物聯網

國際半導體產業協會(SEMI)日前公布，在SEMI北美標準區域委員會(NARSC)與SEMI國際標準委員會(ISC)一致通過下，由台灣所發起的「軟性混合電子(Flexible Hybrid Electronics, FHE)標準技術委員會」正式成立。作為SEMI全球第一個核准通過的軟性混合電子標準技術委員會，未來將透過凝聚各方標準發展共識，協助產業推動橫跨設計、材料、製造、封裝及系統的整合性軟性混合電子量測的國際標準。 由台灣所發起的軟性混合電子標準技術委員會已正式成立　(圖片來源：semi) SEMI全球行銷長暨台灣區總裁曹世綸指出，本次正式獲得核准成立的軟性混合電子標準技術委員會將以改善目前產業遇到的發展瓶頸、建立統一量測標準為目標，奠定台灣在全球產業標準發展的地位。透過參與國際產業標準制定，希望幫助台灣軟性混合電子朝降低成本和提高競爭力的發展方向前進，促進產業持續成長。 對軟性混合電子產業而言，SEMI全球首個軟性混合電子標準技術委員會的成立，象徵SEMI支持產業往前邁進的重大里程碑。未來，SEMI將以產業需求為導向來協助制定軟性混合電子領域的標準，藉由結合物聯網(IoT)、大數據分析或機器學習技術(Machine Learning)應用的導入，將能打造更小更智慧的電子應用產品，並有助於智慧織物、智慧醫療、穿戴裝置與智慧汽車等應用開發新興技術。 SEMI-FlexTech於2018年在台籌組「軟性混合電子產業委員會」，為解決業界缺乏量測標準的問題，各委員們達成建立產業標準技術發展平台的共識，並由在智慧紡織應用廠商愛克智慧科技黃宏旭執行董事，與日月光集團葉勇誼副總發起成立請願書，爭取指導委員們的支持獲准成立軟性混合電子標準技術委員會。此外，甫成立的標準技術委員會預計分階段性推出「軟性智慧織物(Flexible Smart Textile)」、「智慧汽車(Automotive)」與「物聯網裝置(IoT device)」等相關應用的量測標準制定工作小組拓展標準草案的推動，並據以擬訂相對應的標準，以加速將相關技術導入終端應用市場。 SEMI軟性混合電子標準技術委員會有眾多夥伴響應加入，包含愛克智慧科技、台灣應用材料、日月光、明基材料、布魯爾科技、正美企業、台灣杜邦、台灣飛利斯、通用矽酮、工業技術研究院、聚陽實業、奇翼醫電、台虹科技、利永環球、智晶光電、中山大學等。未來SEMI將會持續邀請更多廠商加入委員會的行列。

芯科科技(Silicon Labs)宣布將舉辦Works With 2020全球盛會，此一針對全球智慧家庭技術的直播會議將於9月9至9月10日對全球工程師、開發人員和產品經理免費開放。透過技術培訓，小組討論和一對一會議，來自Amazon、Comcast、Google和Silicon Labs等公司的演講者將培訓與會人員如何設計及建立可與任何智慧家庭生態鏈和無線協議配合使用，且經過認證的物聯網解決方案。 Silicon Labs將展示簡潔的連接產品設計，其涵蓋全面的IoT硬體、軟體、開發工具及平台，並使IoT裝置製造商能將產品快速推向市場。這些產品具備低功耗無線功能及先進的安全性，並且可輕鬆擴展至Amazon Alexa、Apple HomeKit、Google Home、Samsung SmartThings及Tuya Smart等，以及跨多個無線協議，例如Bluetooth、IP連接家庭專案(Project Connected Home Over IP, Project CHIP)、Thread、Wi-Fi、Zigbee、Z-Wave和專有技術(Proprietary)。 Silicon Labs總裁暨執行長Tyson Tuttle及IoT資深副總裁Matt Johnson將分享該公司針對智慧家庭市場之願景並發表新技術；Google首席軟體工程師Grant Erickson和Comcast聯網家庭裝置暨平台副總裁Jim Kitchen將針對智慧家庭裝置、平台和協議發表主題演講；資深科技記者及podcast熱門節目〈Stacey on IoT〉主持人Stacey...

基於各方考量，如延遲、耗電量、成本、網路頻寬、可靠性、隱私與安全等，機器學習(ML)演算法正朝物聯網(IoT)終端的應用發展。因此，廠商對於開發類神經網路(NN)解決方案，並將它們部署在微控制器系統這類低功率終端裝置的興趣與日俱增。為促成這類部署，Arm提出CMSIS-NN。這是一種經優化的軟體核心開放原始碼函式庫，可極大化其產品Cortex-M核心的NN效能，而且只需使用最小的經常性記憶體。本文進一步提出NN架構探索的方法，以CIFAR-10數據集的影像檔分類為例，開發適用在條件受限的裝置模型。 MCU降低運算延遲　演算法提升NN準確性 聯網裝置或物聯網過去幾年內快速擴展，到2035年，各區市場的聯網裝置總數預測將達到1兆個。這些物聯網終端裝置通常包含數個可以搜集數據的感測器，包括音訊、視訊、溫度、溼度、GPS位置與加速度等。通常大多數感測器搜集到的數據由雲端的分析工具進行處理，以便運作各式的應用，如工業監控、家庭自動化與健康照護。不過隨著物聯網節點數目增加，對網路的頻寬帶來相當的負擔，同時也增加物聯網應用的延遲性。此外，對雲端的依賴也造成在網路連線不穩定或有限的區域，部署物聯網應用相當具有挑戰性。這個問題的解決方案之一是終端運算，這種運算在數據的源頭、也就是物聯網的終端節點進行，因此可以降低延遲，並節省數據通訊消耗的能源。 類神經網路架構的解決方案，針對如影像分類、語音辨識與自然語言處理等複雜的機器學習應用，已經展現出與人類一樣水準的準確性。有鑑於運算的複雜性與資源的需求，NN的執行絕大多數都局限於高效能的伺服器CPU，或專用硬體(如GPU或加速器)的雲端運算，但會讓物聯網應用增加延遲。而如果在數據的源頭(通常是微控制器)立即進行分類，可以降低整體的延遲以及物聯網終端與雲端間數據通訊的能源消耗。不過在微控制器部署NN，有下列挑戰： ・有限的記憶體使用量：微控制器系統通常只有10幾到100多KB的可用記憶體。