首頁Top區塊

如此除了能避免不必要的磨耗以及可能發生的故障，還能及早偵測出故障的成因。藉由這種監控機制的協助，在設施可用度方面可發揮可觀的優化潛力，成效也能隨之提升，同時帶來許多關鍵性的優勢。舉例來說，ABB藉此最多減少70%的關機時間；延長30%的馬達耐用年限；設施每年消耗能源則減少10%。 這種預測維護(Predictive Maintenance, PM)的主要元素，其專業術語為視狀況維護(Condition-Based Monitoring, CBM)，通常用在各種旋轉機器，包括像渦輪機、風扇、泵浦以及馬達等。透過CBM，有關運轉狀態的資訊都會即時記錄下來。但這種方法卻沒有做出有關可能故障或磨耗的預測。只有透過預測維護才能得知這類預測資訊，因此浮現出一個轉折點。在日趨智慧化感測器以及更強大的通訊網路與運算平台的幫助之下，我們不僅能建構模型、偵測變化，還能針對耐用年限進行詳細的計算。 為建立有意義的模型，必須分析包括振動、溫度、電流以及磁場等。現代的有線與無線通訊方法已經能進行全廠或全公司的設施監控。而透過各種雲端系統，還能進行更多型態的分析，這些資料能提供有關機器狀況的資訊，而操作或維護技術人員也能存取這些資訊。然而，對於這些額外的分析而言，機器上的智慧感測器與通訊設施是不可或缺的基礎，這些感測器該如何監控？應該有哪些要求？以及該具備什麼關鍵特性？這些與其他問題都將在本文中探討。 機器生命週期的表示法 狀態監控最基本的問題，應該是：機器還能放著讓它運作多久才必須進行維護？ 一般而言，照理說越早進行維護越好。然而，若目標是要優化營運與維護成本，或是達到設施的最大效率，就需借助熟悉機器特性的專家提供相關知識。在分析馬達方面，這些專家主要來自軸承/潤滑專業領域，根據以往的狀況顯示，最弱的環結在於經驗。這些專家最終要決定偏離正常狀態與當時的生命週期(圖1)是否該另外進行維修或甚至直接更換。尚未使用過的機器，初期仍處在保固階段。不能排除在生命週期初期階段出現故障，但其機率相對罕見，且通常可追溯至各種製造瑕疵。只有在後續間隔性維護的階段，才會由妥善訓練的維護人員進行焦點式介入(Targeted Interventions)。其中包括定期性維護，不論機器狀況如何都要在特定時間點或經過一定時間之後如期進行，在本文的案例中，維護工作則是更換潤滑機油。在維護間隔之間出現故障的機率，同樣也相當低。機器使用累積到一定時間，就會進入狀態監控階段。從此之後，就理應會出現各種故障狀況。 圖1　機器的生命週期 圖1顯示以下6種變化，從超音波範圍的位準變化(1)之後是振動(2)透過潤滑劑的分析(3)或透過微幅增溫(4)根據可感知異音，在發生實際故障之前偵測出未決故障(Pending Failure)的早期跡象(5)或產生熱溫(6)振動經常用來判斷機件老化。這三部相同機器在其生命週期中出現的振動模式如圖2所示。在最初時期，三部機器都維護在正常範圍。但從中壽期開始，依其負載不同導致振動呈現增加或減少的趨勢，最後到了壽命終期，振動就急速增加到臨界範圍。一旦機器達到臨界範圍，就須立即採取必要反應。 圖2　各項振動參數的長期變化 透過振動分析進行CBM 包括輸出速度、齒輪比以及軸承元件數量等參數都是機器振動模式分析的主要元件。一般而言，齒輪箱造成的振動會在頻域中偵測出，而幅度會是動力軸轉速的倍數，軸承的特性頻率通常不會代表諧波分量。因渦流(Turbulence)與空泡化(Cavitation)產生的振動通常都會被偵測出來。其通常和經過風扇與泵浦的氣流或液流具關聯性，因此，一般被視為隨機振動。這類振動通常為靜態，而且在其統計特性上沒有變異數(Variance)。然而，隨機振動也可能是循環穩態(Cyclostationary)，因此會有各種統計特性。它們是由機器產生且具週期性，內燃機引擎的每個氣缸每次循環進行點火時就會出現震動。 另外，感測器的方位同時也扮演著重要的角色。如果單軸感測器量測到的主要是線性振動，那麼就必須根據振動的方向來調整感測器。雖然目前也有多軸感測器能記錄所有方向的振動，但單軸感測器由於本身的物理特色使它能提供較低的雜訊、更大的力量量測範圍以及更大的頻寬。 振動感測器的要求 要讓振動感測器廣泛用在狀態監控，有兩項因素最為關鍵：低成本以及小尺寸。以往業界主要採用的是壓電式感測器，如今微機電系統(MEMS)加速計的使用率則逐漸升高，它們都具有更高的解析度、卓越的漂移與靈敏度特性以及更佳的訊號雜訊比，能夠偵測接近dc範圍的超低頻率振動。此外，它們極度省電，因此適合用在電池供電的無線監控系統。另一項勝過壓電式元件的優勢，則是能將整個系統整合至一個外殼(系統晶片構裝)內。這些所謂的SiP解決方案逐漸發展成用來建構各種智慧系統，因為其額外納入許多重要功能：包括類比至數位轉換器以及微控制器等，其配合嵌入式韌體用來執行應用相關處理、通訊協定以及通用式介面，另外還包含了多元的保護功能。 整合式保護功能也相當重要，因為施予在感測器上的超大力道，經常會造成感測器破損甚至毀壞。