CN115510718A - 一种基于多模型协同的数模混合电路设备可靠性预计方法 - Google Patents
一种基于多模型协同的数模混合电路设备可靠性预计方法 Download PDFInfo
- Publication number
- CN115510718A CN115510718A CN202211269128.9A CN202211269128A CN115510718A CN 115510718 A CN115510718 A CN 115510718A CN 202211269128 A CN202211269128 A CN 202211269128A CN 115510718 A CN115510718 A CN 115510718A
- Authority
- CN
- China
- Prior art keywords
- digital
- model
- failure
- stress
- hybrid circuit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于多模型协同的数模混合电路设备可靠性预计方法,所述方法包括如下步骤:S1、建立适用于可靠性预计的数模混合电路设备电、热耦合数字样机模型;S2、基于数字样机模型,分析数模混合电路设备电子元器件失效模式、失效机理,确定可靠性薄弱的电子元器件及其失效物理模型;S3、建立融合性能退化和功能失效的数模混合电路设备可靠性预计模型,基于蒙特卡洛及电热耦合仿真法求解得到给定预计工作环境应力及故障判据对应的可靠度曲线。本发明能够解决数模混合电路电子设备电路仿真建模、电子元器件退化与失效行为模拟、电热耦合下同时考虑电子元器件功能失效与性能退化的可靠性预计困难的问题。
Description
技术领域
本发明涉及一种电子设备可靠性预计方法,具体涉及一种基于多模型协同的数模混合电路设备可靠性预计方法。
背景技术
随着电子设备小型化和多功能化,现代电子设备正向高速、高密度、高集成度和高可靠性的方向发展,包含FPGA、SRAM等数字芯片及模拟器件的混合电路的电子设备所占的比重越来越大。目前,数字电路与模拟电路通常使用不同的专业软件进行仿真,数字与模拟混合电路仿真难度大,基于数字样机模型的数模混合电路设备可靠性预计困难。此外,缺乏多物理场下同时考虑电子元器件功能失效与性能退化的数模混合电路可靠性预计方法,使得目前仍不能够准确地对数模混合电路电子设备可靠性进行预计。
发明内容
针对上述技术问题,本发明提供了一种基于多模型协同的数模混合电路设备可靠性预计方法,该方法能够实现针对数模混合电路设备考虑性能退化和功能失效的可靠性预计。
本发明的目的是通过以下技术方案实现的:
一种基于多模型协同的数模混合电路设备可靠性预计方法,包括如下步骤:
步骤S1、建立适用于可靠性预计的数模混合电路设备电、热耦合数字样机模型;
步骤S2、基于步骤S1建立的数字样机模型,分析数模混合电路设备电子元器件失效模式、失效机理,确定可靠性薄弱的电子元器件及其失效物理模型;
步骤S3、结合步骤S1建立的数字样机模型和步骤S2确定的可靠性薄弱电子元器件的失效物理模型,建立融合性能退化和功能失效的数模混合电路设备可靠性预计模型,基于蒙特卡洛及电热耦合仿真法求解得到给定预计工作环境应力及故障判据对应的可靠度曲线。
相比于现有技术,本发明具有如下优点:
本发明能够解决数模混合电路电子设备电路仿真建模、电子元器件退化与失效行为模拟、电热耦合下同时考虑电子元器件功能失效与性能退化的可靠性预计困难的问题。
附图说明
图1是实施例中的数模混合电路设备可靠性预计方法的流程图;
图2是实施例中数模混合电路设备结构示意图;
图3是实施例中设备电学模型热学模型建立及仿真结果示意图;
图4是实施例中元器件灵敏度分析示意图;
图5是实施例中元器件功能失效故障树分析示意图;
图6是实施例中数字信号性能退化模拟建模示意图;
图7是实施例中IBIS模型输出缓冲区等效电路;
图8是实施例中电阻性能退化与功能失效仿真数据生成示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于多模型协同的数模混合电路设备可靠性预计方法,如图1所示,包括如下步骤:
步骤S1、建立适用于可靠性预计的数模混合电路设备电、热耦合数字样机模型。
本步骤中,数模混合电路设备特征为同时包括数字型元器件和模拟型元器件,其中:数字型元器件输入输出信号中包含离散型信号(逻辑信号0/1),包括但不限于如FPGA、SRAM等可使用HDL-AMS(Verilog/VHDL-AMS)语言建立逻辑行为模型的电子元器件;模拟型元器件输入输出为连续信号(在一定范围内可以取任意值的信号),包括但不限于如电阻器、电容器、电感器、二极管、晶体管和运算放大器等可使用SPICE语言建立其行为模型的电子元器件。数字型元器件通过HDL-AMS(Verilog/VHDL-AMS)模型描述数字行为,通过IBIS模型赋予电特性。
本步骤中,数字样机模型由两部分组成:数字样机电学模型、数字样机热学模型,其中:数字样机电学模型为2D平面模型,数字样机热学模型为3D立体模型。
