- Advertisement -
首頁 標籤 機器學習

機器學習

- Advertisment -

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。
0

感測器/ML聯手降低布署門檻 馬達監診普及化

能早期發現馬達異常徵狀的馬達監診技術,可為製造業者創造極大的價值,並促使許多馬達設備供應商在自家新型馬達產品中內建相關感測器。不過,已經在線上運作的舊款馬達,或是單價較低的低壓馬達,多半還沒有安裝這類感測器,成為馬達監診的一大盲點。有鑑於此,艾波比(ABB)開發出專為馬達監診而設計的外掛式監控模組,以便讓製造業者進一步擴大馬達監診的涵蓋範圍。 艾波比運動控制事業部資深行銷專員陳思瑤表示,馬達是讓工廠生產線「動起來」最主要的核心設備,不管是輸送帶、機械手臂甚至是氣體、液體的輸送,都離不開馬達。因此,萬一馬達無預警故障,將對製造業者造成很大的損失,進而促使許多馬達製造商在開發新產品時,都將馬達監診列為標準配備,特別是高電壓、馬力輸出大的大型馬達,幾乎都已經內建馬達監診所需的感測器。 不過,已經在產線上運作多年的舊款馬達,或是單價比較低廉的低壓馬達,不是沒有內建相關感測器,就是因為成本考量而沒有加裝,形成馬達監診的死角。相較於大型馬達,低壓馬達的數量龐大,因此,如果要在低壓馬達上布建感測器,除了感測器本身的價格要合理之外,安裝施工的成本,也是製造業者評估是否要將馬達監診系統的涵蓋範圍擴及低壓馬達的重點。 考慮到上述因素,艾波比針對低壓馬達的監診,設計出一款支援振動、溫度、噪音、磁場感測功能的多合一藍牙感測模組。安裝者只要將感測器安裝在馬達外殼的中央,並確定馬達的軸心正對感測器的中央線,感測模組就可以收集到相關數據,並將資料傳送到後台進行分析。而且該感測器模組不僅適用於ABB自家的馬達,其他廠牌的馬達也可以支援。 針對未內建馬達監診所需感測器的舊款馬達跟低壓馬達,艾波比推出了容易安裝且可支援跨廠牌馬達設備的多合一藍牙感測模組。 陳思瑤進一步指出,模組將資料傳送到後台後,該公司還可進一步提供基於機器學習(ML)的馬達狀態分析工具,讓製造業者可以很快地掌握馬達的健康狀況。事實上,艾波比雖然是以機器手臂跟電力設備聞名,但在馬達相關市場上已經耕耘了120年,因此累積了許多跟馬達運作有關的資料跟經驗。藉由機器學習,艾波比將這些經驗轉化成馬達監診的專家系統,讓更多馬達使用者得以更快速地導入馬達監診系統。  
0

NXP推出EdgeVerse解決方案平台支援邊緣運算產品

恩智浦半導體(NXP)在上周於美國矽谷舉辦的恩智浦未來科技峰會(NXP Connects)上宣佈推出EdgeVerse平台品牌,反映公司快速成長的具擴展性安全邊緣運算解決方案產品組合。EdgeVerse平台將全球最全面的邊緣運算產品組合聚集在一個共有品牌平台上。 邊緣運算是種分散式運算模式,可在靠近資料生成處進行運算。如今,物聯網(IoT)、互聯汽車和工業應用數量日益增多,反應延遲、隱私和頻寬成為關鍵限制因素,而邊緣運算可透過更貼近資料來源來解決這些問題讓設備變得更具智慧。隨著設備端人工智慧(On-device AI)能夠實現即時決策,整個產業轉向邊緣運算亦變得更加重要。 EdgeVerse平台透過業界最廣泛的具擴展性嵌入式處理產品組合,將實現高性能和高效能運算的建構模塊(Building Blocks)整合在一起,為工業、物聯網和汽車市場的眾多邊緣應用提供動力。EdgeVerse平台包含恩智浦完整的工業、物聯網和汽車嵌入式處理器產品組合、全球頂尖的安全產品、增強型短程連接解決方案、生產就緒型統包式解決方案(turnkey solutions)、用於機器學習(ML)的簽名認證軟體解決方案、音訊/影音體驗以及裝置管理軟體平台。 此平台具體產品包括恩智浦 i.MX嵌入式處理產品組合與Layerscape應用處理器、K32、LPC和Kinetis微控制器、i.MX RT跨界處理器,以及車用微控制器和處理器。EdgeLock安全產品組合作為EdgeVerse平台的組成部分,包含一系列從離散式(discrete)安全元件至採用先進整合安全功能的處理器等產品,按容易理解的安全等級進行分類。 透過提供用於機器學習,推論與輕鬆連接至雲端的工具和引擎,激發並簡化邊緣人工智慧。EdgeVerse平台包含恩智浦eIQ機器學習軟體發展環境、Immersiv3D音訊體驗套件和EdgeScale裝置管理平台,恩智浦客戶可配合現有模型使用,或者快速設計、訓練與最佳化全新模型,在恩智浦全線產品組合中進行部署。 整合恩智浦強大生態系統與物聯網支援,並基於恩智浦在嵌入式處理領域超過30年的成功經驗,推動邊緣運算。客戶還能充分運用由數百家工具供應商和ODM廠商所組成之可靠的恩智浦生態系統,這些供應商在實現工業物聯網和開發邊緣特定應用解決方案方面經驗豐富。 EdgeLock產品組合包含恩智浦知名的離散式(Discrete)安全元件、用於介面的安全認證產品、以及廣泛的應用處理器和微控制器產品組合中的嵌入式安全功能。EdgeLock賦予邊緣完整性、認證功能和隱私性,從邊緣節點到閘道再到雲端,提供充分的安全性。平台中的安全功能包含安全啟動信任錨、晶片上加密(On-chip Cryptography)、可即時配置的安全解決方案、設備雙向驗證、安全裝置管理套件、無線(Over-the-air, OTA)更新和生命週期管理功能。 EdgeLock品牌還採用編號方案,可以反映解決方案抵抗物理和邏輯攻擊的組合型硬體、軟體和系統級安全功能。此編號方案可轉化為特定恩智浦解決方案可實現的認證水準。通過建立這些安全級別的名稱,恩智浦正在解決成千上萬嵌入式開發人員如今面臨的一大挑戰,它為這些開發人員提供一種簡單方法,讓他們從一開始就能夠比較和對比安全功能,而不需要高級安全專家來解碼這些安全規範。 作為EdgeVerse平台的一部分,恩智浦亦發佈EdgeLock SE50隨插可信安全元件(Plug & Trust Secure Element)系列,從邊緣到雲端保障工業4.0和物聯網的安全應用。EdgeLock SE050經過通用標準(Common Criteria, CC) EAL 6+認證,讓實現高效能感測和控制安全變得簡單。此外,它還簡化了物聯網服務部署,以及從邊緣裝置到公有雲和私有雲、邊緣運算平台和基礎設施的部署過程。
0