整合可能發生的超範圍(Overrange)偵測能力，提供警訊機制，或藉由切斷內部時脈來關掉陀螺儀中的感測器元件，藉此保護感測器。圖3顯示SiP解決方案。 圖3　MEMS型態的系統晶片構裝(圖左) 隨著CBM領域的要求增加，對感測器的要求也同樣會提高。對於實用的CBM而言，感測器量測範圍的要求(滿刻度量測範圍或FSR)要大於正負50g。 由於加速和頻率的平方成正比，因此也相對迅速達到這些高加速力。從公式1中可證明：   　公式1 變數a代表加速，f代表頻率，d代表振動幅度。因此舉例來說，一個1kHz頻率的振動，光是1μm振幅就會產生39.5g的加速。 在雜訊效能方面，盡量加大頻率範圍下，這樣的數據顯得極低，從接近dc一直到兩位數kHz範圍，因此除了其他假影(Artifact)訊號外，系統能在極低轉速下偵測到軸承的異音，但精準地說，振動感測器的製造商目前已面臨許多巨大挑戰，尤其是多軸感測器。只有少數製造商提供適合的低雜訊感測器，為超過一個軸向提供2kHz以上的頻寬。其中Analog Devices(ADI)已針對CBM應用開發出ADXL356/ADXL357三軸感測器系列，不僅擁有卓越的雜訊效能，還具備優異的溫度穩定性。儘管其受限的頻寬僅1.5kHz(共振頻率=5.5kHz)，這些加速計仍能針對諸如風力發電機組等低轉速設備的狀態監控提供各項重要讀數。 該系列單軸感測器適合用於較高頻寬的應用，可提供最高到24kHz的頻寬(共振頻率=45kHz)，g值範圍可到正負100g，具備極低的雜訊。由於高頻寬的緣故，大多數故障發生在旋轉機器(受損的滑動軸承、不平衡、摩擦、鬆動、輪齒缺陷、軸承磨耗以及齒輪空蝕(Cavitation)，這些狀況都能透過此感測器系列偵測出來。 視狀況維護的可能分析方法 在CBM中的機器狀態分析可利用不同的方法完成。最常見的方法包括時域分析、頻域分析以及混合兩種分析法。  時域分析 在時域進行振動分析，有效值(根均方或rms)、峰至峰值以及振動幅度都會考量到，如圖4。 圖4　譜波振動訊號的幅度、有效值、峰至峰值 峰至峰值反映馬達轉軸的最大偏角，因此能計算其最大負荷(Loading)。相對之下，幅度值則描述振動時的最大幅度，以及判斷未感知的振動事件。然而，振動事件的經過時間或能源，以及破壞能力，這些都未被考量。因此效率值(Effective Value)通常是最具意義，因為它考量到振動時間歷史以及振動幅度值。rms振動統計臨界值的相關性，可透過馬達轉速所有參數的相依性獲得。 這類分析相當簡單，因為它既不需要基礎系統知識，也不需要任何類型的頻譜分析。  頻域分析 藉由頻率分析，振動訊號的暫時性變化會透過高速傅立葉轉換(FFT)分解成許多頻率元素。產生的幅度對頻率的頻譜圖可用來監控特定頻率元素，以及其諧波與邊頻，如圖5所示。 圖5　振動與頻率的頻譜圖 FFT被廣泛運用在振動分析，特別是偵測軸承損壞。藉此我們可將相關元素分派到每個頻率元素。透過FFT，滾動元件與受損區域之間接觸造成某些失效的重複性脈衝，其主要頻率就能加以濾除。由於其不同的頻率元素，我們也能區別出不同種類的軸承損壞(軸承外環或內環損壞，或是滾珠軸承受損)。然而，這類分析仍需要有關軸承、馬達以及整個系統的精準資訊。 此外，FFT程序需要透過微控制器持續錄下與處理振動的離散時間模組。雖然這需要的運算力稍微高於時間分析，但卻能更仔細地分析損壞。  結合時間與頻率分析 這種分析最為全面，因為它結合兩種方法的優點。時域的統計分析除了能提供系統在經過一段時間振動強度的資訊，還能分析是否落在允許範圍。頻率分析能以基礎頻率以及諧波元素的形式來監控速度，透過諧波能精準辨識出各種故障徵候。 追蹤基本頻率尤其能發揮關鍵作用，因為有效值以及其他統計參數都會隨著轉速而變化。如果統計參數和最後一次量測數據有大幅的改變，就必須檢查基本頻率以避免可能的假警報(False Alarms) 重複量測值經過時間出現變化，在所有三種分析方法中都相當常見。監控系統其中一種可行方法涉及第一次記錄健康狀況，或產生一個所謂的指紋(Fingerprint)。之後再將其用來和持續記錄的資料進行比對。在出現大幅偏離或超過對應臨界值時，屆時須進行反應。如圖6所示，可能的反應包括警告②或警報④，而依照嚴重程度的不同，偏離也可能需要維護人員立即介入。 圖6　FFT的臨界值與反應 藉由磁場分析進行CBM 由於整合式磁量計的快速發展，量測馬達周圍的散逸磁場便成為針對旋轉機器進行狀態監控中另一項前景看好的方法。這種方法是非接觸式，機器與感測器之間不需要直接連結。對於振動感測器而言，會用到的磁場感測器分為單軸與多軸版本。 對於故障偵測而言，應在軸向(與馬達軸平行)以及徑向(與馬達軸成直角)上量測。徑向磁場通常會被定子鐵芯以及馬達外殼所減弱。此外，還會受到空氣間隙內的磁通量所影響。徑向磁場是由籠狀轉子以及定子繞組端部的電流所產生。就量測兩種方向的磁場而言，磁量計的位置與方向都有決定性的影響。