加速度計
生理數據蒐集日漸普及 耳機導入光學心律量測效果佳
能夠量測心律以及其他生命徵象的健康追蹤器可協助使用者規劃適合自己的運動菜單。這類裝置通常內建動作感測器,能偵測各種移動模式,協助判斷包括行走、跑步、游泳等狀態,讓它們能像計步器一樣運作。為了配戴舒適以及能在日常生活中方便使用,這些量測動作通常會在手腕上進行,因為感測器一般都裝在像是手錶、首飾以及腕帶內。然而對於量測品質而言,手腕並非最適合的量測位置。心律的偵測會受到許多動作瑕疵所侷限,由於有較多的肌肉遮擋以致無法更接近到動脈進行量測。
相較之下,耳朵更適合進行光學心律量測。醫學專家目前已經會從耳垂部位量測血氧濃度。然而消費產品至今還沒有充分運用這方面的技術,因為耳朵部位的量測裝置空間極為受限,但卻需要耗用大量電力以致於必須配置大型電池。不過,業界正持續推出各種高度整合的低功耗晶片,以克服這些問題。如今業界已能把可實際運行的生命徵象量測元件整合到一般入耳式耳機中。此外,改進反應速度也開拓出全新的應用領域以及可能性。本文便將針對此類系統進行介紹與評估。
感測訊號光學式量測法
底層的量測方法為光學式量測。過程中使用最多三個LED燈來量測短脈衝訊號。LED電流最高到370mA,最小脈衝寬度為1微秒。LED的最佳波長取決於量測位置以及量測方法。由於只會量測腕部的表淺動脈,因此這裡選擇的是綠色燈,若是在耳朵進行偵測,就會選擇能穿透到更深表皮以及具備更高訊號雜訊比的紅外線。光二極體其偵測區域和反應速度之間有直接關係,用它來量測反射回來的光線。光二極體會量測到訊號以及背景雜訊,下游的類比前端元件提供更高的訊號雜訊比,其作用為訊號濾波器,並將偵測到電流轉換成電壓,同時轉換成數位格式。演算法方面,除了量測反射光之外,還會利用加速度計濾除各種動作瑕疵,對訊號進行校正。
以下將介紹量測系統的元件。ADI的ADPD144RI晶片用來作為類比前端元件,另外還整合了光二極體以及LED。量測作業運用了一個三軸加速度計,這個加速度計除了用來辨識腳步型態以及動作外,還能移除各種訊號瑕疵。整個流程由微控制器負責控制,並作為各感測器以及承載演算法元件之間的傳輸介面。
圖1顯示測試系統,將光學感測器以及加速度計裝入到一般常見的入耳式耳機中。在設計時刻意將ADC採樣率限制在100Hz,LED密度也降至最低,藉此盡可能壓低耗電。
圖1 測試系統內含一個整合式光學感測器與加速計,置於標尺旁顯示實品的尺吋。
為進行系統特性分析,針對不同的移動模式,分別考量五種情境。過程中只運用光學訊號進行評估,這麼做不僅能判斷什麼情境中出現脈搏量測失準,還能知道何時需要加速計資料以提高脈搏量測的精準度。情境包含以下動作:
.停在原地未走動
.停在原地並咀嚼
.在桌邊工作
.行走
.跑步與跳躍
測試情境一:停在原地
圖2顯示原始資料的頻譜,表現出振幅與採樣率之間的關係。圖中出現峰值的時間即是脈搏。在沒有移動時,訊號相當清晰,可從波峰位置以及已知採樣率來判斷心律。
圖2 藉由量測超採樣的振幅即可得出心律的資訊
光學感測器會將心律紀錄成兩種LED顏色-紅外線以及紅色,每個顏色各有四個頻道。在這種方式中,採用兩個不同的顏色頻道來進行量測,其結果可能會有差異,可以選擇較穩健的變異數據。圖3A顯示不同頻道的訊號。在六頻道的設定中,可以辨識出明確定義的訊號,其中兩個頻道呈現飽和狀態。為達到更強且穩健的訊號,在未飽和頻道中套用演算法然後計算出心律。圖3B顯示紅色頻道(上方)以及紅外線頻道(底部)的心律,同時還以顏色標度顯示量測的信心水準。此外圖中還顯示多組心律數據,可透過取樣率以及信心指標可分辨出原始訊號(虛線)。