本步骤中,数字样机电学模型是可通过EDA软件建立的电路模型,其函数化表达形式为[W(t),E]=GE(t,Sin,Τ,RE),其特征包括:①能够进行数模混合电路的稳态电应力仿真分析,可基于给定的电路应力条件Sin得到数模混合电路设备中所有电子元器件的电应力参数向量E={V1,I1,P1,…Vi,Ii,Pi,…},其中i为设备电子元器件编号,Vi、Ii、Pi分别表示元器件i的电压有效值、电流有效值、功率有效值;②能够进行数模混合电路的瞬态电性能仿真分析,可基于给定的电路应力条件Sin得到设备关键输出节点的电压波形矩阵W(t)={w1(t),…wk(t),…},其中wk(t)表示输出节点k随时间t变化的电压波形;③能够基于电学模型参数向量RE模拟设备中电子元器件的开路、短路、无信号输出、位随机误码故障,及信号幅值、信号坡度(信号上升和下降时间)、信号时延(与完美运行状态下设备信号传输时间差值)参数变化、功能关键参数变化;④能够基于接口将E中的Pi参数传递给数字样机热学模型,并接受热学模型传递回的温度参数向量其中分别表示电子元器件i的平均壳温和平均结温。
本步骤中,数字样机热学模型是可通过有限元软件建立的热学模型,其函数化表达形式为Τ=GS(E,Sin,RS),其中RS为热仿真所需材料属性参数及其他参数所构成的向量。数字样机热学模型特征包括:①能够进行数模混合电路的稳态热仿真分析,可基于给定的电子元器件功率有效值、电路应力条件得到各电子元器件的平均壳温和平均结温;②能够通过接口接收数字样机电学模型传递来的电应力参数向量E,并传递回温度参数向量T。
步骤S2、基于步骤S1建立的数字样机模型,分析数模混合电路设备电子元器件失效模式、失效机理,确定可靠性薄弱的电子元器件及其失效物理模型。
本步骤中,数字样机模型中将电子元器件划分为功能失效型元器件和性能退化型元器件,其中:功能失效型元器件特征为其各项性能参数不随(电、热)应力和时间变化而显著变化,在故障发生时由完美运行状态突变到故障状态;性能退化型电子元器件特征为其性能参数在(电、热)应力作用下随时间变化而显著变化。性能退化型元器件的故障行为中可包括功能失效现象,功能失效型元器件的故障行为中不包括性能退化现象。
本步骤中,电子元器件失效物理模型包括性能退化模型和功能失效模型,其中:性能退化模型用于描述电子元器件性能参数在电、热应力作用下随时间变化的规律,其一般形式为Pri(t)=fi(t,Ti,Ei,Pfi),其中Pri表示电子元器件i的某一特性参数,Ti、Ei分别表示电子元器件i所受的温度应力和电应力向量,fi表示应力、时间与特性参数之间的映射函数,Pfi为函数fi的具有分布特性的系数矩阵;功能失效模型用于描述电子元器件在电、热应力作用下功能丧失时间的规律,其一般形式为Li=gi(Ti,Ei,Pgi),其中Li表示电子元器件i的功能丧失时间,Ti、Ei分别表示电子元器件i所受的温度应力和电应力向量,gi表示应力与功能丧失时间之间的映射函数,Pgi为函数gi的具有分布特性的系数矩阵;λw=hw(Tw,Ew,Phw),其中λw表示数字电子元器件端口w的位输出误码率,Tw、Ew分别表示端口w(对应芯片)所受的温度应力和电应力向量,hw表示应力与输出误码率之间的映射函数,Phw为函数hw的具有分布特性的系数矩阵。
本步骤中,确定可靠性薄弱的电子元器件的具体步骤为:
步骤S21、根据数模混合电路设备的电子元器件类型进行典型性能退化与功能失效模式梳理:数字型电子元器件性能退化包括但不限于输出电压(信号)波形幅值变化、输出电压(信号)波形上升下降沿变化,功能失效包括但不限于无信号输出、位随机误码;模拟型电子元器件性能退化包括但不限于关键参数漂移(如电阻阻值),功能失效包括但不限于短路、开路。
步骤S22、根据电子元器件性能退化类型的失效模式,进行灵敏度分析,采用K-means算法(K均值聚类算法)划分灵敏因素与非灵敏因素。
式中,表示yj(x)对设计变量xi的敏感程度,Δxi为电子元器件参数变化量。数值越大,表示设备性能yj(x)对设计变量xi越敏感。对于复杂电路,通常很难获得设备性能yj(x)的显式解析函数,因此的微分计算可以采用前向差分结果进行近似,忽略与Δxi同阶的截断误差,式中xi=(x1,…,xi+Δxi,…,xn),n为元器件总数。利用电路仿真模型计算不同因素下的设备的性能参数,根据上式计算各因素的灵敏度。
本步骤中,针对性能参数yj,采用K-means算法(K均值聚类算法)划分灵敏因素与非灵敏因素,具体步骤如下:
将距离较小的作为1簇,距离较大的作为2簇。
步骤S223、对1、2簇重新计算质心(每簇平均值)作为新的质心向量{μ1,μ2},并重复步骤S222直至所有的2个质心向量都没有发生变化。则两簇中均值较大的为灵敏因素、均值较小的为非灵敏因素。
步骤S23、根据电子元器件功能失效类型的失效模式,利用故障树分析的方法,确定发生功能失效会影响数模混合电路设备功能的电子元器件。
步骤S3、结合步骤S1建立的数字样机模型和步骤S2确定的可靠性薄弱电子元器件的失效物理模型,建立融合性能退化和功能失效的数模混合电路设备可靠性预计模型,基于蒙特卡洛及电热耦合仿真法求解得到给定预计工作环境应力及故障判据对应的可靠度曲线。