整個類神經網路模型，包括輸入/輸出、權重與啟動，都必須在如此小的記憶體上限內運行。 ・有限的運算資源：許多分類任務都有不斷線啟動與即時的要求，這會限制每個類神經網路推論的總運算次數。 這些挑戰可以從裝置與演算法的角度加以應對。一方面在執行類神經網路工作負載時，可以靠優化低階運算核心來達成更佳的效能與更小的記憶體使用量，並藉此提升這些微控制器的機器學習能力，協助微控制器處理更大型與更複雜的NN。另一方面，類神經網路可以靠NN架構的探索設計與優化目標硬體平台。此方法可以在固定的記憶體與運算配置上限內，提升NN的品質，也就是準確性。 下一個段落中，筆者提出CMSIS-NN的概念。CMSIS-NN是大量的高效類神經網路核心，開發目的是讓鎖定智慧物聯網終端裝置的Arm Cortex-M處理器核心上的類神經網路，極大化效能並極小化記憶體的使用量。架構在CMSIS-NN核心基礎上的類神經網路推論，可以達成4.6倍的Runtime/數據傳輸量提升，以及4.9倍的能源效率提升。文章的第三個段落則以使用CIFAR-10數據集的影像分類應用為例，針對微控制器記憶體/運算限制，提出搜尋類神經網路架構的技巧。 CMSIS-NN提升核心Runtime/傳輸量 CMSIS-NN類神經網路核心的總覽(圖1)，核心編碼包含兩個部分：NNFunctions與NNSupportFunction。NNFunctions包含實作常見的類神經網路層類型的函數，如卷積、深度可分離卷積結構、全連接(也就是內積)、池化與啟動。這些函數可以讓應用程式碼使用，以實作類神經網路的推論應用。核心API則刻意保持簡單，以便針對TensorFlow、Caffe或PyTorch等所有機器學習框架輕鬆重新鎖定。NNSupportFunctions包含公用的程式函數，例如NNFunctions使用的數據轉換與激勵函數表。應用程式碼也可使用這些函數來建構更複雜的NN模組，如長短期記憶(LSTM)或閘控再流裝置(GRU)單元。 圖1　CMSIS-NN類神經網路核心總覽 對於某些核心，如全連接與卷積的核心，本文會實作不同版本的核心函數。提供一個針對所有網路層參數不必改變就可以通用的基本版本。同時也實作包括進一步優化技巧的其它版本，它們可能具有變形輸入，或是對網路層參數有某些限制。 固定點量化 研究顯示，即便是低精密度定點表示法，NN的運作依然良好。固定點量化可以協助避免進行昂貴的浮點運算，並降低儲存權重與啟動的記憶體使用量，這對資源受限的平台極為關鍵。儘管不同網路或網路層的精密度需求可能不同，CPU很難運行帶有不同位元寬度的資料類型，因此筆者的團隊開發了同時支援8位元與16位元數據的核心。 核心採用跟CMSIS-DSP裡使用的資料類型格式相同，也就是把q7_t當作int8、把q15_t當作int16，並把q31_t當作int32。執行量化時，假定固定點格式具有兩次方的定標。量化格式以Qm.n代表，而代表值是A×2-n，其中的A是整數值而n是Qm.n的一部分，代表該數字針對分數部分使用的位元數，也就是顯示數基點的所在地。跳過偏差用的定標因素，並把它以參數輸出至核心；因為是二次方定標的關係，定標的實作按位元移位操作。 在NN的運算期間，代表不同數據，也就是輸入、權重、偏差與輸出的固定點可能不同。bias_shift與out_shift這兩個輸入參數，則為用來替運算調整不同數據的定標。 下列方程式可以用來估算移動值： 其中的ninput、nweight、nbias 與 noutput，分別是輸入、權重、偏差與輸出中的分數的位元數。 軟體核心優化 這個段落突顯了在CMSIS-NN裡已進行的優化工作，以提升效能並降低記憶體的使用量。 1.矩陣乘法：矩陣乘法是類神經網路中最重要的運算核心。這個工作的實作，是使用CMSIS-DSP內的mat_mult核心。如圖2所示，矩陣乘法核心是以2×2核心實作，與CMSIS的實作類似。因此可以允許部分數據再次使用，也可以節省載入指令的總筆數。累積是使用q31_t資料類型完成，而兩個運算單元都屬於q15_t資料類型。筆者使用相對應的偏差值，讓累加器初始化。運算的執行則是使用專用的SIMD MAC指令_SMLAD。 圖2　具有2×2核心的矩陣乘法的內迴圈。每個迴圈運算兩行與兩列點乘積結果，也就是產生四個輸出 2.卷積：卷積網路層藉由在輸入特徵映射中運算過濾器權重與小型接受區域之間的點乘積，擷取新的特徵映射。通常來說，CPU架構的卷積實作可以解構成輸入紀錄、擴展(也就是im2col與Image-to-column)以及矩陣乘法操作。im2col是把類影像的輸入轉化成「行」，而「行」則代表每個卷積過濾器需要的數據。圖3即為im2col的一個範例。 圖3　具3×3核心、填充1與步數2的im2col的2D影像範例 im2col主要的挑戰之一是記憶體使用量的增加，因為輸入影像中的畫素在im2col輸出矩陣中重複。為了紓解記憶體使用量問題、同時維持im2col的效能優點，卷積核心實作了部分的im2col。核心一次只會擴展兩行，這已經足夠從矩陣乘法核心取得大幅的效能提升，同時把記憶體負擔維持在最小。影像數據格式也會影響卷積的效能，特別是im2col的效率。兩種最常見的影像數據格式是頻道為第一的CHW(頻道-高度-寬度)，與頻道為最後的HWC(高度-寬度-頻道)。維度的順序則與數據步數的順序一樣。在HWC格式中，頻道的數據以步數1儲存，沿著橫向寬度的數據則是以頻道數的步數儲存；沿著縱向高度的數據，則以(頻道數×影像寬度)步數儲存。 只要權重與影像的維度順序一樣，數據的布局對於矩陣乘法的運作就沒有影響，im2col只會與寬度及高度的維度一起運作。HWC式樣的布局可以促成高效率的數據移動，因為每個畫素的數據(也就是同樣的x與y位置)是連續地儲存，並且可以用SIMD指令有效率地進行複製。為了驗證這一點，筆者實作CHW與HWC版本，並比較它們在Arm Cortex-M7的Runtime。圖4顯示了實作結果，把HWC輸入固定為16×16×16，並很快輸出頻道數目。