圖3 (a)顯示一個4頻道量測訊號,量測停在原地不動的情境,(b)顯示原始以及彙總資料。套用演算法即可從彙總資料中判斷出心律(黑線),色標顯示信心水準。
總結在沒有動作時,訊號很強且沒有擋到真實訊號的雜訊,因此演算法能判斷心律並達到高信心水準。紅外線頻道的訊號要強過紅光頻道的訊號。
測試情境二:停在原地並咀嚼
情境二中多了咀嚼的動作。圖4顯示紀錄頻譜。不同於測試情境一,從圖中可清楚看到各種動作瑕疵,反映在訊號波形的跳動上。另外在頻道彙總圖上也很明顯,不再展現能清楚分辨的心律。不過,即使沒有透過動作感測器提供額外的幫助,演算法仍能正確判斷心律並達到相當高的信心水準。有趣的是,紅外線訊號的強度又再一次高過紅光頻道。
圖4 (a)顯示4頻道量測訊號,量測停在原地並咀嚼的情境,(b)顯示原始以及彙總資料。套用演算法後即可從彙總資料判斷出心律(黑線),色標代表心信水準。不須使用加速計即可判斷心律。
測試情境三:在桌旁工作
情境三則是測試另一種日常狀況。測試人員坐在桌旁執行日常工作,並作出一些相關動作。類似情境二,系統也會偵測到各種動作瑕疵,在套用演算法後即可判斷出兩個頻道的心律。如(圖5)所示,這裡,紅外線的強度亦是勝出。
圖5 (a)顯示4頻道量測訊號,量測在桌旁工作表的情境,(b)顯示原始以及彙總資料。套用演算法後即可從彙總資料判斷出心律(黑線),色標代表心信水準。不須使用加速計即可判斷心律。
測試情境四:行走
先前幾個情境涵蓋各種靜態量測條件,而在這個情境中測試人員以低速朝一個方向移動(約每分鐘50步)。如圖6所示,在PPG訊號中,心律和行走步伐的訊號混在一起,各頻道彙總後呈現相當模糊不清的訊號。紅色訊號區域中無法計算出清楚的心律,而演算法則是在紅外線頻道中找到一個較明確的心律。在高度波動以及低信心水準的組合中,從加速計得到額外的動作資料的確相當有幫助,特別是因為直到此時,量測都是在低走行速度下進行。
圖6 (a)顯示一個4頻道訊號,量測步行的情境,(b)顯示原始以及彙總資料。套用演算法後即可從彙總資料判斷出心律(黑線),色標代表心信水準。在紅外線情境中,不須使用加速計即可判斷心律。
測試情境五:跑步與跳躍
情境五測的不是均勻的移動,而是交雜快跑與跳躍的動作。波形中可明確看到許多動作瑕疵,即使套用演算法也很難區隔出正確的心律,如圖7所示。因此無可避免的需要動作感測器的支援。
圖7 (a)顯示4頻道量測訊號,量測跑步與跳躍的情境,(b)顯示原始以及彙總資料。套用演算法後即可從彙總資料判斷出心律(黑線),色標代表心信水準。不須使用加速計即可判斷心律。
為了評估對動作感測器的需求,情境5中測試的量測技術,包含使用以及不使用加速計的情境。圖8顯示的是比較沒有校正加速計資料(左邊)以及納入校正加速計資料(右邊)的加成頻譜。從圖中可看到訊號有明顯的改進,能清楚辨識出心律,但如果沒有加速計的支援便根本無法辦到。
圖8 比較沒有加速計資料(左邊)以及有加速計資料(右邊)的加成性頻譜。使用加速計後,即可重建使用者的心律。
從上述的測試情境,我們可歸納出在大多數情況下,運用整合在入耳式耳機內的感測器,可極準確判斷出心律。在局部或緩慢的平移運動,甚至不使用加速計資料也可能判斷出心律。然而在忽然與急速的動作中,如果將經過動作校正的資料一起比對,亦可對資料進行判讀。在所有情境中,紅外線訊號的強度都高過紅光訊號。
和手腕量測相比,量測耳朵的訊號強度更高,因此能得到更精準的量測數據。此外,運用紅光或紅外線還能量測血氧濃度。
