物聯網和智能終端設備大力的發展帶動了智能駕駛、無人駕駛、無人機、智能機器人和遠程醫療等一系列的應用。 高性能芯片就是這些應用的大腦， 其穩定性和可靠性直接關系到應用落地的成敗。在產品設計和研制階段，快速定位出芯片和處理器硬件或軟件引起的偶發性異常，是設計人員經常需要面臨的重大挑戰。

如何應對超低噪聲電流在高速采樣、高動態和長時間中的測量一直是個難題。MCU、FPGA等器件中極其偶發性的異常電流信號對其器件有致命的風險，解決這種偶發性異常可以及時彌補在噪聲、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。

物聯網產品電流特征和傳統測試儀表面臨的挑戰

為什么要將首要目標放在電流特征分析上？物聯網、人工智能，智能駕駛，智慧醫療這類應用的終端設備都面臨著長續航、低功耗的需求。如何對器件的功耗進行測試并優化是一個不小的挑戰。這類應用，尤其是智能穿戴應用，終端設備的電流已經非常非常小了，甚至已經到微安級別，如何精準地測量出小電流挑戰頗高。而且在車聯網，ADAS應用的MCU、ECU中也需要測量電流波形并進行分析，逐步優化器件的可靠性。

還有很多看重功耗和電流特征分析的應用場景，像低功耗處理器、低功耗GPS模塊、BLE模塊、微功率DC/DC模塊。以物聯網產品為例，內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，在收發完成后再進入到休眠模式。想要優化整體功耗，需要精確測量每一種工作狀態下的電流特征，了解正常的工作狀態以及潛在的問題。不難看出，電流的動態范圍很大，而且電流信號頻率高，脈沖極短，這就是挑戰所在。

傳統的示波器加差分電壓探頭加取樣電阻已經能夠實現不錯的測量了，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。而數字萬用表（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，對瞬態的變化以及瞬態的異常不敏感。

AI波形分析如何快速定位偶發信號

上面說到的是挑戰是難以獲得精確的電壓和電流波形，另一個挑戰來自周期太短難以抓取可以捕獲到偶發事件的足夠長的波形，第三個挑戰在于如何從巨量的波形（數百萬個波形）中快速識別出偶發異常信號。第一種挑戰減低底噪提高分辨率就可以解決；第二個挑戰需要完成長時間連續的波形捕獲，這需要解決傳統測量儀表受存儲深度和測量死區的限制；第三個挑戰則需要運用到AI波形識別技術了，從TB級的波形文件中完成快速識別。

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

（智能波形識別流程，KEYSIGHT）

在捕獲大量的波形后，直接保存TB級的數據到外部移動硬盤，接著就是開始智能波形的識別。AI波形分析功能主要是強大的數據以及波形對比分析，如波形回放、區域放大、趨勢分析、FFT運算等等。

TB級別的波形觸發后，觸發波形相似度分析和歸類。AI識別判定波形異常默認為90%的波形差異，這個準確率可以再進行調節進入深度篩選。AI波形分析直接內嵌到測試設備中，這種智能波形識別技術不需要指定特定的應用場景，而且數據可以通過外部標配的LAN、USB接口將數據高速上傳至其他設備。

小結

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