蓬勃发展的技术
是德科技工程和研发副总裁 Daniel Thomasson
1. 云经济将缓解市场对于经济衰退的担忧
对于 2023 年经济衰退的担忧将促使更多企业把数据密集型任务转移到云端，以降低基础设施和运营成本，同时改善网络安全。将应用转移到云端也有助于企业提供更好的数据驱动的客户体验。例如，一些先进的仿真和测试数据管理功能（比如实时特征提取和加密等）将会允许使用基于云的安全数据网格。该网格可以在更丰富的数据集上运行新的算法，促使客户更快获得更深入的洞察力。在未来一年里，面对经济的不确定性，云技术有望给许多公司带来惊喜。
"网络设备制造商（NEM）以空前的速度进行创新，从而提供构建超大规模数据中心网络所需的解决方案。其中也包括测试内容和测试方法的创新，以期先于竞争对手向市场推出高质量的解决方案。这本电子书重点介绍了对超大规模数据中心和网络设备厂家的关键网络测试领域。"
2. 不惧经济困难，发力部署数字孪生
2023年，研发效率倍受重视；预计在系统设计和测试过程中，使用数字孪生的情况会明显增加。数字孪生有助于加快设计周期，实现更有效的软硬件协同设计、更稳健的产品、更低的成本，以及提高可制造性和服务能力。在未来一年里，将会有更多的互联平台通过数字孪生来设计和测试完整的产品。
什么是数字孪生 Digital Twins？
科幻一点，是在数字世界再造一个数字化的你。现实一点，则是数字模拟+人工智能与机器学习。数字孪生研究所执行主任Michael Grieves博士说这是把物理世界和虚拟世界联系的工具。
Ansys联合Keysight共同开发5G网络数字孪生
Ansys与Keysight都希望解决这样一个问题：如果把虚拟手机放在城市的不同位置，能否预测在这些位置接收的5G信号质量如何？为了找到答案，两家公司共同创建并测试了一个细化的城市虚拟模型，包括在人口密集的市中心里常见的各种5G天线、接收器和发射器。结果证明这个问题可以解决。
该团队使用Ansys HFSS为28GHz高带宽系统构建了5G MIMO基站天线阵列模型和手机天线模型，并将其布置在逼真城市模型中的不同位置。在此基础上，他们使用HFSS SBR+依据物理原理为基站和手机间的信号传播建模，以确定天线间的真实性能。
5G信号在复杂城市环境中的传播使用射线追踪法（SBR）电磁场求解器进行建模，这些信号传播仿真与细化的Ansys HFSS相控阵列基站和手机天线系统模型相关联。
Ansys与Keysight联合测试了高精度、基于物理的虚拟流程的概念验证，以了解5G物理通道行为，该原型是Ansys与Keysight之间强强联合的关键成果。Ansys方法用于对物理层进行建模——包含虚拟天线、散射及其耦合趋势在内，Keysight则用于实际5G射频架构和波束选择过程建模。
Ansys HFSS和HFSS SBR+用于计算已安装的5G基站阵列和用户设备天线的物理通道响应；而Keysight SystemVue可提取时域通道属性，从而为MIMO波束成型重新创建用户信号到达角。
最终，虚拟建模将取代安装和调试5G基站以实现最大覆盖的“被动部署”方法。
5G虚拟建模可以解决什么问题？
5G有望实现能够以极高速度传输海量数据的中高频段信道。5G无线电设备厂商和无线服务提供商宣称，28GHz和39GHz高频段系统可达到令人惊叹的功能，问题在于：这些系统只有在人口密集的区域（比如城市中心）才具有成本效益。
有四个主要因素让5G系统复杂化，超出我们在较低频段看到的情况：
信号衰落增加
在高频率下，距离基站越远，信号衰落越多，5G的信号衰落率增大约10倍。人口密集的区域需要大量增加接入点，为所有用户提供服务。
信号穿透力弱