開啟直覺人機互動新篇章 高整合140GHz雷達系統顯威

比利時奈米電子和數位科技研究與創新中心imec,5月14、15日於安特衛普(Antwerp)法蘭德斯會議中心舉辦年度科技盛會「Future Summits」,活動除邀請英特爾(Intel)技術長Mike Mayberry、益華電腦(Cadence Design Systems)執行長陳立武、微軟(Microsoft)HoloLens硬體與客製晶片副總裁Ilan Spillinger、嬌生公司全球負責人William Hait、WD執行長Stephen Milligan,以及美光科技(Micron)技術策略與營運副總裁Linda Somerville等多位產業界重量級人物分享創新科技思維與觀點外,亦展示超過50多項imec與合作夥伴共同研發的技術與應用成果,堪稱科技界最具指標性的前瞻技術交流平台。 在眾多展示成果中,採用140GHz頻段的多重輸入輸出(MIMO)雷達單晶片方案,格外令人注意,除了使用的毫米波(mmWave)頻段更高外,其採用CMOS技術高度整合多天線與收發器,實現精巧、小尺寸設計,亦是一大特點;再結合imec研發的機器學習演算法,可達到超精準解析度與高靈敏感測效能,為雷達感測在直覺式人機互動的應用發展再寫新頁。 5G/自駕車熱潮帶動 雷達感測應用前景俏 近來,隨著5G與自駕車發展日益升溫,毫米波技術的應用潛力逐漸受到產業界重視,相關研發活動與投資也不斷增加,除了聚焦在5G高頻通訊與汽車駕駛輔助系統(ADAS)的雷達應用外,利用毫米波雷達實現更多元的感測應用,亦是另一個重要發展方向。 舉例來說,德州儀器(TI)除了力推車用毫米波雷達方案外,亦積極將該技術拓展至工業自動化、智慧建築、智慧監控等其他應用領域,利用60GHz高頻毫米波雷達實現如人員計算、動作偵測、使用狀態偵測(Occupancy Detection)及生命跡象監測等應用。此外,英飛凌(Infineon)、Acconeer、Silicon Radar、NOVELIC等歐洲晶片廠,也都朝同樣的方向發展,甚至已推出基於60GHz毫米波雷達的感測方案。 事實上,目前上也有不少廠商是以24GHz毫米波雷達方案,來拓展上述非汽車ADAS應用的雷達感測市場,不過,由於業界已傳出歐洲電信標準協會(ETSI)和美國聯邦傳播委員會(FCC)決定於2022年前,逐步淘汰使用24GHz超寬頻段(Ultra Wide Band)的產品,再加上基於60GHz頻段的毫米波雷達,本質上可提供比24GHz頻段更高的感測解析度,因此不少廠商已開始往60GHz技術靠攏。 至於汽車雷達常用的77GHz頻段,若要用於工業、建築和城市基礎建設,包括那些需要人機互動的應用,在全球大多數地區都是受到限制的。 頻寬決定距離解析度 140GHz方案來勢洶洶 值得注意的是,毫米波雷達感測器的距離解析度(Range Resolution)效能與使用頻段的頻寬大小息息相關,頻率愈高頻寬也相對較大,意味著感測器距離解析度愈好,因此目前已有業者推出採用120GHz頻段的毫米波雷達感測器,而imec此次所發表的140GHz毫米波雷達系統單晶片,則是另一突破性的技術進展。 以60GHz頻段來說,根據德州儀器所提供的產品資料顯示,頻寬上看4GHz,因此基於該頻段的雷達感測器距離解析度可達3.75公分;而根據imec的規格表來看,140GHz頻段的頻寬可高達10GHz,距離解析度則可到1.5公分等級(表1),而距離解析度愈小代表雷達感測後所能獲得的點雲圖資料(Point-cloud Data)可以更密,進而達到更精準的判斷效能。 imec研發團隊負責人Andy Dewilde說明,imec長久以來在CMOS技術的開發與多天線整合設計上擁有相當厚實的能力與經驗,因此能在一個外觀尺寸只有幾平方公分的完整MIMO雷達系統下,實現1.5公分的精準解析度。而更好的距離解析度性能,可開啟更多新的應用機會,這是該公司140GHz雷達系統單晶片重要的差異化特色之一。 