中文 英语

预测和避免汽车芯片的故障

表格的专家:新方法依赖于越来越好的数据,但还需要在供应链中共享数据。

人气

德赢娱乐网站【官方平台】半导体工程公司(Semiconductor Engineering)与杰·拉瑟特(Jay Rathert)讨论了汽车电子产品的可靠性问题克拉;Dennis Ciplickas,先进解决方案副总裁PDF解决方案;乌兹巴鲁奇,汽车业务部的副总裁兼总经理擎天普利;Gal Carmel,总经理Proteantecs.'汽车部门;Andre Van de Geijn,业务发展经理产量表;和杰夫菲利普斯,乘坐国家仪器运输市场。以下是对话的摘录。要查看此讨论中的第一个,请单击这里

SE:数据有四个主要问题。一个是太多了。如果您尝试使用某种智能处理削减数据量,您将留下留下重要的东西。其次,无论数据如何好,它可能仍然没有完成。第三,它通常不是一致的格式。第四,有一个潜在的竞争因素,所以人们不愿意分享数据。这将如何在汽车中发挥作用?

Ciplickas:关于太多数据以及如何以干净的方式将其放在一起,我们已经开发出一个称为“语义模型”的概念。语义与架构不同。这就像语法和语法之间的差异。架构是在不同数据源之间的关联键的一种方法。但是当您将语义放在首位时,虽然数据可能来自不同的源,但每个都有自己的键,您可以看到数据实际上非常相似或相同。因此,对于不同类型的工具,或不同类型的工具上的传感器,即使它们在物理上不同,而且来自不同的供应商,有时它们可​​以被视为分析目的的逻辑上相同。通过识别在所有不同数据源的语义上类似的方式,您可以轻松地组装数据以提取有用的结果。通过向上和向下驱动语义的概念,您可以获得一个非常有效的方式来将所有东西放在一起进行分析和控制。

Baruch.: 我同意。我们对此进行了不同的方法。我们在传感器侧长大,这更具结构化。当我们进入汽车方面时,我们必须重新审视该模型将语义带入描述性层。此外,我想介绍事件驱动的概念。这些过程不受限制。当您在横跨时间内构建时,可以有10,15甚至100个流程步骤。And so that idea of being able to ingest data from multiple layers — different layers, different processes, different sensors, different equipment types — and combine them all together, if you don’t have a descriptive approach you will either end up going back to your engineering team every time you need to do something, or not being able actually to fulfill that use case because you’ll get stuck in different areas. We used this approach, and it helped us move between different companies, from Tier 1s to the OEMs. By the way, both are using different languages for altogether different problems, and they still can provide a solution.

Ciplickas:是的,有不同的数据层和芯片通过晶圆进入单个模具以及包装和系统的不同序列。可追溯性越来越重要,特别是在SIP中。汽车公司现在正在水中悬挂在水中,并使用这些先进的技术。如果您认为在iPhone上的技术现在成为汽车的一部分,那么他们可以将其堵塞到包装中的技术是惊人的,他们将其挂载到董事会,以及如何互动。实现汽车级可靠性将是一个巨大的挑战。您希望能够从现场视为失败,并迅速将该设备来自的地方以及其邻居或兄弟姐妹在路上的每一点。从这一点来看,你可以构建一个异常的图片与什么是正常的,并对比两个快速到达发生的事情的底部。通过堆叠完全建立可追溯性链接是超级有价值的,必要的,难以做到的。我一直在谈论大型掩模公司的一些人,他们会在将死亡放入大会时,你会失去这种可追溯性。不,你不必失去这种可追溯性。 You can actually implement that in the tools. There’s formats to represent all of this, like E142, to capture component movement and operations. We participate in, as well as lead, these standards efforts to keep the format current, adding things like consumables, because you may get a bad batch of solder paste or gold wire. Bringing together data across the entire supply chain creates significant efficiencies and understanding of failures. Furthermore, once you understand the root cause of the failure and you have the traceability, you can look at what else is at risk.

rather:这个循环还有另一面。我们主要谈论停止坏死或糟糕的包裹从逃到供应链中,但也有很多潜在的数据反馈,可以改善我们各自的各个域。我如何硬化我的设计?如何优化我的过程控制计划?如何收紧我的测试计划?我们可以收获这两方吗?

