首頁Top區塊

為落實金屬加工與手工具領域的智慧工廠，日前物聯網廠商研華宣布投資銳鼎科技公司20%股權，藉此形成平台供應商與系統集成商的合作模式，並共同推動行銷，達到WISE-PaaS及Industrial Application(I.App)解決方案的銷售目標。集結銳鼎多年落地執行I.App的經驗，研華可望加速推廣Webaccess及WISE-PaaS平台。 圖　研華宣布投資銳鼎科技公司20%股權，藉此形成平台供應商與系統集成商的合作模式。 研華以現金投資銳鼎的20%股權，促使銳鼎成為研華在大中華及東南亞地區的合作夥伴，採取平台供應商與系統集成商之上下游協同共創(Co-Creation)模式，共同推動金屬加工及手工具領域的智慧工廠。 合作的下一步，即是透過共同行銷來銷售WISE-PaaS與I.App解決方案，同時結合銳鼎在金屬加工及手工具工廠的多年製造執行系統(Manufacturing Execution System, MES)開發、系統集成之經驗，搭配研華的工業4.0解決方案、WISE-PaaS物聯網雲平台，提供模組化的服務，使其降低門檻及成本而能快速導入市場。 銳鼎科技董事長游祥鎮表示，思考如何將MES透過演算法的指揮系統落實開發，以及AI的應用方向發展，提出應對方案均是迫在眉睫；有鑒於業界快速的變動，産業間相互合作是面對動態變化最好的方法。

晶片製程隨著市場所需的功能增加而變得越趨複雜，製造過程仰賴量測系統來控制晶片製作的品質與成本。為了提升晶片製程的產量與良率，製程設備供應商科磊(KLA)推出採用圖像技術的Archer 750疊對量測系統，與針對晶片製造的SpectraShape 11k光學關鍵尺寸(Critical Dimension, CD)量測系統，分別用以確認晶片製作時每一層的正確對準，以及監控立體結構的形狀符合規格。 科磊(KLA)推出採用圖像技術的Archer 750疊對量測系統，與針對晶片製造的SpectraShape 11k光學關鍵尺寸(critical dimension, CD)量測系統。圖片來源：科磊 Archer 750疊對量測系統可生成準確的疊對誤差測量結果並兼顧產量，達到過去僅能透過散射測量技術的疊對系統生產的數量，藉由精準且及時的回饋，協助微影工程師識別製程偏差並改善整體圖案的完整性，同時達到加快生產與良率提升的效果，穩定生產先進邏輯(Advanced Logic)、DRAM及3D NAND裝置。 而SpectraShape 11k 則監控3D結構的形狀，確保電晶體與記憶晶格(Memory Cell)等符合規格。此外，SpectraShape 11k CD與尺寸形狀量測系統結合靈敏度與生產效率，不只可量測多種材料、結構與晶片形狀，還能夠高速測量先進邏輯、DRAM及3D NAND裝置，達成快速識別製程問題並嚴格監控制程的目標。 在5G、AI、數據中心及邊緣運算的高規格記憶體與邏輯晶片需求之下，量測系統技術的進展，增加晶圓廠對製程的控制程度，有助於製程複雜的晶片維持品質。

半導體先進製程已經與晶片效能畫上等號，因此，除了品牌與功能之外，對於晶片商來說，採用先進製程也是技術行銷的一大重點，晶片的成功與擴散很大程度上取決於IC製造商能否繼續提供更多的性能和功能。隨著主流CMOS製程達到其理論、實用和經濟極限，降低IC成本不可避免地與不斷成長的技術和晶圓廠製造能力相提並論。台積電已經正式量產的5奈米(nm)製程將成為下一個製程爭奪重點，並為該公司創造更多營收。 2015~2021年主要晶圓廠製程發展進度　資料來源：IC Insights(2/2020) 根據產業研究機構IC Insights最新研究指出，許多IC公司現在正在設計10nm和7nm製程的高階微處理器、應用處理器和其他高級邏輯設備。在半導體製造領域，採用先進製程具有明顯的優勢。在2019年，台積電是唯一使用7奈米製程技術的晶圓代工廠，也成為各家晶片廠商的「名牌」，台積電的先進製程創造大量營收，7奈米製程也出現排隊狀況，一線大廠才能優先取得產能，搶先量產產品，並為廠商拿來作為產品行銷的重點技術。 也由於IC設計廠商排隊採用7奈米製程製造最新設計，推升台積電單片晶圓總收入。台積電2019年每片晶圓收入高於2014年13%，也是全球唯一一家達成此目標的晶圓廠。相較之下，GlobalFoundries、聨電UMC和中芯國際(SMIC)2019年每片晶圓收入，與2014年相較分別下降了2%、14%和19%，這三家廠商的最先進製程約在12/14奈米。 除了代工和邏輯IC製造外，三星、美光、SK Hynix和Kioxia/WD等記憶體供應商都在使用先進製程來製造其DRAM和快閃記憶體(Flash)元件。無論設備類型如何，IC產業都已經發展到只有極少數的公司可以開發前瞻製程技術並製造前瞻IC的地步。日益成長的設計和製造挑戰以及成本已經將積體電路領域門檻變的越來越高。

