发布日期:2024-08-05 21:17 点击次数:98
(原标题:天风证券:传感器市场大而散 汽车电子国产替代 机器人再添增长空间)
智通财经APP获悉,天风证券发表研报认为,传感器市场大而散,其中最大下游在汽车电子,此领域多为海外垄断。传感器赛道是人形机器人重要零部件,在人形产业趋势下,加持传感器赛道成长空间。传感器行业竞争格局呈现整体分散,细分品类集中的特点,国内企业在中高端传感器市场与海外企业差距较大,主要体现在市占率和智能传感器的芯片自供能力,因此该团队认为汽车传感器投资逻辑在于国产替代。
一、传感器属性:市场大而散,其中最大下游在汽车电子,此领域多为海外垄断,国内企业突破中
传感器是指能感受规定的被测量并按照一定规律转换成可用信号的器件或装置,一般包含敏感元件、转换元件和转换电路。传感器有多种分类方式,按照被测对象可分为位移、力、力矩、转速、振动、加速度、温度、压力、流量、流速等传感器,按照工作原理可分为电阻式、电感式、电容式、压电式、光电式、热电式、波式和辐射式等传感器。
传感器产业链包括上游原材料(半导体、陶瓷、高分子、金属)、中游制造,下游应用,下游应用主要有工业自动化、汽车电子、医疗设备、智能家居等。
传感器市场空间大但品类多(分下游分品种),海外占比较高(欧美合计占7成左右),汽车电子是最大的下游(占比3成+)。
从全口径看,全球/国内传感器市场空间达千亿美元/千亿人民币。1)从下游看:汽车电子占比32%,消费类占比18%、工业类占比16%;2)从区域看:北美占比43%,其次是欧洲、日本,国内占比较低,故存在较大国产替代空间。3)从品种看:压力传感器占比最大,在汽车电子占比30%,在消费类占比14%。
传感器行业竞争格局呈现整体分散,细分品类集中的特点,国内企业在中高端传感器市场与海外企业差距较大,主要体现在市占率和智能传感器的芯片自供能力。
二、传感器赛道期权:是人形机器人重要零部件,在人形产业趋势下,加持传感器赛道成长空间
人形机器人用传感器主要包括力、触觉、位置和视觉传感器。
从供应链配套看,力传感和电子皮肤尚不明晰,视觉方面,奥比中光配套客户较多。
三、传感器工艺壁垒,什么样的公司能脱颖而出?
传感器品类和下游较多,不同类别有不同的工艺特性,我们从存量和增量市场空间大小出发,重点分析汽车领域用压力传感器(存量最大下游和占比最高品类)、力矩传感器和电子皮肤(人形机器人空间和弹性较大品类)。
3.1汽车压力传感器
目前汽车压力传感器的难点在于:1)压力传感器为安全件,整车厂在选择供应商时相对谨慎,产品验证周期较长;2)压力传感器下游汽车电子被海外垄断,整车厂商使用的ECU、ESP等汽车电子系统主要由海外企业提供,国内汽车电子系统的落后。
汽车用压力传感器细分为陶瓷电容、MEMS(玻璃微熔广义角度也属于此类)。陶瓷电容式压力传感器的生产壁垒主要体现在陶瓷芯片的制备和高质量封接:1)材料选择:主流使用氧化铝材料,氧化铝含量的提高可以提高机电性能但加工难度也增大;2)陶瓷片制备:需要干燥工艺解决表面和底层干燥不一致的问题;3)封接:印刷和烧结技术:电极导体后膜印刷技术,保证膜片和基座的微间隙距离精度。MEMS压力传感器工艺制造需要经过四个步骤:晶圆制造、薄膜沉积、表面微加工技术、封装和测试。
3.2力矩传感器
应用于机器人市场的六/单维力矩传感器主流是电阻式应变片传感器,弹性体和应变片是核心零部件。电阻式应变片力传感器主要由敏感元件(即为弹性体)、外部封装、集成电路板和电阻应变片等部件组成。弹性体的结构决定所测量的力的维度和量程,应变片的选择包括金属和半导体材料。
六维力传感器生产壁垒主要体现在:1)标的设备需自制:标定设备主要用于确定传感器的转换特性,确定传感器的输入-输出关系。六维联合加载设备是高精度六维力研发和生产的必要条件,但是目前六维联合加载设备没有标准产品可以直接采购,一般由传感器生产厂商自行研制;2)解耦算法需时间和经验积累(分为硬件解耦合软件解耦,BP神经网络常见解耦算法)。
目前多采用金属应变片+人工贴片,考虑降本,未来硅应变片+玻璃微熔工艺有望成为六维力大批量生产时的首选路线。
3.3电子皮肤
压阻式传感器更适合人形机器人灵巧手需求,电容式适合身体关节的安全作业需求。柔性触觉传感器由敏感材料、电极材料、衬底材料构成。
生产壁垒体现在敏感材料:1)材料选择:使用较多的是聚二甲基硅氧烷(PDMS)、聚氨酯泡沫(PORON);2)结构设计:常见有金字塔、微针式等结构;3)工艺制作:存在电子印刷术和MEMS工艺;4)标定:仍需要研究人员利用大量的实验和AI情景模拟。
四、投资建议
汽车传感器投资逻辑在于国产替代,目前国产化率较低,重点推荐【安培龙】、建议关注【华培动力】。
Powered by 国内炒股配资平台 _国内合法炒股配资_股票杠杆真实平台 @2013-2022 RSS地图 HTML地图