首頁Top區塊

LoRa Alliance近日宣布，LoRaWAN於2018年呈現爆發性成長，其市場版圖也迅速擴張，截至去年12月底，全球已有超過百家的網路營運商部署了LoRaWAN，而LoRaWAN的廣泛應用也使得物聯網(IoT)解決方案的部署變得更加容易。 LoRa Alliance執行長兼主席Donna Moore表示，LoRaWAN的覆蓋範圍廣，且具備為使用者提供私人網路、雲端韌體升級(Firmware Updates Over-The Air)，以及開放式標準規範等特點，有效確保了網路及設備間的互聯互通。這些特點對於目前希望推出物聯網產品和解決方案的公司而言十分具吸引力，並且確信LoRaWAN在未來物聯網應用中能夠發揮作用。 LoRa Alliance指出，目前全球正在積極廣泛地部署LoRaWAN，特別是亞太和歐洲地區成長十分顯著，於2018年分別成長了30%和50%。已有超過百家公共和私人網路營運商現部署和實施了LoRaWAN，進而拓展此一技術的應用領域；而連接LoRaWAN的終端設備數量從2019年年初開始便持續攀升，也意味著LoRaWAN應用的顯著成長。 LoRa Alliance說明，網路營運商對LoRaWAN的投資明顯增加，這證明了LoRaWAN可滿足物聯網市場的應用需求。像是法國網路業者Orange Business Services在2018年推出一項基於LoRaWAN的智慧城市服務，其中包括能源管理、廢棄物管理、環境監測，以及照明與停車管理等應用。

圖1　北科大學生方程式賽車隊 學生方程式賽車日本站(Formula SAE Japan, FSJ)是由國際汽車工程師協會(SAE)所舉辦，學生必須要在特定條件之下，從無到有親手打造賽車參賽。該比賽集結了來自世界各地的學生車隊，在籌備過程中，不僅牽涉到學生們對於車輛生產製造流程的技術知識，同時也考驗著學生在企畫提案、成本掌控以及與贊助廠商溝通、合作的能力。 學生方程式賽車日本站比賽中，動態賽程項目包含了直線加速、八字繞錐、高速避障、燃油消耗率等等；在此之前也需要繳交設計報告、成本報告等等文件。因此，學生在打造比賽車輛時，不僅需要考慮車體的穩定性、速度，同時更要在成本、安全性上滿足比賽的要求。 產業界支援前線 　車體輕量化達陣 據了解，由學生方程式各站的隊伍排名也能看出，日本、德國等汽車產業發展較為蓬勃的國家，學生隊的名次也普遍較好。因此在比賽的籌備期之中，不僅需要學生隊員們的齊心投入，來自產業界的技術與資金支援更是學生隊比賽的重要軍火來源。 北科大車輛工程系系主任黃秀英表示，車隊學生會藉由寒暑假的實習時間與相關製造商接洽製作工具、場地的贊助。像是在2019年比賽中，學生與贊助廠商協力完成碳纖維車殼，進而做到車體輕量化的目標。 黃秀英進一步說明，由2015年參賽至今，北科大學生車隊的參賽車輛設計皆以傳統油車的架構為主，車體以扎實耐操為特色，然而卻也同時具有重量較重的問題。因此，在本年度的比賽籌備上，做到車體輕量化是一個重要的指標。 北科大學生方程式賽車隊副隊長黎力維指出，2019年參賽車輛的進氣歧管、方向盤、駕駛座椅便是由車隊成員完成電腦繪圖設計後，由贊助廠商提供模具與材料製作而成。本年度的車體除了將在贊助廠商的支持之下，以碳纖維材料達到更輕量化的設計之外，車體也加上了空力套件。期待能夠在廠商在支持之下，在2019年比賽中再創佳績。 黎力維認為，在車隊經營的過程之中，除了與學院教授進行理論上的分析之外，在與業界贊助商的互動之中，能夠得到更專業實務的建議。目前，2019年的參賽車輛已經完成設計、研發，正在加工階段(圖2)。 圖2　2019年的參賽車輛已經完成設計、研發，正在加工階段。 沉潛兩年再出發　油車/電車雙項參賽 北科大學生方程式賽車隊自2014年成軍以來，已數次參與FSJ學生方程式賽車日本站，累積了相當的經驗值。然而，自2016年比賽結束後，北科大學生方程式賽車隊便決定要投入兩年時間，執行一個比往常更大型的籌備計畫，在2019年以燃油車與電動車兩項目參賽。 除了車體逐漸朝向輕量優化之外，在經過數年的投入之後，北科大學生方程式賽車隊也逐漸累積比賽經驗與相關數據。在籌備2019年的賽事時，如何妥善利用往年的數據，以優化改善2019年的參賽戰略，也是一大考驗。 北科大長年在車輛技職教育的投入，已扎下穩健基礎，學生的實力已能夠打造出傳統車輛架構的燃油車。然而在經過數年的參賽經驗累積之後，對於賽道路況、賽制比重都有更深的了解，因此透過經驗加以分析，便能得到更多的數據作為改善下一次設計的依規，進而能夠更有效、更具策略性的設計參賽車輛。 黃秀英表示，為籌備2019年的學生方程式日本站比賽，在完成2016年比賽後，便開始堆動籌備2019年度比賽的兩年計畫。因此，對於今年度的比賽，無論師生皆抱有相當高的期望。 在今年度，北科大學生方程式車隊將同時參加燃油車組與電動車組的競賽；這也是車隊首次參加電動車組的競賽。 由於經費的考量同時也尚未熟悉參賽規範，因此北科大學生賽車隊在往年的參賽經驗中，皆僅以燃油車參賽。 除了電動車的製作成本將相對燃油車更為昂貴之外，該比賽對於電動車的許多設計規範皆是商用汽車等級，其中包含電磁干擾(EMI)、電磁相容性(EMC)、漏電測試等等皆必須考量，該比賽全然以車規等級要求。因此，電動車在賽前檢驗所需要通過的安全檢測規格與參賽門檻皆較高。 電動車機電整合　培育車輛未來人才 目前在台灣的技職教育體系中，車輛相關科系依然是以燃油車為主要的課程內容。尤其是在高職汽修科課程中，由於目前市場上依然是以燃油車為大宗，因此汽車維護的教學也以該市場現況為主要考量。 然而，黃秀英認為，電動車是未來的趨勢，科技人才的培育除了要因應市場現況之外，同時也必須要為未來的產業規畫。而在傳統汽車維修領域，有甲級、乙級、丙級證照，可用以認證人才的能力；但是在電動車機電整合領域，則還沒有這樣的認證機制。 正因如此，經濟部工業局產業人才能力鑑定(iPAS)計畫也於近期開始推動「電動車機電整合人才培育」，將推動一個與電動車能力鑑定相關的證照。 黃秀英進一步說明，該人才培訓認證計畫將由2019年開始推動考照，北科大也將與經濟部該計畫合作，提供相關課程與考照場地。除了北科大本校學生能夠參予該課程與計畫之外，他校學生若是對此領域有興趣也可以跨校參與，也將與他校的種子教師培育計畫合作；期待能夠與其他技術學院合作，共同推動未來電動車人才養成。