Dewilde進一步談到,使用140GHz頻段的另一個明顯好處是,電磁波波長更小,僅2.1毫米,換言之,天線也就可以做得很小,因而imec僅透過28奈米Bulk CMOS製程技術,即可將天線直接整合至單晶片中,毋須使用昂貴的天線模組或外部天線,達到更高整合度與小尺寸設計,且未來也可輕易藉由大量量產來達到降低成本目標。 不僅如此,高頻毫米波波長小的特性,也可偵測到更小的位移變異,如細微的臉部表情變化與皮膚運動,能顯著提升位移靈敏度,有助於生命體徵偵測等應用,因此該雷達是實現車內生命體徵監測系統極佳的方案,可促成非接觸式駕駛狀況追蹤,例如偵測駕駛有沒有打瞌睡、壓力狀況是否異常,或者預防因急性健康危害如心臟疾病或癲癇發作。另一個可能應用,是利用動作和生命體徵偵測來監測小孩狀況,例如當兒童不小心被留在車內時發出警報,即使當下是嬰兒蓋著毯子睡覺,該雷達感測器也可發揮作用。 結合MIMO/機器學習 打造直覺人機互動體驗 除了140GHz高頻毫米波頻段所帶來的技術優勢外,imec也在該款雷達晶片中,加入MIMO多天線配置與機器學習能力,從而打造直覺簡單的人機互動介面。 以手勢辨識來說,其需要最小角度解析度以便能在三度空間中擷取手勢,而提升角度解析度的一個巧妙方式,是使用多顆收發器晶片的MIMO雷達原理。Dewilde說明,MIMO是為了手勢辨識而設置,藉此可達到更精確的角度解析,以正確解讀目標物相對於雷達的方向。而訊號處理與機器學習技術亦是用來偵測和分類手勢動作,從而實現直覺式人機互動。 事實上,imec已開發出一種特定的機器學習演算法,是基於一個包含長短期記憶模型(LSTM)層的多層神經網路,並透過監督式學習方式,亦即使用超過25人的內部標籤記錄(包括針對7種不同手勢的幾次擷取記錄),來訓練推論模型。實驗結果顯示,該模型可對記錄的7種手勢進行分類,且94%的時間可正確預測手勢。 imec荷蘭雷達專案研發經理Barend van Liempd指出,藉由加入機器學習能力,imec已證明雷達基於都卜勒(Doppler)訊息來偵測和分類細微動作的可行性,這將開啟新的應用機會,如實現直覺的手勢辨識人機互動。以擴增實境/虛擬實境(AR/VR)應用來說,新的雷達方案就可支援與虛擬物件的直覺式互動,手勢辨識還可以實現直覺的裝置控制,與現今語音控制或智慧觸控螢幕的人機介面相輔相成。 據了解,imec所研發的140GHz雷達晶片方案主要適用於室內的應用,操作範圍可達10公尺,且尺寸極為小巧,單一晶片大小僅1.5×4.5mm(圖1),可在幾乎各種裝置中被無形地整合,諸如筆電、智慧手機或螢幕邊框。 圖1 imec所研發的140GHz雷達單晶片尺寸僅1.45mm×4.52mm 圖片來源:imec imec表示,該款雷達晶片初期將用於智慧建築的人員偵測和分類、遠端汽車駕駛生命跡象監測,以及手勢辨識等應用;而更多的創新應用預期將隨著開發者的創意不斷湧現。 邁向更高整合/增強感測性能 目前imec的140GHz雷達開放創新研發合作計畫,主要係由Panasonic和Sony所支持,對該項研究有興趣的公司也可加入這項合作計畫,或另外的雙邊研發計畫,或者取得該技術功能區塊的授權。 為了增加感測數據的豐富性和空間資訊,imec已著手開發下一代採用4×4的MIMO雷達系統,以及新的雷達晶片(將採用Tx和Rx是分離的兩顆獨立晶片的設計)。這將使MIMO陣列元件在可用電路板區域的分布更有彈性。同時他們也將探索獨立的雷達晶片功能能否被增加,以實現擁有更大晶片陣列的MIMO系統。 Dewilde指出,此次在Future Summits展出的140GHz雷達系統原型(圖2),採用的是2×2 MIMO設計,所以只能做一個方向的角度偵測,下一個系統,會使用新版晶片,預計研發4×4 MIMO,有更多天線,以達到3D偵測。 圖2 imec研發團隊負責人Andy Dewilde利用imec 140GHz雷達系統原型,展示手勢辨識應用。 毫米波雷達感測有可為 與其他類型的動作感測技術相比,例如基於飛時測距(Time-of-flight,...
0