本步骤中,融合性能退化和功能失效的数模混合电路设备可靠性预计模型由步骤S1建立的数字样机模型和电子元器件失效物理模型构成,其输入为数模混合电路设备工作环境的电热应力、故障判据,输出为设备可靠度曲线,其模型构成关系、特征、步骤具体为:
步骤S31、数模混合电路设备工作环境的电热应力作为输入条件,代入步骤S1建立的数模混合电路设备数字样机模型,仿真预估设备中各薄弱电子元器件工作时所受的电热应力,即得到电应力参数向量E和温度参数向量T,确定元器件退化及失效形式并在数字样机电学模型中进行模拟。
通过步骤S31可确定元器件i承受的应力种类和范围,如应力种类和水平为节温范围为[10℃,100℃],电压范围为[100V,200V]。设元器件i有3种关键性能参数,对应失效物理模型Pri 1、Pri 2、Pri 3,有2种失效模式,对应功能失效寿命而在节温范围[10℃,100℃]和电压范围[100V,200V]内,只有2种关键性能退化Pri 1、Pri 2,1种功能失效,对应功能失效寿命则在进行融合性能退化和功能失效的数模混合电路设备可靠性预计模型建立时,采用对应模型作为输入。确定性能退化模型和功能失效模型后,便可以进行数模混合电路设备性能退化和功能失效仿真模拟,包括:①元器件性能退化模拟;②元器件功能失效模拟;③数字元器件性能退化模拟;④数字元器件功能失效模拟,其中:
①元器件性能退化模拟:可通过按照性能退化模型Pri变化的值直接修改数字样机模型中元器件的参数。
②元器件功能失效模拟:对应失效模拟和模拟方法如表1所示:
表1
③数字元器件性能退化模拟:如图6所示,通过修改IBIS模型对数字型电子元器件的输出信号幅值和输出信号坡度变化进行模拟。如表2所示,有以下方程:
式中,Ipd(V)与Ipu(V)表示在IV曲线(电流-电压曲线)中电压为V时对应的电流,Rfix为负载电阻,Vfix为负载电压,Wd和Wu分别为下拉器件与上拉器件的电流调制系数(用来上拉/下拉表征器件的开关状态,1表示打开,0表示关闭),Vdie为端口电压。
表2
IBIS模型构成如图7所示,为了避免对数字信号坡度退化模拟过程中通过修改VT曲线求解Wd和Wu造成的稳态关系不匹配问题,不使用VT曲线(电压-时间曲线),数字信号坡度退化模拟通过修改RAMP中dV/dt_r(电压上升坡度)与dV/dt_f(电压下降坡度)值实现。如上升坡度为1V每μs,则“dV/dt_r=1/1e-9”。
信号幅值修改的具体步骤如下:
步骤S311、根据欲修改电平VO1及端口负载Ro计算端口电流IO:
IO=VO1/RO (4)。
步骤S312、根据IO寻找IBIS模型[Pullup]VI曲线对应电压值计算得到VO2。
步骤S313、计算并修改IBIS模型中[Voltage range]typ的值:
[Voltage range]typ=VO1+VO2 (5)。
数字信号幅值退化模拟具体步骤如下:如端口外接负载1kΩ,欲修改信号幅值为5V,则可计算得到高电平稳态下Ipu=-0.005A。查找IBIS模型中表“[Pullup]”Ipu=-0.005A所对应的电压,可得此时电压位于0.0359V与0.1885V之间,运用线性插值的方式,计算电压为0.16395V。因此得VDD=5+0.16395=5.16395V,将IBIS模型中[Voltage range]参数改为5.16395V,实现幅值5V的模拟。信号幅值和信号坡度根据Pri变化。
④数字元器件功能失效模拟:通过修改Verilog/VHDL-AMS模型对数字电子元器件功能失效行为(如FPGA输出0/1信号位误翻转)进行模拟,数字元器件功能失效模式与模拟元器件相似的部分按照②中的方法进行模拟。
步骤S32、将得到向量E和T中的元素依次代入对应电子元器件i的失效物理模型中,得到对应电子元器件i的具有分布特性的性能退化模型Pri(t)和具有分布特性的功能失效模型Li(t)、λw(t)。
步骤S33、将各电子元器件i对应的Pri(t)和Li(t)、λw(t)同时代入建立的数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE)中的系数向量RE,使得模型的系数向量变为具有分布特性的时变向量RE(t),由此构造出考虑电子元器件性能退化和功能失效的数模混合电路数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE(t))。
步骤S34、设置时间序列{t1,t2,…,tn},依次代入t=ti至数模混合电路数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE(t)),同时基于分布特性对任一时间节点tk下的系数向量RE(tk)进行M次蒙特卡洛抽样,进而得到设备功能状态及tk下的M个相应的关键输出节点电压波形集{Wk1(t),Wk2(t),…,WkM(t)},并基于设备性能定义得到其任一时间序列tk下的稳态性能参数向量集{Yk1,Yk2,…,YkM}={H(Wk1(t))1,H(Wk2(t)),…,H(WkM(t))},其中Ykj=[y1,y2,…,yq]表示时间节点tk时的第j个抽样样本设备对应的q维性能参数向量。