當輸出頻道值為零時，代表軟體只執行im2col，並沒有進行任何矩陣乘法的運作。與CHW布局相比，HWC擁有較短的im2col Runtime，但矩陣乘法效能卻相同。因此，本文用HWC數據布局來實作卷積核心。 圖4　CHW與HWC數據布局卷積執行時間的比較。兩種布局都有同樣的矩陣乘法runtime，但HWC的im2col runtime比較短 CMSIS-NN結果 測試卷積神經網路(CNN)的CMSIS-NN核心，CNN則利用CIFAR-10數據集進行訓練。數據集包含6萬個32×32的彩色影像，並分為十個輸出類別。網路拓撲是基於Caffe內提供的內建範例，具有三個卷積網路層與一個完全連結的網路層。所有網路層的權重與激勵數據都量化成q7_t格式。Runtime則是用具有一顆時脈216MHz的Arm Cortex-M7核心的意法半導體(ST)NUCLEO-F746ZG Mbed開發板進行測量。 整個影像分類中的每個影像，大約花費99.1微秒(相當於每秒10.1張影像)。CPU在這個網路運行的運算吞吐量，大約是每秒249百萬運算(MOps)。預先量化的網路針對CIFAR-10測試集達成80.3%的準確率。用Arm Cortex-M7核心運行的8位元量化網路，則達成79.9%的準確率。使用CMSIS-NN核心的最大記憶體使用量約為133KB，此時用部分的im2col來實作卷積以節省記憶體。接下來則進行矩陣乘法。少了部分im2col的記憶體使用量，大約為332 KB，此時神經網路無法在開發板上使用。為了量化CMSIS-NN核心對既有解決方案帶來的優點，選擇使用一個1D卷積函數(來自CMSIS-DSP的arm_conv)、類Caffe池化與ReLU，實作一個基準線版本。 針對CNN應用，表1總結基準線函數與CMSIS-NN核心的比較結果。與基準線函數相比，CMSIS-NN核心的Runtime與吞吐量分別提升2.6倍與5.4倍，節能方面的提升也與吞吐量的提升相近。 硬體條件限制NN模型 這個段落裡，比較使用影像分類應用為範例，說明為部署應用的硬體平台，也就是微控制器選擇正確類神經網路架構的重要性。為此，需要先瞭解微控制器的硬體限制。微控制器通常包含處理器核心、一個當成主記憶體的靜態隨機存取記憶體(SRAM)，以及用來儲存編碼與數據的嵌入式快閃記憶體。表2顯示具有Arm Cortex-M核心的一些市售微處理器開發板，它們擁有不同的運算與記憶體容量。 微處理器系統中的記憶體數量，會限制系統可運行的類神經網路模型的大小。除了記憶體限制，類神經網路的龐大運算需求也會為在微控制器上運行NN，帶來另一個關鍵限制：為了維持低耗電，通常都以低時脈運行。因此，必須選擇對的NN架構，來配合部署NN模型的硬體在記憶體與運算上的限制。為了評估在不同硬體限制條件下神經網路的準確性，筆者選擇三個不同尺寸的系統配置，並導出每個配置需要的類神經網路需求(表3)。假定每秒標稱可進行10個影像的分類推論(也就是每秒10幀)，以便導出神經網路的需求。 影像分類用神經網路架構 1.卷積神經網路：CNN是電腦視覺應用最受歡迎的類神經網路架構。CNN包含多個依規格化散布的卷積網路層、池化與非線性激勵網路層。卷積網路層將輸入的影像解構到不同的特徵映射，從初始網路層中如邊緣、線條與曲線等低階特徵，到後面網路層的高階/抽象特徵。當代最頂尖的CNN包含100多個到1,000多個這種卷積網路層，而最後擷取的特徵則由完全連結的分類網路層分類至輸出類別。卷積運作是CNN最關鍵的運作，並且非常耗時，有超過九成的時間都花在卷積網路層上。 2.近期的高效NN架構：為了降低CNN的運算複雜性，有人提議用深度可分離卷積網路層當成標準卷積運作的高效率替代品。也有人提出利用2-D深度卷積接著1-D逐點卷積，取代標準的3-D卷積，並提出名為MobileNets的高效率NN類別。ShuffleNets利用混合 頻道上的深度卷積以及群組軟體1×1的卷積，來提升緊湊模型的準確性。MobileNets-V2藉由增加捷徑連接進一步提升效率，並協助深度網路的收斂。整體來說，已經有許多高效率的神經網路架構提案，可以用來開發符合特定硬體預算的NN模型。 硬體條件受限的NN模型的搜尋 筆者使用具捷徑連接的MobileNet架構，它類似讓硬體條件受限的類神經模型，進行搜尋的ResNet模型裡的架構。網路層的數量、每層網路層的特徵數量、卷積過濾器的維度與步數，被當成這次搜尋的超參數。訓練這些超參數的所有組合相當耗時，並且不太實際。因此需要反覆執行超參數的竭盡式搜尋、計算模型的記憶體/運算需求，並且只訓練能配合硬體預算限制的模型。隨後從之前的集用場選擇超參數，以縮小搜尋空間，並繼續下一更新的模型搜尋。圖5為超參數搜尋的範例，這個範例顯示準確性、運算的數量，以及每個模型的參數。 圖5　利用CIFAR-10數據集進行影像分類的類神經網路超參數搜尋vs以泡泡尺寸顯示的運算及參數數量 經過幾個更新後，表4顯示於硬體條件限制內具有最高準確性的模型。請留意，由於這並不是對所有超參數進行的極盡式搜尋，因此在搜尋期間可能會漏掉一些符合硬體條件限制、且準確度極高的類神經網路模型。結果顯示這些模型擴大規模沒有問題，且針對不同的硬體預算，準確性在不同層級出現飽合。例如，針對200KB與每秒20百萬次運算的記憶體/運算預算，模型的準確性大約在85%左右飽合，並且受到硬體的運算能力限制。瞭解類神經網路的準確性是否受運算或記憶體資源限制，對於硬體平台選擇的各種利弊得失，可提供關鍵的洞察。 強化神經網路效能 機器學習演算法已證實可以實現一些人類能力等級的效能，所執行的複雜認知任務。在全新高效類神經網路架構與優化的NN軟體協助下，這些演算法正慢慢地朝物聯網的終端移動，以便類神經網路在這些終端裝置高效運作。在微控制器裝置常見的記憶體/運算限制下，提出執行NN模型搜尋的技巧，並使用影像分類為例，進一步提出優化CMSIS-NN內的NN核心的方法，以便在最小的記憶體使用量下，極大化Cortex-M核心的神經網路效能。 (本文作者Naveen Suda為Arm主任工程師；Danny Loh為Arm機器學習總監)