2018年2月，橫跨亞洲、歐洲和北美的5家行動網路營運商，在西班牙巴塞隆納世界行動通訊大會(MWC)上共同發起成立O-RAN聯盟(O-RAN Alliance)，這是一個全球性、由電信商主導的組織，致力推動無線通訊系統的RAN進入智慧、開放、虛擬化和完全可互通操作的新世代。 相比於很多產業聯盟成立後音量就愈來愈小，O-RAN聯盟這兩年，在全球有愈來愈多電信業者和供應商加入，聲勢日益變大。1年後，該聯盟已有近80家公司加入，並發布了第一個O-RAN規範和技術展示。 2019至今，又有9家電信商新加入，包括Bell Canada、英國電信、中華電信、DISH Network、KDDI、SoftBank、Sprint，以及Vodafone。如今，O-RAN聯盟由遍及四大洲和11個國家/地區的全球理事會管理(歐洲4個，中國2個，印度2個，韓國2個，美國2個，澳洲、日本和新加坡各1個)。 今年MWC期間，O-RAN聯盟原本還準備好要展示會員廠商最新發展的22個實際O-RAN設備實作，進一步證明該聯盟倡議的開放、智慧化RAN正朝向成熟發展，未料MWC因新冠肺炎疫情衝擊，破天荒宣布取消，只好再另行規劃以其他方式進行發布。 生態系迅速壯大　O-RAN發展動能增強 事實上，在O-RAN聯盟戮力推動下，至今已有24家電信業者加入發展行列(圖1)，相關部署案例除了樂天移動(Rakuten Mobile)外也不斷增加；不僅如此，2019年12月，O-RAN聯盟也首次進行全球插拔測試大會(Plugfest)，為未來相關設備的相容性與互通性，確立重要發展里程碑。 圖1  至2020年2月，全球已有24家電信商成為O-RAN聯盟主要會員。 O-RAN聯盟主席暨AT&T技術長Andre Fuetsch表示，該聯盟將結合全球24家電信商的力量，致力改善行動網路的效能和效率，在5G時代到來之際，為所有用戶帶來期待的網路體驗。 O-RAN營運長暨德國電信策略與技術創新資深副總裁Alex Choi進一步指出，O-RAN聯盟已從創立之初的5家行動網路營運商，快速成長到超過160多家電信商和貢獻者，其中包括業界領先的大型業者、中小企業、新創和學術機構。這如此多元組合的成員將共同努力，促使產業邁入開放且智慧化的下世代無線接取網路。 O-RAN聯盟現今已通過31個規格，並與Linux基金會合作發布了130萬行開源程式碼，並且在2019年耶誕節前夕，舉辦了第一次全球插拔測試大會和概念驗證，以驗證網路設備的功能及多供應商互通性符合近期公布的O1、A1和Open Fronthaul(開放式前端網路)介面規格。 Fuetsch表示，O-RAN首次Plugfest測試大會顯示業界開發真正開放介面規格的能力，並有可能加快推進新的5G先進服務，這些服務將具有多營運商、多供應商特性，並為整個生態系統創造機會。本次活動代表向實現O-RAN相容的5G RAN解決方案又邁出一步，這些解決方案預期不久後將成為主流供應商和利基供應商產品系列的一部分。 三大誘因讓電信商趨之若鶩 是什麼原因，讓原本保守的電信商開始渴望「開放」，並相繼加入O-RAN、TIP(Telecom Infra Project, 電信基礎建設計畫)等倡議組織，尋求新的網路部署對策？最主要有三大因素，包括成本、彈性與智慧化。 工研院產科國際所電子與系統研究組通訊與智慧聯網系統研究部產業分析師魏伊伶分析，相較於4G，5G頻譜標金愈來愈高，基地台部署成本起碼是1.5倍以上，但平均用戶貢獻(ARPU)值卻難以拉升，因而促使電信商開始走向開放的O-RAN架構，期藉此降低5G網路布建成本。 傳統上，基地台設備就像是個黑盒子，掌握在華為、愛立信(Ericsson)和諾基亞(Nokia)等少數電信設備業者的手裡，電信商在部署行動網路時，不僅選擇有限，且採購成本相當高昂。 開放式O-RAN架構則是將基地台設備解構，把軟體和硬體拆分開來，讓基地台硬體能架構在標準的白牌伺服器之上，從而大幅降低成本，同時提高創新研發以及供應商選擇的彈性。 這種概念，其實是來自於先前雲端資料中心的發展經驗。因為雲端資料中心的成功解構，讓電信業界也希望能借鏡，採用相同的邏輯打開長久以來封閉的基地台黑盒子。 魏伊伶進一步強調，5G大頻寬、低延遲、廣連結三大特性，必須在創新的應用上才能更加被突顯出來，而要支援這樣的創新應用，就須擁有更彈性的網路架構來支撐，以因應上層應用，調整相對應的底層網路配置。 根據德國電信的估計，採用O-RAN架構部署網路，固定成本加營運成本合計大約可以節省50~75%。 看好O-RAN架構所帶來的好處，日本樂天移動在2019年率先開出第一槍，宣布採用O-RAN架構進行4G行動網路部署，成為業界最為熟知的案例。 不過，樂天移動因為非典型的營運商，雖然備受關注，但它的案例對傳統電信業者來說，參考與刺激的力道有限，因此業界原本預期O-RAN架構將緩步拓展。直到不久前，Vodafone宣布大規模導入O-RAN，才加速點燃發展引擎。 魏伊伶指出，2019年11月在荷蘭阿姆斯特丹舉辦的電信基礎建設計畫高峰會(TIP Summit)上，英國電信大廠Vodafone宣布，將在其歐洲超過10萬個基地台逐步導入O-RAN架構，並正式公開徵求O-RAN廠商提出報價，預計布建版圖將橫跨14個國家，提供超過4億人的行動網路服務。這項宣布的主要用意，在建構創新且低成本的基地台；而此次的公開徵求，除了是至今最具規模的O-RAN布建規劃，同時也被視為是加速O-RAN產業生態鏈的一大舉措。 O-RAN成敗全看他　系統整合商角色吃重 開放是O-RAN架構的核心價值，但要真正將基地台黑盒子解構，挑戰不小。最重要、也是電信商最關心的問題，就是如何確保網路的穩定性。 魏伊伶分析，以往電信商是直接找諾基亞或愛立信採購設備，由他們提供一次到位的完整方案；O-RAN架構則要分拆成好幾包，硬體、軟體要分開買，買回來後還要有人負責整合，並確保互通無虞。所以當合作廠商變多時，會不會發生問題沒人管，造成服務品質下滑，是電信商最大的疑問。 另外，當電信商5G網路改用O-RAN架構後，新的5G基站如何跟既有3G、4G基站設備進行整合，達到向後相容，也是一大難題。因此，扮演軟、硬體整合的系統整合商(SI)角色就極為重要。 工研院資訊與通訊研究所副所長丁邦安(圖2)指出，早在10多年前，業界就已在討論將基地台設備的軟硬體解構，但由於過程極為複雜，一直沒有成形。而雲端資料中心之所以能成功解構，關鍵在於Google、Facebook、Amazon自己就有強大的軟體能力，自己就能完成軟、硬體整合。如今電信業者要複製雲端資料中心解構的成功方程式，最關鍵的問題，就是由誰來負責軟硬體整合？ 圖2　工研院資訊與通訊研究所副所長丁邦安 過去系統整合的角色，都是由電信設備業者包辦，而在新興的O-RAN生態圈中，目前則有思科(Cisco)和三星(Samsung)較為積極。以樂天案例來看，硬體找了廣達(伺服器)、中磊(天線)，軟體找了Altiostar，系統整合者是思科。Vodafone的案例，目前預期會是由三星(Samsung)負責系統整合。 魏伊伶認為，思科在企業級路由器市場已是主導廠商，網路對他來說並不陌生；而三星以前就是韓國電信商KT的合作夥伴之一，也不是新手，兩者都有累積相關經驗。 然而，諾基亞、愛立信從2G、3G、4G到5G，一路走來所累積的網管實力，也相當雄厚，在樂天的供應鏈裡，諾基亞亦仍在其中，因此，未來是否也會在O-RAN生態圈中占有要角，值得觀察。 基地台大解構　台廠卡位白牌化商機 如同雲端資料中心軟硬體解構為台灣廠商帶來極大商機，O-RAN架構的發展亦可望開創台廠新的發展機會。 目前來看，O-RAN基地台標單會分成四個部分，其中三張是硬體，包括射頻單元、伺服器、硬體加速器(Accelerator)，另外一張則是軟體(系統整合)。其中伺服器的部分，就是台灣業者最能發揮的舞台；此外，也有一些網通廠積極從交換器、路由器切入O-RAN供應鏈。 為了協助台灣廠商搶得O-RAN市場先機，工研院自3、4年前就已投入5G基地台技術研發，且特別著力於通訊協定開發，強化軟體層面的整合，以確保整體系統的功能與效能。 丁邦安表示，工研院一開始就與台灣廠商共同合作，現在的基地台方案是包含射頻單元、伺服器、硬體加速器，上面再搭載工研院自己開發的通訊協定，四位一體一併技轉給台灣廠商，讓台廠可基於這套方案，向客戶證明產品開發能力，爭取合作機會。 丁邦安認為，台灣廠商強項在於硬體，應該要把這個強項維持住，因此重點是必須及早掌握未來規格，如此才能在這個改朝換代的第一時間點，被市場看見，如廣達、中磊已順利打入樂天移動網路布建案首波供應鏈。 除了基地台解決方案已技轉給中磊、合勤等四家台廠外，工研院也攜手國內18家業者打造5G基地台生態系(表1)，共同開發5G小型基地台(Small Cell)，並將於2020年底與國際同步，完成商用化互通性測試。 表1  目前加入工研院5G基地台生態體系的台灣業者 魏伊伶建議，有意搶攻O-RAN白牌基地台商機的業者，現階段就要認真思考並積極切入生態圈，與其他供應鏈業者互相測試、練兵，如此才有機會爭取到大規模採購的訂單。一旦錯過這個時間點，恐怕就為時已晚。 互通測試/商用進展　為2020年觀察重點 整體來看，O-RAN的發展目前仍處於逐漸加溫階段，包括相關介面標準、測試互通規範，以及實際商用部署，皆將持續演進。 丁邦安指出，2020年O-RAN的互通測試將是一大發展重點。負責O-RAN產品互通測試的開放測試和整合中心(OTIC)，計畫在今年底將軟/硬體、射頻單元、伺服器，以及硬體加速器等四大部分的規範訂定出來，讓供應商進行測試。唯有將測試認證做好，方能降低電信商對風險的擔憂，從而推助O-RAN的發展。 此外，樂天、Vodafone等商用部署的成果，亦是另一觀察指標。魏伊伶認為，如果Vodafone案例成功，軟硬體整合沒有問題，網路營運順利，會給予其他業者相當大的信心。屆時，負責Vodafone網路布建的供應鏈業者，也可望成為後續其他廠商尋求的合作對象。也就是說，O-RAN的供應鏈會慢慢成形。 不管怎樣，O-RAN的發展將是一場馬拉松，堅持到底才有機會贏得最後的勝利。

舉例來說，如ILSVRC影像分類競賽(圖1)，在這場競賽中即是使用一種稱為機器學習(ML)的人工智慧─AlexNet早在2012年就贏得這場競賽，成為第一個使用深度神經網路和GPU來進行訓練的模型；而ResNet-152在2015年的影像分類競賽中亦擊敗人類。 圖1　影像分類中機器與人類的比較 電腦優於人類的其他範例還包含遊戲，表1中的範例是機器擊敗人類冠軍以及人類仍較優秀的非競賽情境。 機器學習無疑為智慧家庭、智慧零售、智慧工廠和智慧城市之類的應用情境帶來全新美好的必要功能，且現今各種企業都能利用這項技術。運用此技術的相關機器學習雲端服務供應商有亞馬遜(Amazon) AWS、SageMaker、微軟(Microsoft) Azure ML和Google Cloud ML，而這類機器學習雲端服務的成長都極為驚人。 邊緣執行ML流程簡化 直到最近，因為推出各種運算和儲存資源，機器學習的重心都集中在執行大量集中式電腦中心的雲端，其快速移轉至邊緣有以下幾個原因： ．雲端處理、儲存空間與頻寬的成本無法將資料傳送到雲端，以執行人工智慧功能的決策。 ．較完善的使用者體驗需要在邊緣進行快速的人工智慧功能決策。 ．隱私權和安全性考量會限制在雲端中儲存的資料類型。 ．提升可靠性。 以上這些因素讓邊緣無庸置疑成為機器學習處理許多應用的顯著位置。這也是半導體廠商推出運用專屬高效能機器學習加速器之應用處理器的原因之一，像恩智浦(NXP)的i.MX 8M Plus使用14nm FinFET製程技術，提供高效能與低功耗，並具備雙鏡頭ISP在內的各種新功能，可支援兩個低成本的HD相機感測器或一個4K相機感測器，以執行臉部、物件和手勢辨識的機器學習任務。其中也整合獨立800MHz Cortex-M7來支援即時任務與低功率、H.265和H.264的影片編碼和解碼、800MHz HiFi4 DSP，以及用於語音辨識的8PDM麥克風接口。工業物聯網功能包含Gigabit乙太網路與時效性網路(TSN)、兩個CAN-FD介面和ECC。 另一方面，資料科學家正為在邊緣上部署的資源限制裝置最佳化特定演算法，進而協助加速移轉到邊緣。MobileNet是由Google開發的影像分類演算法，著重在高準確度，同時又能大幅減少所需的運算資源數量。圖2中顯示處理過程中大幅減少的趨勢。從VGG-16模型到MobileNet v2模型的轉變讓在邊緣所需的運算數量減少50倍，協助在邊緣的資源限制硬體解決方案，執行複雜的機器學習處理。 圖2　針對邊緣最佳化的NN演算法 同樣地，使用行動電話在邊緣執行MobileNet v1比起在雲端中執行MobileNet v1的速度明顯更快，此差異的成因是將雲端網路延遲降到最低，而網路往返延遲的新增範圍可以輕易橫跨200毫秒到超過1.4秒(大幅延遲回應時間)。該演算法的目標是達低於100毫秒的回應，以即時向使用者顯示(圖3)。 圖3　在邊緣更快速的使用者體驗 以下是i.MX 8M Plus支援的應用程式，這些應用程式會在邊緣執行機器學習。如圖4所示，這些使用案例都需要特定層級的效能來判斷需要哪種層級的執行硬體。這就是應用處理器須具備專屬機器學習加速器的主因。 圖4　機器學習使用案例 因為上述原因，便可較易理解為何要在邊緣執行機器學習應用。然而，必須符合幾個額外需求才能順利完成部署： ・機器學習開發人員的生態系統─讓實作變得簡單。 ・硬體安全性─保證隱私權與安全性。 ・全新、創新的混合SoC架構─提供符合成本效益的解決方案。 ・可擴充和安全的邊緣部署─讓部署變得容易。 打造適用於機器學習部署的全面性生態系統 機器學習應用的重大突破需要結合設計與部署的生態系統來負責處理任務，這也是半導體業者打造創新邊緣智慧工具環境的原因，以恩智浦eIQ為例，該工具支援各種機器學習處理元件，包含Arm Cortex-A和Cortex-M處理器、圖形處理器(GPU)、DSP和機器學習加速器。eIQ機器學習軟體環境包含推論引擎和程式庫，兩者皆利用開放原始碼機器學習技術中的改善技術，像是TensorFlow Lite、OpenCV、CMSIS-NN和Arm NN；而針對較熱門的i.MX RT應用處理器，則透過適用於MCUXpresso和Yocto(Linux)的開發環境進行評估，為應用開發過程提供順暢的支援；在物件偵測和語音辨識中的範例應用程式中會隨附eIQ軟體，作為邊緣機器學習的起點(圖5)。 圖5　eIQ機器學習開發環境 確保邊緣安全性 邊緣的安全性至關重要，其所需的功能包含安全啟動信賴起點、晶片內建加密、安全布建、相互裝置驗證、安全裝置管理、OTA或無線安全更新與生命週期管理。為了支援這樣的安全性，半導體業者打造了可擴充的EdgeLock組合，其中包含安全元件、安全驗證器和應用處理器的嵌入式安全以及MCU。像是i.MX 8M Plus具備進階EdgeLock嵌入式安全系統(含資源網域控制器、信任區、HAB、加密啟動、使用RSA的公開金鑰加密與橢圓曲線演算法)，其可為邊緣節點提供完整性、驗證確實性和隱私，並提供從邊緣到閘道和雲端的安全性。 AI/ML領域更迭不斷　加速人們生活便利性 人工智慧領域的變化步調正逐漸加快。如圖6來自「2018年人工智慧指數」和Monster.com所示的圖表呈現深度學習職缺方面的趨勢。 圖6　2015~2017年所需人工智慧技能的職缺成長 至於圖7則顯示在公司盈餘會議中提到人工智慧和機器學習的次數。 圖7　2007~2017年公司盈餘會議提到次數-IT公司 人工智慧與機器學習為電腦產業中帶來劇烈的改變，這樣的改變可使人們的生活更便利完善。新應用處理器如i.MX 8M...

歐洲在過去幾年的緩慢成長後，2019年歐洲多個市場的太陽能光電需求出現了大幅回升。主要的太陽能光電生產商，諸如德國、西班牙、意大利、法國和荷蘭，長期以來一直是歐洲太陽能光電的堅強後盾國家，都保持在全球前十名。光電協進協會(PIDA)產業分析師林政賢認為，預計需求會集中在德國、西班牙、烏克蘭和荷蘭四個市場中，2020年在20GW的安裝量下，上述四國的安裝量將佔歐洲需求的近60%。 在歐洲市場，公部門是主要的市場驅動力，而企業簽訂再生能源購電協議(Power Purchase Agreement, PPA)投資方式，成為廠商重要的細分市場。目前許多歐洲政府均採取擴大招標的方式，以便控制、推動大規模太陽能光電安裝，今年已經在德國、法國、意大利、葡萄牙、波蘭、匈牙利，甚至烏克蘭等市場宣布了新的招標案。 根據歐洲太陽能光電行業組織預測，歐洲2021年太陽能新安裝容量將達到22GW，接近2011 年安裝容量22.2GW 的歷史最高水平，而在2022年會以24GW的安裝容量打破歷史記錄，因此可預期太陽能未來五年在歐洲的安裝量將蓬勃發展。  

2019年雲端市場的資本支出微幅下滑，連帶影響伺服器廠商的訂單數量。然而日前Google宣布2020年將投資超過100億美元，在美國包括科羅拉多、喬治亞、紐約等11州設立辦公室與資料中心，除了為當地帶來工作機會，同時可望帶動伺服器出貨量回升。 根據國際半導體產業協會(semi)統計顯示，長期而言，市場對雲端服務的需求持續增加，2013~2017年的雲端廠商資本支出皆呈現上升趨勢，但是2019年的雲端廠商資本支出縮水，相比2018年同期呈現明顯下降，因此推估伺服器供應商受此影響，2019年的訂單數量減少。 2019年的雲端廠商資本支出縮水，相比2018年同期呈現明顯下降。圖表來源：semi 而本月26日Google表示，2020年會有超過100億美元的資本支出，主要投注在美國共11州的Google資料中心與辦公室設置。雲端大廠的投資舉動，為去年緊縮的雲端服務市場注入活水，除提供地方更多就業與商業合作的機會之外，也代表伺服器供應市場將同步回穩。

可為駕駛提供幫助，並能夠提高道路安全性的高級駕駛輔助系統現在已整合到入門款車輛，成為汽車世界中的常見技術。全自動駕駛汽車(包括測試汽車)經常會成為新聞頭條，尤其是在自動駕駛車輛發生事故後。這些複雜系統在準備批量生產前還有很長的路要走，但可肯定其會於不久的將來成為現實。 汽車雷達感測易受干擾 能夠偵測附近物體的感測器是自動駕駛汽車的關鍵元件，這些包括攝影機和雷射雷達感測器，尤其是雷達感測器更為重要。現今每年生產數以百萬計的汽車雷達，為高階車輛中的標準裝置。汽車雷達感測器主要用於提高駕駛舒適性和預防事故，大多支援主動車距控制巡航的雷達感測器均在76GHz至77GHz頻率範圍(1GHz頻寬)內運作，用以感測遠處其他車輛和物體。汽車雷達要實現一些先進功能，特別是能夠感測附近物體的功能，如變道輔助和盲點偵測等，需要其於77GHz至81GHz頻率範圍內運作，以更大頻寬才能實現所需高解析度；且高達81GHz的擴展汽車頻段有助於減少無線電干擾。 由於汽車外觀比功能更重要，汽車雷達通常被雷達罩覆蓋，該雷達罩由對RF訊號透明的材料製成。汽車散熱器格柵上的標誌通常用於雷達罩用途，塑膠保險桿也是雷達良好藏身之處。過去標誌主要用於推廣品牌，而無其他重要作用，但現可作為雷達天線罩，因而更像RF零組件。若於設計中不考量此點，則可能對標誌後的雷達探測性能及準確性產生不利影響。 尤其是具有局部材料厚度變化的三維形狀品牌標誌可能會導致在毫米波段運作時導致出現RF性能問題。保險桿通常塗有金屬漆，可減弱高頻訊號。因此為確保雷達可靠性，必須驗證天線罩的材料屬性並檢查其對雷達訊號的影響。對自動駕駛而言，汽車感測器的不確定性和風險皆無法接受，基於以上產生的錯誤皆無法透過後續處理而充分糾正。因此車輛製造商及其供應商需要全新量測功能，以便評估天線罩雷達一致性。 雷達偵測精準度受多方影響 汽車雷達感測器主要使用頻率調變連續波(FMCW)訊號。由於傳播延遲和都卜勒(Doppler)頻移，這些感測器可量測並解析多個目標的距離及徑向速度。根據天線陣列特性，還可量測和解析方位角甚至至仰角。在偵測及追蹤後，感測器電子裝置處理訊號以生成目標參數清單，其中包含物件量測位置、速度以及類型訊息(行人及汽車等)。此清單將被發送至車輛電子控制單元，用於即時決策車輛操控。因此該資料的準確性和可靠性對車輛及乘客安全極為重要。 雷達精度取決於多因素，如硬體零元件、軟體處理和雷達回波本身。具有低訊噪比(SNR)的訊號回波參數無法像高SNR訊號一樣精確量測。此外，諸如多路徑傳播和天線罩等引起的失真也大幅影響量測精度；方位角量測誤差會導致目標看起來與實際位置有偏差，如圖1所示。雷達感測器角度量測誤差僅為1O，將導致100m外的目標看上去橫向偏移1.75m，以致被誤認處於不同車道。為確保可靠運作，在此距離下角度量測誤差須遠小於1O。 圖1　由於方位角量測錯誤，未正確檢測到目標位置，自動駕駛車輛控制器可能會做出致命動作。 天線罩選用決定雷達偵測精度 圖2顯示基於實際汽車零組件量測結果得出的方位角偏差影響，其中商用汽車雷達與靜止目標距離為12.4m，角度為11.5O，該圖顯示不同天線罩如何影響雷達的橫截面和入射角。以A區顯示值(無天線罩)也在此提供用於比較；可以看出當使用合適天線罩(B區)時，對入射角的估算無影響，但雷達橫截面會以兩種方式減小(在此狀況下約為2dB)；若使用不合適的天線罩(C區)，相對於比較量測值，平均雷達橫截面下降約4dB，使其難以偵測弱反射目標。不合適天線罩對偵測入射角的影響亦明顯。在恆定11.5O時無法看見，但在11.5O和11.7O間交替變化時則可顯示，因此訊號處理電子裝置不會獲得明確值。使用該天線罩，汽車雷達無法達到0.1O的目標精度。 圖2　不同天線罩對雷達橫截面(RCS)和入射角影響，不相容天線罩會導致角度誤差。 多因素考量輔助雷達校正 現代雷達感測器在接收器前端通常具有天線陣列，透過量測由相控陣天線波束成形獲得的相位和振幅比確定方位角(有時還可確定仰角)。為獲得最佳方位角精度，必須單獨校正每個雷達感測器。以下是雷達校正的典型程式：首先將感測器安裝在消聲室內轉盤上，遠場中已知距離的角反射器通常作為參考目標；量測雷達方向圖並將其儲存於感測器記憶體(Memory)中，再由偵測演算法使用，於訊號處理過程中校正演算，並於運作期間完成。 車輛製造商通常在標誌或保險桿後方將校準的雷達感測器整合至車輛。由於訊號必須在到達目標和從目標返回過程中兩次穿過天線罩材料，因此天線罩材料對於RF傳輸訊號的減弱出現兩次。從以下分析可看出其減小雷達偵測範圍。 根據訊號傳播定律，訊號傳輸後功率與距離r的平方成反比，代表在訊號往返過程中，其功率將減小因數1/r4。對於具有3W輸出功率、25dBi天線增益、雷達目標橫截面為10m，而訊號偵測臨界值為-90dBm的77GHz雷達使用此等式，配置最大範圍為109.4m。若天線罩雙向減弱為3dB，則同一雷達最大距離將減少16%，僅為92.1m。 但材料減弱並非減低雷達性能的唯一因素，天線罩材料的反射率和均勻性也很重要。例如塗漆中金屬顆粒的反射以及基礎材料的射頻失配會在天線罩內(即靠近感測器位置)產生干擾訊號，後者於接收器鏈路中被接收和下變頻，進而降低雷達偵測靈敏度。許多汽車製造商試圖透過傾斜天線罩減輕此影響，使發射的雷達訊號反射至其他處，而非直接回到接收器前端。但此種解決方案會受設計限制，且無法消除導致RF能量損失的寄生反射。 