EO_487

EDA/SW/T&M 62 - ELETTRONICA OGGI 487 - GIUGNO-LUGLIO 2020 MACHINE LEARNING dati ha permesso di identificare le anomalie in pochi secondi. Ad esempio, la figura 2 mostra che in 2 giorni e 21 ore nel datalog si sono verificati alcune sovraten- sioni significative. Sebbene interessante, questo caso è piuttosto semplice, quindi diamo un’occhiata ad un esempio più impegnativo. I dispositivi IoT devono funzionare per molte ore ed eventuali picchi di corrente imprevisti potrebbero cau- sare una caduta IR interna e innescare un malfunzio- namento del sistema. Per verificare l’integrità del dispositivo, abbiamo mi- surato la corrente di alimentazione di un dispositivo Bluetooth per 17 ore a una frequenza di campionamen- to di 10 MSa/s. Ciò ha generato un file di database di un terabyte. Sebbene la corrente di picco normale sia di circa 25 mA, abbiamo riscontrato picchi di cor- rente molto rari fino a 50 mA. Questi si sono verifi- cati solo 17 volte su oltre 7 milioni di segmenti di for- me d’onda registrati (Fig. 3). Ulteriori analisi hanno mostrato che, in questo dispositivo, esistono due tipi di eventi asincroni. I picchi di 50 mA vengono osservati quando si veri- ficano questi due eventi all’interno di una finestra di temporizzazione ristret- ta, e ciò accade solo una volta ogni 400.000 vol- te. Questo tipo di analisi dettagliata può essere raggiunto solo utilizzando le capacità di misurazione della corrente dinamica del CX3300A insieme all’opzione di registrazione dati/op- zione di analisi della forma d’onda di lunga durata. Poiché la complessità dei dispositivi e dei sistemi mo- derni continua ad aumentare, gli strumenti software uti- lizzati per valutarli devono migliorare per stare al passo. Nei casi in cui i di- spositivi vengano utilizzati in sistemi mission-critical, è importante comprende- re il comportamento delle forme d’onda per lunghi periodi di tempo. Il software utilizzato per acquisire i dati deve anche essere in grado di aiutare ad analizzare i dati. Que- sto articolo ha dimostrato che utilizzando nuove tec- niche di apprendimento automatico sviluppate da Keysight è possibile ana- lizzare in modo efficiente database di forme d’onda di grandi dimensioni e in- dividuare rapidamente le eventuali anomalie. R i f erimenti [1] M.Goto, N.Kobayashi, G.Ren, M.Ogihara , Scaling Up Heterogeneous Waveform Clustering for Long-Duration Monitoring Signal Acquisition, Analysis, and Interaction: Bridging Big Data Analytics with Measurement Instrument Usage Pattern, IEEE International Conference of Big Data 2019, Los Angeles, CA. USA. 2019, pp. 1794-1803. Fig. 2 – Anomalie di sovratensione rilevate sulla tensione di una linea di alimentazione commerciale Fig. 3 – Grandi forme d’onda spike che si verificano 17 volte su oltre 7 milioni di segmenti di forma d’onda identificati entro 5 minuti su un dispositivo IoT