多射頻系統共存及抗干擾設計面臨新挑戰 從射頻的角度來看，5G技術先進性的原因之一是因為5G通訊設備工作在更高的頻率，擁有更多頻寬。根據3GPP的定義，5G包括了如下圖所示的兩個頻譜範圍，分別是Sub-6GHz和毫米波(mmWave)頻段，在每個範圍內又細分了數十個頻段號，分配給不同國家的不同電信運營商使用。 以中國為例，中國移動得到了2515MHz~2675MHz和4899MHz~4900MHz兩個頻段，中國電信得到了3400MHz~3500MHz頻段，而中國聯通則被分配到了3500MHz~3600MHz頻段，放眼全球則各個電信運營商頻段的分配就更加複雜。 不同頻段在5G通訊設備裡，都對應著特定的射頻前端系統的硬體支援，對於5G通訊設備而言，如何在擁擠而複雜的頻譜環境中讓自己不被其他頻段設備干擾就成為了設計師必須要考慮的問題。 此外，5G移動終端設備除了支持5G通訊制式以外，還必須向下相容老的移動通訊制式，比如2G GSM、3G WCDMA/CDMA2000/TDSCDMA、4G TD-LTE/FD-LTE等在未來相當長時間內仍然會繼續提供服務，所以隨著通訊技術的不斷發展，通訊設備上務必會搭載越來越多種類的通訊系統(圖1)。 圖1　典型5G手機的手機模擬模型 比如華為推出的Mate 30 Pro 5G手機，便採用了最先進的5G天線設計，機身共有21根天線，搭載了包括5G、4G、3G、2G、Wi-Fi、BT、GPS、NFC等在內，多達8種無線通訊系統，這些系統在單獨工作的時候不會產生干擾問題，但當不同的通訊系統同時工作的情況下，產生的互調/交調頻譜分量或者雜訊信號很可能被抬高，導致某些極度敏感的無線系統(比如GPS)被嚴重干擾到無法正常工作。 5G通訊技術下，物聯網應用場景大量爆發，除了移動通訊設備外，在汽車、工業設備，國防設備等平台上也會搭載包括5G通訊在內的導航、探測、通訊、測控、數傳等眾多射頻系統，豐富多樣的系統特性包括了複雜的調製類型、超寬的頻率範圍、豐富的功率電平等。 這些平台上往往包含數十個射頻發射設備，這些發射設備中的倍頻器、混頻器、功率放大器等由於諧波洩漏、雜散輻射等會產生大量的交調產物，而擴頻調製、調頻工作等使雜散輻射頻譜大量增加。 同時這些平台上還包括了相當數量的射頻接收設備，這些接收設備的工作頻段各有不同，其敏感頻率(如鏡像頻率、諧波頻率等)也各有不同，隨著軟體無線電、數位化中頻、寬頻接收等技術的採用，使這些接收系統受到干擾的潛在風險大大增加，這些複雜的電磁干擾以及與電磁頻譜相關的軍事力量、設備、系統和平台的影響，成為決定整體系統和平台效能至關重要的因素。 射頻系統抗干擾模擬方案需具備五大要素 ANSYS射頻系統抗干擾模擬方案提供了一個複雜射頻環境中電磁干擾模擬的資料管理與分析的整體框架，將尖端的模擬引擎與多保真參數化模型相結合，實現對任何環境下共址干擾的準確預測，如運載平台、通訊基地台以及個人電子設備的共存和靈敏度降低等。並且針對不同傳真度登記的已知數據，可以進行不同層級的模擬分析。 這套模擬解決方案的設計理念是允許設計師在設計早期階段就開始模擬，直至整個系統設計完成後的維護階段。在設計和整合的早期就可定位出共址干擾問題，當定位出干擾問題，在對設備或系統進行否認和修改之前，便可以在軟體中進行改善策略的探索對比，從而說明客戶節省大量成本。 射頻系統共址及抗干擾模擬解決方案，所需要注重的能力包括以下幾個方面。 內建無線電模型庫和RF部件庫 多通訊系統共存情況下的射頻抗干擾模擬的第一步是對射頻系統的建模，射頻系統包含了收發機、濾波器、雙工器、放大器、混頻器、天線等諸多元件，能夠支援用戶方便快捷地實現射頻系統建模成為抗干擾模擬工具的重要技術要求。 ANSYS EMIT內置了多種通用的無線電模型庫(圖2)，包括GSM、CDMA、WCDMA、LTE、GPS、Wi-Fi、藍牙、VHF/UHF通訊、SINCGARS、CDL等許多通用的無線電模型，使用者可以直接調出使用。對於實現特殊功能的定制化無線電模型，客戶也可以通過參數化輸入對其發射頻譜和接收頻譜進行定義，也可通過導入測試資料的方式實現對未知無線電模型的建模。 圖2　EMIT內建的無線電模型庫以及可擴充的無線電模型 EMIT軟體中的無線電模型(Radio)可以是收發信機(Tranceiver)、發射機(Transmitter)或接收機(Receiver)，一個無線電模型中可以定義多個頻段(Band)，EMIT可對每個頻段配置相應的頻率、功率電平、調製方式等無線系統參數。對於發射機頻譜可以配置頻譜類別、發射功率、近端相位雜訊、遠端相位雜訊、諧波、雜散等指標，對於接收機頻譜則可以配置帶內敏感度閾值、混頻器產物、帶外雜散、飽和電平等參數。 ANSYS EMIT是用於複雜環境中射頻干擾(RFI)模擬的軟體。EMIT與ANSYS HFSS緊密配合，將射頻系統干擾分析與產業領先的電磁模擬相結合，能夠對天線到天線耦合進行建模，能夠可靠地預測多天線環境(具有多個發射器和接收器)中的RFI影響。眾所周知，在測試環境中診斷複雜環境內的RFI非常困難而且成本高昂，但是，利用EMIT的動態連結結果視圖，就可以通過圖形化信號跟蹤和診斷總結功能顯示干擾信號的源頭以及其到達接收器的路徑，從而快速確定任何干擾的根源。一旦找到干擾原因，EMIT就能快速評估各種RFI緩解措施，從而實現解決方案優化。 除了對無線電模型的快速參數化建模外，EMIT還內置包含濾波器、多工器、環形器、隔離器、功分器、放大器、線纜等在內的全面RF部件庫，這些寬頻部件模型可以生成搭建射頻系統所用的模組，這些部件模型可以利用EMIT內置參數化模型指定指標，或者通過其他模擬工具或測量獲得的特性資料生成模型。射頻系統模型中用到的無線電模型、RF部件和天線等模型的定義可保存在EMIT部件庫中以供將來使用，也可以共用給其他用戶使用。 支援多種傳真度的天線耦合模型 射頻系統的干擾路徑主要基於各系統天線之間的空間耦合，所以天線耦合資料成為決定射頻系統抗干擾模擬準確性的重要組成部分。對於設計初期的系統共存模擬驗證工作而言，該階段一般尚不具備搭載通訊系統的平台設備模型以及各系統天線的具體設計模型，所以此時並不能通過傳統電磁場模擬工具得到天線耦合資料。 而EMIT有多種天線耦合資料的定義方式，提供包括恒定耦合、路徑損耗、路徑損耗+增益、以及S參數等在內的多傳真度天線耦合資料供使用者選擇，耦合資料的精度隨之增加。 定耦合是指天線耦合量為使用者設定的與頻率無關的常數，用於系統設計初期的天線耦合度指標分配。路徑損耗天線模型的耦合量為基於自由空間內天線之間的路徑損耗，用於在設計初期考慮天線放置的不同位置對干擾程度的影響。 EMIT還可以考慮自由空間內天線之間路徑損耗以及相對方向上的增益計算得到的耦合量，用於獲悉天線設計類型之後的更準確的天線耦合資料提取，最準確的方法則是通過測試或電磁場模擬得到的寬頻S參數資料用於表徵耦合量，此資料充分考慮搭載通訊系統平台和天線的相互影響，適合用於系統設計完成後的最終抗干擾性能模擬驗證(圖3)。 圖3　EMIT多傳真度的天線耦合數據模型 EMIT內置了多種近似天線耦合模型，用於在具備更精確的天線隔離資料之前進行系統共址的抗干擾分析，在缺乏特定耦合資料的情況下，EMIT也可以用來計算避免產生干擾所需的天線間的耦合量。 快速準確的天線耦合模擬演算法 為了實現更準確的系統抗干擾模擬，使用者需要用到更準確的天線耦合資料來實現對射頻系統的建模，EMIT能夠導入天線測試資料作為耦合模型，支援使用工業標準Touchstone檔案格式描述的寬頻多埠隔離資料，而無需將所有的資料容納在單個Touchstone檔中，因為EMIT會將所有待考慮天線間的多組資料自動整合在一起。 EMIT還可以與ANSYS高頻電磁場模擬工具HFSS聯合工作，使用其商業化的電磁求解器對多天線、大尺寸的問題進行快速準確求解得到天線耦合資料。 HFSS具有的增強彈跳射線法(SBR+)求解器，利用射線追蹤技術求解天線在載入到大型平台上以後的輻射性能和耦合資料，而且SBR+在傳統的彈跳射線法基礎上添加了多種改良演算法，可以計算以前SBR演算法無法求解的邊緣電流修正、入射波衍射、陰暗區電流分佈、以及平台表面爬行波等各方面的影響，是業界最精準的射線法求解工具，可以輕鬆得到多副天線的互耦資料。 除了演算法層面，HFSS作為專業的電磁場模擬軟體還具有其他方面的巨大優勢，整合了天線設計庫，包含有數十種實際工程中常見的天線種類，使用者可以直接方便快捷地調用各種天線形式，還具備其他射線追蹤工具所不具備的物理模型，擁有與業界主流三維MCAD軟體的介面，準確高效地實現大型平台模型的導入匯出。 軟體具有強大的圖形介面，可以直觀地瞭解天線在大型平台上的輻射場圖，以及表面電流的分佈情況等。絕大多數任務都在不超過8G記憶體下完成求解，再配合HPC，利用硬體多核CPU和GPU加速，實現快速模擬得到結果。 考慮多射頻系統所有干擾因素 EMIT的1對1收發系統模擬對一對單獨Tx/Rx通道進行模擬，同時包括了收發系統相關的元件(如濾波器、電纜、放大器等)和天線的耦合度(ATA)，最後計算出接收機Rx的射頻干擾冗餘度(圖4)。 圖4　以EMIT功率流分析模擬射頻系統干擾 EMIT寬頻射頻干擾冗餘度模擬結果如圖5所示，上面的線條為接收機的敏感度閾值，該線條代表了接收機的寬頻敏感度指標。 圖5　接收通道寬頻射頻干擾冗餘度模擬結果 由於接收通道上混頻器的非線性效應，所以不僅接收帶內的干擾信號會影響靈敏度，在帶外某些頻點的干擾信號與接收混頻器進行高階互調，產生的互調產物也可能落在接收帶內，從而引起接收機敏感度惡化，所以接收通道需要同時考慮頻道內和頻道外干擾信號對靈敏度的影響。 圖5下面的線條是從發射系統耦合至接收埠的頻譜分量，低於上方敏感度閾值的頻點表示不會對接收機靈敏度造成干擾，而對超過閾值的頻點則是引起接收通道性能惡化的來源。 EMIT還能計算帶內的峰值射頻干擾餘量。由於混頻器、放大器等通道上的多個非線性器件，導致經過多次複雜交調互調後可能落在接收帶內的干擾信號譜非常豐富，如果分別考慮這些信號對接收敏感度的影響，從上面的寬頻射頻冗餘度結果來看都不會對接收系統靈敏度造成干擾。 但是，這些信號疊加起來產生的頻道內雜訊電平就很有可能超過接收機敏感度閾值，造成靈敏度惡化。所以如圖6所示，EMIT的頻道內峰值射頻干擾餘量則把多個落在接收帶內的干擾信號疊加起來，觀察是否超越了接收機閾值。 圖6　頻道內峰值射頻干擾餘量  EMIT還可以模擬當多個發射系統同時工作時，在多通道之間產生的有源互調交調產物，這些產物主要來源於兩個方面。 第一是多發射機同時工作，產生的發射頻譜耦合到接收機後與接收通道上的射頻前端非線性器件(如低雜訊放大器、混頻器等)產生的交叉調試。 第二是不同發射通道之間的互調，發射頻譜耦合到其他發射通道中，與其他通道內的非線性元件(如功率放大器、隔離器等)發生互調，得到的互調產物會由該發射通道往外二次耦合至接收通道，從而影響接收機靈敏度。 直觀的結果顯示和干擾診斷功能 EMIT提供不同層級的直觀結果顯示，通過場景矩陣結果可快速查看平台上哪個射頻系統受到了干擾，而通過電磁干擾邊限圖(圖7)，則可以完整的獲得收發通道的寬頻干擾情況，並能夠自動識別每種類型干擾的根源。 圖7　多射頻系統干擾模擬結果的可視化呈現 利用結果分組篩檢程式，用戶很容易從結果中排除特定類型的干擾(如共通道干擾)，這樣便可以看到最關心問題的結果，從結果的角度快速定位出干擾因素，從而可建議採取合適的改善措施。 EMIT的快速“what if”分析功能可以快速評估可用的干擾改善措施。例如，在調頻系統干擾分析中，可以從庫中快速拖放一個可調濾波器加入接收機通道，從而可以立即評估該濾波器的干擾改善效果。 在EMIT先進的介面下，通過高層級和低層級的分析匯總，以及內置的自動化診斷功能，用戶可以輕而易舉地把射頻系統間的干擾情況顯現出來。 