Arm分享AI時代的Total Compute大策略

Arm IP產品事業群總裁Rene Haas發表「全面運算引領AI成長」主題演說。探討AI運算在各個市場所面臨的複雜挑戰,以及Total Compute解決方案為何能夠同時滿足AI效能提升與應用開發的需求。 Rene 一開始即指出一個重大趨勢:AI核心平台邁向異質化時代。現在的智慧型手機已經內建許多人工智慧和機器學習(ML)的基礎功能,包括即時影像擷取、人臉辨識等,但在全球將近四十億只的智慧型手機中,目前約有85%的手機還是將機器學習的工作負載交由CPU或者CPU + GPU (圖形處理器) 執行的。 而根據Arm對AI處理器工作負載的研究,為達成更佳的應用效能和使用體驗,發揮AI和ML的優勢,未來智慧型裝置的AI運算核心,將以CPU為中心,再整合運用GPU、NPU (類神經網路處理器)、DPU (資料流處理器)、FPGA (現場可編程邏輯閘陣列)等運算資源。 從產業轉型方面來看,不論是自動駕駛、5G引爆的邊緣伺服器需求、AI型穿戴裝置和虛擬實境 (VR)、擴增實境 (AR)、高畫質遊戲體驗、5G 智慧手機等,都帶來超高的運算效能與智慧功能要求。此外,安全也是一項極大的考驗,前述各種市場領域的設備與裝置,都儲存了大量的個人資訊,沒有人希望竊取個人機密資料的事件再次發生。 Rene指出,這些大規模運算流程、跨處理元件的運用、安全保護要求,以及特定領域運算 vs 通用運算等,都將讓應用開發變得越來越困難且成本越來越高,市面上太多不同軟體的選擇,造成開發人員/生態系統碎片化的擴大,增加了推動裝置AI化的困難。 針對上述的AI運算與體驗挑戰,Arm提供從系統整體出發,結合硬體IP (矽智財)、軟體架構和最佳化工具,一次解決未來運算複雜性的「全面運算」(Total Compute)解決方案。 一方面,Total Compute解決方案能以CPU為任務控制核心,再透過System IP確保AI運算的工作負載能達到最佳分配。例如影像搜尋作業由NPU執行,將比CPU更快、更有效率。再加上 Arm 的GPU、ML 處理器、顯示處理器、Arm...
0

手勢/心跳皆可偵測 140GHz MIMO雷達超有感

比利時奈米電子和數位科技研究與創新中心imec,發布以28奈米CMOS技術打造的140GHz MIMO雷達單晶片,能在兼顧小尺寸、低成本、低功耗前提下,實現更高解析度與靈敏度,可望進一步擴展毫米波雷達在手勢辨識、生命體徵監測與細微運動偵測等領域的應用版圖。 隨著5G與自駕車發展日益升溫,毫米波技術的應用潛力逐漸受到產業界重視,相關研發活動與投資也不斷增加,除了聚焦在5G高頻通訊與汽車駕駛輔助系統(ADAS)的雷達應用外,利用毫米波雷達實現更多元的感測應用,亦是另一個重要發展方向。 針對非汽車ADAS的雷達感測應用,目前市場上以60GHz毫米波雷達方案為主,而imec此次所發表的140GHz毫米波雷達單晶片,則是另一突破性的技術進展。 imec研發團隊負責人Andy Dewilde說明,imec長久以來在CMOS技術的開發與多天線整合設計上擁有相當厚實的能力與經驗,因此能在一個外觀尺寸只有幾平方公分的完整MIMO雷達系統下,實現1.5公分的精準解析度。而更好的距離解析度性能,可開啟更多新的應用機會,這是該公司140GHz雷達系統單晶片重要的差異化特色之一。 Dewilde進一步談到,使用140GHz頻段的另一個明顯好處是,電磁波波長更小,僅2.1毫米,換言之,天線也就可以做得很小,因而imec僅透過28奈米Bulk CMOS製程技術,即可將天線直接整合至單晶片中,毋須使用昂貴的天線模組或外部天線,達到更高整合度與小尺寸設計,且未來也可輕易藉由大量量產來達到降低成本目標。 不僅如此,高頻毫米波波長小的特性,也可偵測到更小的位移變異,如細微的臉部表情變化與皮膚運動,能顯著提升位移靈敏度,有助於生命體徵偵測等應用,因此該雷達是實現車內生命體徵監測系統極佳的方案,可促成非接觸式駕駛狀況追蹤,例如偵測駕駛有沒有打瞌睡、壓力狀況是否異常,或者預防因急性健康危害如心臟疾病或癲癇發作。另一個可能應用,是利用動作和生命體徵偵測來監測小孩狀況,例如當兒童不小心被留在車內時發出警報,即使當下是嬰兒蓋著毯子睡覺,該雷達感測器也可發揮作用。 除了140GHz高頻毫米波頻段所帶來的技術優勢外,imec也在該款雷達晶片中,加入MIMO多天線配置與機器學習能力,從而打造直覺簡單的人機互動介面。imec荷蘭雷達專案研發經理Barend van Liempd指出,藉由加入機器學習能力,imec已證明雷達基於都卜勒(Doppler)訊息來偵測和分類細微動作的可行性,這將開啟新的應用機會,如實現直覺的手勢辨識人機互動。以擴增實境/虛擬實境(AR/VR)應用來說,新的雷達方案就可支援與虛擬物件的直覺式互動,手勢辨識還可以實現直覺的裝置控制,與現今語音控制或智慧觸控螢幕的人機介面相輔相成。 據了解,imec所研發的140GHz雷達晶片方案主要適用於室內的應用,操作範圍可達10公尺,且尺寸極為小巧,單一晶片大小僅1.5x4.5mm,可在幾乎各種裝置中被無形地整合,諸如筆電、智慧手機或螢幕邊框。 為了增加數據的豐富性和空間資訊,imec已著手開發下一代採用4x4的MIMO雷達系統,以及新的雷達晶片。Dewilde指出,目前的140GHz雷達系統原型,採用的是2x2 MIMO設計,所以只能做一個方向的角度偵測,下一個系統,會使用新版晶片,預計研發4x4 MIMO,有更多天線,以達到3D偵測。 imec研發團隊負責人Andy Dewilde利用imec 140GHz雷達系統原型,展示手勢辨識應用。  
0