步骤S36、将各时间节点下对应的概率Pk按时序依次连接,即为数模混合电路设备的可靠度曲线R(t)。
实施例:
本实施例以RS422数模混合通信电路设备为对象,进行电热耦合应力下设备可靠性预计。其电路结构如图2所示,进行基于多模型协同的数模混合电路设备可靠性预计,具体步骤如下:
步骤S1:建立适用于可靠性预计的数模混合电路设备电、热耦合数字样机模型。
如图3所示,数字样机电学模型通过Cadence仿真软件实现,其中数字电子元器件SRAM、FPGA、RS422发送与接收电路使用Verilog/VHDL-AMS建立其逻辑行为模型,对应具体芯片型号,获得其端口IBIS模型,将两者连接获得能够与模拟电路同时仿真的数字电路模型;电阻采用SPICE模型建模。数字样机热学模型通过ANSYS有限元仿真软件建立。电学模型能够进行数字模拟信号混合电路的瞬态电参数仿真,得到所有元器件电压、电流等电参数;能够通过接口将电功率传递给数字样机热学模型,并接受热学模型传递回的温度参数。热学模型能够以设备中电子元器件功率为输入进行热仿真,得到电子设备各位置的瞬态温升曲线和稳态温度结果;能够通过接口接受电学模型传递来的电功率,并传递回设备的温度,接口的参数传递功能通过Isight软件实现。
步骤S2、基于步骤S1建立的数字样机模型,分析数模混合电路设备电子元器件失效模式、失效机理,确定可靠性薄弱的电子元器件及其失效物理模型。
步骤S21:根据数模混合电路设备的电子元器件类型进行典型性能退化与功能失效模式梳理。
如表3所示,SRAM的性能退化为读取时间变化、输出信号幅值变化、输出信号坡度变化;功能失效为无信号输出、位读取信号翻转。FPGA的性能退化为输出信号幅值变化、输出信号坡度变化;功能失效为无信号输出。电阻性能退化为参数漂移,功能失效为开路、短路。RS422发送与接收电路性能退化为输出信号幅值变化、输出信号坡度变化;功能失效为无信号输出。
表3
步骤S22:根据电子元器件性能退化类型的失效模式,进行灵敏度分析,采用K-means算法(K均值聚类算法)划分灵敏因素与非灵敏因素。
以各元器件对设备输出信号坡度影响为例进行灵敏度分析,对SRAM读取时间、输出信号幅值、输出信号坡度;FPGA、输出信号幅值、输出信号坡度;电阻阻值;RS422发送与接收电路输出信号幅值、输出信号坡度进行灵敏度分析,每个因素选取两个水平:标称值和+5%偏离值。SRAM读取时间变化通过在Verilog/VHDL-AMS语言中增加不同应力下读取时间延时语句实现;SRAM、FPGA、RS422发送与接收电路输出信号幅值变化、输出信号坡度变化通过修改IBIS模型实现;电阻阻值通过在数字样机电学模型中直接修改实现。利用数字样机电学模型计算不同因素水平下的RS422数模混合通信电路设备性能参数(如图4所示,输出信号坡度时间),用K-means算法(K均值聚类算法)划分灵敏因素与非灵敏因素,本实施例可以确定灵敏因素为RS422接收电路输出信号坡度。
步骤S23:根据电子元器件功能失效类型的失效模式,利用故障树分析的方法,确定发生功能失效会影响数模混合电路设备功能的电子元器件。
如图5所示,对该电路建立故障树,通过故障树分析方法,确定关键因素为SRAM无信号输出、位读取信号翻转;FPGA无信号输出;电阻开路、短路;RS422发送与接收电路无信号输出。结合S22,可确定可靠性薄弱电子元器件为SRAM、FPGA、电阻、RS422发送与接收。
步骤S3、结合步骤S1建立的数字样机模型和步骤S2确定的可靠性薄弱电子元器件的失效物理模型,建立融合性能退化和功能失效的数模混合电路设备可靠性预计模型,基于蒙特卡洛及电热耦合仿真法求解得到给定预计工作环境应力及故障判据对应的可靠度曲线。
步骤S31、数模混合电路设备工作环境的电热应力作为输入条件,可代入S1建立的数模混合电路设备数字样机模型,仿真预估设备中各薄弱电子元器件工作时所受的电热应力,即得到电应力参数向量E和温度参数向量T,确定元器件退化及失效形式并在数字样机电学模型中进行模拟。
如图3所示,对比热学模型仿真得到的器件壳温与设备实测壳温结果,判断仿真结果是否准确,如表4所示。电阻稳态壳温21℃、SRAM为26.5℃、FPGA为36.5℃、RS422发送与接收为24.5℃,满足精度要求。
表4
步骤S32:将得到向量E和T中的元素依次代入对应电子元器件i的失效物理模型中,得到对应电子元器件i的具有分布特性的性能退化模型Pri(t)和具有分布特性的功能失效模型Li(t)、λw(t)。
实际工作条件下该通信电路设备承受应力为热和电应力,在此两种应力下,可确定元器件的对应失效物理模型。以电阻为例,通过试验所确定建立的21℃下电阻退化模型可以通过非线性Wiener过程表示,累计退化量Pr(t)有以下形式:
式中,B(tγ)为非线性布朗运动,用来描述退化量在时间轴上的不确定性;t为时间;A={A1,A2,A3,A4}为21℃电阻模型参数,服从一定分布。电阻失效时间L(t)可有:
L(t)=g(B1,B2,t) (7);
式中,t为时间,B={B1,B2}为模型参数,服从一定分布。
又如25.9℃下SRAM位误码率可有以下形式:
λ(t)=h(C1,C2,C3,C4,t) (8);