另一個問題則是，天線罩中夾雜物和密度變化等導致材料不均勻，會干擾出射和入射波前，因而可能失真，並降低角度量測準確度。雷達感測器校準無法補償此種影響，因為即便雷達校準後也可能安裝在不同製造商的天線罩後面。 傳統黃金裝置偵測死角易現 天線罩製造商通常使用參考雷達(黃金裝置)測試其產品。對於這種測試，將角反射器以事先預定距離和方位角安裝在雷達前面(圖3)，分別在有和無天線罩的情形進行差動量測再加以比較。若雷達測定距離和方位角以及回波訊號在指定範圍內，天線罩測試始合格。但此方法僅檢查特定方位角，易錯過天線罩中有問題的區域。另一種量測方法以類似方式操作，但僅需一個反射器—將雷達感測器和天線罩安裝至轉盤，以不同角度重複量測，可從轉盤讀取實際角度(地面真實狀況)並與雷達測得角度比較。該方法與轉盤定位精度一樣精確，但因測試需長時間故不適用於生產線測試。 圖3　使用黃金裝置的典型測試設置。 天線罩測試儀克服傳統限制 有方案能克服傳統方法的局限，像是羅德史瓦茲(R&S)QAR汽車天線罩測試儀(圖4)使用具數百個發射及接收天線的大型面板代替具微小天線陣列的黃金裝置，這些天線在75GHz至82GHz的擴展汽車雷達頻率範圍運作，使汽車雷達綜合數百個天線資料；由於具大孔徑，可憑藉更高解析度(mm範圍內)量測距離、方位角和仰角，使量測結果(即反射率)顯示為X射線影像，即便測試及量測經驗受限者也可立即進行品質評估。與使用真實雷達量測不同，此方法毋需費時量測順序以確定天線罩特性，只需一次時程即可獲得結果，類似使用攝影機拍照。 圖4　R&S QAR汽車天線罩測試儀。DUT安裝在操作台前邊緣，桌台上的藍色裝置包含用於傳輸量測的可選mm波發射器。 被測天線罩放置於面板前的指定區域，可進行兩種量測，一種用於確定被測裝置(DUT)反射率，另一種用於確定透射率。 首先進行反射率量測以確定天線罩材料反射多少能量，此能量無法透過天線罩。如上所述，反射訊號會降低性能，甚至損害正確運作。由於各種原因，某些區域可能具有較高反射率，如材料缺陷、空氣夾雜物、不同材料層間的有害相互作用或某些材料組分過多等。透過根據幅度和相位連貫使所有反射訊號連接，該量測方法提供空間分辨量測結果，而視覺化結果能直觀、定量評估DUT反射特性。 圖5　反射率(左)和單向衰減(右)的高解析度mm波影像。標誌中的白色輪廓表示測試發射器或雷達輻射橫截面，該區域用於評估。 圖5中高解析度雷達影像顯示演示用天線罩(圖6)覆蓋下雷達感測器看到的影像，亮度水準代表反射率、區域越亮、反射雷達訊號越多；金屬物體(四角螺釘)顯示為白色，標誌清晰可見的輪廓顯示局部高反射率和非常不均勻的整體影像；標誌區域中較大的0.5mm厚度足以大幅降低雷達性能。 圖6　演示天線罩，僅在天線罩主體表面上方突出0.5mm，即便厚度微小增加也會導致在77GHz時失配。 此示例中天線罩中間部分平均反射率為-11.0dB，標準差為-18.2dB，在許多使用場景中此值過高，無法確保雷達可靠操作。實際上預期反射率取決於雷達單元靈敏度和欲覆蓋的最大偵測範圍。 接下來量測天線罩材料的頻率匹配及衰減。位於DUT後的發射器在選定頻率跨度掃描，可精確評估天線罩的發射頻率回應，回應可提供有關DUT用於雷達操作確切頻段上RF匹配的詳盡訊息，其與雷達使用的實際訊號波形無關，因此對可安裝在天線罩後的雷達均有效。圖6右側圖則顯示演示天線罩的量測結果，由於76GHz至79GHz之間的高波紋度，該天線罩不適用於在該頻段操作的雷達。 若使用汽車行業真實3D天線罩的傳輸量，可測得圖7中類似鋸齒狀的曲線，該天線罩會遇到各種性能問題： 頻率匹配位於不太有利的71GHz左右而非於76GHz，是因某些天線罩層厚度增加所致；79GHz頻帶中不穩定的減弱變化表明駐波比顯著增加，表示天線罩邊界處反射及強烈干擾效應；總體單向(One-way)衰減相對較高，將導致偵測範圍顯著減小。 圖7　在一個複雜3D設計商用多層天線罩上進行的透射率量測。 準確感測實現安全自駕 自動駕駛需可靠雷達正確無誤偵測周圍區域物體，可行性取決於雷達品質及其安裝狀況。雷達安裝在品牌標誌或保險桿後，車身部件(天線罩)會減弱訊號，以致無法偵測物體或於錯誤位置偵測到。當下此類部件不僅需滿足其原始目的，且須具備特定RF特性，並以準確實用的量測方法驗證。相較黃金裝置，此測試儀能更快、更易評估汽車天線罩品質，不僅量測DUT的RF透射率，進而帶出天線罩設計的基本適用性，並量測反射率而視覺化為X射線影像，亦可讓非專業人員進行可靠合格/失效評估，對於生產線終端測試尤為重要。 (本文作者皆任職於羅德史瓦茲)

機器人以及各種旋轉機具的狀態監測(CbM)，像是渦輪、風扇、泵浦、馬達等機具，會記錄下機具健康與效能方面的即時資料，藉以進行針對性的預測維護，以及優化控制。在機器生命週期初期執行針對性預測維護能降低生產線停擺的風險，進而提高可靠度，省下可觀成本，以及提高廠區的生產力。 振動感測為狀態監測常用方案 工業機具的狀態監測可採用許多種類的感測器資料，包括如電性量測、振動、溫度、潤滑油品質、聲響等，以及像流量與壓力等製程量測數據。目前最常見的則是振動量測，因為振動是反映諸如不平衡以及軸承失效等各種機器問題最可靠的指標。本文專注探討運用振動感測，而這類量測方法同樣也適用於其他感測器的資料。 感測器資料從感測節點傳至主控制器或雲端的傳輸方式極大程度取決於應用。在許多應用中，本地端資料處理機制會建置在邊界節點上，整理後的資料接著會以無線方式傳送到網路閘道器，或透過手機網路直接傳送到雲端或分析伺服器。 在這些情況中，傳送資料量一般都很低，而且邊界節點由於使用電池供電，其傳送功率也比較低，反觀其他應用，傳送的則是未經處理的資料。 