總結來說,從功能測試系統的結果來看,置入耳內裝置的量測其可行性極高。量測裝置還能透過更好的機械整合,以及納入額外的量測機制使產品更加完善。此外,加速計還能用在跌倒偵測以及步伐辨識,以為客戶創造更高的附加價值。
(本文作者為ADI應用工程師)
資通/感測技術進駐 馬達應用走向智慧化
AI熱潮席捲科技產業,現在連馬達的驅動/控制,也開始思考如何導入機器學習(ML),為各式各樣的馬達應用創造更多附加價值。不過,要發揮機器學習的威力,馬達驅控系統還需要靠外部輸入各種資料,也因為如此,時效性網路(TSN)、加速度感測器、MEMS麥克風等技術,未來都有可能成為馬達驅控系統中的一環。
融合IT/MT 為機器學習鋪路
台灣東芝(Toshiba)電子元件行銷部副協理水沼仁志(圖1)表示,在物聯網風潮影響下,IT技術的應用日益廣泛。很快的,各種以馬達技術(Motor Technology, MT)為核心的應用,諸如電動車、機器手臂、冷氣機、冰箱等家電,都會內建更複雜、更智慧化的控制系統。
圖1 台灣東芝電子元件行銷部副協理水沼仁志指出,IT技術在未來的馬達應用中,將扮演更重要的角色。
這會對馬達驅動控制帶來新的挑戰,特別是在非常重視即時性,而且系統組成相對複雜的馬達應用,例如電動車跟智慧工廠的產線設備,挑戰更是艱鉅。因為在這類複雜的系統中,馬達的驅動跟控制單元必須透過網路連接,要確保控制單元的命令以最快速度傳遞到驅動單元,必須使用低延遲的網路技術。
原本被稱為Ethernet AVB,現在已改名為時效性網路(TSN)的新一代乙太網技術,就是為了確保重要的控制訊號能在最短時間內送到驅動單元而設計的技術。在TSN網路中,擁有最高優先性的封包資料,會擁有最高的網路頻寬使用權,其他優先次序較低的資料則會延後傳遞,以保障高優先性的資料能有最好的網路服務品質(QoS)。
目前東芝已經開發出支援TSN的MAC解決方案,以Arm Cortex-M3為基礎,可以讓電動車跟工業設備的網路互連升級為TSN網路。不過,目前的TSN網路頻寬還停留在1Gbps。預計在不久的將來,東芝將會推出支援10Gbps的TSN方案,更進一步促成IT與MT的融合。
除了驅動跟控制單元的連線外,大多數的馬達應用系統,例如電風扇、空氣清淨機等,驅動跟控制之間的關係不像電動車或工具機、機器手臂那麼複雜,需要透過乙太網連線。因此,對這類應用而言,如何藉由更高的整合度、更精準的控制算法,來提高驅動馬達時的能源效率、降低成本,會是比較重要的市場趨勢。
在這方面,東芝提出的解決方案是內建向量引擎與閉環檢測功能的MCU單晶片解決方案。如果要驅動的馬達功率輸出較大,例如冰箱、冷氣機跟洗衣機等,則建議搭配包爾英特(Power Integration, PI)的IPD方案作為外部驅動器。
不過,展望未來,家電智慧化是難以抵擋的趨勢,特別是導入機器學習(ML),讓家電設備可以利用影像識別自動控制,或讓使用者以語音指令取代遙控器,將是家電產業必然要走的路。因此,東芝在機器學習領域,也已經開始展開研究,並有初步成果可供展示。
水沼表示,在影像識別方面,目前東芝所研發的Visconti影像辨識處理器,已經開始應用在豐田汽車(Toyota)的ADAS,但除了汽車產業外,像保全監控、智慧零售甚至空調、照明控制等領域,也有Visconti可以發揮的空間。
舉例來說,搭載Visconti-2的監控攝影機可以和辦公室的照明、空調系統連線,自動控制辦公室裡的照明跟空調,只針對有人活動的區域開啟照明跟空調;當所有人都離開辦公室後,空調跟照明則會自動關閉,避免浪費電力。
