮短彼此車距，對於碳排放、燃料用量、安全性以及運輸效率方面皆大有裨益。 V2X通訊提升車隊安全 藉由安全、互通的無線通訊網路，卡車以及其他車輛能持續彼此「對話」，於隊列行駛時共享安全性、移動能力和周遭環境資訊。聯網車輛可使用無線通訊「對話」，彼此知會交通號誌、道路施工區域、收費站、學區及其他道路基礎建設。此外，聯網車輛可在出現安全隱憂時警示駕駛。例如其他車輛車距過近或位於駕駛視線死角等，讓駕駛即時反應，避免危險發生。 隊列行駛系統比照自動駕駛車，採用高階自駕技術，能比人類更快做出反應。車對車(V2V)通訊技術搭載雷達、感測器資料以及驅動器，反應時間比人類快25倍，可讓駕駛更放心，在某些情況中可稍事休息讓車輛自行駕駛。然而，現階段的隊列行駛技術仍須駕駛保持警覺，隨時準備接手駕駛。變換車道、駛離快車道等動作需要各隊列卡車駕駛成員手動行駛，隊列行駛系統與基礎架構以及全體車輛進行通訊，提醒跟車駕駛在必要時掌控路況(圖2)。 圖2　在道路行駛的卡車隊列 車聯網提供更佳隊列行駛 為了讓卡車隊列能緊連行駛，經實證的技術需結合新技術，創造安全可靠的系統解決方案： 1.安全可靠且低延遲的V2V通訊不可或缺，協助駕駛在無法反應的極近距離內行駛。IEEE 802.11p短距無線通訊技術(DSRC)已證實可滿足此類要求。 2.雷達和全球導航衛星系統(GNSS)是判定車距並偵測其他車輛切車的必備技術。 3.攝影鏡頭技術為必備功能，用於準確校準及對齊隊列卡車。前導卡車可透過通訊技術，將前方路況傳輸給後方卡車。 4.感測器融合平台整合感測器(雷達、攝影鏡頭等)以及導航系統蒐集之資訊，將需執行的動作傳導至自駕技術。 5.車輛須安裝自駕技術，以啟用自動加速、減速、轉向等功能。 6.蜂巢式通訊有助於隊列行駛規畫服務，例如可集合各營運業者的卡車於特定高速公路隊列行駛。混合式車聯網(V2X)解決方案搭配V2V通訊可用於實作，為隊列行駛卡車、車隊營運業者和基礎架構提供連線能力，實現環保行車新浪潮。 7.合適的隊列行駛系統，是奠基於安全穩固的架構，以及硬體電子元件與軟體部署，才能滿足高功能安全性與安全標準。 卡車OEM業者有意最快在2022~2023年推出隊列行駛，為此半導體商紛紛推出具有完備的先進駕駛輔助系統(ADAS)及自動駕駛系列解決方案，亦提供合適技術並協同開發所需方案，積極推動隊列行駛的發展。 V2X技術發揮隊列行駛最大價值 例如恩智浦的RoadLINK V2X解決方案能為隊列行駛提供合適的核心通訊技術，採用IEEE 802.11p WiFi通訊標準，將無線連結的延遲率低至數毫秒，並整合了壅塞控制標準(DCC)，供高密度隊列行駛使用。RoadLINK採用安全元件，控制憑證並使用加密演算法進行驗證以及對稱、非對稱加密/解密。恩智浦預期，各品牌在歐盟Ensemble計畫提出隊列行駛計畫時，將採用上述功能，有鑑於此，該公司設計多種安全機制，將安全通訊期間的延遲率降至數毫秒，展現此解決方案符合隊列行駛效能。 舉例而言，道路測試時，隊列行駛卡車間的車距可縮短至7公尺(23英呎)，或是在0.3秒內以時速80公里(時速50英里)速度行駛。人類平均反應時間約1秒，而RoadLINK解決方案搭載完整電子設備系統原型(網路閘道、感測器融合、路徑規畫ECU、低階控制ECU等)，反應速度比人類快25倍，可實現短車距隊列行駛。 General Motors、Volkswagen、Toyota等各大車商皆採用IEEE 802.11p技術，遠勝3GPP組織指定的即將推出的5G LTE-V Rel 14行動網路技術。