式中,C={C1,C2,…,C4},C1,C2为模型参数,C3为费米能级,C4为可用陷阱数,t为时间。由于偶然性与认知不确定性的存在,模型参数C存在波动。
根据失效物理模型对S1中建立的电路模型中的元器件模型进行修改,以电阻为例,电阻在不同时间点的阻值通过式(6)确定,并直接修改模型参数。又以SRAM为例,SRAM读取时间变化通过在Verilog/VHDL-AMS语言模型中增加读取时间延时语句实现,如表5所示,X的值经过2ns后在Z端出现:
表5
SRAM、FPGA、RS422发送与接收电路输出信号幅值变化、输出信号坡度变化通过修改IBIS模型实现;SRAM、FPGA、RS422发送与接收电路无信号输出通过输出引脚连接时间控制开关接地实现;电阻失效通过串并联与失效概率相关的时间控制开关实现。
步骤S33、将各电子元器件i对应的Pri(t)和Li(t)、λw(t)同时代入建立的数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE)中的系数向量RE,使得模型的系数向量变为具有分布特性的时变向量RE(t),由此构造出考虑电子元器件性能退化和功能失效的数模混合电路数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE(t))。
以所用元器件功能失效和性能退化为例说明仿真数据生成过程,如图8所示。根据步骤S32中确定的式(6),同时考虑电阻初始值正态分布5%分散性和电阻退化模型参数A正态分布5%分散性,进行Monte Carlo仿真可生成不同时间点下的多组电阻阻值。根据步骤S32中确定的式(7),考虑模型参数B正态分布5%分散性,进行Monte Carlo仿真可生成不同时间点下的多组电阻失效时间。失效时间作为电路仿真模型中串并联故障开关控制量。式(8)中模型参数C存在波动,参数值均服从参数变化5%的正态分布,通过100次蒙特卡洛模拟,得到100个26.5℃下读取信号翻转概率。其他元器件的性能参数与功能失效仿真数据以类似方法生成。
步骤S34、设置时间序列{t1,t2,…,tn},依次代入t=ti至数模混合电路数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE(t)),同时基于分布特性对任一时间节点tk下的系数向量RE(tk)进行M次蒙特卡洛抽样,进而得到设备功能状态及tk下的M个相应的关键输出节点电压波形集{Wk1(t),Wk2(t),…,WkM(t)},并基于设备性能定义得到其任一时间序列tk下的稳态性能参数向量集{Yk1,Yk2,…,YkM}={H(Wk1(t))1,H(Wk2(t)),…,H(WkM(t))},其中Ykj=[y1,y2,…,yq]表示时间节点tk时的第j个抽样样本设备对应的q维性能参数向量;
时间序列设置为以4000小时为间隔,根据电子元器件的性能退化模型和功能失效模型生成性能退化与功能失效仿真数据,每个时间点可设置为100组仿真数据。每组仿真数据包括:电阻阻值、电阻寿命;SRAM的性能退化的读取时间、输出信号幅值、输出信号坡度;功能失效的无信号输出寿命,位读取信号翻转概率;FPGA性能退化的输出信号幅值、输出信号坡度;功能失效的无信号输出寿命;RS422发送与接收电路性能退化的输出信号幅值、输出信号坡度;功能失效的无信号输出寿命。通过数字样机电学模型仿真得到设备功能状态、稳态性能参数向量集,如设备运行8000小时,100组设备正常运行,100组设备输出信号幅值、输出信号坡度、输出信号误码率的具体值。
δ故障判据设计如下:以通信电路设备信号传输速率为19200bps,即19200位每秒为例,则每位约为52μs。根据设备信号传输质量要求,可设定设备信号坡度0.4V/μs为失效阈值,即设备输出信号上升下降坡度低于0.4V/μs为设备失效。设备输出高电平标准值4.2V,输出低电平标准值0.2V,设定高电平失效阈值为3.8V,低电平阈值为0.3V,即设备输出高电平值低于3.8V,输出低电平高于0.3V则为设备失效。误码率阈值设为BER=10-6,即为1000000位中出现1位误码即为设备失效。设备功能失效定义为无信号输出,即设备无信号输出则为设备失效。
表6设备性能退化失效阈值设置
设备参数 | 阈值 |
信号上升下降坡度 | <0.4V/μs |
信号高电平 | <3.8V |
信号低电平 | >0.3V |
误码率 | BER>10<sup>-6</sup> |
通过数字样机电学模型仿真可知本实施例中第100个仿真数据组,即400000小时(约45.7年)的100组仿真数据中,设备各类性能退化与功能失效造成的设备失效为10组,未超出失效阈值的概率可计算为:
步骤S36、将各时间节点下对应的概率Pk按时序依次连接,即为数模混合电路设备的可靠度曲线R(t)。
具体的根据不同时间下的设备失效数,可以计算出不同时刻的设备Pk,按时序依次连接即可得到可靠度曲线。
Claims (8)
1.一种基于多模型协同的数模混合电路设备可靠性预计方法,其特征在于所述方法包括如下步骤:
步骤S1、建立适用于可靠性预计的数模混合电路设备电、热耦合数字样机模型;
