S9S12XS128J1MAE NXP 16位微控制器 - MCU

S9S12XS128J1MAE         NXP-FREESACLE       LQFP64     19+         全新原装正品      全系列优势订货   有来电咨询！！

100%全新原装进口正品亚太地区专业分销商XILINX、FREESCALE-NXP、ALTERA、INTEL、AD、MURATA、ROHM等世界各名牌IC。本公司为一般纳税人，可开13%增值税票！

深圳市斌腾达科技有限公司

联系人：朱先生

电话：0755-82815082

传真：0755-82815039

手机：13510738676/13510306069

Q Q：2099320098  595190937

Email  ：zhujunbin163@163.com

专业电子元器件一站式配单，IC、二三极管、电容、电阻、电解电容器、连接器。世界各大品牌NXP-FREESCALE、ADI、TI、ROHM、MURATA、国巨等。PCB,PCBA一站式配套服务。

根据TrendForce的数据预估，2022年全球智能制造的市场规模将会逼近3，700亿美元，年均复合增长率(CAGR)达10.7%(见图)。催生这个巨大市场的，是智能制造的广泛应用，涵盖智能工厂、智能供应链、自动送货车以及机械手臂等多元化的应用领域。

另外，根据Tractica LLC的资料显示，全球支持AI的边缘设备数量预计将从2018年的1.614亿台迅速增长，到2025年可望达到26亿台。支持AI的边缘设备主要包括智能手机、智能扬声器、PC/平板电脑、头戴式显示器、汽车、无人机、机器人以及安防摄像头等。

过去几年来，德国汉诺威工业展(Hannover Fair)一直被视为“工业4.0”的风向标——让我们预见智能制造正以协作机器人(cobot)、数字孪生(digital twin)、混合现实(MR)、预测性维护(PdM)、无人机和AI应用作为发展焦点。TrendForce的调查显示，Universal Robots、西门子、意法半导体、赛灵思和通用电气等主要厂商正持续推陈出新强化布局。

TrendForce分析师曾伯楷说，在智能制造中，随着处理海量数据、延迟性和频宽成本的解决方案不断出现，边缘计算预计将成为预测性维护的基础。“大数据、精准度分析以及高性能硬件等三大驱动力正使AI从云端往终端设备迈进，同时促进了边缘计算与AI的结合。”

Tractica首席分析师Keith Kirkpatrick指出，随着在制造过程中不断融入AI，收集的数据、监控的流程，以及协助系统确定异常、缺陷或其它任何问题的模式识别，都变得更加精密。

“在集中式平台上部署AI解决方案的最大问题是特定机器与系统之间产生的延迟，在边缘融合AI就是为了消除这种延迟。如果检测到某种异常情况，边缘AI几乎可以即时纠正错误，这在要求极精密容差的制造时代尤为重要。”

除了延迟，网络流量也是制造或生产系统中的一大问题。“并不是他们只有几个传感器和几款边缘设备的问题。”Kirkpatrick说，“在整个生产网络中部署这项技术，网络中会产生巨大的流量，这些流量不只是数据，还包括视频流，特别是在他们通过视频进行最终检查或确保最终产品符合一定的品质标准时。减少网络数据传输，并使其在边缘就地处理，才能带来实质的好处。”

“在制造中采用AI有助于提升工业4.0中的边缘计算能力，主要体现在实时决策、降低成本、营运可靠性以及提高安全性这四个方面，并将得到更广泛的应用。”曾伯楷表示，“目前的主要挑战在于AI算法是否将持续发展并提高精度，以及企业能否负荷软硬件升级带来的成本压力。”

“边缘AI允许终端设备保留一定的决策能力，无需一直连网就能实现即时响应，避免了将所有数据传送到云端的麻烦。 ”曾伯楷认为，“因此，它确实节省了一些带宽成本与功耗。”

曾伯楷指出，融合边缘AI的智能制造，其最大优势在于增强了运营的可靠性。

在边缘计算领域，芯片制造商和云服务提供商均扮演着重要角色。目前涉足边缘计算领域的公司主要包括英伟达、英特尔、高通和恩智浦等芯片巨擘，以及AWS、Google和微软等云服务龙头。此外，根据TrendForce的报告，得益于政府提供的资源，台湾芯片供应商在边缘AI市场中也占据重要位置。

“AI芯片可以粗略划分为各种不同的结构，如CPU、GPU、FPGA和ASIC。相较已被芯片巨擎垄断的CPU和GPU，用于AI边缘计算的逻辑芯片，以及主要用于成像、可视化或定制化的FPGA和ASIC芯片，可望为台湾厂商提供更好的发展契机。”曾伯楷表示。

Tractica预测业界将开始使用更多的ASIC芯片，它是一种独立式芯片，可根据非常具体的任务进行编程。Kirkpatrick说：“它的功耗相对较低，可以处理特定的任务，而不像GPU那样集大成地处理所有任务，因为GPU这种集中式的处理器是能耗相当密集。”

Kirkpatrick解释说：“边缘处理面临的挑战在于处理器必须功能强大，却又不能产生过多的热或消耗过多功率，否则会影响系统的整体温度。如果温度过高，可能会导致生产出错，实现低功耗也需要额外的成本。单台机器或传感器也许花费不多，但若是成百上千个传感器，制造商就不得不考虑成本问题了。”

曾伯楷表示，工业4.0的浪潮推动着企业数字转型，通过物联网、大数据和机器人等技术，持续朝向智能制造之路挺进。但对企业而言，无论是部署工业物联网，还是引入智能制造或建设智能工厂，都是一个耗时又烧钱的过程。

曾伯楷认为，那些缺乏数字技术基础的传统制造业可以引入数字工具并整合不同的产业领域，借此转型至智能制造，并进入业界巨擘的供应链或与他们合作。

他并表示，“许多公司正在进行数字化转型，他们必须引入云端或工业物联网平台、数据分析和管理、软硬件整合以及其它技术，从而实现与云服务提供商、系统集成商和电信业者的合作。”

曾伯楷进一步补充道：“此外，无论处于供应链的上游或下游，供应商都应该进行横向整合。例如，机械制造商可以向公众发布有关的流程信息，还可以提供机械手臂的设计与原型，而工业电脑供应商可以据此提出集成解决方案，将所有的元素连接在一起。异质产业之间的这种联盟合作，最终将建构一个完整的智能制造流程。”