卡梅尔在整个行业和供应商之间共享数据需要一种激励和手段。这将有助于识别、预测和监控问题,并提供全面的价值——更不用说如果确实发生了什么事情,就能快速解决问题。数据的数量没有被收集的数据的质量、相关性和可操作性重要。这就是为什么我们基于实时测量和跨阶段共性来收集深度数据,并推断其价值,只提供被定义为相关的数据。首先是芯片厂商和一级供应商。他们可以在不损害敏感信息的情况下开始共享数据。为了让竖井开始有机地共享这些数据,必须明确定义一个框架,以及一个公共的数据基线。一旦这些基础就位,就可以建立服务于整个工具链的责任模型,并在规模上推动性能、效率和安全范围。

Ciplickas我们正与SEMI的单一设备跟踪工作组共同领导一项标准化工作,使用一种基于分类账的方法来跟踪资产——模具、封装、pcb等——通过供应链。我们认为这需要一些标准的努力,因为这是一个巨大的挑战工具供应链。每个人都必须参与登记资产,并在资产从一方转移到另一方时跟踪其保管和所有权。你希望在这个总账中有尽可能少的数据,因为没有人想把他们所有的制造数据放到一个公共区块链中。但一旦你有了这个账簿,你就知道该打电话给谁以获得更详细的数据,比如通过与供应商的私人合同。如果你从OEM或汽车一级供应商那里获得了RMA,你需要了解,“在特定的工艺步骤中,是什么导致了缺陷?”我们对这批货采用什么检验或计量方法?他说,利用这个账本,你可以通过公共区块链找到合适的供应商,然后私下和他们讨论到底发生了什么。让这个行业的每个人——包括那些制造芯片和花了所有钱的巨头们——都参与进来还需要时间。所以这是一个挑战,但这是解决这个问题的好方法。

菲利普斯:有一个完整的不同的传染媒介,数据可以在模型和建模环境周围播放自动驾驶的角色 - 以及用于定义算法本身行为的组合。从街道或舰队中的数据实时地从街道或舰队中喂回来 - 无论您是否呼唤数字双胞胎或建立某些关系,实际数据与模型之间的一些关系,特别是在自主驾驶领域 - 是一个巨大的机会。数据可以连接回开发和测试过程。

Ciplickas这就像在软件中使用的真实世界测试案例,但你现在谈论的是自动驾驶汽车和传感器数据,而不是你正在设计的东西。

van de Geijn我们还将其用于分包商、我们的客户以及客户的客户的变更数据。但是从无晶圆厂的公司(从晶圆厂获得数据)获得数据,并与从晶圆分类获得的数据相匹配,是一个问题。你需要到不同的机构去获取不同类型的数据。你必须对它进行对齐,合并,并对其进行分析。很多都是现成的,所以很容易使用。问题是你必须让你的客户相信这是正确的方法。我们的许多客户都认为这是必要的,他们已经从不同的方面收集了数据。然后我们将它们合并到我们的工具中,以创建从各种不同角度运行分析的概览,甚至取决于您所拥有的流程。一个CMOS芯片需要不同于其他过程的分析。微控制器可能与电源组件对话,每个组件使用不同的生产流程,需要不同的方法来运行这些分析。 Now it’s a matter of having good conversations with your suppliers. But with E142 and RosettaNet, the users not only have to get the data together, they also have to know and understand what they can do. And we’re seeing more and more suppliers helping them. Then they can bring it together for startups that that have some knowledge about it.

SE:鉴于所有这些,认为我们可以建立一个5nm的芯片在莫哈韦沙漠,阿拉斯加的费尔班克斯(Alaska)建立18岁的筹码是现实的

van de Geijn:我们将在18年内了解。如果你去约翰内斯堡,他们会问你是否打算开车去卡拉哈里沙漠,因为如果你这样做,你将希望能够用手梳理窗户。如果有狮子接近汽车,你不想依靠一个按钮。所以你目前最终得到了基本车,因为他们不相信所有电子产品。是的,如果您填补您的变速箱并需要帮助,您可以与您有卫星电话。但是如果您依靠电子产品和休息,那么有些地方就会被困。在我们知道的事情是否真的可靠,我们必须再等18年。在美国或欧洲,如果汽车发生了什么,可以接管。但我期待在未来五年内,如果我去偏远的地方,我仍将手动打开和关闭窗户。

rather:这个问题是OEM经常问我们的问题。从历史上看,汽车半导体已经开发出了多年来成熟的过程。现在,突然,要求包括7nm和5nm的部分,他们只是没有多年的成熟度,45纳米部分。所以他们问我们如何在九个月而不是五年内实现45nm部分的可靠性?这是挑战。我们如何在所有这些不同的筒仓中迅速学习几个周期,以便我们可以更快地实现可靠性?

卡梅尔:我们需要一种数据驱动的方法。此过程从识别非功能eCU来预测性能下降,然后在任务模式下执行基于云的故障排除的转变开始。为实现这一目标,电子设备需要了解,因此我们可以了解如何以及在车辆之间的内部和IN和IN的环境,功能压力和软件的影响。这可以通过应用深度数据来实现,这使我们能够与规范和保护区交换变化或波动以及基准操作。这将有助于确保其功能超过18年。这不仅仅是在沙漠中的非失败之间跳跃的问题。如果你去沙漠,它就预测了系统级别会发生什么。

Baruch.:这会带来一个好点,这是在更高级别的系统的上下文中需要考虑这些芯片的概念。因此,如果第一层1正在开发芯片,则需要了解有关如何在系统的上下文中组装和使用的详细信息。这需要由于可靠性方面而分享数据。但解决方案也通过分析产品失败驱动,因此数据对异常值检测和寻找异常来说也很重要。可以应用于系统级,也可以一直到汽车。共享数据和将这些技术应用于更高级别的组件的组合可以提高可靠性。您不想等待18年来了解某些事情是否可靠。

Ciplickas拥有正确数据的预测性是很重要的。如果你能理解为什么事物会以它的方式表现,那就能给你实现目标的信心。所以当你遇到一个失败,知道根本原因或者为什么会有偏差,即使它不是一个失败,让偏差与你理解并能控制的变量相关,这会给你一些信心你开始着手解决这个问题。如果你看看撒哈拉沙漠的汽车数量,这只是世界上汽车数量的一小部分。但是还有很多其他的环境可以让汽车行驶。这将推动短期内的学习。手机给了我们信心,我们真的可以用这种高技术在一个负担得起的设备上做一些真正有价值的事情,这渗透到ADAS系统和类似的东西中。如果你有数据和预测模型,未来就会涉及到制造业发生的事情的反馈循环。在工厂内部,过去没有像我们现在这样先进的过程控制,随着你添加越来越多的先进控制回路,它将开始在组装厂、测试车间甚至所有这些地方之间发生。然后你可以把它带到现场,在那里你可以从这些系统中获取数据。 Building a stable feedback loop from the field is a huge challenge, for sure. But being able to connect all that data together, right back to this data-sharing thing, could then enable a predictive model that you could take action on. That’s the path to understanding long-term reliability before the 18 years is up.

卡梅尔:除了收集数据是如何自适应使用它来定义阈值的方式。您可以通过连续验证预先设置的防护带,扩展电子设备的寿命。第一步是生成数据,第二步是创建学习曲线以设置正确的阈值,以便您可以平衡安全性和可用性。

[uzi baruch自从最佳加入并加入Proteantecs作为首席战略官。]

有关的
芯片足够好,以释放你的生活
表格的专家:改善汽车半导体的策略。
为什么改善自动芯片可靠性如此艰难
老化、适应、新工艺和新技术都需要在各个层面上做出巨大改变。



发表评论


(注意:此名称将公开显示)