舉例來說，在匹配與融合多個感測器的資料之後，再將結果傳出並進行分析。一些應用還需要傳送未處理資料，這些資料用來執行即時控制。在這些應用中，較可行的資料傳輸解決方案則是有線介面。工業應用的狀態監測可採用優化型微機電系統(MEMS)訊號鏈加速計、低功耗微控制器，以及有線型iCoupler隔離介面，利用它們執行擷取、整理，以及可靠地傳遞機具的健康資料，並將這些從遠端CbM從屬設備取得的資料傳回到主控制器進行後續的分析。 經過長時間累積後，機器的健康資料即可用來建立軟體模型，藉此判斷機器行為的變化，以及維護機器的健康。在像是CNC數控加工機這類應用中，這類資料還可用來即時優化系統的效能。 實作有線CbM介面面臨的挑戰包括透過長纜線傳送資料時EMC強固性、在高傳輸率下資料完整性(即時CbM資料串流傳輸)，以及通訊實體層/協定的不匹配等。本文將以ADI的有線介面解決方案為例，它們除了能協助客戶縮減設計週期與測試時間外，還能讓工業CbM解決方案加快上市時程。 有線CbM設計實作考量 在設計與部署有線式狀態監測解決方案方面，必須考量許多系統效能因素以及做出取捨。第一，在選擇適合MEMS加速計方面，必須考量需要量產的失效種類，才知道應該挑選具備什麼樣頻寬以及雜訊效能的MEMS元件，才能因應相關的系統需求。另外邊界節點的處理能力則須匹配選中的處理器，以確保能發揮最大的系統彈性。 第二，有線CbM系統的設計必須小心挑選適合的有線通訊協定以及實體層元件，以進行高速即時資料串流傳輸。建置有線介面方面，其中，需要審慎考量EMC效能、資料傳輸線路/連接器/以及透過線路傳送電力等因素。 選擇適合MEMS加速計 選擇適合MEMS振動感測器涉及多個層面的因素，首先是軸向數量。監控軸向的數量，通常和失效種類以及感測器裝設方位有關聯。如果失效分布在明顯的軸向，而且沿著該軸向有著明顯的傳遞路徑，那麼單軸向感測器就足夠應付需求。對於涉及分布在多個軸向上能量的失效，或是失效能量的傳遞路徑並不明顯的狀況，就適合採用三軸感測。 其次是失效種類。要監視的失效種類，對於挑選感測器有很大的影響。在這方面，感測器的雜訊密度以及頻寬都是重要的規格，因為它們決定了能可靠擷取到振動以及頻寬的範圍。以一個例子來看，低轉速機器的不平衡以及錯位(Misalignment)失效，需要一個低雜訊密度感測器，頻寬需求則相當低；若是齒輪失效的偵測，感測器需要的規格則是低雜訊密度以及高頻寬。 最後則是效能需求。除了失效種類，還必須瞭解CbM的效能需求。在建構精密預警機制方面，需要基本流量狀況的偵測警訊，藉以反映效能水準。這方面除了涉及到部署的分析機制以及演算法，同時也會影響到選用的感測器。感測器在頻寬、雜訊密度，以及線性度等方面的效能越高，分析功能就會越先進。 選擇適合的訊號處理 在訊號處理設計方面，考量因素則有三點。第一是加速計輸出，加速計的輸出端通常是類比或序列數位訊號介面，通常是SPI。類比輸出感測器則需要一個轉換階段，將資料轉換成數位格式，以及訊號調節步驟。包括採用分立ADC以及前置放大器調節，或是在微控制器內嵌入ADC。 第二為邊界節點處理要求，邊界節點必須執行一些基本的高速傅立葉轉換(FFT)或訊號處理演算法，才能降低資料鏈路與/或中央控制器/伺服器的工作負擔。 第三則是資料傳輸協定要求。ADC或感測器的輸出端通常是一個SPI介面。該介面本身並沒有提供任何涉及資料完整性檢查、時間標記(Time Stamping)，以及混合不同感測器資料等方面的機制。其中一種有效的處理方法就是在邊界節點上以高階通訊協定將感測器資料裝入封包，然後再進行傳輸。 這種作法雖然會提高感測器介面的強固性以及彈性，然而，邊界節點的負擔也會隨之增加，因此須妥善處理以及封裝資料流。 將加速計輸出端移植到有線通訊匯流排 如先前所述，加速計的輸出通常為類比或序列數位訊號，大多為SPI規格。SPI輸出訊號可就地處理(促成協定的彈性)之後再加入到實體層介面，或直接移植到實體層。 SPI是一種非平衡式單端序列介面，用在短距離通訊上。想要直接將SPI移植到更長距離傳輸的實體層，則可採用RS-485線路的發送與接收元件。RS-485訊號為平衡的差動格式，其原本就擁有抗擾性，且經過長距離傳輸仍能維持強固性。 利用SPI介面在主控與從屬兩端進行較長距離的傳輸則會面臨許多挑戰。SPI本質上屬於同步式，由SPI主控端啟動一個時脈(SCLK)。而SPI資料線-主設備輸出/從設備輸入(MOSI)以及主設備輸入/從設備輸出(MISO)–則會與SLCK時脈同步化，這種機制在短距離內會可靠地達成。此外，SPI還有一種主動式低電平啟動(Low Enable)晶片選擇(CS)訊號，若有需要也能允許個別從屬端定址。 在經過長纜線傳輸後，SCLK訊號會延著纜線出現傳輸延遲，每100公尺會延遲500奈秒。在MOSI的資料傳輸方面，MOSI與SCLK經過纜線傳輸後產生的延遲會呈現一致。然而，由從屬端MISO到主控端的資料傳輸，產生的延遲則會是纜線傳輸延遲的兩倍。 想要回復主控與從屬兩端的同步性，其中一種作法是把時脈訊號由從屬端饋送到主控端，另一種方法，則是利用時脈相位偏移(Phase Shift)特性，在主控端補償纜線延遲。時脈的相位偏移必須匹配系統的延遲總和。 有線通訊實體層 在進行長距離通訊時，強固的實體層是不可或缺的要素。如先前提到，RS-485訊號擁有平衡、差動，以及天生的雜訊抗擾等特性。系統雜訊會等量耦合到RS-485雙絞線的兩條線路。 其中一個訊號發出另一個訊號的反相波，而耦合到RS-485匯流排通道的電磁場則會相互抵銷，因此整個系統的電磁干擾(EMI)便得以降低。