製造商和模組製造商須花費數年驗證LET-V，以供日後用於生產模型。 如前文所述，雷達和攝影鏡頭感測技術對隊列駕駛不可或缺，為此，半導體商發展SiGe製程技術，以及外型規格小巧、經濟效益極高的RF CMOS技術，聚焦中短距離的周遭景象，而RF CMOS技術尤其適用於偵測可能切換車道的車輛。如恩智浦的視覺處理器以支援OpenCV的開放平台為基礎，搭載專用硬體加速管線。 而感測器融合平台則整合各種感測器資訊(圖3)，用於執行區域模式、路徑規畫、動作控制。如恩智浦的BlueBox自動駕駛車開發平台可支援正常模式、安全模式和仲裁模式(恩智浦與DAF、TNO、Ricardo攜手投入EcoTwin III隊列卡車行駛)，此多功能開發及原型製作平台可直接交叉編譯。舉例來說，PC上以Simulink模型為基礎的設計支援百度Apollo自動駕駛平台，並包含經ASIL認證的處理器等異質運算處理器，讓客戶在投入產品開發前評估安全概念。且該公司的安全專家以及SafeAssure功能性安全計畫也支援前述技術。 圖3　安全感測器融合技術 現今技術可讓卡車隊列行駛兼具高效能與功能安全性，以功能安全性及安全設計為本，並融合802.11p V2V通訊技術--感測器(雷達、視覺、GPS)及感測器融合技術。 縮短卡車隊列間距並盡可能降低風阻，不僅可節省兩位數的燃料消耗，同時也減少等量的二氧化碳排放。歐盟出資的共伴計畫(Companion Project)顯示，若歐洲150萬輛卡車中，25%採隊列行駛(假定每輛車可節省5%燃料)，則每年可減少近10億公升燃料及大量二氧化碳排放。卡車間的距離越小，隊列行駛時就能節省越多能源。卡車駕駛穩定性提高並趨於同步，結合內建的先進輔助駕駛技術，交通安全和流量可望提升。 荷蘭基礎建設與環境部部長Melanie Schultz van Haegen於2016年「歐盟卡車隊列駕駛挑戰」落幕時表示，隊列行駛技術已做好上路準備，且將迎接移動能力的新時代。透過協力合作，將可享受智慧移動能力帶來的商機，因此也期盼歐盟可重視智慧移動、智慧運輸系統以及連網自駕等議題。恩智浦的自動化駕駛和V2X解決方案搭配BlueBox開發平台，提供主要建構模組，確保卡車隊列行駛安全無虞。 (本文作者皆任職於恩智浦半導體)  

上述這些AI生命週期的步驟若運用NVMe，都可受益於其效能而呈指數型的成長。有鑒於此，本文將深入探討如何善用現代式的NVMe介面儲存方案，從而促進更快速的周轉效率，來實現下一階段的AI突破。 各行各業正在將機器學習技術導入其商業流程，旨在為客戶提供更好的產品，並為股東帶來更好的獲利。不過，若要有效地部署AI，就需要客製化的機器學習模式、大量運算及無法估量的數據。未來從最小的物聯網設備到最大的城市級數據，都驅使我們必須處理PB單位的資料量，而這將對在傳統上以MB單位量及毫秒運算時代所設計的儲存技術帶來很大的挑戰。 機器學習需要消化龐大的數據量，因此需要NVMe，一種專為傳輸速度所設計的全新儲存介面技術。與SATA及SAS不同，NVMe捨棄了以傳統硬碟設計的協議與構造，取而代之的是通用處理器連接技術中速度最快的PCI Express(PCIe)，藉此減少延遲(Latency)，並提供每個裝置強大的頻寬。這種PB單位量以及微秒時間處理能力的特性需求，讓NVMe儲存技術成為最能符合機器學習需求的不二選擇。 實現AI仰賴周全數據管道 機器學習的關鍵在於數據，若要透過處理數據獲得有意義的結果，須要考慮周全的數據管道。