在毫米波这样的高频段下，信号难以穿透常见的建筑材料。建筑物内的4G手机可以接收数英里外的蜂窝塔发出的信号，因为这种频率较低、波长较长的信号能穿透手机与蜂窝塔之间的结构与表面。在频率更高的5G频段，建筑物从允许信号穿透的海绵变成反射信号的镜子。在常用的5G高频段频率28GHz下，平板玻璃（1.5厘米厚度）可降低信号穿透率1000倍，物理厚度更大的水泥和砖块会造成更严重的衰减。外表面的镜面效应造成另一个问题：信号延迟扩展。由于信号四处反射，接收器会接收到信号的延迟副本，这使得接收器设计更加复杂。
距离损耗
为了克服信号距离损耗比4G更快增加的问题，5G系统使用将信号能量集中在窄波束上的天线运行。确定接入点的正确位置至关重要，这样每个用户都能在最小重叠的情况下得到覆盖。可以测试真实环境下的安装和位置，但这样不仅非常耗时而且成本高昂，高频、高带宽测量设备的成本大幅增加，有时甚至高不可攀。
审批延迟
从市议会或其他政府机构获得安装5G天线系统的许可可能是一个异常艰难的过程。没人希望获得10个安装位置的批准，然后发现其中5个位置都不理想，因此他们需要返回设计图，并重新向市政申请。关键在于确定位置正确、数量正确的接入点，以尽可能少的接入点提供一致的覆盖。
所有这些问题都可以通过虚拟化流程得以解决。我们可以用计算机展示我们为城市用户提供服务的情况吗？Ansys和Keysight的回答是肯定的。
3. 加密技术的进步加强了云和网络安全
出于安全考虑，许多企业对于采用基于网络和云的软件和服务一直犹豫不决。预计到2023年，这些顾虑将被打破——通过强大的加密功能和对测量参数及数据的严密访问控制，用户可以获得前所未有的（从探测到云再到后台）数据完整性保证。因此，我们预计未来一年将有更多的云和网络安全投资，帮助企业应对不断扩大的威胁。
4. 自动化：经济低迷时的“安全带”
在当今不确定的环境下，人们特别需要可以降低人力需求的技术，例如自动化和机器人。自动执行重复仿真任务和测量任务的工具有望迎来更大的投资。这些工具可以通过自动捕捉和修复错误来确保测试结果的有效性，并通过消除人为导致的变化来提高测量质量。借助这些及其他的自动化功能，员工可以根据收集到的新见解采取行动，并专注于更具战略意义的工作。
5. AI 和 ML 压低了数据量激增的成本
自动化和 AI/ML 技术方兴未艾。它们有助于降低不断增长的测量数据的管理成本。这些技术还将减少对数据集进行手动分析和提取关键元数据的需求，还可从真实的被测器件故障中快速锁定测量误差，从而加速分析，减少精力浪费。
是德科技全球企业和产品营销副总裁 Jeff Harris 在我们周围每一个领域，无论产品是先进还是普通，似乎都能看到人工智能（AI）的影子。利用人工智能来为产品赋能，光是想想就已经让人心驰神往，因此您自然会相信这样的主张。然而，大部分的主张并没有说明人工智能的作用，也没有说明制造商凭什么可以信心十足地做出这样的主张。我内心属于工程师的那一面总是对物品的构建方法充满好奇。之所以如此，是因为我对“黑匣子”这个理念不感冒——这个理念认为我们不需要了解计算如何进行编程。
那么，就让我们一起来打开这个盒子，揭开人工智能的面纱看一看。要想实现人工智能，您首先要满足两个要素：（1）能够测量某些参数并且了解测量结果的含义；（2）学习能力。第一个要素涉及计量学，也称为计量科学研究。第二个要素称为机器学习（ML），它让系统能够辨别不同于预期结果的测量值，并且在不需要明确编程的情况下改变操作。
数据收集能力
计量学侧重于深入了解某种特定的测量。这种测量既可能是像电压、接地或温度测量一样简单而独特，也可能像飞行器控制面或复杂的制造装配线一样具有多模态功能。
测量深度：无论是测量单个参数还是测量多个参数，测量精度决定了您能够达到哪种程度的可编程能力。例如，以 1/10 伏的精度测量 3 伏系统就不会像以 1/1000 伏的精度测量同一个系统那样有洞察力。
数据馈送：测量数据只有在可用于数据馈送时才对算法有帮助。在上面的示例中，如果传感器能够以 1/1000 的精度进行测量，但受到数据总线的限制，其数据馈送输出只能精确到小数点后一位，那么额外的精度就不能为算法所用。
