故障預測
芝能智芯出品
NXP發布了《FAILURE PREDICTION WITH CHANGING EV AND AV MISSION PROFILES》，主要針對故障預測的，供大家參考。
ISO 26262-11:2018，??常數失效率用于計算安全指標。?
? 假設1：早期故障被假定由供應商有效地篩選出。?
? 假設2：在可用的任務壽命期間，磨損（Wear-out）故障被假定為可以忽略不計。
驗證假設 壽命周期故障?
? 自動駕駛的電動汽車擴展了車輛的使用工況。?
? 最新技術導入，給汽車的可靠性領域帶來了不確定性
自動駕駛工作曲線
故障的問題問題陳述?
? 早期故障可能無法有效篩選出?
? 擴展的使用曲線，可能將汽車的部件工況推向極限?
? 功能添加邊際（工藝、設計、測試等）成本過高或不可能 或者，
? 降低了產品的有用壽命?
? 沒有方法確定何時停止使用產品。
故障檢測方法
在故障類型方面，潛在缺陷可分為以下幾種：永久性、間歇性、瞬時性，而根本原因則包括外部顆粒、電氣過應力、焊墊腐蝕、接觸不良、晶圓劃痕、金屬空洞等，噪聲、串擾、電壓下降等。而偏置溫度不穩定性（BTI）、熱載流子注入（HCI）、時間相關二氧化硅擊穿（TDDB）、電遷移（EM）等也是故障的根本原因。在檢測方面，采用了內置自測試（BIST）、冗余設計、安全監控等方法。故障的應對方式包括：如果是間歇性故障，可進行復位和恢復；如果是永久性故障，則進行復位并恢復到安全狀態。?
潛在缺陷的一個子集可能引起電路性能（如時序、電流等）的逐漸變化。在某些情況下，例如Bias Temperature Instability（偏置溫度不穩定性，BTI）和Hot Carrier Injection（熱載流子注入，HCI）引起電路時序逐漸變化。一些Time Dependent Dioxide Breakdown（TDDB）和Electromigration（電遷移，EM）缺陷的子集也可能導致電路時序逐漸變化。
將預測性維護應用于計算安全指標僅在以下情況下才具有意義：?
故障模式不是由瞬時故障引起的，例如上表中的FM2。這需要進行充分的理由。例如，典型的故障模式可能包括由于老化導致的操作頻率降低等。在這種情況下，只有當故障是由于永久性或間歇性原因而非瞬時故障引起時，才能應用預測性維護進行安全指標的計算。必須給出合理的解釋來支持這種選擇。用于計算長期失效模式（LFM），當不考慮瞬時故障時，例如上表中的FM3。
在這種情況下，預測性維護可以用來預測長期失效，前提是不將瞬時故障考慮在內。這種情況下，系統可能會面臨特定的故障模式，需要采取適當的預測性維護措施，以確保長期運行的可靠性和安全性。
預測性維護用于確定產品壽命
L3+級別的自動駕駛車輛，車企需要在整個生命周期內保證車輛的安全性。當前無法使用簡單通用的應用曲線來引導客戶知道何時停用車輛。因為由于環境、使用條件、駕駛習慣等原因，車輛應用曲線需要高度個性化。
可以添加到滿足汽車安全完整性級別（ASIL）要求的現有安全架構之上。估算車輛的剩余有用壽命，類似于油量指示器，通過儀表板和/或智能手機應用程序通知用戶。
EoL：生命周期結束，警告消息：“自動駕駛功能將在x個月內達到其生命周期結束。如果不采取措施，將被停用。”
內建自測解決方案可捕獲物理缺陷，例如邏輯BIST、內存BIST、模擬BIST等，反映設備的健康狀況。多數物理缺陷表現為數字電路的時序故障，需要數字電路關鍵路徑監視器。工藝變異和環境因素在缺陷加速中起著重要作用，故障類型沒有好的解決方案，例如模擬性能退化，需要進行持續研究。