乘深度/機器學習浪潮 AI智慧監控應用興

根據市場研究機構Marketsandmarkets指出,影像監控的市場產值,將以每年13.1%複合成長率的速度成長,從2018年的368.9億美元,成長至2023年的683.4億美元。而機器學習(ML)與深度學習(Deep Learning)等AI技術,更將是提升監控系統效能,使其實現更多應用的最大關鍵。 邊緣監控應用起 晶片運算需求增 機器學習可被訓練,以識別模式、形狀、顏色、聲音、振動、溫度以及壓力等細微差別和差異,這對於即時檢測和識別十分重要,使得臉部辨識應用日益完善,以進行高級識別、驗證、搜索、預防和救援。至於深度學習,透過大量的監控影像和訓練之後,搭載深度學習的監控系統便可有效的進行對象和行為模式分析,進而提供更有效的數據。而隨著機器學習、深度學習等AI技術興起之後,AI監控應用也隨之浮現。 國立交通大學資訊工程學系教授兼網路研究所所長易志偉(圖1)表示,AI技術(如深度學習)的優勢在於,可降低影像處理的門檻,使得影像資料分析不再是一件複雜的工作,進而依此衍生出更多創新的應用,例如無人商店的AI監控應用便是其中一個例子。 圖1 國立交通大學資訊工程學系教授兼網路研究所所長易志偉表示,深度學習減低影像處理複雜度,得以實現各種影像創新應用。 易志偉說明,像是7-11所推出的X-Store,有著自助結帳櫃檯,需要先透過臉部辨識系統確認個人身分後,再以icash2.0靠卡付款;而在進入商店時也需透過臉部辨識系統建立會員。當然,除了無人商店外,智慧監控還可應用在許多地方,例如透過攝影機錄下羽球選手各個動作,像擊球、腳步移動、球的落點位置等,再進行資料分析,以提升選手的訓練效率。 賽靈思全球人工智慧解決方案市場行銷總監劉競秀(圖2)指出,到了行動物聯網時代,聯網設備的數量將大幅超過人口數量;而隨著AI興起,未來勢將走向AI+IoT的趨勢,像是智慧監控攝影機、自動駕駛汽車、智慧音箱、智慧家電等。換言之,日後這些設備將具備一定的運算能力,使其能透過本地推論、訓練,做出更準確的分析以改變人類日常生活。 圖2 賽靈思全球人工智慧解決方案市場行銷總監劉競秀指出,如何研發靈活、高效,且高性價比的AI解決方案是目前各大AI晶片供應商共同努力的方向。 劉競秀說明,不過,要實現AIoT的挑戰在於不同的應用場景需要不同的運算效能。例如自駕車需要在很短時間內對周遭環境進行檢測並做出判斷,這時候晶片的運算效能及資訊傳輸就必須相當迅速;然而,若是網路監控攝影機的話,由於其需長時間運作,進行長期監控,其對晶片的要求除了具備一定的運算能力外,還需要低功耗,避免過熱當機。 劉競秀指出,也因此,如何針對不同的應用場景提供靈活、高效,且高性價比的AI解決方案,是目前AI晶片供應業者致力發展的方向;而賽靈思便透過靈活性較高的FPGA協助產業盡速導入AI,實現更智慧的應用。例如賽靈思所推出的自行調適運算加速平台「ACAP」,能針對各種應用與工作負載需求,從硬體層面進行靈活變化。 據悉,在ACAP核心內有個全新世代的FPGA架構,其結合分散式記憶體與硬體可編程DSP模組、一顆多核心SoC,以及一個或多個軟體可編程且硬體自行調適的運算引擎,上述元件皆透過網路晶片(NoC)串連。此外,ACAP具高度整合的可編程I/O功能,依據不同元件類型,其功能涵蓋整合的硬體可編程記憶體控制器、先進的串列器技術、具領導地位的邊緣RF-ADC/DAC,到整合的高階頻寬記憶體(HBM)。 除了ACAP之外,賽靈思還具有DNNDK(Deep Neural Network Development Kit),其為深鑒科技所研發的AI異構計算平台DPU。 透過自主研發的原創深度學習SDK,涵蓋了神經網路Inference階段模型壓縮、編譯優化和高效運行時支持等各種功能需求,為深度學習應用開發和部署提供一套高效的解決方案。 耐能智慧(Kneron)產品行銷暨應用協理史亞倫(圖3)則指出,AI從雲端走到邊緣裝置的趨勢十分明顯,終端裝置有了AI運算能力之後,再跟雲端搭配,可以降低資料傳輸、運算分析的延遲性,不僅可實現更多創新應用,還可降低終端裝置與雲端間的連網布建成本。 圖3 耐能智慧產品行銷暨應用協理史亞倫透露,智慧監控開始從雲端走向終端,裝置中的處理器除須有高效能外,同時也須符合功耗和成本考量,為此,耐能採用NPU解決方案。 因應智慧監控需求,耐能備有新一代終端AI處理器系列NPU IP,其分為超低功耗版KDP 320、標準版KDP 520,以及高效能版KDP 720。此一處理器整體運算效能相較上一代產品提升三倍,運算能力(Peak Throughput)最高可達5.8 TOPS(每秒萬億次運算)。 據悉,新系列產品特色包括交錯式運算架構,讓神經網路架構中主要的卷積(Convolution)與池化(Pooling)運算可平行進行,提升整體運算效率;深度壓縮技術,可執行模型和運行中的資料和參數(Coefficient)進行壓縮,減少記憶體使用;動態儲存資源配置,讓共享記憶體(Shared Memory)和運作記憶體(Operating Memory)之間可以進行更有效的資源配置,提升儲存資源利用率且不影響運算效能;以及支援更廣泛的CNN模型。 史亞倫說明,邊緣運算應用十分多元,以智慧監控而言,不論是零售、交通、商業建築、安防等都會用到,且在各個領域中又細分無數個應用場景;有的需要精準人臉辨識,有的只須進行簡單車牌識別。因此,並非每個應用場景都須採用頂級、具超高運算能力的CPU、GPU或是DSP,否則會不符成本需求。 史亞倫進一步說明,因此,該公司便決定打造低功耗的NPU處理器。原因在於NPU處理器可說是專為深度學習設計,十分適合AI神經網路運算,並且有更多設計彈性。另外,有了低功耗、成本相對較低,同時還能進行邊緣AI應用的NPU晶片後,可讓市場有更多選擇,滿足對成本有較多考量的業者。 物聯網設備大增 資安防護不可少 物聯網和AI的興起,帶動許多創新應用興起,AI監控便是其中一例。然而,在使用AI監控提升安防效率之時,如何確保AI設備的資安,使其不被駭客竊取機密的資料,也十分重要。 台灣資通產業標準協會(TAICS)網路與資訊安全技術工作委員會技術長劉作仁(圖4)表示,物聯網應用和雲端息息相關,就連AI監控也不例外。使用者的裝置可以透過連線的方式,在雲端與終端裝置之間下載、上傳資料;而在這資料傳輸的過程之中,要如何實現完善的加密保護,是目前物聯網發展的重點。 圖4 TAICS網路與資訊安全技術工作委員會技術長劉作仁說明,物聯網應用和雲端息息相關,在資料傳輸的過程中,完善的加密保護可說相當重要。 為此,TAICS推動物聯網資安認驗證制度,期能落實各類型物聯網資安測試規範,推行物聯網產品與設備商落實資安檢測;並透過推動物聯網資安驗證制度,強化物聯網安全;最後則是建立物聯網資安標章制度,使消費者易於識別通過本資安驗證制度檢測之物聯網設備。 據悉,此一制度將先以與個人隱私息息相關的有線/無線網路攝影機為主,後續將會陸續針對其它各種物聯網設備。TAICS指出,物聯網盛行,使日常用品皆朝向數位化邁進,影像監控設備也是其中之一,但網路攻擊事件也隨之而來。有鑑於此,經濟部工業局與TAICS共同制定一系列針對影像監控系統中聯網設備之資安標準及測驗規範。
0