為搶攻5G商機，各大半導體廠、系統設備商紛紛加快腳步推動商用產品，因此高頻量測的需求也快速增加。為此，羅德史瓦茲(R&S)於近期發布新一代高階向量網路分析儀「R&S ZNA」，其具備更佳的射頻性能和獨特的硬體設計概念，可簡化量測設置，加快5G產品開發時程。 羅德史瓦茲基礎量測事業部資深業務經理莊美華表示，5G發展快速發酵，不論是半導體廠商，或是華為等系統設備商，在未來的產品像是5G手機、電信設備等，其內部元件如射頻天線、功率放大器(PA)等，都需要進行高頻率的量測，也因此，網路分析儀的需求也跟著上升。 據悉，新一代R&S ZNA高階向量網路分析儀目前共有兩種型號，分別為ZNA26 (10MHz至26.5GHz)及ZNA43(10MHz至43.5GHz)，提供146dB(一般值)的量測動態範圍，在1kHz中頻(IF)頻寬下的曲線雜訊低至0.001 Db，這兩項特點對於高抗拒濾波器的量測十分重要。 另外，新產品有著獨特的硬體設計概念，具備四個獨立來源和兩個本區震盪器。這些硬體設計大幅簡化了量測變頻器、放大器甚至是更複雜的T/R模組的測試設置，只要將待測物與R&S ZNA連接一次即可完成相關設置；這樣的方式相較於傳統方法，不須使用到額外的參考混頻器元件，因此使用者可在一半的時間內執行向量校正的變頻損耗、相位和群時延等量測任務。 值得一提的是，新款向量網路分析儀還具備以待測物為中心的操作方式，大幅簡化了量測過程的設置步驟。使用者先選擇待測物的類型(如混頻器或放大器)，接著根據指示逐步完成量測所需的步驟，這個方式明顯地加快並簡化量測前的相關設定。此外，新產品擁有高度靈活性，使用者可採用傳統方式並視個人所需設定量測步驟，輕易完成各種高難度的量測任務。 另一方面，該產品還採用全觸控式設計，除了12.1吋的主螢幕是觸控螢幕之外，過去按鍵式的控制面板也改為7吋的觸控面板；此一設計加上前述以待測物為中心的操作方式，將帶給使用者全新的操作體驗。

UE喚醒時，必須先與時間、頻率及基站參數同步才能接收資料。本文的主要重點為UE的初始蜂巢網搜尋，此時的載波頻率不確定性的範圍非常高。此流程是NB-IoT中最耗能的流程之一，因為需要UE持續啟動Rx射頻(RF)鏈及不斷處理輸入樣本，直到同步階段完成為止。 本文的目標讀者為期望拓展關於執行同步創新方法新知的通訊及訊號處理工程師，以及有志於NB-IoT通訊系統的工程師。本文亦提出同步程序，以強化NB-IoT在UE喚醒時的主要同步程序性能。此新程序能讓UE以相對低的偵測延遲評估傳輸的NB-IoT訊號正時及頻率，即使在非常艱困的都會環境亦然；此程序是發展用在CEVA-X核心系列進行高效率執行。 本文分為上下兩篇，上篇主要探討不同的已知同步程序、討論其優缺點；下篇則針對DSP架構實作提出能加強運用窄頻主要同步訊號(NPSS)結構的新同步程序。 物聯網(IoT)是快速成長的市場，並以機器類通訊為基礎，且只需最低的人力監控。Ericsson預測2021年將有大約280億台具備IoT功能的裝置，其中超過150億台將屬於機器對機器類型及消費者電子裝置。Cisco預估從2015年到2020年，機器對機器連線的年度成長率將為38%。 NB-IoT獨到優勢攻物聯網市場 在廣泛領域範圍內，近期這類步調快速的技術發展對提供機器類通訊的簡易可靠連線解決方案產生急迫的需求，如感測器、儀表、智慧電網、監控及安全性等等。然而，由於IoT市場的需求與基地台市場的需求不同(例如低複雜性及耐用性)，故稱為NB-IoT的新式無線存取技術應運而生。此技術最近由第三代合作夥伴計畫(3GPP)在第13版中推出。 NB-IoT技術具有適合IoT市場的許多優勢，例如降低裝置複雜性、延伸覆蓋範圍、增加電池壽命及低成本。此外，NB-IoT僅使用一小部分的可用頻譜，因而能與LTE及UMTS其他通訊訊號同時進行傳輸。NB-IoT的主要設計為適用於超低階IoT應用。 NB-IoT需要的最低頻寬為180kHz，等於LTE物理資源區塊(PRB)的最小大小，可部署於下列情境(視可用頻譜而定)： 1.獨立部署 2.現有LTE/UMTS頻譜的保護載波(保護波段部署) 3.LTE載波內部，取代其中一個波內部署(PRB) 在以上所有可能的部署情況中，LTE系統與NB-IoT間的資源衝突需要在各子訊框開始時使用下行控制頻道來處理衝突。若採用波內部署，則必須在分配NB-IoT系統的資源前，在每個子訊框插入額外的蜂巢網專用參考訊號(CRS)。 NB-IoT會重複使用大部分的LTE設計，例如在下行方向使用正交分頻調變(OFDM)，以及在上行方向使用單一載頻分頻多重存取(SC-FDMA)，另外也會使用頻道編碼、速率匹配及交錯，因此可與LTE頻譜同時部署。而且，NB-IoT也承襲了舊版LTE的變更，如同步訊號、廣播頻道及控制頻道，因此其設計能提供良好性能並與舊版LTE共存。 NB-IoT設計有挑戰 NB-IoT採專門設計以支援物聯網裝置間的M2M通訊。因此，此通訊技術必須解決下列挑戰： 1.