因此，建議選擇靠近馬達軸或馬達外殼的合適位置。另外同時量測溫度也絕對必要，因為磁場強度和溫度有直接關連。因此大致而言，現今磁場感測器都含有整合式溫度感測器。所以別忘了校正感測器以補償其溫度漂移。 FFT用來對電動馬達進行磁場式狀態監控，就如同振動量測的方法。然而就評估馬達狀況而言，就算約120Hz的低頻率範圍也算足夠。其中線頻率尤其顯眼，若出現故障，頻譜中會出現大量低頻率元素。 當籠狀轉子內的轉子導條(Rotor Bar)斷裂，滑差值(Slip Value)也會扮演決定性角色。它和負載有相關性，在無負載時的理想值為0%。在額定負載下，健康的機器會介於1%到5%之間，在故障事件時則會提高。就CBM而言，應在相同負載條件下進行量測，以消除負載相依性的效應。 預測性維護的狀態 不論狀態監控的類型為何，即使是最智慧的監控概念，也無法100%保證沒有非規劃的停機、故障或安全風險。能做的只是降低這些風險。應把它們看成是未來生產設施永續成功的先決條件。因此需要創新與迅速的研發－涉及其中的相關技術。目前不足之處是得權衡顧客的利益與成本。 不過，許多產業企業已體認到PM作為一項成功因素的重要性，因而也是未來業務的一項機會－不光只是在維護領域。儘管特別是在資料分析領域存在著許多嚴苛的挑戰，PM的技術可行性已大致成熟。然而，目前PM的發展仍是隨機應變的模式，預料未來的商業模式主要會由軟體元件來決定，硬體的附加價值則將逐漸降低。總結而言，PM在硬體與軟體的投資能促成更長的機器運轉時間，從更高良率的角度來看，其已經值回票價了。 (本文作者任職於ADI)  

產業研究機構Yole Développement發表研究報告指出，到2024年，無線智慧手機充電系統市場規模預計每年將超過12億台。該研究專注於消費者和行動市場的差異化，以及工業、醫療和軍事市場，其中獨立的差異化是重點之一。無線充電在過去幾年引起了業界的廣泛關注，從與智慧手機的連接到星巴克咖啡店的整合。然而，無線充電市場仍將高度不平衡且以消費者為導向。 一般消費市場對無線充電的需求是最近的，並且以高普及率的消費電子產品為主，例如智慧手機、耳機、智慧手錶等。這些設備需要頻繁充電。消費者無線充電可能是一個緩慢的技術推動。然而，由於市場形勢非常特殊，採用的速度比預期的要快。 技術開發人員和整合商共同推動無線充電產業發展，不僅創造了新的市場，而且還非常快速地進行了教育。無線發射器現在可以在家具，機場航站樓和餐館中找到，而能夠在家中為多個設備充電的墊子正在開發中。鑑於這些創新，通用電子行業有動力轉向無線充電兼容解決方案。 在無線充電產業發展初期，磁感應技術會是市場主流，Yole認為，磁共振的產品與應用從2020年會開始發展，到2022年甚至會成為整體市場主流，2024年市場超過12億的智慧型手機無線充電模組預計都將採用磁共振技術。事實上，大多數研發人員正在開發這兩種技術的產品，為6.78 MHz磁共振充電提供元件樣品，同時為105~205kHz磁感應充電提供半導體IC。  

智慧工業發展歷程 首次工業革命在18世紀，這代表著以蒸汽機為動力的機械工業時代來臨，每個勞動力參與大規模生產的全部環節。第二次工業革命發生於20世紀，機械設備的動力由蒸汽變為電力，大規模生產首次出現勞動分工，每個工人只負責產品加工過程中的一個製程，不再全程參與生產過程。 第三次工業革命出現在20世紀70年代，因為電子資訊技術的廣泛應用，製造過程自動化，大型機械設備被電子設備取代。這次革命還是半導體產業發展史上的一個重要里程碑，半導體工業成為自動化發展的引擎。 第四次工業革命則發生在今天，機器變得越來越智慧，而人機協作更加直覺，新機器可以自主監測性能狀態、使用情況和故障狀況，因此，效能、安全和靈活度更高。企業可以使用巨量資料、分析學和分權決策方法提高供應鏈的可靠性和生產效率。 在智慧工業時代，製造過程更加高效和環保，工作環境更加安全，工人的工作體驗更好，人機協作更直覺，可以依照客戶需求更靈活、大量地製造產品。 智慧工業技術特點 智慧機器在每種工作模式下都能保持高效能，可將電能高效地轉化成機械能，必要時還能高效地儲備電能。現今馬達效能相較過去提升很多；照明系統可透過無線網路遠端控制燈具，只在需要時才點亮。 另一方面，智慧型機器使用感測器測量振動、溫度以及濕度等參數，並將感測器資料送到處理器處理，將其變成有用的資訊，智慧型機器與附近的作業員互動，將感測器資訊提供給作業員。 而在工廠內部，所有的智慧型機器連上雲端，提供基層的即時資訊，融入一個超大供應鏈。感測器資訊被安全地送到雲端，供分析技術使用，包括停機預測。 智慧工業四大應用領域 智慧工業應用領域多元，包括工廠自動化、工業機器人、工業照明，以及智慧製造都是常見的應用。 工廠自動化是使用各種控制系統管理製造過程，讓機器按照預定程序運行，盡可能減少人工作業。透過在製造過程中監測各種資料，例如，原料和成品的溫濕度、故障檢測、自動測試報告等，自動化系統可以做出各種決策。