宸曜科技攜手軟硬體專家發表導入機器學習之智慧製造

宸曜科技(Neousys Technology)近日舉辦的「邁向工業4.0─導入機器學習的智慧製造」研討會完美落幕。會中宸曜科技與全球機械手臂市佔霸主精工愛普生(Epson)、宜谷京科技、弘翔精密與肯定資訊科技等機器視覺產業專家,整合機器學習(ML)的視覺系統、機器手臂到視覺軟體等主題,分享協助企業邁向工業4.0之道,以及解決外觀品質檢測等視覺應用上的幾項痛點。 宸曜科技產品企劃一部產品經理鄧博元表示,宸曜科技為整合強固寬溫與設計美學的嵌入式電腦專家,專注於設計製造兼具強固及精巧小尺寸的無風扇工業電腦平台,核心技術涵蓋嵌入式運算以及產業數據的採集分析。產品致力於創新、並整合全方位應用導向功能,是自動化智能工廠、機器視覺、交通運輸、GPU智能運算、機器學習、自動駕駛、監控和視覺分析等工業電腦的指標解決方案。 鄧博元於會中提出即將上市的工業級 GPU運算人工智能平台Nuvo-8208GC,與獲得中國百度Apollo 2.0自駕技術指定運算系統Nuvo-6108GC,以及今年四月剛獲得美國 2019年 Vision Systems Design視覺平台設計金質大賞的Nuvo-7164GC。而這些平台適用於基於機器學習(Machine Learning, ML)的機器視覺應用,其最為擅長的工作乃是「圖樣辨識」,只要影像處理、判斷的速度夠快,加以累積訓練資料增加,有助於提升系統辨識的準確度。 隨著產線的高精密組裝、加工程序日趨複雜,自動化需求更是與日俱增。導入整合性的自動化設備,更是未來自動化產線的趨勢與企業成長的重要利基。Epson器械手臂自動化營業部經理陳子軒提到打造高產能與良率的智慧工廠的方式,他以Epson SCARA機械手臂連續八年全球市佔第一為例,說明其擁有「高速度、高精度、低震動」的「兩高一低」優勢,手臂可搭配視覺辨識系統及力覺感測器,達到快速辨識物件、偵測其位置與方向並精準掌控操作力道,如何在最短時間內提升產線效率與精度。 宜谷京科技產品部研發總監林晏全提出傳統品檢系統(AOI)普遍存在的問題,包含產品製造總會存在可容許的不穩定性,但傳統的AOI常常因此過檢;過於細微的瑕疵,需要開發者有足夠的演算法能力以及經驗。開發時間長,需耗費相當多的時間執行開發與修改,時間成本高;普遍操作介面複雜,太多專業名詞,需要聘請專門的工程師來維護,以及開發者能力不一,檢出效果不如預期引發爭議等。宜谷京科技研發總監林晏全會中提出獨家的離析學習演算法FIA intuit,解決上述機器視覺應用上的問題與瓶頸,在實務上達到精準、簡易、彈性、穩定、量化的效果。
0