每家企業的數據管道因自身業務需求而各有不同，但一般來說，所有的數據管道可被分解成收集、準備、設計及訓練四個階段。經歷四個階段後的輸出結果將建構一個模型，可在邊緣或核心推算新數據。 由於這個過程通常需要大量數據，每一個階段都必須針對數據流進行優化，以避免產生瓶頸。NVMe介面就是專為這種任務而設計，並能夠透過下列四種方式來協助優化AI數據通道： ．更快速、更具成本效益的數據收集 ．更快的數據集準備與運算時間 ．更短的模型設計週期時間 ．訓練模型時，硬體運用更有效率 NVMe助力　收集數據更智慧 部署AI的第一個挑戰就是收集原始資料，並匯入集中式的儲存中心，而這些原始資料的種類多樣性十分繁雜，可說是廣大無邊。例如：物聯網裝置傳來的感測報告、網路日誌、生產品質報告等。在實際運用上，Apache Spark等商用服務工具可處理這些任務，並對匯入的資料加以過濾，最後累積成未經結構化的數據，再存入NoSQL的數據叢集中。NVMe可協助減少這類伺服器占用的實體運算時間，同時提高反應速度。 傳統的NoSQL叢集都經由多個SATA介面硬碟伺服器所組成，而在儲存PB單位量數據時，傳統硬碟確實是一個經濟實惠的方法。不過若要再進一步提供與達到最大頻寬，每個伺服器通常必須再結合數十個SATA或SAS硬碟。這種架構顯然會增加個別伺服器的體積，並很快就會填滿資料中心的機房，但在此情況下，伺服器的CPU卻大多是閒置且未加利用的。 相形之下，單一的NVMe介面，就能夠取代多個SATA或SAS介面並且提供相等的頻寬，而且只須要插入一片AIC板卡(Add-in-card)或是2.5吋外型規格。換言之，以體積更小的NVMe SSD來取代原本NoSQL伺服器的大型硬碟陣列，就能夠縮小NoSQL節點，並大幅減少整個硬碟叢集占用的機架空間。 如今要訓練人工智慧前，先決條件必須有TB或PB單位量的大數據，然而如此大量的數據，其格式結構通常並非立即可用。因此我們必須先將數據轉換為AI更容易處理的格式結構。太極端的異常值和雜散數據須加以濾除；不適合運用或是不符合法律規範的數據，也須在這個階段先剔除。 NVMe提升數據準備效率 面對這樣的處理需求，非專為高流量設計的儲存系統極有可能因負荷過量而當機。傳統的SAS和SATA每個介面的頻寬有限；相比下，以PCIe為基礎的NVMe介面，頻寬可達6.4GB/s或更高，頻寬優勢更為顯著。在數據準備的階段，頻寬並不是儲存系統的唯一要求，並行性也很重要，由於處理的數據量非常大，需要單個伺服器之內的多個核心及多個伺服器同時平行運算。NVMe最高可支援64K的等候中指令集和64K指令，因而讓伺服器內以及跨伺服器的平行運算更為流暢。 具高頻寬/並行性　NVMe讓模型設計更智慧 將數據整理完畢，並轉為單一易處理的格式結構之後，資料科學家才能開始大顯身手。然而資料科學家要解決的每個問題都不一樣，也因此每次都要透過往復的過程，才能開發獨特的機器學習架構。唯有針對小量的數據子集進行不斷的測試驗證，才能得到一個待選的訓練模型，再進入下一階段。所有科學和工程專案的道理都一樣，一開始會走很多冤枉路，才能找到最終解決方案，也就是需要多次嘗試才能有所結果。 在這個反覆試驗的過程中，單一測試週期的速度會影響最終模型的架構以及機器學習模型的品質，若能將設計及測試週期從10小時縮短為8小時，資料科學家的效率就能提高2倍。過去資料科學家可能一早開始工作，須等待至隔天才能看到數據結果；如今卻能在一天之內完成一項測試，也就是早上先設計模型並進行測試、取得結果，並即時調整參數，然後下午離開辦公室前跑另一次測試，在一天之內執行兩個測試週期。 和前幾個階段一樣，NVMe的頻寬和並行性，在此也可發揮作用，協助資料科學家提高效率。資料科學家的個人工作站、在專屬沙盒(Sandbox)中進行的模型測試，都能利用NVMe的低延遲性，讓作業系統和測試數據集更為順暢，同時還能提供快速效能與頻寬，供分析和測試之用。 記憶體轉換效率高　模型訓練負載量再降低 資料工程師將數據轉成機器學習易於讀取的格式結構和設計出對應機器學習的模型架構之後，接下來就要展開訓練「網路」的實際作業。配有加速器的成千上百部機器開始運作，將格式結構化的資料匯入模型，並在過程中微調模型的參數，直到能夠匯聚成為一個可用於實際應用推斷的模型。 以往的加速器技術是以繪圖處理器(GPU)為基礎，因此儲存效能不構成問題。在此情況下，在伺服器上運作的通用中央處理器(CPU)都有綽綽有餘的時間，處理GPU之間的I/O作業，並且替它準備好下一批數據。然而這種情況已不再適用，如今是交由FPGA或客製化的ASIC來負責執行模型的訓練。 現今的機器學習加速器與過往技術相比，其處理資料的速度呈指數級成長，因此通用CPU在伺服器上運作時，必須更有效率的處理呈指數級成長的I/O。傳統的I/O架構(如SATA及SAS)須轉換為舊有協定，耗費CPU週期運作資源，這會增加I/O指令的延遲性，直接影響加速器的利用率。傳統I/O堆疊也會增加CPU主機的負擔，導致每部處理器所能運作的加速器數量受到限制。 由於NVMe從一開始就是以記憶體傳輸速度儲存概念來設計的協議規格，因此不會發生必須轉換協定而大量耗費運算資源的問題，這可將處理器的負擔降到最小，並確保資料能即時匯入以供下一代的加速器使用。更令人興奮的是，目前正在審查中的擴大版NVMe協定，或稱為控制器記憶體緩衝區(CMB)，可透過NVMe處理這些直接記憶體轉換而不需主機的介入，以進一步降低負載量。 NVMe成AI聰明選擇 機器學習與人工智慧應用都圍繞在數據上。收集資料、將其轉換為可用格式結構、再開發學習架構，乃至於最終訓練出一個模型來判讀數據，都需要有效的儲存介面，才能處理PB單位規模的數據量，同時又能將延遲性大幅優化、降至微秒以下。NVMe是專為記憶體速度儲存而設計的技術，可提供最佳儲存介面，供機器學習和更多其他應用使用。 (本文作者為Western Digital企業產品管理部門副總裁)

對機械手臂業者而言，人口老化、勞動力短缺等大趨勢雖然有利於業務發展，但若要推動機械手臂普遍運用在各種製造業、甚至非製造業，必然要讓機械手臂朝更靈活、更智慧、更能彈性運用的方向發展。在這個思路之下，有些傳統工業機械手臂的設計理念跟技術可以繼續沿用，但有些則有重新檢視、修正的必要。 彈性生產挑戰傳統手臂設計思維 目前的工業用機械手臂絕大多數都是以大量生產單一產品的應用場景為研發思考的起點，因此整個手臂系統的設計方針，不太會把少量多樣或混線生產的需求列入考量。 少量多樣甚至混線生產的生產線配置，跟大量生產的產線相比，有哪些不同需求？最顯而易見的一點就是換線調度所產生的設備移動、定位校正等考量。目前絕大多數工業用機械手臂都必須安裝在牢固的定點上，無法視產線需求快速調度到其他位置。定點安裝有其好處，因為這種安裝方式更容易讓手臂在又快又穩的前提下執行工作，有助於產能極大化，但缺點就是要換線的時候，若機械手臂的位置需要移動，拆卸跟重新安裝、校正的作業會相對麻煩。 