多个数据馈送：在可能的情况下，测量的参数越多，做出的决策就越有效。举个例子，如果能够以 1/1000 的精度测量电压和温度，您就能够将温度变化与电压波动联系起来。
进入机器学习
机器学习会把来自多个源头的数据提供给用以模仿人类学习方式的算法，从而逐步提高算法的准确性。获得数据馈送后，您还需要三个基础模块才能实现 ML：解释数据的算法、具有响应式结果的预期结果表、反馈环。
算法：一个机器学习系统的真正“智能”体现在它能够获取数据馈送输入，运行一组计算/指令，并解释输出。解释指的是它能够分辨输出计算是否在预期范围之内，然后根据该输出执行新命令。在前面的示例中，如果不仅电压测量结果远超预期范围，而且温度也高于标称值，那么算法可能会启动内部风扇。
预期结果和响应式结果：以最简单的方式来解释的话，预期结果可以是数据馈送输入与一系列响应式命令组合而成的“查找”表。表格越全面，ML 就越成熟、越有价值。交互性更高的 ML 可以执行一步步变更，例如根据实时感知数据改变无人机的航向，从而避开障碍物，这一操作同时需要持续的感知和不断的调整。
反馈环：最后一个要素是反馈环。它允许系统验证其操作是足够的还是需要进一步改进，并且能够帮助系统调整参数，从而提高未来的性能。
增添多个针对大型系统不同方面的 ML 功能，增加更多传感器数据，从而在更复杂的系统层面实现机器学习。先进的 ML 可以在遇到新的传感器输入组合时将其添加到“查找表”中，制定其它类型的响应式结果指令，并衡量执行的响应的充分度。这些就成为了自我调整算法，从数据中获取知识，从而预测结果。训练的算法越多，输出就越准确。
人工智能
既然拥有了可训练的算法，那么您就在很大程度上可以实现 AI 交付。您需要从一系列 ML 引擎中获得输出，然后将它们与充足的准则和迭代相结合，以便算法做出实时决策。当 AI 算法处理数据、
迭代、考虑新数据进入的迭代响应，以及使用组合来选择输出时，它就进入了决策状态。这个永无止境的循环促使 AI 不断学习并提高决策质量。整个过程既可能像电压和温度传感器回路一样非常简单，也可能像攻击型无人机的飞行控制系统一样复杂。
人工智能的 DNA 标记
如何预测 AI 算法的性能？就像了解人类一样，您可以通过 DNA 标记来了解 AI 算法。从最基础的层面来看，具有人工智能的机器能够仿真人类感知信息、处理信息和对信息做出反应的方式，并针对给定的条件修改工作流程，从而代替人类参与决策循环。从本质上讲，您可以查看三个常见的 DNA 标记：
测量和仿真的效果：了解制造商的测量能力，了解他们是否拥有创建数字孪生环境所需的充足知识和经验。
算法、分析技术和洞察力：开发人员对信号核心特征的了解程度以及这种程度与预期响应的关系将决定预期结果“查找”表的深度。
工作流自动化知识：从系统层面上理解多次迭代的 ML 输出如何协同工作，从而优化预期结果。
有鉴于此，人工智能算法的质量与以下两个方面有关系：
深度——理解指定测量领域中测量结果的能力
广度——人们拥有的深度知识所涵盖的技术和标准的数量
这向我们指出一个事实——如果实施得当的话，人工智能并不是一种被过度炒作的新兴技术。相反，工程师可以借助它来管理复杂性呈指数级增长的新设计。
正如未来学家 Gray Scott 所言，“到 2035 年，人脑不可能也没有办法与人工智能机器相匹敌。”工程师们意识到了这一点，并且开始将 ML 和 AI 融入他们的系统。人工智能的诞生要归功于充满智慧且积极进取的工程师。他们了解测量科学，充分理解为开发人员创建数字孪生可能会得到的系统特性，并志在让工程走上新台阶。
6. 支持关键测量，实现绿色能源目标
在2023年，减少碳排放仍是达到政府要求、满足社会需求的一个重点。人工智能/机器学习有助于优化工商业基础设施（如数据网络）的测量和监测，从而推动更高层级的能耗管理。
