数据中心和汽车芯片开始使用on-die硅电路来预测失败。
芯片行业开始添加技术,可以早期预测即将到来的失败足以避免严重的问题,无论是在制造业和领域。
工程师越来越多地使用在线监控嵌入在SoC设计捕捉设备故障前的生产流程。但对于ICs,数据跟踪从设计到应用程序只使用最近变得可用,捆绑在一起,数据和方法有用的新方法。工程团队仍然找出预测何时、如何维护方法应该被应用到复杂的电子系统。
“我今天所看到的做的更加反应在自然界中,“说兰迪鱼,硅的生命周期管理主任Synopsys对此。“你有他们所谓的灾难性的旅行监视器,如果温度达到一定水平实际上关闭芯片因为你进入一个破坏性的地区。这是常见的。这样做是为了可靠性的原因。但是你不是真的预测任何东西。”
预见性维护是吹捧为硅的关键领域内应用程序生命周期管理(SLM)。识别性能在块或晶体管级的变化可以帮助检测即将集成电路故障,导致芯片或子系统的变化之前,失败或影响系统性能。soc包含相同的IP块,攷虑通知即将失败可以切换到备用功能块。
现代soc包含在线监测可以提供带时间戳数据的多样性,可以与系统性能相关,预期从设计或测量领域。比较和相关性也可以在ICs的舰队。当适当的边缘和云计算框架,异常值检测IC在车队或数据中心变得似是而非的和可取的。
汽车、数据中心带头
“Hyperscalers和汽车厂商将决定预见性维护的关键用例,这将压低数据采购需求为芯片和系统制造商,”尤兹巴鲁克说,首席战略官proteanTecs。
汽车制造商和云提供商依赖复杂系统定期维护程序保持运行。此外,系统内置的警告或应对一些失效模式。考虑汽车的发动机指示灯会亮起来,点亮时传感器读数的剖面。或一个数据中心的高速数据总线与16车道恢复操作1巷失败时只有8车道。
搬到一个预测或及时维护方法是对双方的吸引力,尽管他们有不同的任务配置文件和操作条件。可靠性指标也不同。汽车是一个纵向测量,而云服务可靠性实时测量。
新的游戏,新的流程节点
“汽车行业的召回的成本是如此残酷的高。他们设计组件寿命长,“说Synopsys对此的鱼。“以前,他们设计了ICs使用过程节点已经存在10年或更多。这提供了很好的历史数据。与汽车ICs搬到10、7和5海里,不会有10年的数据利用。他们希望看到真正发生的是强烈的,因为他们没有历史的过程节点。”
简而言之,缺乏历史数据要求他们学习。
“我们都长大的影响可靠性浴缸曲线,”沃尔特Abramsohn说proteanTecs产品营销主管。在这条曲线上,设备失败率很高在初始产品的制造(婴儿死亡率或预生产),达到一个稳定水平(浴缸的底部、生产),然后在结束生命的再次提升。过程收缩,“但现在的曲线是关闭和变陡。在高级节点,您可以从曲线的一端到下一个三年。这意味着我们看到越来越多的婴儿死亡率和磨损快。可见性需要在每个阶段提前捕捉这些现象。预见性维护是使这些设计的基础在关键任务和uptime-critical市场。”
汽车工业一直在规划这一挑战,和它的关注超越维护。
”已经有标准机构和汽车oem探索如何将这些数据用于预防性维护,”Richard Oxland说产品经理Tessent嵌入式分析西门子EDA。”但同时,它可以用来优化操作参数的设备在他们的生活,持续监控和调节这些参数作为硅年龄呢?这可以帮助预测失败何时发生,并帮助延长硅的生命周期。利用汽车在其一生中会大大增加我们改变从个人使用模型到一个共享使用模型。这将更要求硅的可靠性。”
调整操作参数也感兴趣的数据中心的主人。“Hyper-scalers希望能够挤出尽可能多的使用性能,V最小值和F马克斯说:“鱼。“多少(性能)他们真的能拿出信封内的那部分权力呢?”