常見的射頻系統抗干擾模擬案例介紹 汽車 如今，汽車總體通常搭載多個無線通訊系統，這些通訊系統的天線往往被放置得比較靠近，天線之間的相互耦合會帶來共址干擾問題，惡化部分敏感系統的接收性能，甚至使其功能徹底喪失，這就使得在汽車上的多通訊系統共址干擾影響的研究十分必要。 使用HFSS對各個天線進行三維空間輻射場性能模擬，將通過模擬得到的各天線輻射場結果搭載在汽車的相應位置上，使用HFSS的增強彈跳射線法求解器計算得到考慮汽車平台效應的各天線之間的寬頻耦合S參數結果。 圖8是汽車天線模擬結果的可視化結果。左側矩陣圖的最右側一列則反映了三個發射通道同時工作時的受干擾情況，對GPS接收設備而言，每個發射系統單獨工作時都不會影響其敏感度，但是三個發射系統同時打開後，矩陣中的深色單元框表示GPS接收設備受到干擾了。而右圖顯示出影響GPS頻道內敏感度的雜散頻譜以及其來源。 圖8　EMIT軟體多射頻系統抗干擾分析結果 為了消除受擾影響，在VHF收發機和FM接收系統通道都加上帶通濾波器，可以濾除帶外雜散的影響，也可以減小不同發射通道間的互調產物，改善GPS接收帶內敏感度。 圖9為使用抗干擾方案後的抗干擾分析結果，所有矩陣單元都變回淺色，這表明所有干擾效應都已被消除。 圖9　添加抗干擾方案後的分析結果，干擾問題不復存在 無人機與基地台 5G時代，萬物互聯，無人機的使用將會越來越普及，在給人們生活帶來便利的同時，無人機作為工作在複雜電磁環境裡的設備可能對其他設備產生干擾，也可能被其他高功率發射的設備(如同通訊基地台)干擾，設計師需要知道無人機和基地台需要至少保持多遠的距離，才能確保無人機能夠正常工作而不被基地台干擾。 EMIT可以對基地台和無人機兩個系統的所有發射和接收通道進行建模，通過功率流的分析方法對接收系統是否受擾進行模擬，生成如圖10所示的豐富的結果報告。 圖10右上方的矩陣圖清晰地顯示LTE基地台的發射信號對C2接收通道產生了干擾，而且當LTE基地台和無人機視頻下載系統兩個發射通道同時工作時會使GPS接收通道的靈敏度冗餘量不足(矩陣中用粗線框起的儲存格所示)。 圖10　EMIT對無人機和基地台共存時的射頻系統干擾模擬結果 在圖10的正上方的系統交互框圖中，EMIT用線條明確指出了干擾的源頭和產生的路徑，對C2接收機造成的干擾來源於900MHz的LTE基地台發射系統，基地台的發射功率經過基地台與無人機之間的天線耦合進入了C2接收機的接收通道，直接惡化了接收機的靈敏度。 圖10正下方的頻譜曲線則顯示了造成干擾的所有頻點，以及造成干擾的雜訊類型，此案例中對C2接收機的干擾是因為LTE基地台的發射功率超過了接收機的頻道外飽和電平。 為解決該干擾問題，直接在系統原理圖裡通過簡單拖曳的方式，在C2接收機通道前端添加帶通濾波器，元件的頻道內損耗、頻道外抑制度等指標都可參數化定義，也可通過導入實際濾波器S參數的形式對其進行配置，重新模擬即可在矩陣中觀察到，C2接收機通道的干擾問題已被解決(圖11)。 圖11　快速實施抗干擾對策，以解決干擾問題 以上案例展示了利用模擬的必要性，在日益互聯的世界中，無線系統的數量激增，其發生干擾和性能劣化的可能性也隨之增加。工程師可以在設計過程的早期階段評估盡可能多的備選方案，然後評估設計空間以優化關鍵設計參數。通過利用專業模擬軟體在研發早期階段確定有可能發生干擾的位置，企業能夠避免干擾問題，減少後期修復問題的成本和降低風險。 (本文作者任職於Ansys)

宜鼎與友通聯手打造RemoGuard遠端管理系統，透過宜鼎專利的雙頻管理儲存技術，在物聯網(IoT)裝置的急劇增長下，仍能有效進行遠端管理與監控各地數量龐大的IoT聯網裝置。 近日友通以宜鼎IoT解決方案為基礎，推出軟硬整合的RemoGuard物聯網解決方案，整合宜鼎iCAP及InnoAGE獨創的雙頻管理技術，與友通硬體團隊共同研發，可大幅降低維運人員成本及回應時間，提供即時監測和一鍵復原來避免服務中斷，瞄準未來智慧自動化的無人產業商機，如廣告機、自動販賣機、ATM、無人商店等應用，透過雙頻管理功能，將使RemoGuard成為完整的裝置管理系統。 友通資訊總經理蔡其南表示，友通與宜鼎合作開發RemoGuard，不只提供高效能的嵌入式解決方案，更領先業界積極導入先進的遠端管理系統，期能協助客戶度過這次的疫情難關，未來友通的軟硬整合加值服務，將可進一步協助客戶輕易布建智慧邊緣設備，共創未來榮景。 宜鼎的雲端管理平台iCAP為強化邊緣運算裝置管理而設計，透過頻內管理技術，提供簡易監控、偵測、示警、數據蒐集、軟韌體更新等功能，在裝置當機或故障時顯示運作匯報及警示。並可提供客製化需求，如監控系統溫度、風扇轉速等進階資訊。而宜鼎InnoAGE SSD首度內建微軟Azure Sphere，以獨創的頻外管理儲存方案，使大量邊緣設備在系統當機狀態仍能透過雲端進行多工管理、智能數據分析、韌體更新、資料保全及遠端控制等功能。

濎通科技於7月23日參加<5G新時代・物聯大商機：低功耗物聯網創新技術與應用論壇>，以<為廣域大規模物聯網而生：Wi-SUN Mesh網狀網路>發表專題演講，並於會場中展示Wi-SUN智能閘道器(Gateway)與其應用，以及Wi-SUN定位系統裝置：屏安福D＋卡與親安御守。 濎通第一代Wi-SUN無線通訊晶片VC7300已獲得Wi-SUN FAN 1.0認證，並成功整合至模組、終端產品中進行互聯互通，其使用FSK調製技術，傳輸速率達到400kbps。VC7351是最新研發的新一代微功率無線通訊晶片，使用OFDM調製技術，符合IEEE802.15.4x規範，傳輸速率可達2.4Mbps，最高私有通訊速率可達3.6Mbps，它是微功率無線Sub-GHz OFDM SoC中傳輸速度較快的，在眾無線ISM頻段中具有一定的地位。 濎通聯合兩家伙伴廠商-助成國際與俠諾科技，共同展出Wi-SUN網路應用解決方案。助成致力於開發物聯網相關軟硬體產品，此次展覽以VC7300晶片開發Wi-SUN智能匣道器QGW810，結合溫度感測傳輸系統，可應用於工廠機台，即時監控設備溫度。 Wi-SUN智能閘道器可接收無線感測器傳來之量測資料，轉由TCP/IP乙太網路或Wi-Fi跟網路伺服器溝通，進行各項資料處理與記錄，亦可將雲端伺服器指令轉發給感測器，或對本身之數位輸出進行控制。智能匣道器是一部可程式化的小型電腦，使用者可開發C程式或node.js程式，進而提供多元服務；智能匣道器亦能連接伺服器，主動送出一組密碼，進行資安管控。 俠諾此次展出分別由屏東縣與台東縣政府採用之屏安福D＋卡與親安御守，卡片內建可長距離傳輸之Wi-SUN晶片與定位系統，能即時呈現配戴者所在位置，而守護者可自行設定電子圍籬之守護範圍，並可查詢佩戴者指定區間之動向。此套系統藉由長者配戴智慧裝置及定位技術，家人可以用LINE App獲知使用者位置，銀髮長輩能在社區自由活動，進而打造讓高齡長者及親屬安心的友善安全社區。

