AI技术如何融入测量分析进行偶发异常定位

物联网和智能终端设备大力的发展带动了智能驾驶、无人驾驶、无人机、智能机器人和远程医疗等一系列的应用。 高性能芯片就是这些应用的大脑， 其稳定性和可靠性直接关系到应用落地的成败。在产品设计和研制阶段，快速定位出芯片和处理器硬件或软件引起的偶发性异常，是设计人员经常需要面临的重大挑战。

如何应对超低噪声电流在高速采样、高动态和长时间中的测量一直是个难题。MCU、FPGA等器件中极其偶发性的异常电流信号对其器件有致命的风险，解决这种偶发性异常可以及时弥补在噪声、存储深度、波形查找等方面存在的诸多不足，提升器件的可靠性和竞争力。

物联网产品电流特征和传统测试仪表面临的挑战

为什么要将首要目标放在电流特征分析上？物联网、人工智能，智能驾驶，智慧医疗这类应用的终端设备都面临着长续航、低功耗的需求。如何对器件的功耗进行测试并优化是一个不小的挑战。这类应用，尤其是智能穿戴应用，终端设备的电流已经非常非常小了，甚至已经到微安级别，如何精准地测量出小电流挑战颇高。而且在车联网，ADAS应用的MCU、ECU中也需要测量电流波形并进行分析，逐步优化器件的可靠性。

（KEYSIGHT）

在这种工作循环中我们可以将其电流波形展开，其流程大概是从深度休眠的微安级别的电流，到唤醒后的几十毫安甚至几百毫安的电流，在收发完成后再进入到休眠模式。想要优化整体功耗，需要精确测量每一种工作状态下的电流特征，了解正常的工作状态以及潜在的问题。不难看出，电流的动态范围很大，而且电流信号频率高，脉冲极短，这就是挑战所在。

传统的示波器加差分电压探头加取样电阻已经能够实现不错的测量了，但是还是没法精确测量出清晰可见的周期性针刺信号，这主要是受限于示波器噪声和AD位数。而数字万用表（高速采样）从分辨率上来看不会有什么问题，但是其采样率通常是在ms级别的，对尖刺信号（斩脉冲）就无法测量了，对瞬态的变化以及瞬态的异常不敏感。

AI波形分析如何快速定位偶发信号

上面说到的是挑战是难以获得精确的电压和电流波形，另一个挑战来自周期太短难以抓取可以捕获到偶发事件的足够长的波形，第三个挑战在于如何从巨量的波形（数百万个波形）中快速识别出偶发异常信号。第一种挑战减低底噪提高分辨率就可以解决；第二个挑战需要完成长时间连续的波形捕获，这需要解决传统测量仪表受存储深度和测量死区的限制；第三个挑战则需要运用到AI波形识别技术了，从TB级的波形文件中完成快速识别。

想实现最后这个挑战里的智能波形识别，必须先解决前两项挑战。前两个挑战主要是对测量仪表的关键性能参数提出了要求，首先要尽可能降低底噪（低至150pA/400nV），然后提高分辨率（16bit）与动态范围（100dB），同时足够的信号带宽与采样率才能捕捉到偶发的瞬变信号。

（智能波形识别流程，KEYSIGHT）

在捕获大量的波形后，直接保存TB级的数据到外部移动硬盘，接着就是开始智能波形的识别。AI波形分析功能主要是强大的数据以及波形对比分析，如波形回放、区域放大、趋势分析、FFT运算等等。

TB级别的波形触发后，触发波形相似度分析和归类。AI识别判定波形异常默认为90%的波形差异，这个准确率可以再进行调节进入深度筛选。AI波形分析直接内嵌到测试设备中，这种智能波形识别技术不需要指定特定的应用场景，而且数据可以通过外部标配的LAN、USB接口将数据高速上传至其他设备。

小结

AI波形识别技术的前提是大量的波形存储和波形的无失真测量，这些需要测试设备有足够低的底噪，足够高的分辨率、动态范围、信号带宽与采样率，才能支持后续的AI波形分析。AI技术的融合使得测试过程的效率大大提升，准确率的保障也避免了传统测量分析中可能出现的遗漏，对器件可靠性提升有很大帮助。