速食AI遍地有 欠缺領域知識的AI有何用?

然而,隨著時序進入2019年,有些以AI為創業題目,或是原本在別的領域耕耘,後來看見AI話題火紅,想來沾AI光的新創業者,已經資金燒盡,創辦者不是想把自己的公司賣掉,就是開始裁員。這些現象顯示,開發AI應用是一回事,要從這些應用變現則是另一回事。 為何AI應用這麼難賺錢?就筆者觀察,這個現象背後的原因有二,一是想用AI解決的問題牽連太廣,除了技術之外,還有商業模式、法律、金融保險等領域的問題需要解決,以一家新創公司之力,根本難以克服。另一個原因則是,有商業價值的應用題目多半與垂直領域的知識密切相關。如果一家AI只懂AI技術,根本解決不了客戶的問題,自然無法讓客戶為產品/解決方案掏出荷包。 AI不是新玩意 速食AI非難事 如果不把統計學領域發展出來的核心知識當作AI發展的起點,而是以艾倫圖靈(Allen Turing)提出圖靈測試的觀念開始,學術圈對人工智慧的研究跟投入,已經有七十多年歷史。如果把許多人工智慧演算法所使用的統計學工具、方法當作人工智慧的發端,則相關技術的發展歷史,已經超過一個世紀。 不管是七十多年或一百多年,以科技業的時間尺度來說,都絕對稱得上是骨董級。這麼漫長的時間所累積、沉澱的知識,加上網路發達跟開放原始碼風潮,有心人要在網路上檢索相關資訊,靠自我進修學AI,絕對是不成問題的。如果在學校念的是數學、統計相關科系,學習各種AI工具的過程,只會更駕輕就熟,因為當前的AI,核心其實是統計跟數學,只是改用程式語言或程式框架來表達。 對大多數資訊科系出身的人來說,學會如何使用AI工具並非太困難的事,但要開發一款AI工具或框架,則是另一回事。統計跟數學都是很高深的學問,要開發AI工具,必須有很紮實的統計跟數學底子,無法速成。所幸對大多數人來說,只要學會如何使用AI工具來解決問題就夠了,不用深入到自己開發AI工具。 但也因為AI工具的使用門檻其實不高,因此產生了「全民瘋AI」的奇怪現象,很多資訊工程背景的工程師投入AI相關產業,或是透過自主進修掌握了AI工具的使用方法,就開始想利用AI來解決問題,創造商業價值。但這其實是一種過度簡化跟跳躍的思維。 AI工具必須與領域知識結合 AI只是一種工具,要用這個工具解決什麼問題,決定了AI工具的商業價值。就像一把菜刀,在廚藝普通的你我手上,大概只能用來切肉切菜,但職業大廚卻可以用來發揮各種刀工,讓食材變得更美、更好吃。而廚藝普通的一般人跟職業廚師最大的差異,就在於對烹飪這門技藝的領域知識(Domain Knowledge),有著極大的落差。 以半導體、電子業使用AI的成功案例來看,目前AI在產業界最成功的應用在於自動分析大量資料,找出不同資料之間的關聯性,但也僅止於此。一般的AI工具沒辦法告訴使用者,資料的關聯性背後的原因跟其所代表的意義,除非其所使用的AI工具已經結合了特定領域的專業知識。 以IC設計為例,晶片設計工程師在開發晶片時,會需要EDA工具執行大量電路設計模擬,從許多可能的設計方案中,找出效能最好,或結果最符合設計目標要求的設計方案。這個過程需要極大的運算量,同時也會產生大量資料,AI輔助工具可以幫IC設計工程師爬梳出這些資料的相關性,但AI無法告訴晶片設計者,為何資料之間的關聯性會如此分布,因為這涉及了IC設計的領域知識。 在產品測試端,其實情況也類似。不管是晶片或系統產品,在生產過程中或生產完成,進行測試時,都需要經過少則數項、大則數十項、數百項檢測。在真實世界裡,產品缺陷或失效,常常是以群落的形態出現,例如某個檢測項目A不通過,則檢測項目C、D不通過的機率很高,但如果A項目不通過,檢測項目B就很少出問題。AI輔助工具可以幫檢測工程師分析這些資料,找出不同缺陷或失效之間的統計關聯性,但卻無法解釋為何會是這種狀況,因為這也涉及了領域知識。 「知其然,不知其所以然」是目前AI輔助工具在產業應用上最大的問題。因為不知其所以然,所以無法幫助或建議工程團隊下一步該採取什麼行動來解決問題。對AI輔助工具的使用者來說,這種「做半套」的解決方案吸引力有限,工具的供應商自然不容易賺到錢。 有領域知識的工程師最該學AI 在AI工具上手容易,領域知識卻需要靠時間累積的情況下,同樣是會使用AI工具的工程師,身懷領域知識的工程師,身價跟不具備領域知識的工程師相比,自然不在同一個水準上。目前科技業界大喊欠缺AI人才,其實話只說了一半。企業需要的是「具備領域知識」的AI人才,而不是現場實務白紙一張,只懂AI工具的資工人才。 最近有些發展AI應用的新創公司之所以資金燒完,面臨解散或必須把自己賣掉,靠新資金挹注繼續營運的命運,關鍵就在這些新創公司大多是不具備特定領域實務經驗,只懂IT技術的創業團隊,所以他們提出的方案,對客戶而言很難搔到真正的癢處。另一方面,有些企業決定自己培養AI人才,把公司內資工背景的資訊人員送去培訓,也很容易犯了同樣的錯誤。公司裡的IT工程師或MIS,畢竟還是跟產品的研發、製造實務有段距離,同樣有缺乏領域知識的問題,只是狀況外的程度有所差別。 對製造業來說,真正該去學AI的,是負責產品或製程相關研發的工程師,因為這些工程師才有領域知識。正因為AI工具只知其然,不知其所以然,所以需要工程師們的專業知識來解釋這些結果背後的意義,進而找出行動方案。這樣才能讓企業把AI導入到日常運作中。 然而,要製程或研發工程師去學AI、做AI,對許多企業來說是相當具有挑戰性的,因為這些RD工程師平常就已經非常忙碌,要他們再花時間去學AI,進而投入AI工具的二次開發,對企業來說,是很大的投資跟負擔。而且,這些具備AI工具使用、二次開發能力,又有領域知識的工程師,將會是其他同業搶著要的熱門人才,對企業主來說,這樣的育才投資,會不會變成為他人作嫁,又是一個需要審慎考慮的問題。 AI產業進入盤整期 從業人員回頭紮馬步 從2016年開始的AI新創風潮,到現在已經過了兩年多時間,有些未能找到有效商業模式的AI新創公司,已陸續解散或被其他企業收購。2019年將是AI產業盤整、收斂的一年。在這個過程中,很多具備AI使用能力的資訊工程師,不是得轉換跑道進入產業,就是順著公司被收購,有機會接觸到產業運作的實務。這對AI技術的普及應用來說,未嘗不是件好事。 其實,科技業界並不需要那麼多開發AI工具或模型的人力,因為這其實是學術性質很濃厚、很理論的工作,由學術界或幾家世界級大廠來做,也就夠了。懂得使用AI工具的資訊工程師,如果能利用這個AI盤整的機會,投入其他產業,對產業發展跟個人職涯,都是更有幫助的事。但對資訊工程師來說,如果要投入其他產業,最要緊的是要盡速補足產業所需的領域知識,把馬步紮穩了,才能成為企業搶著要的即戰力。
0