除了移動性的問題之外，換線調度往往也意味著工站的來料會跟著改變，工站本身的配置跟布局也可能會跟著調整，這會影響到手臂的運動路徑規劃。如果手臂的控制系統無法聰明地因應這些變化做出調整，自動化工程師撰寫程式或手動教導的負擔會變得很大。 最後，目前機械手臂所使用的夾爪、治具等配件，大多是針對特定產品組裝工序設計的客製化配件，A產品有一套專屬的夾爪、治具，B產品則用另一套的情況相當普遍。這其實也是為了追求量產速度極大化而產生的設計，但缺乏適應性的夾治具，使得機械手臂在換線時，有時必須更換對應的夾治具，若是遇到混線生產，情況則更加棘手。 歸納起來，對於產品種類眾多，需要頻繁換線的製造業者而言，現有機械手臂不能輕鬆移動、對現場環境的變化適應性不足，使得自動化工程師必須頻繁介入、以及夾治具設計的泛用性不足，是三個必須設法克服的問題。 感知/移動/泛用性成關鍵 如果要讓機械手臂適用於講求彈性生產的產線，機械手臂的設計理念必須跟著調整。首先，手臂設備本身必須具備更高的可移動性，才能滿足產線調度的需求。其次，機械手臂必須有能力感知周遭環境跟加工任務的變化，並做出適應性的調整，不管是在軟體或硬體上都要有一定的適應能力。 關於移動性，這個問題最直觀的解答，就是把手臂設備安裝在可移動的平台上，例如自動引導車輛(AGV)或是推車上(圖1)。這種設計對講求高速運動的工業型機械手臂來說，會構成一定的挑戰，因為慣性會影響到手臂運作的穩定性，如果要手臂運作又快又穩，把手臂安裝在牢固、安定的平台上，還是最好的選擇。但對於講求彈性生產的生產線來說，因為對產線吞吐量的要求相對較低，手臂的運動速度可以適度放慢，慣性所引發的問題也因而從根本上獲得緩解。 圖1　為滿足彈性生產需求，機器手臂必須具備一定程度的可移動性。 至於在感知能力方面，機器視覺是最重要的技術。除了2D視覺外，3D視覺也非常關鍵。2D視覺可以用來讀取QR碼標籤、感知物件的外觀輪廓等傳統機器視覺可以執行的任務，3D視覺則可讓機械手臂據以判斷其所處場景中，各物件在立體空間內的分布狀況，除了可以更精準地抓取物件外，甚至可以讓機械手臂自動閃避其運動路徑上的障礙物。 力覺感測對於彈性生產來說，也相當關鍵。透過這項技術，手臂可以跟其加工中的工件建立起更深的連結，例如精準地控制加工力道，避免損壞產品，或確保零部件被正確地安裝到位。有了力覺感測的數據，機械手臂還可以實現智慧化的力量自動補償，解決零部件公差的問題，或是當公差過大，超過容許範圍時，自動發出示警。力覺技術有相當大的應用想像空間，端看個別生產線的具體需求為何。 完整的感知能力，對於提高機械手臂控制軟體面的適應性，可以帶來很大的幫助。因為有這些即時的感測數據，機械手臂不再只能靠著預先固定的程式，照本宣科地在不同座標點之間移動，或是只對工件施加固定的力量，而是可以按照環境跟任務的變化，適應性地做出改變。 至於在硬體層面的適應性，則必須以泛用型夾治具取代固定型夾治具來實現。固定型夾治具限制了機械手臂可以執行的作業任務，泛用型夾治具則可以在一定程度內解決這個問題。此外，雙臂協同運作也會是未來的發展方向之一，因為雙臂協作可以讓機械手臂執行更複雜的工作任務。 雙臂機器人滿足彈性生產需求 以愛普生(Epson)發展多年，到2017年底才正式商品化的WorkSense W-01自主性雙臂機器人為例，該機型就是以滿足少量多樣、彈性生產組裝為出發點而設計的產品。 WorkSense W-01整體共有15軸關節，包含單一手臂具有7軸運動關節，雙手共有14軸，再加上腰部可旋轉的1軸，可以提供非常高的自由度，以適應變化多端的生產組裝需求，甚至像人類作業員一樣，正面180度以內都是其可以自由運用的工作空間。 