不同的機器可以透過6LoWPAN、sub-Ghz、RF技術連接，構成網路，共用資訊。 工業機器人是一種自由度很高的機器。在設定程式後，工業機器人可以完成製造、測試和生產任務，有助於實現高品質製造，節省人工成本，在對人體健康有害和不適宜人類生存的危險環境中代替人類作業(圖1)。 圖1 工業機器人可節省人工成本，加速生產效率。 新一代機器人靈活可變，能夠執行程式，按照客戶的需求和意願，一對一的量身打造產品。機器人有多顆感測器，能夠準確地監測運動位置和角度；而工業智慧型機器人之間亦採用無線通訊，收發資料。 在非製造類設施用電量中，照明用電占了相當大的比例。如果燈具不用時還點亮，大量的電能將被浪費。智慧照明系統可以透過6LoWPAN、sub-Ghz網路監控每支燈具，只在必要時才會開啟燈具，並自動檢測故障燈具，甚至還能遠端調節燈光亮度；燈杆上還可以安裝氣象監測裝置和安全監測站。 智慧製造將各種製造領域與供應鏈完全融為一體，這個概念覆蓋自動化控制、先進機器人、馬達控制、感測器、聯網機器等。智慧製造設備能夠自動訂購原料，在故障發生前提出維修需求，能夠改善工作條件，更安全地管理危險製造流程。智慧製造設備也需要用到巨量資料和人工智慧技術，且經濟實惠的低功耗感測器和通訊連接技術正在讓智慧工業離我們越來越近。 傳統/智慧監測方法大不同 因為機器易磨損和斷裂，所以企業必須採用預防性維護計畫，定期檢查機器的內部元件，即便沒必要也必須執行，或者定期監測機器的運作狀態。預防性維護計畫通常外包給外部服務機構，他們會定期派人上門監測振動參數。這種方法成本很高，因為委託企業承擔維修工的服務費和差旅成本。此外，因為資料監測不是連續的過程，故障發生率仍然很高，致使故障不可預測。 機器本身配備感測器和射頻通訊模組。感測器連續監測振動和溫度等參數，並且透過BLE藍牙或RF sub-Ghz無線技術將資料上傳至閘道，再傳送到雲端伺服器。感測器和射頻通訊模組的功耗極低，甚至可以選用電池作為電源。閘道將數據傳到雲端進行振動分析和FFT分析。 機器振動特徵分析技術可提前發現各種故障或異常，例如，負載均衡、錯位偏差、軸承缺陷、齒輪嚙合等。 感測器各有妙用　工業智慧化中居要角 感測器在工業智慧化之中，可說是扮演了相當關鍵的角色，而各式的感測器，各有著不同的功用。 加速度計 加速度計用於測量工業機器沿X、Y、Z三軸方向發生的加速度，還可以測量機器或機械手臂的傾角。如果機器水平靜止，則X、Y兩軸輸出資料是0g，而Z軸輸出則是1g。1g是地球上所有物體都要承受的引力。如果機器沿著X軸旋轉90度，則X和Z兩軸將會輸出0g，Y軸輸出1g。在傾斜狀態之下，X、Y、Z三軸的輸出值在0和1g之間，然後將輸出值代入三角函數公式，算出機器的傾角。 加速度計還能測量沿水平和垂直方向的線性加速度，這些資料可用於計算運動速率和方向，甚至還能計算高度變化率。加速度計另外還可檢測機器振動，在馬達上安裝的加速度計為檢測故障類型提供關鍵資料。因為馬達負載失衡引起的故障、軸承缺陷和齒輪嚙合故障三者的振動頻率不同，這些資訊可用於預測馬達檢修需求。 陀螺儀 陀螺儀是一種測量沿三軸方向的角速度的感測器，能夠測量俯仰、橫滾、航向三軸的角度變化率。角速率變化資訊可用於提升機器運作的穩定性，防止機器橫向晃動。在收到陀螺儀資訊後，馬達控制器可以動態調節馬達轉速，確保機器或機械手臂穩定運行。陀螺儀還能讓機器或機械手臂按照使用者需求的角度精確旋轉。 磁力計 顧名思義，磁力計為機器或機械手臂提供運動方向資料。磁力計用來測量物體所在磁場沿X、Y、Z三軸方向的資料，並傳送到微控制器，利用專門演算法算出以北極為參照點的航向角，以確定地理方向。 為取得準確方向，應將加速度計的傾角資料和磁力計資料一起應用。磁力計精確度容易受到軟硬鐵或運行角度影響。硬鐵是存在於感測器附近的硬磁鐵材料，可使羅盤指針發生永久性偏移。軟鐵是感測器附近的弱磁鐵材料、電路跡線等，可使羅盤指針發生可變性偏移。為濾除這些異常，需一個磁感測器校準演算法，且重要的是校準快，人工干預少。 氣壓計 氣壓計可以把氣壓值換算成高度值，而氣壓感測器可測量地球大氣壓。氣壓計數據有助於機器或機械臂導航，達到目標高度。升降速度估算的準確性對包括機器人在內的很多機器至關重要。以意法半導體(ST)為例，該公司便推出了新款資料速率200Hz的壓力感測器LPS22HD，能夠滿足高度估算需求。 濕度感測器 濕度感測器可以測量濕度參數，用於氣象站、凝結度監測、空氣密度監測和氣體感測器測量校正。例如，意法半導體旗下的濕度感測器--HTS221，包括感測器元件和類比前端，透過數位連接埠輸出測量資料。感測元件包括聚合物電介質平面電容結構，能夠測量相對濕度變化。 MEMS麥克風 MEMS麥克風是一種將聲音訊號轉換成電訊號的音訊感測器。MEMS麥克風的人氣越來越高，與傳統麥克風相比，MEMS麥克風信噪比高、尺寸小、數位介面、抗射頻干擾性強、抗振性強，主要用於攝影機、安全監控和情報搜集等設備。 