施耐德攜手凱柏精機研發刀具磨耗預測系統

施耐德電機的EcoStruxure Machine Advisor機械雲物聯網解決方案,簡稱機械雲,透過第一層物聯網產品收集機器運作資料,並將資料提供給第二層的邊緣運算及最上層雲端資料庫做資料分析,提供產線及決策人員圖像化的國內外機台運作資訊及分析結果,並可進行預測性維護保養與生產分析等建議,將設備價值最大化、顯著提高生產力。 凱柏精機是台灣首家完整應用機械雲三層架構的精密機械製造商;除了凱柏精機,木工機領導業者之一勝源機械也採用完整的機械雲三層架構,透過此架構串連起整線機台,持續優化分析,提供客戶專屬的應用服務;振蕭機械也將施耐德自動化系統與機械雲導入其砂光機與鋸片機等設備,完成機械雲兩層架構,為客戶提供更即時的服務及建議。 施耐德電機的機械雲解決方案可進行高度的客製化,準確切合客戶需要,並採取類似雲端硬碟租賃的付費方式,使用才須付費,且價格低廉,客戶在數位轉型初期不需投入大筆的財務支出與進行複雜的雲端架構研發,不會增加財務負擔;針對中小企業主在意的機密技術資安維護,機械雲分析平台僅會上傳機器的運作資料,業主的關鍵資料與技術仍為業主所有,且平台上的資料可隨時下載留存,不必擔心資料會隨服務結束而消失。 此外,凱柏精機亦導入了加工機刀具磨耗預測系統的創新產品,由凱柏精機與台灣施耐德團隊所共同研發,應用機器學習(Machine Learning),將刀具使用達到最佳化。物件加工機的刀具屬於生產消耗品,需要在耗損前更換新刀具,以防加工過程中讓產品產生瑕疵;過晚更換會降低產品良率,過早更換則會提高生產成本。 而不同於市面上多數的預測系統,台灣施耐德電機研發團隊與凱柏精機研發的刀具磨耗預測系統,成功開發及應用機器學習(Marchine Learning),使系統大量蒐集數據進行分析,並經過一段時間學習後,能夠逐漸提升、修正預測維護時機的準確率以及產品良率,進而降低成本、提升生產效能。
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -