ADI
- Advertisment -
確保自駕車行駛安全 感測技術舉足輕重
和當初的登月計畫一樣，邁向安全自駕車的路上也潛伏著許多障礙。最近多項自駕車事件引發大眾矚目，引發持負面看法的人士聲稱自駕車本身以及所處的週遭環境太過複雜，另外，其同時也還存在著太多的變數，而軟體也仍然存在著非常多的問題。對於曾參與ISO 26262車輛功能安全標準相容測試的人士而言，抱持這樣懷疑的態度是可以理解的，其立論的基礎為五家自駕車公司於2017年在矽谷進行測試，實際行駛里程除以測試過程中出現解除自駕(Disengagements)事件的次數(圖1)。2019年的數據則尚未公布。
圖1 加州五大自駕車製造商總行駛哩程除以解除自動駕駛次數的數據(2017年12月~2018年11月)。在此期間共有28家廠商在加州境內進行公開測試，自駕模式共行駛2,036,296英哩，期間共出現143,720次解除自動駕駛。
然而，自駕目標已勢在必行：完全自主駕駛的車輛即將誕生，而安全則是最優先的要素。加州汽車監理局(DMV)2018年非官方報告顯示，自駕車每英哩解除自動駕駛的次數持續降低，顯示系統的能力逐漸提升。然而這樣的趨勢還必須加快速度。
將分工協作與新思維放在第一位使得許多車廠直接和晶片廠商合作，感測器製造商開始和AI演算法開發者探討感測器融合；軟體開發商也終於和硬體供應商聯手推動軟硬體整合。舊有的合作關係逐漸改變中，而各方也積極持續發展新的合作關係，藉以優化最終設計成品的效能、功能、可靠度、成本以及安全性。
整個產業體系正尋找正確的模式，藉以建構與測試完全自駕車，進而支援包括無人駕駛計程車以及長途貨車等新興應用。在這樣的發展過程中，隨著感測器不斷改良，帶動先進駕駛輔助系統(ADAS)的進步，也促成了業界迅速推進至更高層級的自動駕駛。
這些感測器技術包括攝影機、光學偵測與測距(光達)、無線電波偵測與測距(雷達)、微機電系統(MEMS)、慣性量測單元(IMU)、超音波以及全球衛星定位系統，它們為AI系統提供了關鍵的輸入訊息，協助驅動著真正具感知能力的自駕車(圖2)。
圖2 各種不同的感測模組用來感知環境以及為ADAS提供車輛導航功能。它們通常獨立運作，為駕駛員提供警訊，協助作出應對的操駕動作
感知能力讓自駕車安全有保障
車輛的智慧程度通常以自駕車的自主能力等級(Levels Of Autonomy)來表達。其中第一級(L1)與第二級(L2)大致上屬於警示系統，到了第三級(L3)以上就具備避免意外的能力。到了第五級，自駕車就沒有配備方向盤，完全自主行駛。
在最初幾個系統世代，車輛開始配備L2功能，感測器系統已能獨立運作。這些警示系統的誤警率(False Alarm Rate)偏高，由於太煩人以致常被關掉。為打造具備完全感知能力的自駕車，車上配備感測器的數量顯著增加。此外，效能以及反應時間也大幅改善(圖3、圖4)
圖3 具完全感知能力的自駕車能感知當前與過去的歷史狀態、週遭環境的性質，以及車輛本身的狀態(位置、速度、軌跡以及機械狀況)這些都是自駕車維持安全不可或缺的要素。
圖4 自動駕駛等級以及感測器有不同的要求。
隨著車上裝載越來越多感測器，它們能進行更良好的監視，以及察覺當前的機械狀況，像是胎壓、重量變化(例如感知有一位或六位乘客上車或下車)，以及其他磨耗因素影響到煞車與操駕功能。隨著加入更多外部感測模組，車輛融入更完整的感知能力，能掌握車輛本身健康狀況以及週遭環境。
感測器模組的諸多進步讓車輛不僅能辨識環境的當前狀態，還能察知歷史紀錄。這方面要歸功於ENSCO公司航太科學與工程部門首席技術師Joseph Motola博士的研發成果。這項感測能力從感知如坑洞位置等這類簡單的路況，一直涵蓋到感知事故種類，以及在某些地區過去發生紀錄等複雜功能。
這些感知觀念在發展之際，包括感測等級(Level of Sensing)、處理、記憶體容量，以及連網等障礙使它們看似難以實現，但如今局勢已大為改觀。如今不僅系統能存取歷史資料，還能參照車輛各感測器擷取的即時資料，讓預防性以及事故規避動作的準確度能持續提高。
舉例來說，IMU能偵測忽然的顛簸或偏向，這些狀況都反映道路存在坑洞或障礙物。在以往即使收到這樣的資訊也沒有用，但如今即時連結讓這類資料能立即傳送到中央資料庫，用以警告其他車輛及早避開坑洞或障礙物。另外包括攝影機、雷達、光達，以及其他感測器的資料，也能進行相同的處置。
這類資料經過編譯、分析、融合後，讓車輛能針對所處環境做前瞻性的認知。如此一來，車輛就扮演學習機器的角色，進而做出比人類更好、更安全的決定。
感測融合發揮互補作用
車載尖端感知技術方面已累積長足的進展，業界的重點聚焦於從各種感測器收集資料，然後運用感測器融合策略盡可能發揮最大的互補作用，弭平在各種狀況下各自的弱點(圖5)。
圖5 每種感測模組都有其長處與弱點，但運用適當的感測器融合策略，即可融合各家長處並補強各自的弱點。
然而，若其要發展成真正能解決業界面臨問題的可行方案，則還有很長的一段路要走。舉例來說，攝影機能計算到橫向速度(亦即物體沿著和車輛行進路線垂直方向前進的速度)。另外，即使是最好的機器學習演算法，也需要約300毫秒的時間才能偵測橫向移動，並將誤報率維持在夠低的水準。若有一個行人在車輛前方以時速60英哩的速度前進，數毫秒的時間可能就是皮肉傷或致命重傷的差別，因此，反應時間至關重要。
300毫秒延遲是因為需要對連續視訊畫格進行Delta向量運算，而要做到可靠的偵測程序，至少需要10格以上的連續畫格，因此必須處理完一或兩個連續畫格，車輛才有時間去做反應，雷達目前已能做到這點。
同樣的，雷達在速度與物體偵測方面存在許多優勢，像是方位角(Azimuth)以及高度，還有能繞著看物體，但仍然需要提供更多時間讓車輛做出反應。面對時速400公里以上的目標，新發展的方案必須至少達到77GHz~79GHz的運行頻率。如此高的速度似乎太過，但卻是支援複雜分向車道公路的必備條件，在這類道路上車輛會以超過時速200公里的相對速度朝反方向行駛。
光達是介於攝影機與雷達兩者之間的感測器，這樣的屬性使它能運用在完全感知自駕車上並扮演關鍵元件(圖6)，但眼前，光達也仍有許多挑戰有待克服。
圖6 完全感知車輛運用先進雷達、光達以及攝影機，搭配慣性量測單元以及超音波技術，造就了360度的觀測能力。
光達持續演化成為小巧廉價的固態元件，能裝設在車身四周，支援360度全面向覆蓋；再輔以雷達這個攝影機系統，加入更高的角解析度(Angular Resolution)以及感知物體距離的深度判斷(Depth Perception)，因此也就能提供更精準的環境3D地圖。
然而，採用近紅外線(IR) (波長850~940奈米)作為光源有可能對視網膜造成傷害，因此光束輸出能量嚴格限制在905奈米波長下每脈衝上限為200奈焦(nJ)。然而若改用1,500奈米波長的短波IR，光線會被整個眼睛表面吸收，主管當局可採較寬鬆的規範，每脈衝上限設為8毫焦(mJ)。由於是905奈米光達能階的4萬倍，使得1,500奈米脈衝光達系統能提供4倍的傳輸距離。此外，1,500奈米系統對於像是陰霾、灰塵，以及懸浮微粒等環境狀況具有更高的耐受力。
1,500奈米波長光達面臨的挑戰是系統成本，主要來自光檢測器(Photodetector)技術(現今採用銦鎵砷材質元件)。發展高品質解決方案，高靈敏度、低暗電流，以及低電容。是打造1500奈米波長光達的關鍵要素。此外，隨著光達系統發展至第二與第三代，必須進行各種應用優化電路整合，才能壓低尺寸、功耗，以及整體系統成本。
除了超音波、攝影機、雷達，以及光達之外，還有其他感測模組也扮演關鍵角色，促成業界發展完全感知自主運輸載具。GPS讓車輛能在任何時刻掌握自己所在位置。不過，有一些地方無法收到GPS訊號，像是隧道以及高層建築物之間。在這些情境中，慣性量測單元就扮演了關鍵的角色。
經常被忽視的慣性量測單元，其所依賴的是不受環境條件影響維持恆定的重力，因此在推測導航(Dead Reckoning)方面相當有用。在暫時收不到GPS訊號時，推測導航採用包括車速計與慣性量測單元的資料來偵測行進的距離和方向，然後將推算出的資料疊到高解析地圖上。如此，即可讓感知力自駕車保持在正確的行進路線上，直到恢復正常GPS收訊為止。
高品質資料節省時間/提升安全
和這些感測模組一樣重要的是，若感測器本身並不可靠，而輸出的訊號並不是精準地擷取，並以高精準感測器資料的狀態饋送到上游端，那麼這些關鍵感測器的輸入資料就不可靠，輸入垃圾，輸出的也只會是垃圾。
要因應上述課題，即使最先進的類比訊號鏈也必須持續改進才能進行偵測、擷取、數位化，轉換成感測器訊號的輸出內容，因此其精準度與精密度不能隨著時間與溫度出現漂移。憑藉正確的元件以及設計的最佳策略，包括隨著溫度、相位雜訊、干擾以及其他造成不穩定現象產生的偏差漂移，其產生的難題都能大幅消弭。總而言之，高精準度/高品質資料至關重要，其攸關著機器學習以及AI處理器是否能正確訓練，以及做出正確的運行決策。然而這些程序必須在短短幾秒的時間內迅速完成。
在資料品質得到確保後，即可著手優化各種感測器融合方法以及AI演算法，以獲得正確的結果。不論AI演算法訓練到多好的程度，一旦模型完成編譯並部署到網路邊界的裝置之後，這些演算法就完全得依賴可靠、高精準的感測器資料才足以發揮效率。感測器模組、感測器融合、訊號處理以及人工智慧之間的互動，已對智慧/感知/自駕車的發展產生深遠的影響，並提高我們對於確保駕駛、乘客、以及行人安全的信心。然而倘若欠缺可靠、精準、高精密度的感測器資訊，上述目標就難以實現，而這些要素也都是安全自駕車的基礎。
和所有先進科技一樣，投入越多，就會發掘更複雜的使用情境以及衍生的問題，其複雜性將持續讓現有技術顯得力不從心，因此，必須期盼新一代感測器以及感測器融合演算法能克服這些難題。
和最初的登月計畫一樣，自駕車的整個計畫將對社會產生著長遠的顛覆性影響。從駕駛輔助到取代駕駛，不僅大幅改善了運輸的安全，生產力也會出現巨大的躍進。而這樣的未來，則有賴於感測器奠立的基礎，在此基礎之上各界才能發展所有其他元件。
(本文作者為ADI自主傳輸及安全副總裁)
ADI收購Test Motors 擴展工業4.0狀態監測產品
ADI宣布收購Test Motors，其為一家專門從事電機和發電機預測性維護之公司，總部位於西班牙巴賽隆納。該公司所提供的產品和服務可提前檢測出電機故障以避免影響生產進程，並會根據如何、及何時進行維護提供建議。此次收購擴展了ADI狀態監測解決方案組合，協助於停機和災難性故障發生前識別設備故障。
此次收購是ADI繼2018年成功收購OtoSense後於工業領域的又一舉措。OtoSense為一新創企業，所開發之學習和識別聲音或振動的「感測解譯」軟體能在問題惡化前確定工廠機器或汽車引擎中的潛在問題。OtoSense的人工智慧(AI)平台專用於感測解譯，並支援對任何資產的監控而不受位置限制。ADI計畫將OtoSense的軟體與Test Motors的監控功能相結合以創建解決方案，透過掌握更廣泛的潛在故障為機器提供更先進、全面的健康狀態監測。
ADI自動化和能源事業部副總裁Kevin Carlin表示，機器維護在很大程度上依賴於經驗豐富的技術人員和工程師，他們能夠檢測和診斷可能導致意外停機的問題。但是，隨著需要維護的機器數量快速成長，受過訓練的專業人員開始供不應求。透過收購Test Motors和OtoSense，ADI的狀態監測方案能為客戶提供具備完整早期異常檢測功能的系統，進而解決此專業資源短缺的難題，避免意外且代價高昂的機器停機。
Test Motors前執行長Emili Valero指出，我們很高興能成為ADI公司的一員，並與ADI的工業技術專家團隊共事。技術和專業知識的結合將協助我們開發新一代狀態監測解決方案，這些解決方案將大幅延長電動和非電動旋轉類機器的設備壽命，並大量節省成本，造福企業和消費者。
ADI整合ADC軟體可配置類比前端
ADI針對工業製程控制系統推出整合24位元ADC的AD4110-1類比前端。AD4110-1為一款整合ADC的通用型輸入AFE，讓客戶能夠設計針對多種功能進行配置的「平台化」輸入模組，藉以大幅節省研發成本、縮短上市時間，且僅需更少的設計資源。
AD4110-1可透過軟體根據電流或電壓訊號對高壓輸入進行全面配置，以直接與所有標準工業類比訊號源連接。單一參考設計可取代其他多個參考設計，進而減小模組尺寸、降低總持有成本。在建置工業4.0期間，透過軟體配置的I/O為其中的關鍵因素。
AD4110-1採用40接腳LFCSP封裝。主要特性包括：採用整合式全差分可編程增益放大器(PGA)，提供從0.2到24的16級增益設定；提供內部前端診斷功能，用於指示過壓、欠壓、開路、過電流和過溫情況；高壓輸入具有熱保護、過電流限制和過壓保護功能。
ADI MeasureWare使用戶更準確解讀周圍世界
ADI宣布推出隨插即用的硬體測量套件和軟體工具MeasureWare，滿足各產業不斷成長的精準量測需求，包括精密農業、設備健康監測、電化學和其他需要精準量測的領域。使用者具備即時資料洞察需求，但可能缺乏時間或相關的專業知識而無法透徹理解相應的資料手冊或進行複雜的韌體開發，MeasureWare則為使用者提供了ADI的豐富電子工程經驗。
ADI的MeasureWare解決方案透過連結裝置與周圍的世界，讓用戶更有效地量測各自專案所必需的資料集，例如溫度、重量、濕度、pH值、壓力等。MeasureWare並為用戶提供可隨專案發展來調整和改變量測參數的彈性。相關解決方案目前已運用於蜜蜂健康監測、工業監測、飲料生產和藥物冷鏈等各種應用。
ADI MeasureWare主管表示，越來越多客戶希望在不需精通元件和硬體規格的情況下採用ADI的技術，而MeasureWare便旨在為客戶群提供精準量測解決方案。借助MeasureWare和相關的合作夥伴網路，我們提供了從創意到生產的各種解決方案，在整個量測過程提供用戶完整支援。
簡單易用的MeasureWare Software Studio包括MeasureWare Designer，可根據客戶具體的應用需求為其提供硬體方面的建議；MeasureWare Lab，收到硬體後，客戶可運用量測單元快速傳遞和查看監測結果；MeasureWare Developer，適用於更高級的用戶；主機微控制器的支援偏好和用於應用編碼的整合式開發環境。最初提供一個ARM Mbed示例專案和API，未來並將支援其他IDE。MeasureWare網路生態系統為一交流中心，客戶可在此學習和分享經驗並獲得支援，最終將其原型運用至生產中。
ADI隔離技術最大化電源效率/最小化輻射
Analog Devices(ADI)發表一款簡單的電源解決方案，可協助客戶向更高密度自動化遷移時最大化運動系統效率、並最小化電磁(EM)輻射。ADuM4122為一款採用iCoupler技術的隔離式雙驅動強度輸出驅動器，將使設計人員能充分發揮功效更高之電源開關技術優勢。
根據國際能源署資料顯示，電機驅動系統消耗的電量占全球耗電量40%，電機效率的提高，將帶來廣泛的經濟和環境效益。隨著智慧工廠中工業自動化和物聯網採用率不斷提高，系統需要採用更多的智慧技術和功能來確保最高效率。ADuM4122是首款實現此點的簡單解決方案，其可透過在運行中控制MOSFET或IGBT按照用戶指令開啟或關閉的速度來控制電機電流。
ADI介面與隔離技術部總監Mack Lund表示，對於安全、互聯的企業而言，彈性和效率為其兩大關鍵。之前，典型的解決方案均選用閘級驅動器強度來確保在所有操作點符合EM系統規定，這意味著系統通常都過度設計，但利用不足。現在，使用者可以動態地實現從較慢到較快開關的過渡，以在不犧牲效率的情況下優化EM輻射。簡言之，當客戶嘗試降低輻射和功耗時將不需要再犧牲性能。
新型ADuM4122為一款簡單的雙驅動強度輸出驅動器，可高效地在數位訊號控制的兩個斜率之間切換。相較現在具有20個或更多針腳的分立式解決方案、或複雜的整合式解決方案，其僅有8個針腳，體積更小，而可在多種工作條件下使用。
ADI以員工福利/企業文化/業務成長屢獲殊榮
Analog Devices(ADI)近期憑藉業界領先的員工福利及使員工感到極滿意和驕傲的企業文化獲得《富比世雜誌》(Forbes) 和《矽谷商業雜誌》(Silicon Valley Business Journal) 兩項殊榮。作為一家全球員工超過1.5萬名的半導體供應商，ADI致力於解決世界上最艱鉅的技術挑戰，範圍涵蓋電力、自動駕駛、5G無線通訊、工業4.0到數位醫療等。ADI於2018會計年度實現了62億美元的年營收，近期並躋身2019年《財星500大》(Fortune 500)企業，相較2018年《財星1000大》(Fortune 1,000) 排名上升了45名。
《富比世雜誌》將ADI列入2019年美國最佳雇主榜單，排名第49。該榜單針對5萬名任職於員工數超過1,000位的公司員工進行匿名問卷調查。受訪者按照向他人以及在自身所在行業外推薦自己雇主的可能性進行評分。去年，ADI在《富比世雜誌》全球最佳雇主排行榜上排名第284名。
在《矽谷商業雜誌》舉辦的灣區最佳工作場所評選中，ADI名列前15大雇主之列。此年度排名凸顯了員工對公司領導力、協作文化、個人參與度以及個人福利和津貼十分滿意並表示高度肯定的優秀企業。
ADI人資長Marnie Seif表示，ADI的目標是讓ADI成為想實現長期職業生涯發展、對現實世界產生持久影響的人才之首選雇主。能夠再次獲得最佳雇主殊榮使ADI感到非常榮幸，特別值得一提的是，這項殊榮源自員工在ADI的親身工作和生活體驗。
AI結合聲學檢測 裝置異常狀態明察秋毫
我們可以學著瞭解設備發出的正常聲音為何，如此當聲音出現變化時，才可以確認其已經出現了異常；之後再瞭解是什麼問題，而透過這樣的方式將聲音和特定的問題聯繫在一起。識別異常可能需要進行幾分鐘的訓練，但將聲音、振動和原因結合起來實施診斷可能需要一輩子的時間。經驗豐富的技工人員和工程師可能具備這種知識，但這類人屬於稀有資源，單單透過聲音本身識別問題可能相當困難，即使使用錄音、描述性框架或接受專家親自培訓也是如此。
因此，半導體業者在過去20年裡，一直致力於理解人類是如何解讀聲音和振動的，期能建立一個系統，能夠學習來自設備的聲音和振動，並解譯它們的含義，以檢測異常行為、進行診斷。本文將以ADI的OtoSense體系結構為例進行說明，OtoSense是一種設備健康監測系統，支援我們所說的電腦聽覺，讓電腦能夠理解設備行為的主要指標：聲音和振動。
該系統適用於任何機器設備，可以即時工作，無需網路連接。目前已被應用於工業應用，可支援實現一個可擴展的高效設備健康監測系統。為了保證耐用、不可知且高效，OtoSense設計理念秉持幾個指導原則：
．從人類神經學中獲得靈感，人類可以透過一種非常節能的方式學習和理解他們所聽到的任何聲音。
．能夠學習靜態聲音和瞬態聲音，這需要不斷調整功能和持續實施監測。
．在靠近感測器的終端進行識別，應該毋須透過網路連接遠端伺服器來做出決策。
．與專家互動，向他們學習，前提是盡可能避免干擾他們的日常工作，且過程要盡可能愉悅。
本文探討了引導開發OtoSense的原則，以及在設計OtoSense期間，人類聽覺所發揮的作用。之後，將進而討論聲音或振動特性的是如何被設計出來的、如何從這些特性瞭解其代表的意義，以及在持續學習中如何不斷改變和改進OtoSense，用於執行愈加複雜的診斷，且結果更為精準。
人類聽覺系統對照OtoSense解析
聽覺是一種關乎生存的感覺。它是對遙遠、看不見的事件所產生的整體感覺，在出生前就已成熟。人類感知聲音的過程可以藉由四個熟悉的步驟來描述：聲音的類比擷取、數位轉換、特徵提取和解讀。在本文每個步驟中，都會將人耳與OtoSense系統來進行比較。
首先是類比擷取和數位化。中耳中的膜和槓桿捕捉聲音，然後調整阻抗，將振動傳輸到充液腔道中。在那裡，另一層膜會根據訊號中存在的光譜成分選擇性地移位；而這反過來彎曲了彈性單元，這些單元發出數位訊號，反映出彎曲程度和強度。然後，這些單獨的訊號會透過按頻率排列的平行神經傳遞到初級聽覺皮層。
在OtoSense中，這項工作由感測器、放大器以及轉碼器來完成。數位化過程使用固定的採樣速率，可在250Hz和196kHz之間調節，波形以16位元編碼，然後儲存到大小為128到4096之間的緩衝區。
特性提取則發生在初級皮層。頻率域特性，如主頻率、諧波和頻譜形狀，以及時間域特性，如脈衝、強度變化和在大約3秒時間窗內的主要頻率成分。OtoSense則使用一個時間窗，我們稱之為「塊(Chunk)」，它以固定的步長移動。這個塊的大小和步長範圍為23毫秒到3秒，具體由需要識別的事件和在終端提取特性的取樣速率決定。在下一節中，會根據OtoSense提取的特性進行更詳細地解釋。
而解析發生在聯絡皮層，它融合了所有的感知和記憶，並賦予聲音以含義(比如透過語言)，在塑造感知期間扮演核心作用。解析過程會組織我們對事件的描述，遠遠不止是對它們進行命名這麼簡單。為一個項目、一個聲音或一個事件命名可以讓我們賦予它更大、更多層的含義。對於專家來說，名字和含義能讓他們更能理解周圍的環境。
這也是為何OtoSense與人的互動始於基於人類神經學的視覺、無監督的聲音映射。OtoSense利用圖形表示所有聽到的聲音或振動，它們按相似性排列，但不嘗試創建固定分類；這讓專家們能夠組織螢幕上顯示的各組，並為它們命名，而毋須嘗試人為創建有界線的類別。他們可以根據自身的知識、感知和對OtoSense最終輸出的期望構建語義地圖。對於同樣的音景，汽車機械師、航空工程師，或者冷鍛壓力機專家，甚至是研究相同領域，但來自不同公司的人員，都可以按不同的方式進行劃分、組織和標記。OtoSense則與塑造語言意義一樣，使用相同的自下而上的方法來給定意義。
聲音/振動/特性選擇原則
經過一段時間(如之前所示，時間窗或塊)，我們會給某個特徵分配一個單獨的編號，用於描述該時間內聲音或振動的給定屬性/品質。OtoSense平台選擇特性的原則如下：
1.對於頻率域和時域，特徵都應該盡可能完整地描述環境，提供盡可能多的細節。它們必須描述靜止的嗡嗡聲，以及咯噠聲(Clicks)、嘩啦聲(Rattles)、吱吱聲(Squeaks)和任何瞬間變化的聲音。
2.特徵應盡可能按正交方式構成一個集合。如果一個特徵被定義為「塊上的平均振幅」，那麼就不應該有另一個特徵與之高度相關，例如「塊上的總光譜能量」。當然，正交性可能永遠無法實現，但不應將任何一種表述為其他特徵的組合，每種特徵都必須包含單一資訊。
3.特性應該最小化計算量。我們的大腦只知道加法、比較和重置為0。大多數OtoSense特性都被設計成增量，如此每個新示例都可以透過簡單的操作來修改特性，而不需要在完整的緩衝區，或者，更糟糕的，在塊上重新進行計算。最小化計算量還意味著可以忽略標準物理單元。例如，嘗試用值(以dBA為單位)表示強度是沒有意義的。如果需要輸出dBA值，則可以在輸出時完成(如果有必要時)。
在OtoSense平台的2~1,024個特性中，有一部分描述了時域。它們可以是直接從波形中提取，或者是從塊上任何其他特性的演化中提取。在這些特性中，有些包括平均振幅和最大振幅、由波形線性長度得到的複雜度、振幅變化、脈衝的存在與否和其特性、第一個和最後一個緩衝區之間相似性的穩定性、卷積的超小型自相關或主要頻譜峰值的變化。
在頻域上使用的特性提取自FFT。FFT在每個緩衝區上計算，產生從128~2,048個單獨頻率的輸出。然後，該過程創建一個具有所需維數的向量，該向量比FFT小得多，但仍能細緻地描述環境。
OtoSense最初使用一種不可知的方法在對數頻譜上創建大小相同的資料桶。然後，根據環境和要識別的事件，這些資料桶將重點放在資訊密度高的頻譜區域，要麼是從能夠熵最大化的無監督視角，要麼是從使用標記事件作為指導的半監督視角來判斷。這類比了我們的內耳細胞結構，在語言資訊密度最大的地方，語音細節更密集。
支援終端/本地資料OtoSense實現即時檢測
OtoSense在終端位置實施異常檢測和事件識別，其毋須使用任何遠端設備。這種結構確保系統不會受到網路故障的影響，且毋須將所有原始資料塊發送出去以進行分析。運行OtoSense的終端設備是一種自包含(Self-contained)系統，可以即時描述所監聽設備的行為(圖1)。
圖1 OtoSense系統。
運行AI和HMI的OtoSense伺服器一般託管在本地。雲端架構可以將多個有意義的資料流程聚合成為OtoSense設備的輸出。對於一個專門處理大量資料並在一個網站上與數百台設備交互的AI來說，使用雲端託管的意義不大。
運用兩種策略進行異常檢測
正常/異常評估毋須與專家進行太多交互。專家只需要幫忙確定表示設備聲音和振動正常的基線。然後，在推送給設備之前，先將這個基線在Otosense伺服器上轉換為異常模型。然後，我們使用兩種不同的策略來評估傳入的聲音或振動是否正常。
第一種策略是我們所說的「常態性」，即檢查任何進入特性空間的新聲音的周圍環境、它與基線點和集群的距離，以及這些集群的大小。距離越大、集群越小，新的聲音就越不尋常，異常值也就越高。當這個異常值高於專家定義的門檻時，相應的塊將被標記為不尋常，並發送到伺服器供專家查看。第二種策略非常簡單，任何特性值高於或低於特性定義的基線的最大值或最小值的傳入塊都被標記為「極端」，並發送到伺服器。
異常和極端策略的組合良好地涵蓋了異常的聲音或振動，這些策略在檢測日漸磨損和殘酷的意外事件方面也表現出色。
從特徵到事件識別 OtoSense要與人類密切互動
特徵屬於物理領域，而含義屬於人類認知；如果要將特徵與含義聯繫起來，則是需要OtoSense AI和人類專家之間展開互動。
我們花了大量時間研究客戶的回饋，開發出人機介面(HMI)，讓工程師能夠高效地與OtoSense互動，設計出事件識別模型。這個HMI允許探索資料、標記資料、創建異常模型和聲音識別模型，並測試這些模型。
OtoSense Sound Platter(也稱為Splatter)允許透過完整概述資料集來探索和標記聲音。Splatter在完整的資料集中選擇最有趣和最具代表性的聲音，並將它們顯示為一個混合了標記和未標記聲音的2D相似性地圖(圖2)。
圖2 OtoSense Sound Platter中的2D splatter聲音地圖。
任何聲音或振動，包括其環境，都可以透過許多不同的方式進行視覺化，例如，可以使用Sound Widget(也稱之為Swidget)(圖3)。
圖3 OtoSense sound widget(Swidget)。
在任何時候，都可以創建異常模型或事件識別模型(圖4)。事件識別模型是一個圓形的混淆矩陣，它允許OtoSense用戶探索混淆事件。
圖4 可以基於所需的事件創建事件識別模型。
另一方面，異常可以透過一個顯示所有異常和極端聲音的介面，進行考察以及標記(圖5)。
圖5 在OtoSense異常視覺化介面中，聲音分析隨時間的變化。
OtoSense的設計初衷是向多位專家學習，並且隨著時間推移，進行越來越複雜的診斷。常見過程是OtoSense和專家之間的迴圈：
1.異常模型和事件識別模型都是在終端運行。這些模型為潛在事件發生的概率以及它們的異常值創建輸出。
2.超出定義門檻的異常聲音或振動會觸發異常通知。使用OtoSense的技術人員和工程師可以檢查該聲音和其前後聲音資訊。
3.然後，這些專家會對這個異常事件進行標記。
4.對包含這些新資訊的新識別模型和異常模型進行計算，並推送給終端設備。
簡而言之，OtoSense技術旨在使聲音和振動專業知識在任何設備上都持續可用，且毋須連接網路來執行異常檢測和事件識別。在航空航太、汽車和工業監測應用中，相關技術已經被越來越廣泛地用於設備健康監測，而這表示，在曾經需要專業知識，以及涉及嵌入式應用的場景中，尤其是對於複雜設備而言，該技術都表現出了完善的性能。
(本文作者為ADI OtoSense內部產品開發主管)
工業電源設計更安全 隔離式控制器不可少
工業電源設計不斷追求高效率的同時，安全問題同樣不容小覷。工業物聯網時代來臨，工廠講求智慧化，但在降低成本與提升效能的同時，更不能忽略了最重要的工廠環境安全。在工業電源設計中使用隔離式控制器，簡化傳統馳返式(Flyback)架構，同時達到安全隔離的效果。
茂宣企業(亞德諾ADI)應用工程經理陳俞阡表示，工業系統做隔離不外乎幾個原因，其中一個就是安全，系統有時會瞬間產生高壓，為了防止人員碰觸而形成迴路引發安全危險；第二則是有時會有電壓主位轉移(Shift)的發生，因此有些人會使用一些隔離的電源來做電壓/電平轉換器(Level Shift, LS)，舉例來說，使用兩個乾電池，可以兩個並聯也可以兩個串連，也就是可以自由配置以得到高壓或負壓；另外，電流的路徑永遠都是有去有回的，從哪裡出發就回到哪裡，所以透過隔離的做法可以確保電流依照設計者希望的方法流動，設計可以因此更乾淨簡潔；最後一個理由則是透過隔離來避免電流的浪湧(Surge)與雷擊的狀況發生。
在工業系統的隔離有許多不同的電源設計，在工業用PLC系統等有電源設計需求的應用中，常見的拓撲以Flyback架構為主，因為Flyback的架構簡單而且成熟。其組成通常在一次側有一顆晶片，以及最重要的執行元件變壓器，要做隔離就少不了變壓器。傳統的Flyback架構設計會遇到幾個問題，就是線路太複雜、零件太多、備料太麻煩等。
為解決上述問題，ADI把所有元件全部整合到單一晶片，做一次側電流0電流的檢測，一次側電流到達到0的時候，才針對晶片內部MOSFET的切換，來達到最終混壓的效果。其好處是在PLC的系統裡面一次側和二次側的電流設定可以變得非常簡單，而不會出現太過複雜的線路，例用低廉的成本達到一樣的效果。
茂宣企業(亞德諾ADI)應用工程經理陳俞阡表示，工業電源設計要安全，做好隔離很重要。
ADI與First Sensor合作開發LIDAR產品
ADI宣佈與First Sensor AG合作開發可加速推出自主感測技術之產品，以用於交通、智慧農業、工業製造及其他產業應用之無人駕駛汽車、飛行器和水下交通工具。作為合作的一部分，ADI和First Sensor將開發更小尺寸的LIDAR訊號鏈，以使製造商為其自主安全系統注入感測和感知技術時能實現更高的系統性能，以及更小尺寸、更低重量、功耗和成本。兩家公司並計畫開發針對汽車和工業製造應用的其他LIDAR產品。
ADI公司負責LIDAR之總經理 Stewart Sellars表示，ADI合作的第一步是優化ADI領導業界的跨阻放大器(TIA)和First Sensor的雪崩光電二極體(APD)，以提供客戶更強大、更高效的LIDAR解決方案，為LIDAR系統在自動駕駛市場的大規模商用提供更好的支援。
在超過25年的時間裡，ADI持續開發用於交通安全的感測器技術。最新進展包括專為將寬動態範圍光電流轉換為低阻抗電壓訊號而設計的多通道TIA。First Sensor 於LIDAR APD之製造也擁有超過25年的經驗，APD是將光轉換為光電流的高度敏感的探測器陣列。優化APD和TIA之間的互連至關重要，因為它對雜訊基準和所能實現的頻寬具有非常關鍵的影響。對這兩個參數的改善將直接轉換為LIDAR系統的更高性能，使該系統可在更遠的距離以更高的精度檢測到物件。
First Sensor執行長Dirk Rothweiler博士表示，隨著客戶期望重新專注於實現既經濟又具技術相容性的解決方案，LIDAR系統的市場正逐步成熟，使APD和TIA相互適配是此演變過程中具關鍵意義的下一步。透過擴大與ADI的合作，我們的客戶將受益於更高的LIDAR接收器性能。
LIDAR是First Sensor的成長動力。該公司透過前向整合以及其與公司盈利成長策略一致的加速成本藍圖，正為量產需求進行準備。First Sensor和ADI將各自提供一個通用評估板，系統製造商可使用該評估板測試整合解決方案。
此次與First Sensor的合作，標示ADI在建置其Drive360™自動駕駛解決方案之策略上再邁向下一階段。ADI的Drive360技術產品系列運用ADI在高性能MEMS、RF/毫米波和光電學/光學技術方面的核心競爭力，使ADI能夠為汽車產業提供整體解決方案，並成為滿足高度自動化和自主駕駛技術要求的專業合作夥伴。
ADI推出混合訊號前端RF資料轉換器平台
ADI推出混合訊號前端(MxFE)RF資料轉換器平台，該平台結合高性能類比和數位訊號處理功能，適用於4G LTE和5G毫米波(mmWave)無線電等一系列無線設備。ADI新型AD9081/2 MxFE平台允許製造商在與單頻段無線電相同的占板面積上安裝多頻段無線電，使目前4G LTE基地台的通話容量提高3倍。憑藉1.2GHz通道頻寬，新型MxFE平台並支援無線營運業者為其行動通訊基地台增加更多天線，以滿足新興mmWave 5G的更高無線電密度和資料速率要求。
透過將更多頻率轉換和濾波處理從類比域轉換到數位域，AD9081/2為設計人員提供了軟體配置能力來客製化無線電。新型多通道MxFE平台可滿足5G測試和量測設備、寬頻有線視頻流、多天線相位陣列雷達系統、低地球軌道衛星網路中其他寬頻應用的需求。
ADI 高速混合訊號部總經理Kimo Tam表示，基於所必須支援的天線數量，行動通訊基地台正趨近飽和，而客戶需要更輕的多頻段無線電以適應目前的無線電外形尺寸。他們並要求具有可配置性和可擴展性的軟體定義RF平台，使單一平台可以在多種地形和場景使用。
AD9081和AD9082 MxFE元件分別整合了8個和6個RF資料轉換器，採用28nm CMOS製程。兩款MxFE產品均實現業界最寬的暫態訊號頻寬(高達2.4GHz)，並透過減少頻率轉換級的數量和放寬濾波器要求簡化硬體設計。相較於其他元件，這些更高整合度的元件藉由減少晶片數解決無線設備設計人員面臨的空間限制問題，使得印刷電路板(PCB)面積縮小60%。
MxFE平台能處理更多的RF頻段，並在晶片內嵌入了DSP功能，讓使用者能夠配置可編程濾波器和數位上、下變頻模組，以滿足特定無線電訊號頻寬要求。相較於在FPGA上執行RF變頻和濾波的架構，其可節省10倍的功耗，同時釋放寶貴的處理器資源，或者讓設計人員能使用更具成本效益的FPGA。