艾睿電子(Arrow)、松下工業(Panasonic)和意法半導體(STMicroelectronics, ST)攜手推出針對智慧工廠、智慧家庭和智慧生活的低功耗無線多感測器邊緣智慧解決方案。 該模組整合艾睿電子的工程設計和全球代理商之能力，以及松下工業基於意法半導體BlueTile(STEVAL-BCN002V1B)多感測器開發套件開發的物聯網模組，讓客戶能夠輕鬆測試產品，將新的物聯網產品更快地導入市場。 該物聯網解決方案模組板載意法半導體最新低功耗藍牙系統晶片(SoC)BlueNRG BLE 5.0以及慣性、環境和音訊等多個感測器，使設備商能夠推出各種經濟、高功率密度、物超所值的物聯網產品，滿足智慧工廠、智慧家庭和智慧生活市場的需求。 全方位的服務和功能驗證流程有助於降低物料清單成本。在一個具有藍牙通訊功能的高效能低功耗設計中，模組整合加速度計和陀螺儀，以及飛行時間測距感測器、壓力感測器和濕度感測器，加上經過標準化組織的測試認證，使OEM客戶能夠大幅縮短產品上市時間，並有效降低設計成本和複雜性。

工研院於日前發表全臺首套自主研發之「易取智慧商店」，運用AI人工智慧發展電腦視覺辨識以及多重感測技術，發展具高精準率、即時回饋、利於布建的智慧零售技術，與邁向科技零售業的全家便利商店簽約合作，將於工研院光復院區建置智慧商店，並在今年年底進行試營運開幕。 工研院副院長張培仁表示，此發表有兩個重大意義。第一，社會少子化、高齡化，未來要用科技解決零售業勞動力不足的問題；第二，新冠肺炎疫情衝擊零售業，引發數位轉型、強化產業韌性需求。 工研院研發電腦視覺辨識與多重感測技術，能「高精準率」辨識商品取放與消費者身份，正確率達98 %以上；並能「即時回饋」消費者拿取的商品種類與數量於手機App上；以物聯網技術串聯攝影機與智慧貨架系統，強化運算效率的同時，更降低攝影機設置的數量與成本，十分「利於布建」，回應了零售業者快速布建與大量應用的需求，使店內商品管理自動化，如自動即時檯帳更新、補貨提醒等，降低結帳/清點所需的人力。 工研院巨量資訊科技中心執行長馮文生指出，研發這套技術並非要取代傳統超商，而是因應消費者的需求，針對特定場域展店，例如小型社區、偏遠地區等。此外，這套技術不僅能應用在便利商店，包括賣場、量販、零售百貨、物流、倉儲領域都能應用。 「易取智慧商店」的購物流程十分簡單。首先，只要透過手機App掃描商店入口的QR code就能開啟閘門。接著，系統能即時辨識消費者拿取的商品種類與數量，並同步更新手機購物車資訊。最後，透過手機App掃描商店出口的QR code就能開啟閘門，手機購物車即自動完成結帳，不僅讓消費者免排隊、拿了就走，還能立即收到消費明細。

本文的主要目標是探討未來十年Wi-Fi 6如何憑藉其主要功能、優勢和技術，取代前幾個世代的Wi-Fi。同時也將檢視採用此技術所面臨的挑戰，並針對網路和IT管理員現在該做什麼以充分利用此重大進展提出建議。 此外，本文還將檢視Wi-Fi 6和5G的關係。雖然Wi-Fi如今定義了組織網路的邊緣，且為多數的室內，甚至許多校園和公用環境中全體使用者和應用的首選存取方式，但5G行動數據的出現確實引發一些問題，這對所有的IT和網路管理員都非常重要。也許，Wi-Fi 6和5G之間的合作關係大於競爭關係，本文稍後將針對這一點提出分析。 Wi-Fi技術承先啟後 有鑑於龐大且持續成長的流量，Wi-Fi顯然是主要的室內組織(和住宅)網路連線的選項。此外，它還遍及商業(如零售)環境和許多高人口密度的室外場所。這樣的成果背後是由於IEEE 802.11工作小組持續運用無線和半導體技術的進步不斷提高標準，進而使產品持續提供現今和往後員工生產力不可或缺的成效(表1)。雖然Wi-Fi 6的核心技術很複雜，但每一代Wi-Fi所展現的進步已證明其數十年來部署於全球的價值。 即使Wi-Fi 6延續了長期以來每個新WLAN標準的傳統，也就是提升單一資料串流輸送量—例如，假設是40MHz的通道，單一Wi-Fi 6串流可較前一代標準提高原始輸送量(287vs.200Mbps)達43.5%—這也是Wi-Fi 6轉變為針對特定設施使用者共享存取的關鍵動機，以改善他們的體驗品質(Quality of Experience, QoE)，並透過將整體延遲減至最低來達成目的。更高的頻譜效率(每個頻率、時間及空間單位若使用MIMO能成功傳輸更多位元數)，以及該頻譜的有效和高效共用是現今達成最佳產能的關鍵。Wi-Fi 6的優勢如圖1所示。 圖1　本測試結果顯示Wi-Fi 6改善產能的能力。不像前幾代，即使流量成長，使用者的輸送量仍然維持不變 Wi-Fi 6關鍵五技術進展滿足當代需求 Wi-Fi 6延續Wi-Fi的悠久傳統，採用非常複雜的無線電和半導體技術，並將其用於低成本、小巧、節能且可靠的元件，適用於廣泛裝置和應用。Wi-Fi 6奠基在802.11n(Wi-Fi 4)首創的技術，在此情況下採用了MIMO和正交分頻多工(Orthogonal Frequency-Division Multiplexing, OFDM)，以及額外的空間串流、多使用者MIMO(Multi-User MIMO, MU-MIMO)，和802.11ac(Wi-Fi 5)的波束成形。然而，Wi-Fi...