總而言之，機器很容易發生極端的工況，包括振動、雜訊和環境的影響。工業機器感測器應有很強的抗振性能，能夠捕捉更少的雜訊訊號，回應速度快，能夠捕捉到所有的振動，性能穩定，不受溫度、濕度等環境參數變化的影響。最後，可靠性和性能應該很高。 轉換原始資料　軟體演算法大有作用 在把感測器原始資料變成有意義的用例過程中，軟體庫在其中發揮著重要作用。演算法可提升感測器的功能性，實現預想不到的功能；演算法整合不同感測器發送的資料，然後輸出上下文感知資料。 加速度計、陀螺儀和磁力計三個運動感測器有各自的優缺點。感測器的短板包括校準不完美、時間或溫度漂移、隨機雜訊。 磁力計和加速度計受失真問題困擾，陀螺儀本身有漂移問題。感測器融合演算法庫用於讓三個感測器相互取長補短，提高校準精度，在所有的場景中輸出精確的結果，不僅輸出經過校準的感測器資料，而且還有角度和航向角資訊以及四元數。 智慧機器連接技術各有所長 智慧型機器可以透過不同的通訊連接技術聯網，低功耗藍牙和Wi-Fi用於機器和手機之間的連接。Sub-1GHz射頻技術用於透過專屬協定連接感測器網路，兼具功耗低和通訊距離遠兩大優點。行動蜂窩通訊和Sigfox用於將機器資料直接上傳到電信基礎建設。 下表列出了各種連接技術的通訊距離和功耗情況。在下文中我們將更詳細地討論低功耗通訊技術，例如，BLE、RF sub-1GHz和Sigfox(圖2)。 圖2　智慧型機器可藉由不同的通訊技術實現聯網功能。 低功耗藍牙有效延長電池壽命 低功耗藍牙(BLE)又稱智慧藍牙，是一種低功耗的機器連接通訊技術，適用於低階機器，特別是玩具。支援機器與控制器之間雙向通訊，例如，手機、平板、筆電和專用遙控器。低功耗藍牙協議可大幅延長機器電池的續航時間，令Wi-Fi和Classical Bluetooth等傳統無線技術望塵莫及。  低功耗藍牙可在免授權費的2.4GHz ISM頻段。藍牙技術聯盟(SIG)是低功耗藍牙標準的管理者，所有大型手機商都支援該標準。目前低功耗藍牙的晶片市場有兩大陣營，分別為： a.網路處理器：網路處理器運作低功耗藍牙協議，包括控制器、主設備和協定棧。與運作不同的藍牙應用協定和應用的主微控制器互動，網路處理器還需要一個單獨的微控制器。另一方面，網路處理器是一個獨立的平台，為使用者選擇最適合的微控制器或作業系統，以提供很大的靈活性。例如，BlueNRG-MS為意法半導體開發相容BLE 4.1的網路處理器，能夠同時做為主控制器和從控制器兩個角色，可以讓一個遙控器當手機的從設備，機器的主控制器。 b.系統晶片：系統單晶片(SoC)是一個獨立的晶片組，包括控制器、主設備、應用協定棧和應用。像是意法半導體的BlueNRG-1是BLE 4.2認證系統晶片，包含了15個GPIO針腳、I2C、SPI、UART、PWM、PDM，以及160kB RAM。這款晶片還能提供BLE 4.2的先進資料安全和隱私保護功能。 RF sub-1GHz具備低雜訊/遠距離優勢 顧名思義，RF sub-1GHz技術是以低於1GHz的載波頻率傳送訊號，不同的國家為工業和科技研究領域分配了不同的免授權費的無線電波段。 以下列出為各個國家的免費無線電波段。 ．北美：315, 433, 915Mhz ．歐洲：433, 868Mhz ．印度：433, 865~867Mhz sub-1GHz技術的優點是雜訊小，通訊距離遠，功耗低，缺點是不能直接連手機，應用不廣泛。Sigfox是採用sub-1GHz頻率且須付費的LPWAN服務，該技術可直連接電信基礎建設的雲端，通訊距離長達幾公里。在機器中，Sigfox可用於追蹤，向雲端上傳感測器資料，其作為直連電信基礎建設的低速率通訊技術，預計未來不會取代低功耗藍牙等控制直連技術和RF sub-1GHz直接對等連接。 降低研發時間/成本　開發平台不可或缺 物聯網市場正在飛速發展，產品能否成功，很大程度取決於研發時間和成本，在這種情況下，擁有一個價格划算、靈活可變、有彈性的生產級開放式的開發平台很重要。為此，半導體業者紛紛推出相關解決方案，例如，意法半導體備有STM32開放式開發環境，為設計人員使用意法半導體產品開發應用提供了一個靈活多變、經濟實惠的解決方案。 STM32開發環境包括微控制器、感測器、射頻晶片、類比元件。除了硬體平台外，開發環境還提供驅動軟體、中介軟體和應用，以及相關的Android和iOS代碼。使用者只要在電腦上簽署一份授權協定，就可以使用這些先進的軟體庫。在平台測試成功後，設計人員就可開發自己的印刷電路板，裝載在這個平台上開發的韌體；而使用者只有在自己的電路板上測試應用時，才須要簽署生產級軟體庫的許可證。 或是像SensorTile解決方案，該產品是一個方磚狀微型設計平台(圖3)，其具有遠端感測運動、環境和聲學等參數所需的全部功能，讓設備開發人員集中精力研發機器或機械手臂的空氣動力、馬達控制和物理設計，而毋須考慮通訊連接和感測器整合等問題。該解決方案可以開發預防性和預測性機器維護方法，監控安裝在危險和危害人體健康的環境中的機器，因為維護技師毋須到現場檢修，為企業節省一大筆維修費。 圖3　SensorTile解決方案。 綜上所述，為實現更高的生產率、更安全的工作環境和更高的效能，智慧工業是當務之急。低功耗感測器和通訊連接技術的問世為智慧工業的發展提供了可能。多元化的感測器和連接技術正在解決諸多的複雜難題，過去這些難題是根本無法解決的，即使能夠解決，也需要付出很大的代價。 (本文作者任職於意法半導體)

