智能电动车辆的故障预测

shuizhonghua

NXP发布了《FAILURE PREDICTION WITH CHANGING EV AND AV MISSION PROFILES》，主要针对故障预测的，供大家参考。



ISO 26262-11:2018，  常数失效率用于计算安全指标。

? 假设1：早期故障被假定由供应商有效地筛选出。

? 假设2：在可用的任务寿命期间，磨损（Wear-out）故障被假定为可以忽略不计。

验证假设 寿命周期故障

? 自动驾驶的电动汽车扩展了车辆的使用工况。

? 最新技术导入，给汽车的可靠性领域带来了不确定性



自动驾驶工作曲线



故障的问题问题陈述

? 早期故障可能无法有效筛选出

? 扩展的使用曲线，可能将汽车的部件工况推向极限

? 功能添加边际（工艺、设计、测试等）成本过高或不可能 或者，

? 降低了产品的有用寿命

? 没有方法确定何时停止使用产品。



故障检测方法

在故障类型方面，潜在缺陷可分为以下几种：永久性、间歇性、瞬时性，而根本原因则包括外部颗粒、电气过应力、焊垫腐蚀、接触不良、晶圆划痕、金属空洞等，噪声、串扰、电压下降等。而偏置温度不稳定性（BTI）、热载流子注入（HCI）、时间相关二氧化硅击穿（TDDB）、电迁移（EM）等也是故障的根本原因。在检测方面，采用了内置自测试（BIST）、冗余设计、安全监控等方法。故障的应对方式包括：如果是间歇性故障，可进行复位和恢复；如果是永久性故障，则进行复位并恢复到安全状态。

潜在缺陷的一个子集可能引起电路性能（如时序、电流等）的逐渐变化。在某些情况下，例如Bias Temperature Instability（偏置温度不稳定性，BTI）和Hot Carrier Injection（热载流子注入，HCI）引起电路时序逐渐变化。一些Time Dependent Dioxide Breakdown（TDDB）和Electromigration（电迁移，EM）缺陷的子集也可能导致电路时序逐渐变化。



将预测性维护应用于计算安全指标仅在以下情况下才具有意义：



故障模式不是由瞬时故障引起的，例如上表中的FM2。这需要进行充分的理由。例如，典型的故障模式可能包括由于老化导致的操作频率降低等。在这种情况下，只有当故障是由于永久性或间歇性原因而非瞬时故障引起时，才能应用预测性维护进行安全指标的计算。必须给出合理的解释来支持这种选择。用于计算长期失效模式（LFM），当不考虑瞬时故障时，例如上表中的FM3。

在这种情况下，预测性维护可以用来预测长期失效，前提是不将瞬时故障考虑在内。这种情况下，系统可能会面临特定的故障模式，需要采取适当的预测性维护措施，以确保长期运行的可靠性和安全性。

预测性维护用于确定产品寿命

L3+级别的自动驾驶车辆，车企需要在整个生命周期内保证车辆的安全性。当前无法使用简单通用的应用曲线来引导客户知道何时停用车辆。因为由于环境、使用条件、驾驶习惯等原因，车辆应用曲线需要高度个性化。



可以添加到满足汽车安全完整性级别（ASIL）要求的现有安全架构之上。估算车辆的剩余有用寿命，类似于油量指示器，通过仪表板和/或智能手机应用程序通知用户。

EoL：生命周期结束，警告消息：“自动驾驶功能将在x个月内达到其生命周期结束。如果不采取措施，将被停用。”



内建自测解决方案可捕获物理缺陷，例如逻辑BIST、内存BIST、模拟BIST等，反映设备的健康状况。多数物理缺陷表现为数字电路的时序故障，需要数字电路关键路径监视器。工艺变异和环境因素在缺陷加速中起着重要作用，故障类型没有好的解决方案，例如模拟性能退化，需要进行持续研究。

mizhongquan

针对智能电动车辆的故障预测，NXP发布的报告值得关注。ISO 26262-11:2018标准中提出的常数失效率对于计算安全指标至关重要。针对假设1，早期故障的有效筛选是供应商责任，需确保产品在投放市场前经过严格测试。假设2中，在车辆寿命周期内，磨损故障的影响被忽略，但这需在实际应用中持续验证。自动驾驶电动汽车的扩展使用工况及新技术导入确实带来不确定性，应加强可靠性验证，确保行车安全。

开垦者

针对智能电动车辆的故障预测，NXP发布的报告具有重要意义。ISO 26262-11:2018标准中提到的常数失效率为计算安全指标提供了基础。假设早期故障已被有效筛选，且在任务寿命期间磨损故障可忽略，这些假设对于故障预测模型至关重要。自动驾驶电动汽车的扩展使用工况和技术更新带来的不确定性，要求对验证假设进行更加细致的研究。针对这些变化，我们需要持续优化预测模型，确保智能电动汽车的可靠性和安全性。

hk4835

针对智能电动车辆的故障预测，NXP发布的报告为我们提供了深入的理解。报告中提到的ISO 26262-11:2018标准对于计算安全指标至关重要。关于假设，早期故障通常被视为供应商质量控制的结果，而磨损故障在车辆寿命周期内可忽略不计。然而，自动驾驶电动汽车的扩展使用工况及新技术导入确实给可靠性领域带来挑战。我们需要验证这些假设，以确保车辆在实际运行中达到预期的安全性和可靠性标准。

lixinfu

针对智能电动车辆的故障预测，NXP发布的《FAILURE PREDICTION WITH CHANGING EV AND AV MISSION PROFILES》为我们提供了重要参考。ISO 26262-11:2018标准中，常数失效率被用于计算安全指标。针对假设1，早期故障应由供应商有效筛选；假设2则假定在任务寿命期间磨损故障可忽略。自动驾驶的电动汽车使用工况的扩展及新技术导入确实给汽车可靠性领域带来挑战。为验证这些假设，我们需关注寿命周期故障数据，并进一步研究新技术对可靠性的影响。

mqh0386

针对智能电动车辆的故障预测，NXP发布的报告为我们提供了深入的理解。ISO 26262-11:2018标准中提到的常数失效率对于计算安全指标至关重要。在考虑自动驾驶的电动汽车扩展的使用工况及新技术导入带来的不确定性时，我们假设早期故障已被有效筛选，且在车辆寿命周期内磨损故障可忽略。为验证这些假设，我们需深入研究寿命周期故障模式。进一步的研究和测试是确保智能电动车安全性的关键。

xiaocheng

针对智能电动车辆的故障预测，NXP发布的报告值得关注。ISO 26262-11:2018标准的常数失效率对于计算安全指标至关重要。在评估故障预测模型时，我们做出假设：早期故障已被供应商有效筛选，且在车辆寿命周期内磨损故障可忽略。然而，自动驾驶电动汽车的扩展使用工况及新技术导入带来了不确定性，需要验证这些假设。未来，我们需深入研究，以更精准地预测故障并提升车辆可靠性。

shinch

针对智能电动车辆的故障预测，NXP发布的报告为我们提供了深入的理解。结合ISO 26262-11:2018标准，常数失效率对于计算安全指标至关重要。针对假设1，早期故障确实应由供应商有效筛选，而对于假设2，在寿命周期内磨损故障可忽略不计，应进行严格验证。自动驾驶电动汽车的扩展使用工况和技术更新带来的不确定性，要求我们在故障预测中考虑更多因素。建议深入研究并参考NXP报告，以推动智能电动汽车的可靠性发展。