此外，WorkSense W-01是一款可以由作業員推到定點後，踩下固定踏板，接上網路線就能開始工作的雙臂機器人，這也意味著該設備不用大幅更改生產線布局，就能整合進原本以人類作業員為核心而規畫的生產線(圖2)。 圖2　WorkSense W-01可以直接推進原本為人類作業員設計的工站，執行作業任務。 而在機器視覺方面，共配有6顆視覺，該設備除了頭部配有2D跟3D機器視覺外，在兩隻手臂的手肘部位也各有一個2D機器視覺鏡頭。此設計可解決手臂擋住頭部視線的問題，消除機器視覺的死角。無死角的機器視覺，對雙臂機器人的應用而言相當重要，不僅能讓手臂避免碰撞，更有助於提高手臂設備的泛用性。 WorkSense W-01的設計理念是可代替人類作業員進駐工位，而在少量多樣或混線生產的產線上，一個工站往往得做很多事情，因此空間利用相當緊湊，一張工作檯上再切割成多個區塊，放置多種零部件跟對應的加工設備，例如焊槍、螺絲刀等，是很常見的情況。因此，手臂必須清楚知道現在要執行的組裝工作為何，相關工具跟零配件放在工作檯的哪個區塊。在這種情況下，利用QR Code標籤來標記工具、零配件的位置，加上無死角的機器視覺，就能發揮很大的功效。 而在夾治具方面，為提高適應複雜加工作業的能力，手臂必然也要改採泛用型夾爪，並搭配力覺感測技術，讓機械手臂不只在機構設計上更接近人類的雙手，同時也有感測力道的能力。WorkSense W-01出廠時的標準配備就是兩軸的四指夾爪，並且在夾爪的四指中間，還有一個類似手掌的設計，以提供更多夾持力道，讓夾爪可以更穩固地夾持工件跟加工設備(圖3)。 圖3　泛用型夾爪讓機器手臂可以滿足各種作業需求。 要滿足多功能工站的複雜作業需求，除了硬體面之外，軟體面的考慮也要更周延，只有硬體到位是行不通的。WorkSense W-01本身內建的控制器有相當大的儲存容量，因此自動化工程師可以預先把所需要的各種加工模式寫成模組，當機器人在工位上就定位之後，只要呼叫模組即可。 也因為該設備本身有很完善的視覺跟力覺感測機制，因此自動化工程師在寫程式的時候，可以不用把每個動作鉅細靡遺地寫死，藉由感測器提供的資料進行即時補償即可。這使得控制軟體的撰寫變得更簡單，在某些情況下，控制軟體的行數甚至可以減少到原本的三分之一。 實現機器換人願景要有新思維 對機械手臂供應商來說，製造業客戶喊出機器換人、無人工廠等口號，雖然是一大利多，但在技術跟產品開發上，卻是相當大的考驗。跟機械手臂相比，人類作業員有完整的五感，加上會思考的大腦，因此面對複雜的加工任務，有很強的適應性。但現有的工業用機械手臂大多是以追求產能極大化作為設計出發點，而不是從滿足複雜、多元化的加工需求來思考，因此在遇到多元化製造或彈性生產需求時，會遇到很多難題。 要協助製造業客戶實現無人工廠，機械手臂必然要變得更像人類，要有感知跟思考的能力，而且在機構設計上也要更貼近人類，才能適用於原本為人類作業員規劃的生產線。這也是Epson耗費多年時間，研發WorkSense W-01自主性雙臂機器人的原因。跟傳統工業手臂相比，WorkSense W-01的特性更貼近人類，能執行更複雜、多樣化的工作任務(圖4)。 圖4　雙臂設計加上完整的感測能力，讓機器手臂的應用彈性大為提升。 這是未來機械手臂產業的一個新的發展方向。追求產能極大化的工業機械手臂，還會繼續朝高精度、高速度跟低震動的方向發展，針對彈性生產，手臂設備必須具備更全面的感知跟判斷能力。對手臂產業而言，這是一個新的發展方向，也會開拓出新的應用市場，未來成長值得期待。 (本文作者任職於Epson)