低訊號雜訊比(SNR)和困難頻道 IoT裝置可能置放於室內深處的位置(如地窖及地下室)或都會環境(如智慧城市)，進而導致低SNR和多徑衰弱傳播的頻道。 若要因應這類型的環境及/或SNR問題，NB-IoT通訊頻道必須包含極為耐用的訊號處理方法，並且需在設計上能耐受非常低的SNR(如-12.6dB)。 2.頻率偏移 NB-IoT預定用於可從周圍區域的基站接收資訊的超低價UE裝置。這類UE通常配備低價振盪器，可能會因其最高百萬分之20ppm的有限穩定性以及頻率柵格(100kHz柵格)的額外±7.5kHz，進而引發初始載波頻率偏差(CFO)。  3.低偵測延遲 UE RF鏈開啟及啟用的時段稱為RF-ON，包括放大器、類比轉數位轉換器(ADC)及數位前端(DFE)。RF-ON階段非常耗能；為了延長電池使用壽命，我們的目標是藉由縮短NPSS的偵測時間(需要常態性處理輸入)以將其降到最低。 4.複雜性 IoT裝置可能會設置於無可靠電源供應的位置，或是不容易更換電池。因此，裝置的壽命通常取決於其電池耗電量。超低價UE裝置的處理功率有限，因此NB-IoT訊號處理演算法必須能輕易實作且具備低取樣率。 NB-IoT初始同步有訣竅 IoT UE裝置大部分時間預期處於休眠狀態。開啟電源時，UE必須進行下列各項設定工作： 1.將載波頻率與基站的載波頻率校準，以低位元錯誤率接收資料。基站會每10 msec以重複結構(又稱為無線訊框)傳輸資訊，另外，UE則必須偵測到無線訊框的開頭以在正確時間擷取資料。這代表了UE必須與基站(eNodeB)執行時間和頻率同步才能夠傳輸和接收資料。在此篇文章中，此同步流程稱為主要同步流程。 2.完成第一步驟後，UE必須擷取其他資料，如基站蜂巢網ID及無線訊框80 msec邊界。在本文中，此同步流程稱為次要同步流程。 3.偵測到必要的系統組態後，蜂巢網同步流程即完成，UE會開始解碼控制頻道(NPBCH、NPDCCH)及資料頻道(NPDSCH)。 NB-IoT無線訊框係由10個子訊框組成，各子訊框皆有1msec的時段。子訊框含有14個OFDM符號。前三個符號用於舊版LTE的控制頻道，並假設不用於NB-IoT傳輸。 同步程序的目的為根據窄頻主要及次要訊號(NPSS及NSSS)估算系統參數；主要及次要訊號會分別每1及2個無線訊框重複一次。主要同步程序會嘗試偵測無線訊框窗段內的NPSS，因而UE需要持續接收資料，直到找出此訊號為止。 UE RF鏈開啟及啟用的時段稱為RF-ON，包括放大器、類比轉數位轉換器(ADC)及數位前端(DFE)。RF-ON階段非常耗能，我們的目標是藉由縮短NPSS的偵測時間以將其降到最低。 NPSS/NSSS部署有訣竅 NB-IoT物理通道大多數是以舊版LTE為基礎，但同步訊號已經全盤重新設計，以能在LTE載波內部及鄰近採用不同的部署方式。舊版LTE系統的同步訊號如下： 1.主要同步訊號(PSS)用於訊框正時及頻率估算，另外也納入蜂巢網身分偵測(NID2)內。 2.次要同步訊號(SSS)保留蜂巢網身分(NID1)的補充部分，並用於CP偵測及雙工模式判定(FDD/TDD)。 但是，NB-IoT系統的窄頻同步訊號是由多個OFDM訊號組成，其占用的頻寬與LTE不同(180kHz與1.08MHz)： 1.窄頻PSS(NPSS)會取得訊框正時及載波頻率的估算值。 2.窄頻SSS(NSSS)會在80msec窗段內取得蜂巢網身分及訊框邊界，然後啟用蜂巢網追蹤。 同步訊號會占用180kHz的頻寬。NPSS位於每個無線訊框的第六個子訊框，NSSS則位於每個偶數無線訊框的第十個子訊框，如圖1所示。NPSS會在第六個子訊框每10msec傳輸一次(圖2)。NPSS由子訊框內的後11個OFDM符號組成(前三個符號保留給舊版LTE控制區)，並使用分配到的PRB前11個子載波(共12個)。若為波內部署，則NPSS會由CRS穿刺。 圖1　無線訊框同步訊號 圖2　NPSS結構(頻域) 為了有效實作及取得良好的同步表現，NB-IoT採用預先判定的偽隨機碼做為OFDM正負符號的記號，如表1所列。 由於UE已知NPSS，因而能用於同步流程。另外，也有鑒於傳輸訊號正時及頻率的高度不確定性，所以NPSS偵測是UE執行的過程中，最為消耗運算資源的作業之一。 在偶數編號的無線訊框索引中，NSSS會在第十個子訊框每20msec傳輸一次。NSSS是由子訊框內的後11個OFDM符號組成(前三個符號保留給舊版LTE控制區)，並使用分配到的PRB所有12個子載波(圖3)。 圖3　NSSS結構(頻域) NSSS是由總計132個頻域項目所組成(即11個OFDM符號中的12個子載波)，其數值是以長度-131 ZC順序為基礎，且ZC順序的根是以基站的蜂巢網ID為基礎。NSSS是根據80msec邊界的系統訊框編號(SFN)為基礎，透過ZC順序與二進位碼之間的項目式乘法產生。 UE藉由蜂巢網ID及無線訊框索引可以得知NSSS，亦即可將其用在判定蜂巢網 ID和無線訊框索引。只有當時間及頻率同步完成後，UE才會偵測到這些參數，否則即必須解決四維估算問題。蜂巢網ID及SFN是UE作業及資料擷取的必要資訊。 時間及頻率估算完成，以及偵測到蜂巢網ID和無線訊框邊界後，UE即可開始解碼控制頻道(NPBCH、NPDCCH)及資料頻道(NPDSCH)。 (本文作者為CEVA演算法工程師、演算法團隊負責人與資深系統架構師)