乙太網路供電(PoE)經現有乙太網路基礎設施提供靈活、可靠且安全的電源來解決這些問題，且自從2003年由IEEE首次發布以來已取得飛躍性的發展。最新的IEEE 802.3bt批准則使其成為市場上的佼佼者，透過Cat5/Cat6電纜提供10G-BASE-T和60W至90W的功率。 電源功率不斷提升　推進聯網設備規格更新 最初，Type1電源設備或PSE只能提供最高15.4W的功率，Type2增加一倍達到30W。2018年9月發布的Type3和Type4的功率分別達到60W和90W，打開啟用聯網設備世界的大門，這些設備包括無線和蜂巢式基地台、平移傾斜變焦(PZT)和監視器、電視、互動式顯示器和資訊站。單根低壓電纜同時配以專用高速通訊，使布線更少，是物聯網(IoT)和工業物聯網(IIoT)的智慧樓宇維護和安裝的理想選擇。 乙太網路供電是有線通訊和供電系統，使用現有的乙太網路為端點設備供電。在這些系統中，電源設備(PSE)經由八根電線提供電源，這些電線布置成四對雙絞線(Cat5/Cat5e/Cat6/Cat6a)電纜，採用RJ45型連接器連接到受電設備(PD)。PSE向端點提供高達57V的電壓。由於該電壓小於60V，因此符合安全特低電壓指令(SELV)，使電氣安全並且不需要有資質的電工或掩埋電纜，進而簡化了安裝和維護流程。該標準將每個埠的功率限制為90W，成為乙太網路電纜傳輸的最大功率。 該標準最初定於2017年發布，在正式發布之前不斷更新，以確保與以前的版本相容。PoE最新規範的更新IEEE 802.3bt導入Type3和Type4電源設備和受電設備。為了提供更高的電流，新標準允許同時使用兩種功率模式(模式A和模式B)，通常稱為四對或4PPOE，經由四對而不是Type1和Type2供電。添加的三類，即五至八類，具有改進的相互識別過程和自動分類功能。此更新還帶來更低的待機功耗，並支援10G-BASE-T和PoE。 PoE設計確保設備電源要素 設計受電設備時，要考慮許多功能，包括運作模式、PD檢測和分類。為了避免損壞非PoE的設備，PSE必須在提供電源之前檢測是否已連接受電設備。使用有效特徵檢測PD模式，並在受電設備中使用25kΩ電阻去實施。當PSE提供兩個連續的電壓(V1=2.7V和V2=10.1V)用於電阻檢測時，它記錄電流值，確定PD的存在，然後啟動為設備供電。圖1為啟動期間的電阻檢測階段。 圖1　啟動階段的波形 在分類階段，確定受電設備的最大功率要求。連接到PD的PoE控制器的另一個電阻指示功率範圍。表1顯示單特徵PD的不同類別及其最大平均功率。類別與Type不同，它涉及所連接設備的特定功率。在IEEE 802.3af/at(Type1和Type2設備)中，使用單特徵PD。IEEE 802.3bt添加雙特徵PD，其中每種模式或替代方案(A和B)使用單獨的輸入橋式整流器和PD控制器。 圖3　四對PoE功率傳輸 可選的分類擴展是自動分類。在自動分類中，PSE會測量特定時間段內連接的PD的功耗，進而可以確定PD所需的最大功率。自動分類絕不會使用雙特徵PD來實現。表1及列出新類別和類型在受電設備接收到的功率以及每種類型支援的模式。一旦檢測到受電設備並確定類別，就必須保持電源特徵。對於Type1和Type2設備，所需的最小功率特徵為10mA，工作週期為20%。為使埠保持啟動狀態，浪費至少2.31mA的平均電流。50V時能夠達到115mW，在更大的部署中很快地相加。對於Type3和Type4供電設備，工作週期降低到1.875%，這使得每個設備的功率小於10mW，進而使待機功耗降低90%。在網路上存在大量設備的聯網照明應用中，嚴格要求MPS。即使對無線回傳、Wi-Fi接入點和安防攝影機等始終聯網的設備來說，它雖非關鍵但仍是必需。 三種PoE模式實現穩定電壓輸出 功率分配分為三種模式：模式A、模式B(也稱為替代A和替代B)和四對。對於10BASE-T/100BASE-TX，在模式A下，電源與資料對1-2和3-6同時傳送。模式B由備用對4-5和7-8供電。在1000BASE-T應用(四對)中，模式A和模式B的電力也同時由四對傳輸。使用標準乙太網路變壓器的中心抽頭提取共模電壓，然後DC-DC轉換器為系統提供穩定的輸出電壓。圖2為Type1和Type2應用的模式A和模式B供電，圖3則是Type3和Type4中4對模式的接線。 圖2　模式A和模式B PoE功率傳輸 設計使用PoE的設備時，須考慮互連電纜。乙太網路的電纜長度最大為100m，具有直流電阻，同時會降低電壓並因發熱而耗散功率。5類或Cat5電纜是乙太網網路中使用的雙絞線電纜，用於在PoE網路中供電，支援高達100MHz，適用於10/100/1000BASE-T。類別6或Cat6是對Cat5電纜的改進，並支援高達500MHz，適用於10GBASE-T的乙太網路速度。 一根100m的Cat5電纜直流電阻為12.5Ω；其中Cat6的電纜每100m的直流電阻為7Ω。傳輸損耗隨著差分對中電流的增加而增加。在25W PD的典型輸入電壓為50V的情況下，電流為0.5A。這在Cat5中的傳輸損耗總計為2.5W，在Cat6中的傳輸損耗總計為1.75W，這些損耗因發熱而耗散。對於90W的設備，此傳輸損耗在四對之間共用，每對為930mA，PSE至少為52V。在Cat5中為17.30W，而在Cat6中為2×6.05W，表示Cat5對於任何應用都足夠安全。 MOSFET加強封裝　解決高功率耗損　 安裝電纜時應仔細考慮布線，事先斟酌電纜長度和設備電源之間的平衡，以提高效能和降低電纜損壞的風險。受電設備控制器進行轉換，並透過附加的DC-DC轉換器調節PD側的輸入電壓。二極體橋是用於典型PoE設備的一種低成本方案，可以滿足低功率設備所需，但是隨著功率的增加，此方案開始出現問題。在25.5W，最小42.5V的情況下，估計0.6A電流流經二極體橋。每個二極體的正向電壓為0.7V，每個二極體的功率損耗為420mW。在90W的系統之中，現在的電流為3.7A，每個二極體的功率損耗為2.59W。 MOSFET方法比常規二極體橋改善導通損耗和效能。例如安森美半導體(On Semiconductor)的第一代GreenBridge系列整合雙P溝道和雙N溝道MOSFET(FDMQ8203)系列提供緊湊且熱增強的表面貼裝封裝，可以有效解決此問題(圖4)。導通損耗與MOSFET的RDS(ON)值有關。對於25W系統，在N溝道和P溝道MOSFET的RDS(ON)分別為110mΩ和190mΩ的情況下，計算出耗散功率為115mW。這是二極體電橋功耗的四分之一。在90W的示例中，3.7A的導通損耗為354mW，低至二極體方案的13%。節能的幅度看似微小，但是在使用數百個PoE感測器的大樓管理系統中，可以見到顯著的差異(圖5)。 圖4　GreenBridge方案對比二極體橋 圖5　GreenBridge FDMQ8203 Quad MOSFET方案 第二代QuadMOSFET方案(FDMQ8025A)則提供更高的額定功率、高效能的橋式整流器以及必要的門極驅動器，採用與第一代相同的小MPL 4.5×5mm封裝，和更小的RDS(ON)，N通道MOSFET僅35mΩ，P通道MOSFET僅76mΩ。 圖6 NCP1095GEVB/NCP1096GEVB評估板 安森美半導體還提供PoE-PD介面控制器，多種設備都可成為相容802.3af/at和-3bt的受電設備。NCP1095和NCP1096介面控制器含在PoE系統中運作所需的所有功能，如浪湧階段的檢測、分類、自動分類和電流限制。兩個控制器採用內/外部傳輸電晶體，支援高達90W的功率，還能指示何時可以實施簡短的維持電源特徵，而附加的輔助電源檢測支援由PoE或牆式插頭供電。此外，NCP1095GEVB和NCP1096GEVB評估板使設計工程師可以快速評估兩個控制器的運作，然後實施有助於設計過程的物理設計，包括GreenBridge2橋式整流器、RJ45連接器和局域網路(LAN)變壓器。 PoE-PD整合促乙太網路供電具競爭力 IEEE 802.3bt乙太網跨供電標準為更多耗電設備打開市場，功耗的增加帶來新的挑戰，若是採用安森美半導體的PoE-PD方案來解決，該方案整合GreenBridge橋式整流器Quad MOSFET和易於實施的PoE-PD控制器。可有效降低新產品的風險並縮短上市時間，使乙太網路供電成為物聯網領域的重要市場競爭優勢。 (本文作者為安森美行銷經理)