物聯(lián)網(wǎng)和智能終端設(shè)備大力的發(fā)展帶動了智能駕駛、無人駕駛、無人機(jī)、智能機(jī)器人和遠(yuǎn)程醫(yī)療等一系列的應(yīng)用。 高性能芯片就是這些應(yīng)用的大腦， 其穩(wěn)定性和可靠性直接關(guān)系到應(yīng)用落地的成敗。在產(chǎn)品設(shè)計(jì)和研制階段，快速定位出芯片和處理器硬件或軟件引起的偶發(fā)性異常，是設(shè)計(jì)人員經(jīng)常需要面臨的重大挑戰(zhàn)。

如何應(yīng)對超低噪聲電流在高速采樣、高動態(tài)和長時(shí)間中的測量一直是個(gè)難題。MCU、FPGA等器件中極其偶發(fā)性的異常電流信號對其器件有致命的風(fēng)險(xiǎn)，解決這種偶發(fā)性異?？梢约皶r(shí)彌補(bǔ)在噪聲、存儲深度、波形查找等方面存在的諸多不足，提升器件的可靠性和競爭力。

物聯(lián)網(wǎng)產(chǎn)品電流特征和傳統(tǒng)測試儀表面臨的挑戰(zhàn)

為什么要將首要目標(biāo)放在電流特征分析上？物聯(lián)網(wǎng)、人工智能，智能駕駛，智慧醫(yī)療這類應(yīng)用的終端設(shè)備都面臨著長續(xù)航、低功耗的需求。如何對器件的功耗進(jìn)行測試并優(yōu)化是一個(gè)不小的挑戰(zhàn)。這類應(yīng)用，尤其是智能穿戴應(yīng)用，終端設(shè)備的電流已經(jīng)非常非常小了，甚至已經(jīng)到微安級別，如何精準(zhǔn)地測量出小電流挑戰(zhàn)頗高。而且在車聯(lián)網(wǎng)，ADAS應(yīng)用的MCU、ECU中也需要測量電流波形并進(jìn)行分析，逐步優(yōu)化器件的可靠性。

還有很多看重功耗和電流特征分析的應(yīng)用場景，像低功耗處理器、低功耗GPS模塊、BLE模塊、微功率DC/DC模塊。以物聯(lián)網(wǎng)產(chǎn)品為例，內(nèi)部會使用到很多不同功能的器件和模塊，這些模塊的電流特征概貌如下。

（KEYSIGHT）

在這種工作循環(huán)中我們可以將其電流波形展開，其流程大概是從深度休眠的微安級別的電流，到喚醒后的幾十毫安甚至幾百毫安的電流，在收發(fā)完成后再進(jìn)入到休眠模式。想要優(yōu)化整體功耗，需要精確測量每一種工作狀態(tài)下的電流特征，了解正常的工作狀態(tài)以及潛在的問題。不難看出，電流的動態(tài)范圍很大，而且電流信號頻率高，脈沖極短，這就是挑戰(zhàn)所在。

傳統(tǒng)的示波器加差分電壓探頭加取樣電阻已經(jīng)能夠?qū)崿F(xiàn)不錯(cuò)的測量了，但是還是沒法精確測量出清晰可見的周期性針刺信號，這主要是受限于示波器噪聲和AD位數(shù)。而數(shù)字萬用表（高速采樣）從分辨率上來看不會有什么問題，但是其采樣率通常是在ms級別的，對尖刺信號（斬脈沖）就無法測量了，對瞬態(tài)的變化以及瞬態(tài)的異常不敏感。

AI波形分析如何快速定位偶發(fā)信號

上面說到的是挑戰(zhàn)是難以獲得精確的電壓和電流波形，另一個(gè)挑戰(zhàn)來自周期太短難以抓取可以捕獲到偶發(fā)事件的足夠長的波形，第三個(gè)挑戰(zhàn)在于如何從巨量的波形（數(shù)百萬個(gè)波形）中快速識別出偶發(fā)異常信號。第一種挑戰(zhàn)減低底噪提高分辨率就可以解決；第二個(gè)挑戰(zhàn)需要完成長時(shí)間連續(xù)的波形捕獲，這需要解決傳統(tǒng)測量儀表受存儲深度和測量死區(qū)的限制；第三個(gè)挑戰(zhàn)則需要運(yùn)用到AI波形識別技術(shù)了，從TB級的波形文件中完成快速識別。

想實(shí)現(xiàn)最后這個(gè)挑戰(zhàn)里的智能波形識別，必須先解決前兩項(xiàng)挑戰(zhàn)。前兩個(gè)挑戰(zhàn)主要是對測量儀表的關(guān)鍵性能參數(shù)提出了要求，首先要盡可能降低底噪（低至150pA/400nV），然后提高分辨率（16bit）與動態(tài)范圍（100dB），同時(shí)足夠的信號帶寬與采樣率才能捕捉到偶發(fā)的瞬變信號。

（智能波形識別流程，KEYSIGHT）

在捕獲大量的波形后，直接保存TB級的數(shù)據(jù)到外部移動硬盤，接著就是開始智能波形的識別。AI波形分析功能主要是強(qiáng)大的數(shù)據(jù)以及波形對比分析，如波形回放、區(qū)域放大、趨勢分析、FFT運(yùn)算等等。

TB級別的波形觸發(fā)后，觸發(fā)波形相似度分析和歸類。AI識別判定波形異常默認(rèn)為90%的波形差異，這個(gè)準(zhǔn)確率可以再進(jìn)行調(diào)節(jié)進(jìn)入深度篩選。AI波形分析直接內(nèi)嵌到測試設(shè)備中，這種智能波形識別技術(shù)不需要指定特定的應(yīng)用場景，而且數(shù)據(jù)可以通過外部標(biāo)配的LAN、USB接口將數(shù)據(jù)高速上傳至其他設(shè)備。

小結(jié)

AI波形識別技術(shù)的前提是大量的波形存儲和波形的無失真測量，這些需要測試設(shè)備有足夠低的底噪，足夠高的分辨率、動態(tài)范圍、信號帶寬與采樣率，才能支持后續(xù)的AI波形分析。AI技術(shù)的融合使得測試過程的效率大大提升，準(zhǔn)確率的保障也避免了傳統(tǒng)測量分析中可能出現(xiàn)的遺漏，對器件可靠性提升有很大幫助。