此外,预测失败意味着数据中心可以减少停机时间。“如果你看看公共云提供商,服务水平协议(SLA),“说家伙科尔特斯,产品营销经理在数字在Synopsys对此设计团队。“钱与正常运行时间和访问时间。所以当一些失败,真正的钱来支付如果他们不能满足这些协议与客户。他们想提前知道如果事情会失败,这样他们就可以行动。”
尽管所有预期的工程和运营效益,障碍确实存在。数据所有权问题和供应链的复杂性阻碍采用预见性维护。
“要克服的一个挑战是供应链的复杂性,“Oxland说。“芯片的终端用户可能会是一个非常复杂的系统的所有者。在这种情况下,谁拥有传感器数据吗?如果一个芯片上自我报告是正常操作的限制,这是一个简单的场景。包含违规芯片可以被交换出去的板或技术人员叫来取代它。但在一个复杂的供应链,传感器数据必须收集大量的芯片,可能从不同的供应商,和数据必须从所有相关的芯片在同一晶片上,这可能最终系统由不同的运营商。预测失败的经济效益需要平衡的设置成本基础设施来支持这个,和组织抵抗让外部党派(如传感器供应商)收集的数据和分析。”
访问数据,然后是理解新数据的价值。管理者相信预期的投资回报率更有可能投资于数据共享基础设施和达成协议。
”是真正的功效的一些挑战和证明出来,“说Synopsys对此的鱼。“例如,如何准确预测分析你能吗?我们认为有重要的价值。得到的数据是另一个挑战。数据做半导体制造商和集成电路供应商,和他们愿意分享所有数据吗?在汽车世界中有许多玩家数据的所有权。舰队的所有者,一级,或OEM ?的超大型数据中心,有点清晰。有效地,他们可以拥有整个堆栈——特别是他们设计的芯片。数据的传输和共享的数据不是一个问题。”
攷虑监控
预见性维护需要一个积极的策略。“攷虑预测维护策略需要从正确的前瞻性的计划。可靠性监控措施需要从一开始就占,所以他们能够提供正确的数据,“高级产品营销主管Marc Hutner说proteanTecs。“所以我们需要开始考虑优化攷虑维护从设计开始,并确保我们有机制。在一天结束的时候,所有维护策略依赖于良好的数据,和预测性维护参数的最深层次的了解开始和失效机制。这包括能见度利润率的性能、应用压力、老化效应,随机或沉默的错误,潜在的生产缺陷等等。一旦我们有正确的遥测流,模型可以用来计算性能下降,这就是最终导致预见性维护。”
各种on-die电路可用来测量感兴趣的参数,从晶体管级属性IP块路径延迟系统的工作负载。经理乔恩·霍尔特卷全球制造解决方案和工厂经理应用解决方案PDF的解决方案,阐述了典型的测量:
“最终客户可以比较t t > 0 < 0(晶圆测试)(系统或字段),建立一个预测模型,以确定当组件应该被取代,”霍尔特说。
其他人指出额外因素。“一般情况下,测量我们讨论分为三类——物理(参数)监测,如PVT或路径延迟;结构监测,主要是扫描测试数据从DFT基础设施;和功能监测数据,如公共汽车的交易信息可以来自嵌入式分析监控。”
提供使用的建筑,例如,芯片的自我修复汽车(图1)使用阿拉伯学者展示了如何实现预防性维护。
图1:系统级架构的汽车修理IC芯片使用阿拉伯学者结果。来源:西门子EDA
“今天也很常见,都记忆修复和人工智能或hyper-scalar类型设备、甚至逻辑核心修复。使用前面描述的各种机制,”Oxland说。“数据可以用来修复任何失败的逻辑实际上创造自我修复的设备。”
检测异常值
愿景,一些业内专家指出是能够比较相同的数据从一个单一集成电路IC在其他系统中。这使得理解差异在实际任务配置文件和检测显著差异的测量参数。后者使工程师寻找异常值和标记改变的东西,因为他们是明显不同的。就像制造测试工程师使用异常值算法如拍或者比率指标来识别潜在的失败部分,汽车/数据中心工程师可以使用异常值算法国旗异常IC行为和采取适当的行动。
“更复杂的方法是聚集在许多芯片随着时间的推移和相关物理参数的变化与晶圆模位置信息,过程,生产日期等,“西门子EDA Oxland指出。“这使得IC厂商和系统运营商来推断一个给定的概率芯片将来失败在某种程度上,也死于同一个小区的概率圆片,或相同的晶片很多。现在我们看到这种方法适用于一些厂商。”
我们的目标是至少隔离,如果不能消除故障。“最终,我们正在试图做的是防止流行病,“说proteanTecs巴鲁克。“最有价值的好处将来自监控不仅仅是一个芯片,但是整个芯片的舰队部署在一个类似的应用程序的整个生命周期。所以问多少设备将遭受同样的现象对评估的责任风险是至关重要的。”
汽车和云产业都是刚刚开始旅游这条道路,但没有一个相当。
“最终目标是能够准确预测的可靠性,”鱼说。“我不认为任何人的交付在今天。监控和信息在成千上万成千上万的组件尚未聚集和建模。有一些斜坡。”
结论
价值在预见性维护计划的维护是多方面的。工程师更早地发现即将失败,改变组件在需要的时候,但也优化系统的性能更好。
数据中心操作和汽车制造商将早期的采用者电器预防性维护。因此他们将率先展示如何使用数据从内部集成电路,使积极的响应。加大才刚刚开始,但没有一家公司全面实施这样的计划。一旦业务协议和数据基础设施投资到位,工程师可以考虑许多技术的可能性。
有关的故事
采用预测维护工厂的工具
预见性维护减少设备停机时间而提高工厂的效率
让更多人对预测性维护
为工厂和ICs使用数据进行及时维护。
大量的数据,但如何处理不确定性
到处都在添加传感器监控从PVT老化的影响,然而,行业正在努力找出最好的方法来提取有用的信息。
硅生命周期管理日益增长的对集成电路可靠性的影响
SLM被集成到芯片设计的改进异构芯片和复杂系统的可靠性。
|
|
|
|
|
|
|
|
|
|
留下一个回复