但在智慧製造的浪潮下，負責收集真實世界各種物理資訊的感測設備，地位將比以往更為關鍵。資料將是下一個世代的石油，而第一手資料的來源，就是生產線與廠房內的各種感測設備，加上大數據分析技術趨於成熟，現在的分析工具可以處理比以往更大的資料量，並從中找出趨勢變化的脈絡，進而創造價值。這也使得感測設備朝多合一與聯網化的發展趨勢更為明確。 工業用感測器走向多合一 從自動化走向智慧製造，對感測器而言，最明顯的差別在於使用者想監測的物理量種類明顯增加了。在過去，為監控機台運作所設計的工業感測器，通常都只能量測少數幾種物理量。這跟元件供應商的產品整合度有關，以往加速度計、陀螺儀跟氣壓感測器都是各自獨立的元件，如果感測器製造商想實現多合一設計，必須要花很大的功夫來進行設計整合，而且成本高昂。 但隨著MEMS感測器的整合度不斷提升，現在跟運動有關的物理量測，基本上已經可以用單晶片搞定。例如整合了三軸加速度計跟三軸陀螺儀的六軸感測器，基本上就已經把跟運動有關的所有物理量都涵蓋在內。少數應用可能還需要再額外採用電子羅盤，以判斷系統正在朝哪個方向移動。這種應用需求多半出現在會在工廠中到處移動的設備上，例如自動搬運車(AGV)。而這種需求，就可以使用更高階的九軸感測器(六軸感測器加上電子羅盤)來滿足。 許多國際知名的IDM業者，都有完整的運動感測解決方案，例如亞德諾(ADI)、博世集團(Bosch)旗下的Bosch Sensortec、英飛凌(Infineon)、意法(ST)等，都有這類晶片產品。但對工業感測器來說，這些只是核心零組件，距離真正可以運用在生產現場的感測器，還有一大段差距。 博世力士樂(Bosch Rexroth)工廠自動化協理陳俊隆(圖1)指出，從電子元件到可以部署在生產線上的感測器，機構設計是最關鍵因素。工業現場對電子元件來說，是很惡劣工作環境，像溫溼度變化、粉塵、機械衝擊等因素，都會讓元件失效。如果機構設計不佳，感測器部署到現場後很快就會故障，而這也是工業感測器廠商的核心價值所在。Bosch Sensortec幾乎可以提供所有基於MEMS的感測器元件，但真正向工業用戶提供產品的是集團內另一個負責研發聯網裝置與解決方案的事業部門。 圖1　博世力士樂工廠自動化協理陳俊隆認為，在智慧製造的浪潮下，工業用感測器未來將加速朝多合一感測方向發展。 整體來看，由於半導體的功能整合度越來越高，因此工業感測器也必然朝多功能整合發展。但對於工業用戶來說，為進一步提高設備的整體運作效率(OEE)，導入預防性維護機制將是必然趨勢，而這會使感測器必須能量測更多元的物理量。 除了前面提到的運動感測外，博世相信，未來的工業感測器將會進一步整合麥克風、溫溼度感測、氣壓計甚至照度計等功能，因為要做到預防性維護，或是找出產線運作的瓶頸，需要很多種資料交叉比對分析，才能得到精確的結果。以旋轉機械的故障預警來說，現在的做法不外乎是將電流數值、轉軸的轉速、溫度等參數做交叉比對，未來則可以從聲音的頻譜分析。 這也是博世的八合一工業感測器CISS整合了MEMS麥克風的原因。聲音這個面向以往比較少有人用科學方法去分析，但其實聲音可以提供很多跟機械運作有關的資訊。很多機械廠的老師傅都知道，當機器出現異音的時候，故障很快就會隨之而來。藉由MEMS麥克風跟音訊分析，可以把老師傅的經驗用科學化的方法傳承下去。 環境氣體偵測攸關性命　物聯網概念落實已久 除了機台的監測外，對許多製造業來說，廠區的環境監測也會使用到大量工業感測器，特別是生產過程中會使用或產生有毒氣體的行業，氣體監測系統更是法規強制要求必須加裝的設備。而在工業4.0世代，這些存在已久的環境感測系統，又會朝什麼方向演進？ 在台灣某半導體廠擔任環安經理的業界人士表示，對半導體製造業而言，氣體偵測是環境偵測中最重要的環節之一，因為半導體製造過程中會使用到許多帶有毒性的氣體，而且這些氣體在參與製程反應的時候，有時要先與氫氣混合至適當比例，才會進入腔體內。這使得半導體廠內往往存放著大量有毒或是易燃氣體，而且在製程中還會產生新的有毒化合物。因此，為了保護廠區工作人員的安全，氣體檢測系統一直是半導體廠內的標準配備，而且有法規強制要求。 另一方面，對人體有害的氣體，如果控制不當，通常也會對晶圓或生產設備造成損害。因此，半導體業者為了確保產品良率，對氣體檢測的精確度要求只會越來越嚴格，而且監控系統網路化的程度只增不減。舉例來說，隨著半導體線寬越來越細，氣體性分子污染物(Airborne Molecular Contamination, AMC)的管制標準已比以往更為嚴格。另外，為了避免化學汙染物腐蝕機台或造成曝光機的鏡面霧化，現在半導體業者都會對酸鹼物質或有機氣體進行線上分析，以便即時監控生產環境的狀況。 目前半導體廠的氣體偵測技術大致可分成三大類，分別是紙帶式、電化學式與紅外線偵測，但各自有其優勢跟限制。 漢威聯合(Honeywell)工業安全事業處業務經理李其能(圖2)分析，紙帶式氣體偵測技術最大的優勢在於可以留下實體證據，而且偵測精確度可達到十億分之一(ppb)，也比較不用擔心干擾訊號。但紙帶屬於耗材，必須定時更換，因此會造成短暫的停機時間。電化學式感測技術則無法像紙帶式系統留下實體證據，而且也比較容易被干擾，因此精確度只能做到百萬分之一(ppm)。但整體來說，電化學式氣體感測的成本比紙帶式來得低廉，是其主要優勢。 圖2　漢威聯合工業安全事業處業務經理李其能認為，與工業安全相關的系統跟設備，未來會朝預防性維護發展，進一步提升其可靠度。 紅外線氣體偵測跟電化學式檢測方法一樣，也無法保留實體證據，而且也會有干擾的疑慮存在。但電化學式偵測跟紅外線偵測適用的氣體種類不同，因此兩者無法互相取代，例如紅外線在偵測氟化物氣體時，就有很優異的表現。不過，紅外線氣體偵測所使用的感測元件成本比電化學式偵測器昂貴許多，因此在成本上，電化學式偵測設備會比紅外線來得低廉。 不過，量測設備的成本也跟量測的點數有關係，目前Honeywell的電化學式檢測設備Midas為單點偵測，紅外線偵測設備ACM150則可支援40個採樣點，而紙帶式設備Vertex則最多可支援72個採樣點。