商業流程諮詢業者的角色是顧問諮詢業者，主要服務模式是協助客戶進行企業內部數位轉型及相關的供應鏈流程改善諮詢，代表廠商有Accenture、PWC、BCG、KPMG、EY、Deloitte等機構。 商業流程服務業者的角色是系統整合商，主要服務模式是提供內建自動化工具的商業流程系統或協助建置商業自動化流程系統，代表廠商為IBM、HP等大廠。 RPA工具業者的角色是RPA技術提供者，其主要服務模式是直接提供客戶RPA技術工具給客戶自行整合，代表廠商為Automation Anywhere、Blue Prism、UiPath(圖1)。 圖1　RPA工具業者市占率 資料來源：Mindfield，資策會MIC整理(10/2018) 從全球市場規模來看，Automation Anywhere(AA)、Blue Prism及UiPath這三家RPA工具業者市占率最高。從市場影響和技術與交付能力來看，全球市場主要工具業者中已有5家RPA工具業者成為領導廠商，其中Automation Anywhere、Blue Prism、UiPath為市場最知名廠商。其中市場影響力參考業者產品市占率、營業額及成長率，技術與交付能力則參考業者產品技術、部署、執行、創造修改、支援整合的能力。 AA軟體機器人提升作業流程效率 Automation Anywhere，簡稱AA，是由流程自動化專家Mihir Shukla於2003在加州San Jose創立，主要是利用軟體機器人協助企業把現有的人工作業流程自動化，軟體內建人工智慧具有自我學習的能力，可隨著時間提升作業流程的效率與彈性，已經於2018年7月3日完成了2.5億美元的首輪籌資，目前估值已達18億美元。 目前全球擁有超過1,000多家企業客戶，包含Google、Juniper、LinkedIn、Cisco、Siemens、Comcast、Dell、ING等，合作夥伴包含Dell EMC、KPMG、Deloitte、 Accenture、Infosys等公司，是用戶範圍最大的RPA供應商。其產品IQ Bot獲得2018年網通產品指南(Network Products Guide)最熱門科技金牌獎，該產品特色是結合機器學習功能，可自文件擷取非結構化資訊，而Bot Store則是全球第一個線上機器人商店。 AA的產品發展策略分為三個階段，前期目標在發展IQBOT機器人與機器人市集，透過機器人市集，協助合作夥伴快速將預先訓練的機器人整合到特定商業流程中，並透過Bot Insight的分析平台，進行商業數據的分析與預測。中期目標希望強化IQ Bot的認知功能並結合文字識別、自然語言處裡、人工智慧等應用，並在目標市場導入雲端服務。長期目標是強化人工智慧、非結構化資料及人機互動等功能的研發。 Blue Prism致力取代高風險人工處理作業 Blue Prism是由流程自動化專家Alastair Bathgate與David Mos於2001年在英國倫敦創立，主要是透過機器人流程自動化軟體來取代企業低回報高風險的手動資料輸入和人工處理作業。該公司已在倫敦證交所上市，目前估值已達12億美元。 目前全球已有超過300個客戶並與NHS、Accenture、Hexaware、HP、Enterprise、Capgemini、IBM等大廠合作，它是目前唯一與AWS、Microsoft、Google、IBM建立認證機制的廠商。 Blue Prism的產品策略分為三個階段，短期目標在整合雲端應用，中期目標在擴展授權規模，擴大市場占有率，長期目標在發展人工智慧應用。 UiPath協助日常任務自動化 UiPath是由電腦專家Daniel Dines於2005年在羅馬尼亞成立，總部設於紐約的軟體公司。該公司致力於協助企業完成日常任務自動化，技術上透過電腦視覺、機器學習和自然語言處理等AI工具來自動化管理系統中繁瑣的文書工作，例如表單填寫自動化、帳務及發票的處裡或客戶服務流程的自動化。UiPath在2017年4月獲得3,000萬美元的A輪融資，2018年獲得1.53億美元的B輪融資，截至目前估值已達11億美元。 目前擁有超過1,500多家企業客戶，包括財富500強企業和政府機構，服務領域橫跨銀行、保險、醫療與製造業。其產品主要應用在文件管理、客服中心、醫療保健、金融財務、API整合、資料擷取、應用程式系統整合和業務流程外包，是目前整合最多廠商的自然語言理解、聊天機器人、文字辨識技術功能的廠商。它的UiPath...