对于汽车工程界来说，现在正是激动人心的时刻：为了更清洁的未来，世界各国都在为 向最终用户推广混动汽车（HEV）和电动汽车（EV）而努力。
仅仅几年前，怀疑论者还坚称化石燃料仍将是运输燃料的主要支柱。然而，电动汽车的革新趋势已经远远超出这种预判。现如今，创造高效的电动动力系统和无缝的能源生 态系统为未来的 HEV 和 EV 提供动力，已经成为大势所趋。 在未来二十年内，各国都将推出高级别措施，推动用更清洁的汽车取代汽油和柴油车。 对于推出新型汽车而言，二十年的时间似乎绰绰有余，但实际上这却是一项艰巨的任 务。因为必须要改变整体工程框架，使之支持电动交通平台。
燃料使用增长 (按类型划分的全球年均净增加量)
按类型划分的全球年均净增加量（来源：IEA）
现如今，随着混动和电动汽车销量的增长，汽车业电动化的投资和开发力度也在日益加大。尽管 2016 年电动汽车 (EV) 仅占客车销售量的不到 1%，但 2015 年到 2016 年电动汽车的销售增幅已 达 60%1 。特斯拉、雪佛兰等汽车厂家已在一定程度上消除了人们购买电动汽车的某些疑虑。一 次充电可以续航 200 英里以上（雪佛兰Bolt：238 英里、特斯拉 Model 3：220 英里），减少了 人们对电动汽车行驶里程的焦虑。这样的里程足以让通勤人士和短程旅行者放心往返，而不必担 忧充电站的地点和充电时间。售价也在下降，特斯拉最近推出的首款 Model 3 车型，起步价仅为 3.5 万美元。Model 3 是埃隆•马斯克面向大众市场的首款电动汽车，其总产量还计划再增加 10 倍。中国在截止 2020 年的最新五年计划中，准备新增 480 万个充电桩2 。中国的空气污染日益严重，已有 100 多个城市的人口超过 100 万，因此，零碳排放的汽车定将成为大势所趋。
另一方面，混动汽车（HEV）目前已经有了一段时间的盈利。事实上沃尔沃已在近期宣布，截止到 2019 年其全部新车都将采用电动发动机。中度混动（MH）技术需要的投资比全部混动技术低近 50%，但仍可将二氧化碳排放量减少多达 15-20%。减少二氧化碳排量的中度混动技术平衡了合 规与投资成本最小化的需求，因此采用该技术的汽车能够保持与内燃机汽车具有相当竞争力的价格。
电动交通常见问题解答
什么是电动交通？
电动交通指的是从内燃机到车辆电气化动力系统的技术转变。 汽车原始设备制造商（OEM）、EV 电池开发商和电网边缘开发商齐心协力，希望利用先进技术降低碳排放。 这些行业需要电动交通测试解决方案来确保整个复杂生态系统的方方面面都能紧密配合、安全可靠地工作。
BEV、PHEV、HEV 和 MHEV 有什么区别？
纯电动汽车（BEV）依靠车载电池为电机供电。 除了小轿车和公共汽车之外，还有许多两轮车甚至船只都可划为 BEV。
混动汽车（HEV）既搭载了燃油发动机，也搭载了配有大型电池的电动机。 但是，它们不能插入到外部电源进行充电。 当驾驶员踩下刹车时，电池会重新充电，这一过程称为再生制动。 如果只使用电池动力，HEV 只能行驶 2 到 5 英里（3 到 5 公里）。
轻度混动汽车（MHEV）使用适中的 48 V 电池和电机来提高车辆内燃机的效率，从而节省油耗。 MHEV 允许在巡航、减速和制动期间关闭发动机。
插电式混动汽车（PHEV）既搭载有需要通过充电桩充电的电动机，也搭载有内燃机。 与 MHEV 不同的是，如果只使用电力，PHEV 的平均续航里程可以达到 30 英里（50 公里），因为它使用了更大的电池并且可以从电网充电。
电动交通面临的两大挑战是什么？
1. 里程焦虑：驾驶员担心他们的车辆在到达充电站之前电量耗尽。 更强劲的 EV 电池和不断增长的充电基础设施投资正在逐步缓解这种焦虑。
2. 车辆成本较高：电池在电动汽车总成本中的占比高达 30%。 采用更好的电池技术有助于降低它们的成本。
/3 