SiC提高功率轉換效能 眾半導體商因應此趨勢推出各種方案，例如英飛凌便展示了CoolSiC MOSFET系列的相應功能集以及搭配的驅動器IC，其支援入門級應用。例如，光電變頻器、不斷電系統(UPS)、驅動器、電池充電基礎設施以及能源儲存解決方案。 在未來，將有越來越多的功率電子應用無法僅倚賴矽(Si)裝置滿足目標需求。由於矽裝置的高動態損耗，因此藉由矽裝置提高功率密度、減少電路板空間、降低元件數量及系統成本，同時提高功率轉換效能，即成為一個相互矛盾的挑戰。為解決此問題，工程師們逐漸開始採用以碳化矽材料為基礎的功率半導體來部署解決方案。 SiC蕭特基二極體長期以來持續創新，像是英飛凌於2001年推出首批600V產品，並持續擴大包括650V與1200V電壓等級的產品組合，同時也開發並發表新世代產品，其單位晶片面積具有更高的電流處理能力，同時降低了功率損耗，目前已生產數億個SiC二極體晶片並供應至市場。 在這十多年來，諸如太陽能變頻器中的MPP追蹤或開關式電源供應器中的功率因數校正等應用中，使用Si IGBT加上SiC二極體或具有SiC二極體的超接面Si MOSFET已成為最先進的解決方案，可實現高轉換效率及高可靠度的系統。市場報告甚至強調SiC二極體正進入生產率的平原期。SiC技術中的量產技術、生產品質監控以及具有優異FIT率的現場追蹤記錄，為採用包含SiC MOSFET之產品策略奠定了下一步基礎。 SiC MOSFET/Si IGBT　效能大有優勢 SiC半導體材料中的電晶體功能，為整體電力供應鏈(從能源產生、傳輸及分配給消費者)的能源效率(以較少能源獲得更多能源)提供了更大的潛力。 讓我們仔細研究一下SiC MOSFET與Si IGBT的效能優勢。圖1顯示了先進的矽解決方案範例：如果目標為高效率與高功率密度，具有650V與1200V Si IGBT的3-Level T類拓撲的一個相位腳通常會用於三相系統，例如光電變頻器與UPS。採用此種解決方案，效率最高可達到20~25kHz的切換頻率。由於裝置電容較低、部分負載導通損耗較低，以及沒有關斷尾電流，因此1200V SiC MOSFET的電流損耗比1200V Si IGBT低約80%。在外部切換位置使用1200V SiC MOSFET可大幅提升效率，並在指定的框架尺寸中達到更高的輸出功率。 圖1　先進的矽解決方案範例 進一步提高切換頻率會導致矽基解決方案效率與最大輸出功率迅速降低，但SiC MOSFET的低切換損耗不會有此問題。透過此範例的證明，工作頻率高達72kHz的三倍仍帶來比24kHz運作之矽解決方案更高的效率。因此可縮減被動元件實體尺寸、減少冷卻作業，並達到更低的系統重量與成本。 另一個三相電力轉換範例是電動車的充電基礎設施。1200V SiC MOSFET可為DC-DC轉換級建構一個LLC全橋級，其中典型的矽解決方案倚賴650V Si超接面MOSFET，需要兩個串聯的LLC全橋來支援800V的DC鏈路。而四組SiC MOSFET加上驅動器IC即可取代八組Si超接面MOSFET加上驅動器IC，如圖2所示。除了零件數量減少及電路板空間縮減之外，還可以使效率達到最佳化。在每個導通狀態下，相較於Si解決方案中的四個切換位置，SiC MOSFET解決方案僅打開兩個切換位置。在快速電池充電中使用SiC...