高採樣點對環安廠務人員來說，是很具吸引力的特性，因為現在的晶圓廠越蓋越大，單一感測設備能支援的取樣點越多，越容易覆蓋更大的廠區。 值得一提的是，由於氣體偵測跟工廠的人員與財物安全密切相關，因此很早就已經落實物聯網概念，只是當時還沒有物聯網這個名詞。舉例來說，氣體偵測系統不單只是提供資料，還會與警報系統、閥門系統連動。當氣體外洩事件發生時，偵測系統會觸發警報系統，並自動關閉閥門。把資料拋轉到工廠的資訊後台，也早就是基本功能。 因此，李其能認為，對氣體偵測系統來說，下一個發展方向是利用大數據分析來實現預防性維護，而非聯網化。這也是Honeywell針對半導體客戶進行意見調查時，多數半導體業者最想要的功能之一。其實，高階氣體偵測設備因為肩負關鍵任務，很多重要的子系統，例如進氣的風泵、電源等，都有冗餘設計，當一套子系統故障時，備援系統會快速接手，因此無預警故障停擺的機率已經很低。但客戶總是希望能做得更好，而這也是Honeywell未來會努力的方向。 廠內人員偵測需求興起　雷達/ToF技術正面對決 除了既有感測設備/系統必須隨著工業4.0的腳步升級外，由於工業4.0會讓廠區運作更加自動化，人員與自動化設備接觸的機會將只增不減，甚至會並肩工作。在人跟機器的距離如此靠近的情況下，如何確保人員不會被機器手臂、自動搬運車撞傷，會是一個新的議題。與距離量測有關的技術，如毫米波雷達跟ToF感測，可望在更高度自動化的工業環境中找到新的舞台。 德州儀器(TI)嵌入式系統總監詹勳琪(圖3)指出，提到雷達，業界通常會把這項技術跟軍事或汽車聯想在一起，但雷達在工業領域的應用，其實也已經存在一段時間，只是目前的工廠環境對於距離偵測的需求量不大，因此比較少有人探討。舉例來說，中心頻率為6GHz的毫米波雷達，就已經少量運用在自動搬運車上。從TI的觀點，汽車跟工業是相似度很高的兩個市場，因此，只要能解決幾個瓶頸，雷達在工業領域的應用有機會明顯成長。 圖3　德州儀器嵌入式系統總監詹勳琪表示，單晶片毫米波雷達將為雷達技術在工業應用市場上創造新的突破口。 詹勳琪分析，一項新技術要打入市場，不外有兩種發展策略，一種是創造出既有技術做不到的新應用，另一個方法則是要比現有技術的性能更好、成本更低。TI在工業市場上推廣毫米波雷達的策略也是如此。在創造新應用方面，因為TI的工業用毫米波雷達中心頻率為60GHz，因此解析度非常高，可偵測到只有數毫米的位移。這種解析度可以創造出許多新的應用可能性，例如隔空手勢操作、甚至是人員的生命跡象偵測。這些應用是以往的低頻雷達或超音波所無法實現的。 至於在成本面，以往的毫米波雷達是相當複雜的系統，除了要有數位訊號處理器(DSP)或高性能微控制器(MCU)作為主處理器之外，其射頻前端為了做到這麼高頻率，必須採用矽鍺製程，因此無法整合成單晶片。另外，毫米波訊號在印刷電路板(PCB)上的衰退非常嚴重，如果雷達的天線跟收發器分開，應用開發商必須使用很昂貴的電路板材料，才能解決訊號衰退的問題。 為了徹底解決成本面的問題，TI從十多年前就開始研發CMOS毫米波雷達技術，以便為雷達應用的普及鋪路。採用CMOS最大的優勢在於可以實現SoC整合，不僅簡化應用開發的複雜度，也能帶來更有優勢的成本結構。而針對工業用毫米波雷達，TI提供的解決方案還進一步把天線整合到晶片封裝中，讓應用開發商不必使用昂貴的高頻電路板材。因此，只要市場需求量達到經濟規模，這種高整合度的毫米波雷達方案在價格上會非常有競爭力。 無獨有偶，亞德諾(ADI)近期也推出基於不可見雷射光的ToF量測方案。亞德諾亞太應用工程總監李財旺表示，目前市場上有多種ToF量測方案，各自有其優缺點，例如手機臉部辨識使用的結構光ToF，有很優秀的解析度，但不適用於戶外環境；基於CMOS影像感測器的ToF，則有解析度偏低的缺點，而且相對耗電。 亞德諾的ToF技術具備640×480 VGA解析度，而且是打脈衝光而非連續波，因此功耗很小，其深度資料可有效地增加影像辨識度，達到物件判斷的精準度。就工業應用來說，人流偵測、障礙物偵測、虛擬圍欄等，都很適合採用這種ToF技術。 除了提供晶片外，為協助客戶縮短設計週期，該公司正與第三方一起合作開發ToF模組，在ToF模組中並整合了包括類比前端(Analog Front End, AFE)、雷射二極體(Laser Diode)、ToF與CMOS影像感測器，相關演算法也包含在內。目前晶片本身已可量產，但因為工業應用開發者通常需要參考設計或模組方案，因此產品正式推出的時間會稍微延後，預計2019年1月開始供貨(圖4)。 圖4　即將進入量產階段的亞德諾ToF參考設計。 因為亞德諾的ToF技術非常省電，因此ToF攝影機開發商只需在攝影機上整合乙太網供電(PoE)技術，就不需要另外插電，還有多餘的電力可以供給其他應用。 工業感測蓬勃發展可期 工業感測面對的物理量五花八門，且隨著智慧製造所帶來的生產環境、流程改變，許多原本派不上用場的感測技術，未來都有可能在工業市場上找到應用商機。另一方面，工業感測設備本身也很明顯受到智慧製造趨勢的影響，除了聯網已經是最基本的功能要求外，感測設備和預防性維護、大數據分析等資訊應用連結，將是未來工業感測市場發展的重頭戲。