步骤S2、基于步骤S1建立的数字样机模型,分析数模混合电路设备电子元器件失效模式、失效机理,确定可靠性薄弱的电子元器件及其失效物理模型;
步骤S3、结合步骤S1建立的数字样机模型和步骤S2确定的可靠性薄弱电子元器件的失效物理模型,建立融合性能退化和功能失效的数模混合电路设备可靠性预计模型,基于蒙特卡洛及电热耦合仿真法求解得到给定预计工作环境应力及故障判据对应的可靠度曲线。
2.根据权利要求1所述的基于多模型协同的数模混合电路设备可靠性预计方法,其特征在于所述步骤S1中,数字样机模型由两部分组成:数字样机电学模型、数字样机热学模型,其中:
所述数字样机电学模型是通过EDA软件建立的电路模型,其函数化表达形式为[W(t),E]=GE(t,Sin,Τ,RE),其特征包括:①能够进行数模混合电路的稳态电应力仿真分析,可基于给定的电路应力条件Sin得到数模混合电路设备中所有电子元器件的电应力参数向量E={V1,I1,P1,…Vi,Ii,Pi,…},其中i为设备电子元器件编号,Vi、Ii、Pi分别表示元器件i的电压有效值、电流有效值、功率有效值;②能够进行数模混合电路的瞬态电性能仿真分析,可基于给定的电路应力条件Sin得到设备关键输出节点的电压波形矩阵W(t)={w1(t),…wk(t),…},其中wk(t)表示输出节点k随时间t变化的电压波形;③能够基于电学模型参数向量RE模拟设备中电子元器件的开路、短路、无信号输出、位随机误码故障,及信号幅值、信号坡度、信号时延参数变化、功能关键参数变化;④能够基于接口将E中的Pi参数传递给数字样机热学模型,并接受热学模型传递回的温度参数向量其中分别表示电子元器件i的平均壳温和平均结温;
所述数字样机热学模型是可通过有限元软件建立的热学模型,其函数化表达形式为Τ=GS(E,Sin,RS),其中RS为热仿真所需材料属性参数及其他参数所构成的向量,数字样机热学模型特征包括:①能够进行数模混合电路的稳态热仿真分析,可基于给定的电子元器件功率有效值、电路应力条件得到各电子元器件的平均壳温和平均结温;②能够通过接口接收数字样机电学模型传递来的电应力参数向量E,并传递回温度参数向量T。
3.根据权利要求1所述的基于多模型协同的数模混合电路设备可靠性预计方法,其特征在于所述步骤S2中,数字样机模型中将电子元器件划分为功能失效型元器件和性能退化型元器件,其中:功能失效型元器件特征为其各项性能参数不随电、热应力和时间变化而显著变化,在故障发生时由完美运行状态突变到故障状态;性能退化型电子元器件特征为其性能参数在电、热应力作用下随时间变化而显著变化。
4.根据权利要求1所述的基于多模型协同的数模混合电路设备可靠性预计方法,其特征在于所述步骤S2中,电子元器件失效物理模型包括性能退化模型和功能失效模型,其中:性能退化模型用于描述电子元器件性能参数在电、热应力作用下随时间变化的规律,其一般形式为Pri(t)=fi(t,Ti,Ei,Pfi),其中Pri表示电子元器件i的某一特性参数,Ti、Ei分别表示电子元器件i所受的温度应力和电应力向量,fi表示应力、时间与特性参数之间的映射函数,Pfi为函数fi的具有分布特性的系数矩阵;功能失效模型用于描述电子元器件在电、热应力作用下功能丧失时间的规律,其一般形式为Li=gi(Ti,Ei,Pgi),其中Li表示电子元器件i的功能丧失时间,Ti、Ei分别表示电子元器件i所受的温度应力和电应力向量,gi表示应力与功能丧失时间之间的映射函数,Pgi为函数gi的具有分布特性的系数矩阵;λw=hw(Tw,Ew,Phw),其中λw表示数字电子元器件端口w的位输出误码率,Tw、Ew分别表示端口w所受的温度应力和电应力向量,hw表示应力与输出误码率之间的映射函数,Phw为函数hw的具有分布特性的系数矩阵。
5.根据权利要求1所述的基于多模型协同的数模混合电路设备可靠性预计方法,其特征在于所述步骤S2中,确定可靠性薄弱的电子元器件的具体步骤为:
步骤S21、根据数模混合电路设备的电子元器件类型进行典型性能退化与功能失效模式梳理;
步骤S22、根据电子元器件性能退化类型的失效模式,进行灵敏度分析,采用K均值聚类算法划分灵敏因素与非灵敏因素;
步骤S23、根据电子元器件功能失效类型的失效模式,利用故障树分析的方法,确定发生功能失效会影响数模混合电路设备功能的电子元器件。
8.根据权利要求1所述的基于多模型协同的数模混合电路设备可靠性预计方法,其特征在于所述步骤S3的具体步骤如下:
步骤S31、数模混合电路设备工作环境的电热应力作为输入条件,代入步骤S1建立的数模混合电路设备数字样机模型,仿真预估设备中各薄弱电子元器件工作时所受的电热应力,即得到电应力参数向量E和温度参数向量T,确定元器件退化及失效形式并在数字样机电学模型中进行模拟;
步骤S32、将得到向量E和T中的元素依次代入对应电子元器件i的失效物理模型中,得到对应电子元器件i的具有分布特性的性能退化模型Pri(t)和具有分布特性的功能失效模型Li(t)、λw(t);