RS-485還具備了一些額外關鍵的優點，使它適合用在CbM系統，其中包括： ．更高的資料傳輸率，在較短線路中最高可達 50Mbps(低於100公尺)。 ．以較低的資料傳輸率，在最長至1000公尺的纜線進行傳輸。 ．全雙工/半雙工RS-485與RS-422多重發送/接收纜線對，可用最少零件轉換成雙向SPI至RS-485匯流排訊號。 ．較寬的共模輸入範圍，允許主控端與從屬端之間存在對地電位差。 有線介面EMC效能 通訊網路經過冗長纜線的傳遞時容易遇到包括共模雜訊、對地電位差，以及高瞬時電壓等干擾的危害。長達100公尺的纜線容易受到各種導通與幅射雜訊源影響通訊的可靠度。 想要提高對這些雜訊源的免疫力，可採用iCoupler晶片級變壓器隔離技術。另外，共模瞬態抗擾度(CMTI)指的是隔離元件拒斥高電壓/高迴轉率(Slew Rate)雜訊瞬態，並維持無錯誤通訊的能力。訊號以及isoPower隔離元件提供25kV/μs的最低共模瞬態抗擾度，並能承受最高100kV/μs的瞬態電壓而不會永久閂鎖(Latch Up)或損壞。 在工廠自動化環境中，系統設計者通常無法控制通訊網路的電氣安裝工作。因此最好的作法是假設存在對地電位差。在動作控制系統方面，對地電位差經常多達數百伏特。一個RS-485通訊節點需要電氣隔離，並確保數據線路在可環境中能可靠工作。訊號與isoPower隔離元件能提供600V峰值(基本)的最高持續工作電壓或353V峰值(增強)電壓。對於存在相當大對地電位差的狀況下，基本隔離機制能促成可靠的通訊。而強化隔離機制則能保護操作人員在廠房環境不會觸電。 在有線通訊網路中，包括外露的連接器以及布線會暴露在嚴苛的瞬態電壓干擾下。系統層級IEC 61800-3標準針對可調整速度的電力驅動系統在抗擾性方面的要求，最低須達到±4kV接觸/±8kV空氣IEC 61000-4-2 ESD保護能力。 透過資料線傳遞幻象電源 主控端控制器與遠端CbM感測器節點之間的電力與數據線需要創新解決方案來降低布線成本。數據與供電整合到一個雙絞線對，不僅能大幅降低成本，還能造就出更小的印刷電路板(PCB)連接器解決方案，適合用在空間受限的邊界感測器節點。 透過一個電感-電容網路，可藉由雙絞線傳遞電源與資料。高頻率資料透過串聯電容耦合到數據線，這些串聯電容也會保護RS-485收發器不會受到直流匯流排電壓影響。電源則是透過連到數據線的電感接到主控端的控制器，而供電接著在CbM從屬端感測器節點透過一個電感進行濾波，而該節點位於纜線的終端處。 另外，纜線兩端的電感應妥善匹配以避免產生差模雜訊，而自我共振頻率應至少在10MHz以上，以避免和新一代振動量測系統的即時快衝模式相互干擾。請注意，電源與資料耦合解決方案應加入數據線，這些數據線中不應出現dc資料內容，像是RS-485介面的MOSI或MISO。 選擇適宜方案實現高效振動檢測 根據設計者的設計考量因素，圖1可提供幾種選擇途徑來協助建構強固的有線工業振動DVD-R/RW解決方案。在圖1中，選項2包含ADuM5401，該元件從資料匯流排擷取5伏直流電，並向ADcmXL3021提供3伏隔離供電。此外，ADuM5401還包含4個訊號隔離通道，這種組態適合3+1的SPI隔離。 圖1　強固/高度整合/有線MEMS加速計狀態監測解決方案的選項 圖1的選項3包含ADuM5402，這個元件類似ADuM5401。兩者之間的關鍵差異在於ADuM5402提供2個傳送以及2個接收數位隔離通道。 如先前所述，ADuM5401/ADuM5402能提高有線CbM介面的EMC抗擾力，保護ADcmXL3021使其不會受高電壓干擾，以及避免在RS-485纜線介面上出現對地電位差。 表1比較三種解決方案，以多項關鍵標準進行比較，包括設計彈性、電路板空間、解決方案成本、複雜度，以及EMC效能。將微控制器整合到CbM感測器節點雖然會提高設計彈性，但代價是會增加電路板空間以及額外的軟體複雜度。由於日後主控端CbM節點會配置處理器，故圖1中選項3基本上會是一個雙微控制器的系統，因此相較於主控端CbM節點的單微控制器配置，啟動運行的速度會比較慢。 表1　各種CbM選項的取捨比較 選項1與選項2雖然設計彈性比較低，但卻提供一條部署速度更快的途徑，因為它們能促成低複雜度、透明化的SPI連結RS-485鏈路。相較於選項3，選項1與選項2還提供邁向更小電路板的途徑，選項3的應用需要額外的電路板空間來容納微控制器以及相關的電路(像是時脈振盪器以及多個被動元件)。在選項2與選項3中加入iCoupler訊號與電源隔離機制，不僅增加占用的電路空間最小，還會提升EMC效能，勝過採用晶片內部保護機制搭配RS-485/RS-422收發器的作法。 (本文作者分別為ADI自動及能源事業部系統應用工程師和系統應用經理)

以人工智慧(AI)輔助判讀各種醫療影像，加快診斷速度，將是擋不住的趨勢。研究機構Yole Developpement預估，專為分析、判讀各種醫療影像所設計的AI產品，市場規模將在未來5年成長15倍。到2025年時，此類產品的銷售金額將達23億美元。 由於醫療設備業者很早就看出AI在醫療影像判讀應用上，將有非常大的潛力，因此從2010年開始，通用(General Elctric)、飛利浦(Philips)與西門子(Siemens)等醫療設備大廠，就已經開始進行相關投資，累計投資金額至今已超過20億美元。許多軟體大廠如IBM與微軟(Microsoft)，在醫療用AI領域的投資也不容小看。 然而，由於開發醫療用AI軟體所需的資本門檻遠低於醫療設備，因此有許多新創公司也紛紛加入戰局，故在老牌醫療設備跟軟體大廠之外，此一產業預料將會有許多新面孔竄出。