至於在語音控制方面,雖然目前有一派智慧家電的趨勢是以智慧音箱作為各種家電設備的控制中樞,但由於智慧音箱需要靠雲端來處理語音辨識,因此延遲時間長、網路成本跟資安疑慮也都是問題。如果家電本身就具備接收語音指令的能力,就不會有上述疑慮。
但對於帶有馬達或壓縮機的家電來說,要在環境噪音(機器運轉聲、風切聲)較強的情況下辨識出語音指令,是比較有挑戰性的設計目標。因此,東芝目前已利用機器學習來強化抗噪能力,並推出名為TZ2100的處理器與整合式模組方案。藉由該模組,設備製造商可以很輕鬆地將語音控制功能添加到既有的家電設備中。
瑞薩馬達驅控也走AI路線
相較於東芝主要將機器學習應用在馬達控制,另一家日系半導體大廠瑞薩電子(Renesas),則是將機器學習的應用重心放在馬達狀態的監控跟診斷上。而為了達成此一目標,該公司專為馬達驅控所設計的新一代RX66T在CPU效能、PWM功能跟周邊支援上,都比過去大幅提升。
瑞薩電子產業事業部經理黎柏均(圖2)表示,RX66T在瑞薩的產品組合中,屬於專為馬達驅控設計的高階MCU,與前一代產品RX63T相比,CPU時脈從100MHz提高到160MHz,記憶體容量也從512KB提高到1MB。這些額外運算效能使得RX66T最高可同時控制四顆三相馬達,而且在PWM產生器跟類比數位轉換器(ADC)等類比功能方面,也都比過去更為強大。這些性能上的突破,都有助於馬達應用開發者設計出滿足未來客戶需求的系統。
圖2 瑞薩電子產業事業部經理黎柏均認為,以AI技術來實現馬達狀態監測,將可對馬達應用帶來很多附加價值。
但RX66T的效能提升,同時也為馬達應用開發者導入機器學習打下基礎。藉由瑞薩的開發工具、布署在馬達上的加速度計,還有瑞薩發展出來的嵌入式AI(Embedding AI, eAI)開發流程,RX66T可以很準確地抓到多種馬達異常訊號,例如安裝時的螺絲沒有正確鎖緊、馬達運作時轉軸螺絲是否鬆脫等,從而實現馬達故障的預兆診斷或預防性維護。
瑞薩的eAI工具可以大幅簡化AI的布署作業,並且把模型占用的記憶體空間壓縮到64.9KB,這使得用AI來監控馬達運作成為一個可行的選擇,而且整個AI系統的開發時間很短。根據瑞薩自行開發eAI展示系統的經驗,整個開發時程不到兩個月。
實現馬達監測 MEMS感測器學問多
雖然馬達驅控MCU廠商都將機器學習列為日後技術發展的重點,但除了MCU之外,實際負責監控馬達狀態的加速度感測器,也是不可或缺的關鍵元件,且由於機器學習乃是一項資料分析技術,因此感測器所提供的資料正確與否,能否抓到真正關鍵的異常訊號,將直接影響整個馬達監診系統的準確度。
安馳科技應用工程經理高富華(圖3)表示,用加速度計來監測馬達運作狀態,最重要的是關鍵是感測器安裝的位置,如果安裝的位置不理想,取得的監測資料自然會有所偏差。因此,馬達製造商或馬達應用開發商在規劃感測器位置時,必須先找到最適合的安裝位置。
圖3 安馳科技應用工程經理高富華認為,要實現有效的馬達狀態監診,客戶在感測器安裝位置、安裝方法、感測器頻寬等細節上,要十分留意。
確定安裝位置後,接下來要評估的就是振動訊號的特質。有些馬達振動的訊號是相當寬頻的訊號,如果要完整擷取,感測器本身必須具有相當高的頻寬,例如亞德諾(ADI)所提供的ADXL35x系列跟ADIS16228感測器,就支援從1kHz以下到超過10kHz的頻寬,供馬達相關業者選擇。一般來說,根據ISO 10816跟13373規範的要求,馬達振動監控所需的頻寬不會高於10kHz。