國家實驗研究院旗下兩個跟半導體技術相關的單位--國家晶片系統中心(CIC)與國家奈米元件實驗室(NDL)，在2019年1月正式合併成為台灣半導體研究中心(TSRI)，成為全球唯一一座整合IC設計、晶片製造與半導體元件製程研究的國家及科技研發機構。 科技部長陳良基表示，因應新興電子系統智慧化跟工業4.0的發展趨勢，半導體元件必須提供比現在更高的運算效能，同時還要兼顧省電性。這對未來的IC設計、半導體製造都將造成考驗，也會促成異質整合的風潮。在此情況下，原本聚焦在IC設計的CIC跟著重後段製造的NDL合併，不僅有其必要性，更可望發揮一加一大於二的綜效。 合併後的半導體中心除了將持續提供IC設計、下線試產、測試、材料、製程等研發服務外，原本就肩負的人才培訓任務也會繼續進行，甚至希望能將觸角從大學向下延伸到高中，以吸引更多年輕人加入半導體產業。 台灣交通大學校長張懋中在致詞時就表示，對於所有從事半導體相關領域研究的學者或學生來說，台灣是個獨一無二的聖地。在方圓五公里的小小範圍內，匯集了高等院校、IC設計、半導體製造、材料等所有半導體產業的相關機構，世界上沒有其他地方有這麼好的發展條件。 也因為如此，交大最近幾年吸引了許多外國留學生前來學習、研究半導體相關技術，特別是印度籍學生。在TSRI正式成立後，對全世界研究半導體技術的學者跟相關企業而言，台灣在半導體領域的重要性，勢必將更上一層樓。 TSRI主任葉文冠則表示，晶片設計與元件製程的整合，將開創更多跨界的前瞻研究題目。中心的研究人員會更積極地連結學界與企業夥伴，共同投入人工智慧(AI)、量子電腦等新的研究題目。另一方面，TSRI也會更積極推動科普活動，幫助更多年輕學子了解半導體科技，進而吸引他們日後投入產業。 此外，配合科技部半導體射月計畫及台灣AI晶片技術發展的需要，TSRI領先國際類似機構，建置國內第一個人工智慧終端系統開發實驗室，提供包含AI模型驗證、AI晶片模擬驗證、AI晶片軟硬體協同擬真驗證、AI晶片FPGA雛形驗證、AI晶片實作與驗證、AI系統與軟體開發等AI晶片及系統設計開發必備之工具、技術資料及設備。未來將以一站式服務模式，支援學界將創意發想轉換為具體AI晶片系統，以接續產業合作，達到學術領先、產業落地的研發效益。

根據產業研究機構IC Insights最新研究顯示，包括積體電路和光電元件、感測元件和離散式元件在內的年度半導體元件出貨量在2018年成長了10%，已數量來計算也首次突破1兆顆。2018年半導體元件出貨量攀升至1兆682億顆，預計2019年將成長至1兆1426億顆，再度成長7%。鑑於半導體產業的周期性和經常波動性，半導體元件的平均年複合成長率從1978~2019年約為9.1%。 在2004~2007的4年裡，半導體元件的出貨量從4000萬顆，迅速超越5000萬顆與6000萬顆，而在全球金融危機的2008年和2009年半導體元件出貨量大幅下滑。2010年又大幅成長25%，半導體出貨量超過7000億顆。直到2017年出現另一個強勁成長，年成長率12%，使得半導體元件的出貨量在2018年突破兆級大關之前超過了9000億顆。 1984年以後半導體元件成長最大的年成長率為34%，2001年網際網路泡沫破裂後最大跌幅為19%。全球金融危機和隨之而來的經濟衰退導致2008年和2009年半導體出貨量下降；這是半導體產業唯一一次連續兩年出現衰退，2010年成長25%是整個時段內第二高的成長率。  

相較於絕大多數製造業還在建置工業物聯網，半導體產業早已完成廠務、機台設備的聯網，走到大數據分析跟機器學習的階段。因此，相較於其他製造業的智慧製造，多半還停留在硬體投資階段，半導體產業目前所面臨的智慧製造課題，主要來自於軟體跟服務領域。 為了加快晶片設計、製程研發的速度，半導體業者需要更強大的運算資源。藉由機器學習分析機台狀態，讓歲修維護排程更合理化，以提高稼動率，也需要龐大的運算資源。但對半導體業者而言，要靠自有的資料中心來滿足其運算需求，建置跟維護的成本非常高昂，而且伺服器的利用率不見得都能維持在高檔，讓投資效益發揮到最大。 因此，半導體業者必須設法找到其他替代方案，才能繼續推動其智慧製造，例如使用公有雲的資源。事實上，台積電、新思(Synopsys)與益華電腦(Cadence)等半導體業界的領導大廠，都已經開始採用公有雲，或是發展出以雲端為基礎的軟體授權模式。 運算需求起伏不定　自建資料中心考量多 半導體是一個已經高度自動化的行業，換言之，這也是一個日常運作無法離開電腦運算的行業。從IC設計階段的模擬(Simulation)、驗證(Verification)到半導體製造業者研發新製程，或是維持現有生產線的運作，都需要極大的運算能力來支援。 然而，半導體企業對運算能力的需求水準波動非常劇烈。以IC設計來說，當晶片設計流程走到中後段，要進行設計模擬、驗證的時候，對運算能力的需求會達到顛峰，往往得用多台伺服器同時跑十多個小時，甚至兩三天，才能得到一次模擬結果。但在IC設計的前段，做電路合成(Synthesis)、時序收斂(Timing Closure)跟線路布局(Place & Route)的時候，對運算資源的需求則遠低於設計模擬跟驗證，常常幾個小時就能完成一次設計迭代。 因此，當IC設計公司裡面有多個團隊同時在開發晶片時，專案的排程跟協調就變得十分重要，否則公司自有的伺服器資源會不敷使用。試想，當所有設計團隊同一時間都要做設計模擬跟驗證，其排隊等待時間會有多長？ 對於運算資源不足的問題，最直觀的解決方案就是擴建自有資料中心的容量，但因為運算需求波動幅度大，加上伺服器採購金額不低，後續還會衍生出維護、折舊等費用，因此IC設計公司的相關採購，通常是審慎而保守的。 除了IC設計工程師之外，電子設計自動化(EDA)工具業者是遇到上述問題的第一線業者，因此許多EDA大廠早在幾年前就開始探索使用公有雲的可能性跟對應的商業模式。跟自建資料中心相比，公有雲方案最大的優勢在於按照用量計費所帶來的彈性--當運算或儲存需求進入尖峰期時，使用者只要額外付費就可以取得所需的資源。