同步NB-IoT系統/無線蜂巢網(下) DSP NPSS新同步程序亮相

本文為描述窄頻物聯網(NB-IoT)無線存取技術,主要重點為NB-IoT在下行方向的主要同步流程。此流程是當使用者設備(UE)結束休眠狀態及喚醒,並嘗試從基地台(BS)接收資料時啟動。
2019 年 02 月 20 日

模擬/測試工具雙出擊 5G射頻系統設計再簡化

在相關標準陸續底定之後,5G將在2019年迎接新一波發展高峰。不過,要實現5G應用,首先須先克服射頻系統與天線設計的技術挑戰,為此,產官學各界皆致力投入相關研發工作。
2019 年 02 月 19 日

分析USB認證測試(上) USB3.2資料傳輸測項一網打盡

USB發展於1995年,至今已經有20餘年的歷史。其演進初期著重於速度的進化,從一開始USB1.0的1.5Mbps/12Mbps,到USB2.0的48Mbps,在USB3.0時則達到5Gbps。2013年,USB開發者論壇(USB-IF)制定了USB3.1規範,將傳輸速度提升到USB3.1...
2019 年 02 月 16 日

感測融合技術助力 自駕車安全性大幅提升

自駕車的商機伴隨全球大企業,如Google、Apple與Tesla等投入自動駕駛領域技術開發與場域試煉,ICT在車輛領域應用的速度將隨之加快。台灣ICT在消費性電子國際聞名,期能透過這波汽車電子化的浪潮,創造資通訊與車輛零組件產業的新契機。
2019 年 02 月 14 日

優化BJT/MOSFET低頻雜訊 DC-DC開關轉換量測有撇步

電源供應的雜訊程度是鎖相迴路(Phase-Locked Loops, PLLs)、壓控振盪器(Voltage-Controlled Oscillators, VCO)、類比-數位轉換器(Analog-to-Digital...
2019 年 02 月 13 日

滿足高功率/小體積設計 DPSM優化能源管理決策

許多通訊系統採用48伏特背板供電。這個電壓通常會降壓至較低的中間匯流排電壓,通常為12伏、5伏或甚至更低,藉以為系統中各板卡供電。然而,在這些板卡上,大多數的分支電路(Sub-Circuits)或IC必須採用3.x伏至0.5伏的操作電壓,操作電流則從數十毫安培到數百安培。因此必須使用負載點(PoL)DC-DC轉換器來將這些較高的匯流排電壓降至分支電路或IC能運用的較低電壓。這種方法本身看似沒有很困難,但其在許多方面也面臨著嚴格的要求,包括定序、電壓精度、邊限微調(Margining)以及監測等方面,這些因素也都必須加以考量。
2019 年 02 月 12 日

實施汽車晶圓偏移監控 車用元件良率提升有秘訣

製造汽車IC的半導體工廠通常提供整套車用晶片服務(ASP)。這些ASP提供客製化製程,其中包括更多製程控制和製程監控等,或保證使用最佳製程機台,ASP的目標是協助確保所生產的晶片可滿足汽車產業嚴格的可靠性要求。但即便採用整套車用晶片服務,偏移也在所難免,因其存在於任何受控製程之中。認識到這一點,車用晶片半導體廠特別注意為其關鍵製程層建立綜合控制計劃,這也成為其製程失效模式和影響分析(PFMEA)的一部分。
2019 年 02 月 11 日

確保自駕車可靠性 車電元件模擬至關重要

車用電子向來需要耐受嚴苛的環境條件。現在汽車乘客安全越來越仰賴這些電子設備,因此萬一發生故障,後果將比以往更為嚴重。想在投資昂貴原型和現場測試前,先診斷和驗證車用電子的可靠度,工程模擬成為不可或缺的工具。
2019 年 02 月 11 日

同步NB-IoT系統/無線蜂巢網(上) 物聯網通訊設計有挑戰

本文為描述窄頻物聯網(NB-IoT)無線存取技術,主要重點為NB-IoT在下行方向的主要同步流程。此流程是當使用者設備(UE)結束休眠狀態及喚醒,並嘗試從基站(BS)接收資料時啟動。
2019 年 01 月 31 日

狀態監控感測器有解 機械智慧預測維護再進化

對於機械設備與各種技術系統的使用而言,現今面臨的核心挑戰包括改善狀態監控(Condition Monitoring)與診斷以及整體系統優化。這方面的議題不僅在工業領域扮演日趨重要的角色,凡是會運用機械的領域亦是如此。機器應該根據既定計畫進行保修,延遲的保養就意謂著面臨生產停擺的風險。今日,業界會運用從機器蒐集來的製程資料來預測機器剩餘的耐用年限。特別是包括溫度、雜訊(Noise)以及振動等關鍵參數,都會被紀錄下來用以判斷最佳運作狀態或甚至必要維護的時間。
2019 年 01 月 28 日

智慧工業兩大關鍵 感測器/聯網技術必不可少

感測器和低功耗通訊連接技術是聯網智慧工業興起的關鍵,本文將詳細介紹這兩項技術在近期取得的重大進步。
2019 年 01 月 27 日

傳統SoC效能有瓶頸 MPSoC驅動AI多元應用

隨著智慧安全、機器人或無人駕駛汽車等應用越來越依靠嵌入式人工智慧(AI)技術,來提高效能及提供全新的使用者經驗,傳統運算平台上的推論引擎很難在有限的功耗、延遲和物理尺寸限制下滿足實際的需求。推論引擎受限於嚴格定義的推論精度、匯流排寬度,以及較低調整彈性的記憶體,來最佳化速度、效率與晶片面積。因此,我們需要一個靈活應變的運算平台來滿足在嵌入式AI上運行先進卷積神經網路(CNN)時所需的要求。
2019 年 01 月 24 日