除了頻寬外,感測器本身能承受的G力也很重要。事實上,馬達用的加速度感測器除了MEMS之外,還有另一種基於壓電(PZT)技術的感測手段,但這類元件通常比較脆弱,在高G力的環境下比較容易故障,且因為PZT感測器沒有直流響應,因此在監測低頻訊號時,效能表現會比較差。
最後,感測器本體如何安裝到馬達上,也會影響到訊號量測的結果。目前業界所使用的安裝方式有Hand Probe、各種磁吸式安裝法,到直接將感測器焊在馬達外殼上。不同安裝方法,會影響到感測器取得的訊號。
感測器/致動器不畏逆風 2019年營收再創高達154億美元
2018年,智慧手機出貨量減少以及採購訂單減少限制了半導體感測器和致動器的銷售成長,導致2018年和2016年兩位數成長後,2018年成長6%至創紀錄的147億美元,根據產業研究機構IC Insights的2019年光電/感測器/致動器和離散元件(OSD)的市場分析和預測。
感測器/致動器成長的下降趨勢延續到今年第一季,全球銷售額與2018年同期相比僅成長2%,但預計未來六個月該半導體市場將恢復強勁成長,該報告指出,2019年將成長5%,達到創紀錄的154億美元新高。由於全球經濟疲軟,2020年成長放緩至3%後,感測器/致動器銷售預計將在2021年至2023年間逐漸恢復成長趨勢,未來四年將達到211億美元。
2019年OSD報告顯示,2018年感測器總銷量成長8%,達到創紀錄的91億美元,而2017年成長15%,2016年成長14%。致動器收入去年成長4%,創歷史新高55億美元,繼2016年強勁成長18%,2016年成長19%。根據OSD報告的預測,感測器和致動器的全球銷售額預計將在2019年成長約5%,分別達到96億美元和58億美元。
2018年(122億美元)的感測器和致動器銷售額中約有83%來自採用微機電系統(MEMS)技術製造的半導體。MEMS用於壓力感測器(包括麥克風)、加速度計、陀螺儀和幾乎所有致動器。2019年的OSD報告表示,基於MEMS的感測器和致動器銷售額在2018年成長了6%,2017年成長18%,2016年成長15%。根據IC Insights的報告,預計基於MEMS的感測器/致動器銷售額將在2019年成長約5%,達到創紀錄的128億美元,其次是2020年經濟疲軟成長3%。
2018年MEMS感測器/致動器產業規模達127億美元
根據市調機構IC Insights的預測,使用微機電系統(MEMS)技術製造的產品預計將占2018年93億美元半導體感測器市場的73%,以及預計今年將在全球出貨的241億顆感測器數量中的47%。MEMS製造感測器(包括加速度計、陀螺儀、壓力感測器和麥克風晶片)的營收預計將在2018年成長10%至68億美元,而2017年將近61億美元,2016年則是52億美元。預計MEMS感測器出貨量將在2018年成長約11%,達到111億顆。
預計2018年採用MEMS製程的致動器產生額外的59億美元的銷售額,這些致動器使用其微機電系統感測器進行平移和啟動操作-例如在印表機中分配墨水或在醫院為病人投藥。MEMS製造的感測器和致動器的總銷售額預計在2018年成長10%,達到127億美元,較2017年成長近18%,2016年成長15%。
在五年預測期內預計的最大變化之一將是MEMS製造設備的平均銷售價格穩定性更高,並且平均銷售價格下降幅度明顯低於過去10年。預計2017~2022年間MEMS感測器和致動器的平均售價將以-2.0%的年複合成長率下降。