目前幾家重要的EDA公司，如新思、益華、明導國際(Mentor Graphics)跟安矽思(Ansys)，都已經有對應的布局動作。 對半導體製造業者來說，情況也類似。由於產線高度自動化，甚至已經開始採用大數據分析、機器學習等軟體工具，晶圓廠的生產線只要一開動，就會需要對應的運算能力來執行這些軟體。然而，除了既有生產線之外，晶圓製造業者還要不斷開發新製程，來滿足未來的市場需求。不管是更細的線寬或採用新的材料，都需要反覆進行模擬跟數據分析，而這些工作就跟IC設計的模擬、驗證一樣，需要大量運算能力支援。 公有雲方案解難題　資安迷信仍待破除 對於需要龐大運算資源來支撐其運作的半導體業者而言，公有雲是一個很彈性的選擇。公有雲具有龐大的運算能力跟儲存空間，還有各式各樣的伺服器可供選擇，當半導體業者需要額外的運算能力或儲存空間時，可以付費租用，不需要的時候，則只要取消訂閱就不會有費用支出。 但由於半導體業者手上的資料，例如生產製程參數、配方、IC設計檔案，都是非常敏感的機密資料，因此相關業者對於資料離開公司，通常有十分嚴格的管制，因此要說服半導體業者接受公有雲，往往是在挑戰客戶對資訊安全的「信仰」。 微軟(Microsoft)專家技術部雲平台解決方案副總經理呂欣育就表示，公有雲對於半導體業者來說，是一個非常有效益的解決方案。台積電就在5奈米製程研發上與微軟合作，在台積電原本就擁有的資料中心之外，搭配Azure平台的運算資源跟資料儲存空間，來加快專案開發的速度，結果讓5奈米的研發試產(Pilot Run)比預定時程提前了9個月，效果十分理想。 但除了台積電比較勇於嘗試之外，呂欣育坦言，大多數半導體業者對於資料上公有雲一事，態度還是相當保守。他可以理解半導體客戶將資安視為第一要務的想法，但要實現資訊安全，是要把細節攤開來逐一檢視，看哪個環節可能有問題，該如何改善，而不是以為資料不出公司大門就能永保安康。如果公司內部的資安政策模糊不清，資料放在公司裡面還是會出事。 就他與許多半導體公司溝通的經驗，有些半導體公司的資安政策是很有問題的，因為連公司內部的IT團隊，對自家的資安政策也說不出個所以然來，只知道資料不出門就對了。這種資安政策與其稱之為政策，或許說是「宗教信仰」還更貼切些。而這就是說服半導體產業接納公有雲最大的障礙。 不過，呂欣育對於半導體業者接納公有雲的趨勢，還是相當有信心。像台積電、新思、益華等業者，在半導體產業屬於燈塔型客戶，是引領產業發展趨勢的重要指標。在這些客戶的帶領跟示範下，未來會有更多客戶願意評估採用公有雲方案的可能性。

物聯網風潮大舉擴散，除了各種聯網消費性電子產品需要不斷進行韌體更新，以添加新功能或防堵安全漏洞外，汽車、工業設備走向聯網之後，也出現同樣的需求。有鑑於此，Over the Air(OTA)更新成為一個各家科技業者都必須思考的問題。但由於OTA更新功能不只需要一定的技術能力，更是一個必須長期經營服務，因此硬體業者很難光靠自己的力量發展出符合客戶需求的OTA整體解決方案，也使得專業OTA廠商成為一個進入門檻相當高的新興行業。 科絡達執行長吳柏儀指出，在萬物聯網的風潮帶動下，OTA更新勢必成為大多數聯網裝置都必須支援的功能，從聯網車、產業用設備到消費性電子產品，都需要OTA更新。但OTA其實牽涉到很複雜的技術，而且這項業務本身是個服務，因此進入門檻其實很高。包含科絡達在內，目前全世界也僅有8家專門經營OTA業務的業者。 OTA更新處處是細節 就技術面來說，一般提到OTA更新，業界多半都認為只要透過有線/無線網路把新版本的韌體檔案傳送到目標設備，然後刷新設備上的韌體映像檔，事情就結束了。但OTA更新其實沒有那麼單純，很多硬體設備用來存放韌體的記憶體空間其實很小，因此，OTA的Agent程式碼要寫得非常精簡，這就是一個技術考驗。 此外，檔案壓縮也是OTA的關鍵技術之一，一般硬體設備的韌體更新可能只有數十KB，但如果是車載資訊娛樂系統的更新，因為牽涉到圖資這類大型檔案，因此每次更新的檔案大小可能動輒數百MB，等未來高解析地圖(HD Map)普及後，GB等級的資料更新，將成為家常便飯。但檔案越大，傳輸失敗的機率也越高，如果沒有良好的壓縮技術，OTA失敗的機率會很高。 為了減少需要傳輸的檔案大小，還有一種名為差分更新的技術。例如原本設備上的韌體版本1.0大小為2GB，韌體版本2.0則是4GB，按照一般的OTA思維，就是把4GB的檔案全部下載到目標裝置，然後把韌體刷新到2.0版本。但如果1.0版本跟2.0版本之間有2GB檔案內容是完全重複的，為何要重複傳輸？差分更新就是針對這個問題所發展出來的技術，支援此功能的OTA Agent會掃描跟比對新舊韌體版本間的差異，然後只下載新的檔案，進行部分更新。 最後，對於汽車跟產業/工業類設備，理想的OTA更新必須做到無縫轉移，不能讓設備或車輛為了更新韌體而停止運作。這意味著設備上的記憶體必須切割成兩個區塊，在舊版本韌體持續執行的同時，新版本韌體已經下載並安裝在另一個區塊，安裝就緒並確認無誤之後，設備就可以直接切換到新版韌體繼續運行。保留舊版本備份還有另一個好處，萬一新版本韌體切換過去之後出現問題，設備還可以直接回溯，回去用比較穩定的舊版韌體。 吳柏儀指出，上面所提到的OTA功能，對專業OTA廠商來說都很基本，因為這是車廠、工業設備跟部份消費性電子產品客戶所需要的。但一般來說，半導體廠商提供的OTA方案，大概都只具備最陽春的功能，有些則已經支援記憶體切割這類比較先進的功能，但還是不夠完整。因此，對設備製造商來說，半導體業者提出的OTA方案基本上是不能用的。而這也是像科絡達這種專業OTA廠商能夠生存的利基。 導入區塊鏈提高安全性 展望未來，資安會是所有聯網設備都必須面對的問題。OTA業者身為產業生態系中的一份子，自然也要有所準備。針對資安問題，科絡達的想法是利用區塊鏈(Blocktrain)技術來增加對抗駭客攻擊的防禦能力。 以汽車ECU更新為例，目前的資安防護手段是使用公開金鑰(PKI)，只要駭客攻破PKI，就可以任意更新汽車的ECU，這是相當危險的情況。但如果改用區塊鏈，加上所有的車輛都聯網，當一台汽車遇到駭客攻擊，被植入有問題的韌體時，因為Hash值無法跟其他汽車的韌體串接起來，因此受到攻擊的車輛馬上就可以知道自己遭到攻擊，並向後台提出警告，要求提供正常的韌體版本。 吳柏儀透露，以區塊鏈為基礎的汽車OTA更新，目前正在進行概念驗證(PoC)，倘若進展順利，很快就會提供給車廠進行測試跟驗證。