瞄準電動車未來商機，並提高競爭力，豐田汽車(Toyota)與松下電器(Panasonic)宣布將共同合資設立專門生產電動車方型電池(Prismatic Battery)的新公司，預計在2020年底前成立，合資公司的出資比例為豐田51%，松下49%。合資公司的事業範圍包括：車用方形鋰電池、固態電池及下一代電池相關研發、生產技術、製造、採購、銷售、管理等。 豐田副社長寺師表示，與松下電器合作，不僅可共同提升電動車電池的技術研發能力，提供客戶更高性能的電動車輛，同時也可加速電動車普及化，為解決環境、能源困境做出貢獻。 目前汽車行業正面臨著互聯化、自動化、共用化等大幅變化，此外全球氣候變遷及資源、能源問題也亟待解決；因此，汽車電動化勢在必行，而電池更是打造電動車的關鍵要素。電池除了需要滿足成本、能量密度、充電時間、安全性等較高的技術外，穩定的供貨能力及回收再利用等能力也不可或缺，而此一趨勢已非單一電池供應商或是汽車品牌可以應付。 為此，豐田與松下便攜手合作，共同研發兼顧性能與成本、大容量，且高功率車用方形電池；而本次合約的簽署，也顯示著兩家企業將進一步提高於電動車電池領域的競爭力。 據悉，未來豐田的電池單體研發、生產技術領域的設備、人員，以及松下的車用方形電池事業的開發、生產技術、製造(工廠位於日本及中國大連)、採購、銷售與管理相關的設備、其他資產、負債、人員等將分別由合資公司接管。合資公司所接管的業務涉及兩家公司人員共計3,500人，至於產品原則上將透過松下向所有汽車廠商供應。 總而言之，豐田、松下兩強攜手成立合資公司，意味著整合兩家企業的優勢資源，將豐田的強項「電動化技術」、市場資料、固態電池等尖端技術，結合松下所具備的高品質、高安全性、大容量及高功率的電池技術與量產技術，進一步提升電動車電池的研發實力與生產能力，並充分利用規模效應從而降低採購及製造成本。 松下電器專務執行董事柴田指出，與豐田在電池技術、生產技術方面的合作，對於松下而言是個大好機會。該公司在車用方形電池的性能和安全方面積累了一定的市場經驗，而透過與豐田的合作，將實現比以往更快速的發展。

量子電腦發展逐漸升溫，且其應用有望在2023年全面爆發。根據研調機構Gartner研究指出，量子運算(Quantum Computing)達到成熟期的時間已從超過10年調整為5到10年，預計2023年20%的企業會將量子運算納入公司預算。為搶攻量子電腦潛在商機並加快其商用時程，IBM可說動作頻頻，不僅在CES 2019發布首款20量子位元(qubit)的量子電腦因應商用化，並規劃開首座量子運算中心，建立完善生態系。 量子運算是一種以次原子粒子(例如電子和離子)的量子狀態來運作的非典型運算方式，以量子位元為儲存資訊的單位。由於量子電腦具有平行執行的能力和指數級的運算速度，一般對於傳統電腦或傳統運算法來說過於複雜難解的問題，都是量子電腦的強項。像汽車、金融、保險、製藥、軍事和研究機構等產業，將是量子運算技術進展的最大受益者。 也因此，各大廠商如Google、Intel、IBM相繼投入量子電腦布局。其中，IBM更是在CES 2019展會期間，推出20量子位元的量子電腦「IBM Q System One」，透過元件模組化的設計整合上千個元件在一個氣密式的玻璃櫃中，大幅提升量子電腦運作穩定度，這也意味著量子電腦得以走出實驗室，為邁向商用化的一大進程。 IBM研究總監Arvind Krishna表示，IBM Q System One是量子計算商業化的重要一步，當致力於開發商業和科學的實用量子應用時，這個新系統使得量子運算的研究不再僅限於實驗室之中。 除了發布IBM Q System One之外，IBM也計劃在紐約開設第一座量子運算中心，會設有以雲端為基礎的量子運算系統，同時與學術、新創、指標性公司成立「 IBM Q Network 」，建立量子電腦開發生態圈，共同推進量子運算發展並探索其在商業和科學的實際應用。 IBM Q戰略和生態系統副總裁Bob Sutor指出，隨著我們繼續探索量子運算的實際應用，必須與各行各業的企業和組織合作，如此一來可以更快、更有效地解決在量子運算開發、應用上的問題。

無人載具是近幾年相當熱門的議題，除了自駕車與無人機，近來產業也相當關注自駕船的發展，而國際海事組織(IMO)也在2018年的會期中，研擬無人駕駛船舶管理法規的架構與重點項目，可見自駕船已開始受到國際關注。因應此趨勢，我國船舶中心也集結國內產、官、學界的力量，共同組成「自動駕駛船舶產業聯盟」，盼能藉此深化本土自主關鍵技術平台，拓展自駕船的新市場與商機。 據了解，我國船舶產業的製造與組裝能力強，船廠已具備無人船舶硬體接單建造的能量。然而，國內較缺乏智慧船舶自主航行相關技術，過去船舶核心控制系統多由外國船東提供，因此，發展智慧船舶自主航行的核心技術，遂成為產業努力的首要目標。 對此，船舶中心董事長兼執行長邱逢琛表示，自動駕駛船舶是一項跨領域的新興產業，且須高度整合船舶、資通訊、機電、感測與控制等來自不同產業的技術，因此需要跨業結成聯盟集結各領域的能量，才能帶動技術與應用發展。而除了技術上的合作外，聯盟也會針對相關法規的制定、產業推動的方向以及整體進程規畫等重要議題進行更多的交流，創造傳統船舶產業升級的契機，使我國船舶產業轉型成具備高經濟價值的高科技產業。 在技術發展上，船舶中心自2018年4月起，與工研院、中科院與資策會共同執行專案企畫，發展自駕船所需的核心控制系統、遠距無線通訊系統、影像辨識技術與致會碰壁系統等關鍵技術，打造出全台灣第一艘整合感知、決策與控制系統的自動駕駛船舶，目前也已在淡水河進行實船的測試驗證。 而在法規的部分，我國立法院於2018年11月三讀通過《無人載具科技創新實驗條例》，該條例援引監理沙盒精神，打造創新實驗場域，以促進無人載具在陸、海、空三種不同場域的技術與應用發展。 邱逢琛指出，隨著自動駕駛相關技術的演進，未來產業也將進一步升級到無人船舶甚至是智慧船舶系統，為整個海洋產業帶來重大的變革，並提升營運效益。舉例來說，無人船舶可省去人員座艙空間以增加載貨空間，並減少船舶控制的人事成本，預估可降低約三成的航運成本。 根據市調機構MarketsandMarkets報告，2017年全球無人載具船舶市場的產值約為141億新台幣，預期2022年將達到284億新台幣，年複合成長率(CAGR)達14.83%。

