如何将人工智能技术整合到测量分析中进行偶发异常定位

物联网、人工智能、智能驾驶、智能医疗等应用的终端设备都面临着长寿命、低功耗的需求。数字万用表（高速采样）在分辨率方面没有问题，但采样率通常为ms级，不能测量尖刺信号（脉冲），对瞬态变化和异常不敏感。人工智能技术的整合大大提高了测试过程的效率，保证了传统测量分析中可能出现的遗漏，对提高设备的可靠性有很大的帮助。

物联网和智能终端设备的蓬勃发展推动了智能驾驶、无人驾驶、无人机、智能机器人和远程医疗的一系列应用。高性能芯片是这些应用程序的大脑，其稳定性和可靠性直接关系到应用程序的成败。在产品设计和开发阶段，快速定位AD8196ACPZ-R7芯片和处理器硬件或软件造成的偶然异常是设计师经常面临的重大挑战。

如何应对高速采样中的超低噪声电流，高动态和长期测量一直是一个难题。MCU、FPGA等设备中极其偶然的异常电流信号对其设备有致命的风险。解决这种偶然的异常可以及时弥补噪声、存储深度、波形搜索等方面的诸多不足，提高设备的可靠性和竞争力。

物联网产品的电流特性和传统测试仪表面临的挑战

为什么要把主要目标放在电流特征分析上？物联网、人工智能、智能驾驶、智能医疗等应用的终端设备都面临着长寿命、低功耗的需求。如何测试和优化设备的功耗是一个很大的挑战。这类应用，尤其是智能可穿戴应用，终端设备的电流非常、非常小，甚至达到了微安全水平。如何准确测量小电流具有很高的挑战性。此外，在车联网、ADAS应用MCU和ECU中，还需要测量电流波形并进行分析，逐步优化设备的可靠性。

在这个工作周期中，我们可以扩展其电流波形，从深度休眠的微安级电流到唤醒后的几十毫安甚至几百毫安的电流，然后在收发后进入休眠模式。为了优化整体功耗，需要准确测量每个工作状态下的电流特性，了解正常工作状态和潜在问题。不难看出，电流动态范围大，电流信号频率高，脉冲极短，这是挑战。

传统的示波器差分电压探头采样电阻可以很好地测量，但仍不能准确地测量清晰可见的周期性针刺信号，主要受到示波器噪声和AD位数的限制。数字万用表（高速采样）在分辨率方面没有问题，但采样率通常为ms级，不能测量尖刺信号（脉冲），对瞬态变化和异常不敏感。

人工智能波形分析如何快速定位偶发信号

上面提到的挑战是很难获得准确的电压和电流波形，另一个挑战来自于周期太短，很难捕（数百万波形）中快速识别异常信号。第一个挑战可以通过降低底部噪声和提高分辨率来解决；第二个挑战需要完成长时间的连续波形捕获，这需要解决传统测量仪器的存储深度和死区的限制；第三个挑战需要应用于人工智能波形识别技术，从TB波形文件中完成快速识别。

为了实现最终挑战中的智能波形识别，我们必须首先解决前两个挑战。前两个挑战主要是要求测量仪器的关键性能参数。首先，我们应该尽可能降低底噪声（低至150pa/400nv），然后提高分辨率（16bit）和动态范围（100dB），并有足够的信号带宽和取样率捕捉偶尔的瞬态信号。

捕获大量波形后，将TB级数据直接保存到外部移动硬盘中，然后开始识别智能波形。人工智能波形分析功能主要是强大的数据和波形对比分析，如波形回放、区域放大、趋势分析、FFT操作等。

TB级波形触发后，触发波形相似度分析和分类。默认情况下，人工智能识别判断波形异常是90%的波形差异，可以调整到深度筛选。人工智能波形分析直接嵌入测试设备中。这种智能波形识别技术不需要指定特定的应用场景，数据可以通过外部标准LAN和USB接口高速上传到其他设备。

小结

人工智能波形识别技术的前提是大量的波形存储和波形无失真测量，要求测试设备具有足够低的底噪声、足够高的分辨率、动态范围、信号带宽和采样率，以支持后续的人工智能波形分析。人工智能技术的整合大大提高了测试过程的效率，保证了传统测量分析中可能出现的遗漏，对提高设备的可靠性有很大的帮助。