從半導體、電子系統到工業4.0核心所在的智慧型機台等，物聯網(IoT)裝置與工業物聯網(IIoT)系統的複雜度與日俱增。在這段產品鏈內，測試是不為人知的關鍵作業，而更複雜的IoT裝置則使測試更加繁複。不過，IoT概念也可大幅改善自動化測試作業，利用系統管理、資料管理、呈現與分析等IoT功能，再加上應用強化項目，為測試工程師提供更有用的工具，以克服IoT的挑戰。 管理測試系統為IoT/IIoT基礎 對IoT與IIoT而言，受管理的連線裝置是根本所在；但是許多測試系統即使比以往更為分散，卻未連線或受到妥善管理。一般而言，測試工程師若想追蹤在特定硬體上執行的軟體，或甚至只是想了解系統的大致情況，都相當不容易，更不用說要追蹤效能、使用率與狀態了。 幸運的是，大多數現代測試系統皆以電腦或PXI為基礎，並可直接連線至企業，如此即可享有管理軟硬體元件、追蹤使用與執行預知維護等額外功能，進而讓測試投資發揮最高價值。   收集/處理/管理資料為三大IoT商業價值 IoT的商業價值，源自連線系統所產生的大量資料。處理測試資料十分困難，因為有許多不同的資料格式與來源，例如包含時間與頻率的原始類比與數位波形或參數量測結果等；進行這類收集作業時，取樣速率與資料量通常會遠高於從消費性裝置或工業裝置收集的資料。讓情況更棘手的是測試資料一般為獨立儲存，且標準化程度極低。因此對公司來說，這類資料是「看不見」的資料，造成易於在產品生命週期的其他階段錯失重要的深入分析。 在實作運用IoT的全方位資料管理解決方案前，Jaguar Land Rover(JLR)僅能分析10%的汽車測試資料。JLR傳動系統經理 Simon Foster曾經指出，根據估計，我們現在可分析高達95%的資料，且因為毋須重複執行測試，所以測試成本與年度測試數量皆得以減少。由此可得知，對自動化測試資料應用IoT功能時，首先是從使用現成軟體轉接器收集並處理標準資料格式開始。 這些轉接器必須使用開放式記錄架構建置，以收集並處理獨特的新資料，包含設計與生產作業中的非測試資料等。測試系統必須可與標準IoT以及IIoT平台分享資料，以在企業層級充分發揮資料的價值。 善用工具呈現/分析資料 將一般商業分析軟體用於測試資料上可能並不容易，因為這類資料通常較為複雜且為多維度。 此外，典型的商業製表功能未包含測試與量測作業的常用呈現方式，例如類比與數位訊號的綜合圖形、眼圖、史密斯圖與星座圖等。內含適當詮釋資料的測試導向資料架構，讓工具能呈現測試資料並提供分析結果，還可將測試資料與設計與生產資料進行比對。 簡而言之，妥善整理的測試資料，讓工程師可將基本統計資料的分析結果應用至人工智慧與機器學習上，如此即可進行整合與運用常見工具的工作流程，例如Python、R與The MathWorks, Inc.、MATLAB軟體等工具，同時利用資料產生更多深入分析結果。 模組化架構有效開發/部署/管理測試軟體 目前的主流做法，正從原本僅限於桌上型應用的情況，轉為利用網路與行動應用程式加以補強。就測試而言，這種轉型可能難以實現。這需要在受測裝置(DUT)進行運算以處理大量資料，並即時做出合格/不合格判斷，而現場操作人員則需要與測試器以及DUT互動。 同時，公司希望能從遠端存取測試設備，藉此檢視結果與使用率等運作狀態。為了因應前述需求，部分公司建置了一次性的架構以集中管理軟體，並將軟體下載至測試設備(視DUT而定)。但也因為如此，這些公司必須維護其客制化架構，所以必須使用額外資源；而這些資源原本可用於商業價值更高的活動上。較高階的測試管理會是理想選擇，也就是從本地測試設備轉移至雲端部署。 網路架構工具可以供檢視測試設備狀態、進行測試排程，以及驗證推送至雲端或伺服器的測試資料。較高階的測試管理功能，可以與使用NI LabVIEW、Microsoft.NET語言、NI TestStand與Python等常用工具建置的現有測試系統相輔相成。 模組化測試軟體架構(測試管理、測試程式碼、量測IP、儀器驅動程式、硬體抽象層)，讓公司可評估將不同軟體功能從本地轉移至伺服器或雲端架構之間的利弊得失。隨著更多測試軟體堆疊轉為雲端部署，在資料儲存、可調整的運算，以及易於從各地存取軟體與資料等方面，公司將會發現雲端運算所具有的優勢。 導入IoT技術成趨勢 將IoT用於測試已不再是未來的想望，能否辦到這一點，端視其現有自動化測試基礎架構與最迫切的業務需求而定。一般需考量的領域包含改善測試系統管理、提升測試設備使用率、從測試資料獲得更佳的深入分析結果，以及從遠端存取共用測試系統。高度模組式的軟體定義方式，讓公司能專注在價值最高的領域中，毋須做出取捨。 「很快地，我們的客戶將需要從全球各地管理與維護測試資產，這會成為標準做法。我們必須重新建置測試架構以整合IoT技術，特別是應藉此改善設定管理與資料分析，並支援業務數位化以因應工業4.0。」Thales數位產業總監Franck Choplain如是說。 (本文作者為NI商務與科技研究員)