物聯網(IoT)不斷的蒐集數據、產生數據也帶來帶來數據處理的新挑戰。IoT裝置最直接的影響反映在數據流量、運算資源負載等數據傳輸(Datacom)問題，產業研究機構資策會MIC表示，雲端資料中心(DC)在2021年的數據流量大約近20,000EB(20ZB)，2016~2021年的年複合平均成長率(CAGR)達到22%。 對比雲端DC、傳統DC工作量比重，雲端DC的比重在2021年將達到95%，意味著未來多數的傳輸設備，皆會更加倚靠雲端或以公有運算為基礎的解決方案，現有架構將不足以因應IoT的數據成長。 關於資料類型，資策會MIC認為，在2020年全球數據的生成類型當中，排名首位的數據生成是來自監視、影像動畫或圖像系統，其次則是一般數據處理(如網通通訊的排程)，第三則為娛樂與社群媒體顯示IoT的需求，涉及到第一線使用者的使用習慣變化，尤其是倚靠圖像、影像作為媒介的傳輸習慣。  

放眼未來，在面對更先進的神經網路時，能隨時進行調整的靈活性是我們關注的焦點。現今廣受歡迎的CNN正加速被新型的先進架構所取代。然而，傳統系統單晶片(SoC)的設計必須要使用當前的神經網路架構知識，而且從開發到部署通常需花費約三年的時間，像RNN或膠囊網路(Capsule Network)等新型神經網路，可能會使傳統SoC變得低效，且難以提供保持競爭力所需的效能。 因此，若嵌入式AI要滿足終端使用者的期望，特別是要跟上可預見未來裡不斷提升的需求，就必須採用更加靈活的自我調適運算平台。我們利用使用者可配置的多重處理系統晶片(MPSoC)元件，整合主應用處理器和可擴展的可編程邏輯結構，其包含可配置的記憶體架構與滿足可變精度推論所需的訊號處理技術，來滿足上述需求。 推論精度最佳化提升效能 在傳統的SoC中，決定效能特性的因素如記憶體架構和運算精度是固定的，透過核心CPU定義，最小值通常為8位元，即使針對特定的演算法最佳精度可能更低。而MPSoC因能夠支援可編程邏輯最佳化至電晶體層面，因此能根據需求讓推論精度降低至最低1位元。此外，這類元件還包含成千上萬可配置的DSP分割(Slice)，能高效處理乘法累加(MAC)運算。 當能自由地最佳化推論精度時，就能根據平方定律提供剛好滿足需求的運算效率。也就是說，單一位元的運算當用1位元核心執行時，相對於用8位元核心完成時，所需的邏輯僅為1/64。此外，MPSoC能讓推論精度針對每層神經網路做出不同最佳化，進而以最大的效率提供所需的效能。 MPSoC晶載記憶體提升4倍 除了透過改變推論精度來提高運算效率之外，配置可編程晶載記憶體的頻寬和結構，能進一步提高嵌入式AI的效能和效率。當運行相同推論引擎時，客制化的MPSoC與傳統運算平台相比，晶載記憶體可能達到4倍以上，而記憶體介面頻寬可能達到6倍。記憶體的可配置性能幫助使用者降低瓶頸，並最佳化晶片資源的利用率。此外，典型的子系統僅具備有限的晶載整合快取記憶體，因此必須與外接儲存裝置頻繁互動，導致延遲與功耗的增加。在MPSoC中，大多數記憶體交換都在晶片上進行，因此可以大幅提高速度，且能省下超過99%因與外接記憶體互動所產生的功耗。 解決方案的尺寸大小也越來越重要，特別對採用行動AI的無人機、機器人或無人/自動駕駛汽車而言更是如此。在MPSoC的FPGA結構上運行的推論引擎可以僅占用傳統SoC八分之一的晶片面積，這能讓開發者在更小的元件中建構功能更強大的引擎。 此外，MPSoC元件系列為設計人員提供豐富選擇來建置推論引擎，能支援最節能、成本效率最高、面積占用最小的方案，進而滿足系統效能需求。一些通過汽車應用認證的零件具備硬體功能安全特性，達到業界標準的ISO 26262 ASIL-C安全規範，這對自動駕駛應用而言至關重要。例如賽靈思的Automotive XA Zynq UltraScale+系列採用64位元四核Arm Cortex-A53和雙核Arm Cortex-R5處理系統(圖1)，以及可擴展的可編程邏輯結構，因此就能在單個晶片上整合控制處理、機器學習演算法和安全電路，同時具備故障容錯能力。 圖1　賽靈思的Automotive XA Zynq UltraScale+系列符合ISO 26262 ASIL-C安全規範。 現今嵌入式推論引擎可建置於單個MPSoC元件內，且功耗低至2瓦，這對行動機器人或自動駕駛汽車而言都是合適的功耗水準。傳統運算平台即便現在也無法以這麼低的功耗運行即時CNN應用，未來也不太可能在更嚴格的功耗限制條件下，滿足更快回應和更複雜功能的需求。採用可編程MPSoC的平台能夠提供更高的運算效能、更高的效率，並在15瓦以上的功率水準下減少面積和減輕重量。 若開發者不能在其專案中輕鬆應用這些優勢，那麼這些可配置型多平行運算架構的好處就僅限於學術領域。因此，若想要成功應用，需要有適當的工具來協助開發者最佳化其目標推論引擎的建置。為了滿足相關需求，賽靈思不斷擴展其開發工具和機器學習軟體堆疊的生態系統，並與專業夥伴合作，一起簡化與加速電腦視覺和視訊監控等應用的建置。 藉由SoC的可配置性能為目前應用創建最佳平台，也讓AI開發者能夠靈活地跟上神經網路架構快速發展演進的需求。業界遷移至新型神經網路的可能性，對於平台開發者來說是一個巨大的風險。然而，可重配置的MPSoC透過重配置能力，以及當前最先進的策略來建構最高效的處理引擎，能讓開發人員靈活地回應神經網路架構方式的變化。 工業控制、醫療設備、安全系統、機器人和自動駕駛汽車等越來越多的設備內已嵌入AI，利用可編程邏輯結構的MPSoC元件所具備的自行調適加速技術，是保持快速反應、高階功能及維持競爭力所需的關鍵。 (本文作者為賽靈思策略市場開發總監)

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)