步骤S33、将各电子元器件i对应的Pri(t)和Li(t)、λw(t)同时代入建立的数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE)中的系数向量RE,使得模型的系数向量变为具有分布特性的时变向量RE(t),由此构造出考虑电子元器件性能退化和功能失效的数模混合电路数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE(t));
步骤S34、设置时间序列{t1,t2,…,tn},依次代入t=ti至数模混合电路数字样机电学模型[W(t),E]=GE(t,Sin,Τ,RE(t)),同时基于分布特性对任一时间节点tk下的系数向量RE(tk)进行M次蒙特卡洛抽样,进而得到设备功能状态及tk下的M个相应的关键输出节点电压波形集{Wk1(t),Wk2(t),…,WkM(t)},并基于设备性能定义得到其任一时间序列tk下的稳态性能参数向量集{Yk1,Yk2,…,YkM}={H(Wk1(t))1,H(Wk2(t)),…,H(WkM(t))},其中Ykj=[y1,y2,…,yq]表示时间节点tk时的第j个抽样样本设备对应的q维性能参数向量;
步骤S36、将各时间节点下对应的概率Pk按时序依次连接,即为数模混合电路设备的可靠度曲线R(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269128.9A CN115510718B (zh) | 2022-10-17 | 2022-10-17 | 一种基于多模型协同的数模混合电路设备可靠性预计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269128.9A CN115510718B (zh) | 2022-10-17 | 2022-10-17 | 一种基于多模型协同的数模混合电路设备可靠性预计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115510718A true CN115510718A (zh) | 2022-12-23 |
CN115510718B CN115510718B (zh) | 2023-05-02 |
Family
ID=84510020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211269128.9A Active CN115510718B (zh) | 2022-10-17 | 2022-10-17 | 一种基于多模型协同的数模混合电路设备可靠性预计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510718B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984441A (zh) * | 2010-10-27 | 2011-03-09 | 哈尔滨工业大学 | 基于eda技术的电子系统多目标可靠性容差设计方法 |
US20150115994A1 (en) * | 2013-10-28 | 2015-04-30 | International Business Machines Corporation | Optimization of integrated circuit reliability |
CN108710745A (zh) * | 2018-05-16 | 2018-10-26 | 哈尔滨工业大学 | 一种结合制造工艺数据的机电产品可靠性评估方法 |
CN115061387A (zh) * | 2022-06-28 | 2022-09-16 | 北京航空航天大学 | 一种基于场路耦合协同仿真模型的元器件使用可靠性评估方法 |
-
2022
- 2022-10-17 CN CN202211269128.9A patent/CN115510718B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984441A (zh) * | 2010-10-27 | 2011-03-09 | 哈尔滨工业大学 | 基于eda技术的电子系统多目标可靠性容差设计方法 |
US20150115994A1 (en) * | 2013-10-28 | 2015-04-30 | International Business Machines Corporation | Optimization of integrated circuit reliability |
CN108710745A (zh) * | 2018-05-16 | 2018-10-26 | 哈尔滨工业大学 | 一种结合制造工艺数据的机电产品可靠性评估方法 |
CN115061387A (zh) * | 2022-06-28 | 2022-09-16 | 北京航空航天大学 | 一种基于场路耦合协同仿真模型的元器件使用可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
叶雪荣: "基于EDA的开关电源健康状态评估方法研究" * |
陈岑: "开关电源测试性设计与故障诊断研究", 《中国博士学位论文全文库工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115510718B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101149178B1 (ko) | 구성 가능한 링 발진기를 이용한 회로 시뮬레이터 파라미터 추출 | |
US11170147B2 (en) | Simulation method for use in functional equivalence check | |
Knoth et al. | Current source modeling for power and timing analysis at different supply voltages | |
Ambasana et al. | S-parameter and frequency identification method for ANN-based eye-height/width prediction | |
US5675502A (en) | Estimating propagation delays in a programmable device | |
Signorini et al. | Present and future of I/O-buffer behavioral macromodels | |
CN115510718A (zh) | 一种基于多模型协同的数模混合电路设备可靠性预计方法 | |
JP2006338253A (ja) | タイミング検証方法 | |
Jiang et al. | An effective timing characterization method for an accuracy-proved VLSI standard cell library | |
JP2009541891A (ja) | 電子システムに注入されるノイズをモデル化する方法 | |
Chakrabarti et al. | Fault diagnosis for mixed-signal electronic systems | |
GB2386220A (en) | Evaluating a power distribution network for a circuit | |
US9607118B1 (en) | Evaluating on-chip voltage regulation | |
US11017138B2 (en) | Timing analysis for parallel multi-state driver circuits | |
US7496491B2 (en) | Delay calculation method capable of calculating delay time with small margin of error | |
Ismail | Efficient model order reduction via multi-node moment matching | |
Vijayakumar et al. | On pattern generation for maximizing IR drop | |
US7643978B2 (en) | Determination of the voltages of an electric circuit | |
Liu et al. | The immunity of evolvable digital circuits to ESD interference | |
Capilayan et al. | Analysis on HSpice performance trade-off versus simulation time | |
Soni et al. | Post-routing analytical wirelength model for homogeneous FPGA architectures | |
Hou et al. | Analog transient concurrent fault simulation with dynamic fault grouping | |
Lee et al. | Cost-efficient and automatic large volume data acquisition method for on-chip random process variation measurement | |
US6701495B1 (en) | Model of the contact region of integrated circuit resistors | |
Sun et al. | RC Extraction-free Wiring Delay Analysis Focusing on Number of On-state Switches for Via-switch FPGA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |