CC BY
12
ДИАГНОСТИЧЕСКИЕ МЕТОДЫ ОБЕСПЕЧЕНИЯ НАДЕЖНОСТИ И КАЧЕСТВА СЛОЖНЫХ СИСТЕМ
DIAGNOSTIC METHODS OF ENSURING THE RELIABILITY AND THE QUALITY
OF COMPLEX SYSTEMS
УДК 621.382 DOI 10.21685/2307-4205-2019-4-12
Р. О. Мишанов
АНАЛИЗ ТОЧНОСТИ КЛАССИФИКАЦИИ
ЭЛЕКТРОРАДИОИЗДЕЛИЙ ДЛЯ КОСМИЧЕСКОЙ АППАРАТУРЫ В ЗАВИСИМОСТИ ОТ ВРЕМЕНИ ПРОГНОЗИРОВАНИЯ
P. O. Mishanov
THE ANALYSIS OF THE CLASSIFICATION ACCURACY OF THE ELECTRONIC COMPONENTS FOR THE SPACE EQUIPMENT DEPENDING ON THE FORECASTING TIME
Аннотация. Актуальность и цели. Представлен анализ результатов исследовательских испытаний выборки стабилитронов и микросхем специального назначения с целью отбраковки потенциально дефектных электрорадиоизделий. Приводится информация о назначении и программе исследовательских испытаний микросхем, указывается связь обучающего эксперимента и исследовательских испытаний. Приведены важнейшие этапы методики обучающего эксперимента. Отмечены задачи каждого этапа методики. На примере выборки микросхем показано применение программы испытаний, определены режимы испытаний, выявлены наиболее информативные параметры. Получены математические модели индивидуального прогнозирования для исследуемой выборки на основе полученных результатов испытаний. Материалы и методы. В качестве методов индивидуального прогнозирования состояния ЭРИ выбраны метод дискриминантных функций и метод регрессионных моделей. Результаты и выводы. На основе полученных моделей определены вероятностные характеристики при каждом выбранном времени прогнозирования.
© Мишанов Р. О., 2019
Abstract. Background. The article is devoted to the analysis of the research test results of Zener diodes and chips samples with the purpose of potentially defective components rejecting. The article deals with the information of the investigation tests assignment, development of the investigation tests program of the integrated circuits. The communication of teaching experiment and investigation tests is specified. Tasks of each stage of the method are marked. The major destabilizing factors influencing on the integrated circuits operation are stated. On the example of the integrated circuits selection the application of the test program is shown, the studied parameters are determined, the most informative parameters are set. Mathematical models of personal forecasting for the researched selection on the basis of the received test results are given. Materials and methods. The method of discriminant functions and the method of regression models are chosen as methods of individual forecasting of the components state. Results and conclusions. Based on the obtained models, the probabilistic characteristics are determined for each selected forecasting time.
Ключевые слова: индивидуальное прогнозирование, выборка, исследовательские испытания, дискрими-нантная функция, регрессионная модель, прогнозируемый параметр, информативный параметр, дисперсия ошибки, стабилитрон, микросхема, время прогнозирования.
Keywords: individual forecasting, sample, research test, discriminant function, regression model, forecasting parameter, informative parameter, error variance, Zener diode, chip, forecasting time.
Введение
Методология управления качеством сложных систем [1] предусматривает решение вопроса обеспечения стабильной работы радиоэлектронной аппаратуры, предназначенной для работы в условиях космического пространства и устанавливаемой на космические аппараты с длительным сроком активного существования. Это требует поиска и использования новых методов и решений по повышению качества и надежности этой аппаратуры. Часто используют диагностический контроль электрорадиоизделий ЭРИ [2].
Отбраковка электрорадиоизделий по результатам индивидуального прогнозирования их качества или диагностического неразрушающего контроля является одним из эффективных способов повышения качества разрабатываемой радиоэлектронной аппаратуры для космических аппаратов [3, 4]. Такой подход позволяет с приемлемыми затратами материальных ресурсов и времени перед этапом изготовления заложить необходимый уровень надежности аппаратуры. Особого внимания заслуживает применение индивидуального прогнозирования состояния электрорадиоизделий, заключающееся в определении состояния каждого конкретного экземпляра с определенной точностью и на заранее выбранный срок [5]. При этом выбор времени прогнозирования должен быть обоснован в зависимости от срока активного существования аппарата, а также режимов работы аппаратуры.
Обычно выбирают семь основных этапов исследовательских испытаний. Выбор воздействующих факторов осуществляют по методике [6].
Цель работы - анализ точности классификации электрорадиоизделий.
Анализ результатов прогнозирования электрорадиоизделий
В статье приводятся результаты исследовательских испытаний выборки стабилитронов и интегральных микросхем, предназначенных для установки в блоки высоконадежной космической аппаратуры. На основе полученных результатов проведено индивидуальное прогнозирование состояния ЭРИ методом дискриминантных функций и методом регрессионных моделей.
Основная идея всей группы методов дискриминантных функций (МДФ) состоит в определении и построении дискриминантной функции, определяющей границы гиперплоскости в пространстве признаков и разделяющей это пространство на области, характеризующие какие-либо классы образов [7] . Линейная дискриминантная функция имеет вид [8]
Я (£) = в£ +в2 £2 +... + &, £п,
где £ = £р£2,...,£п - вектор состояния объекта; Р2,...,вп - постоянные коэффициенты, задающие положение гиперплоскости в пространстве признаков.
В представленных результатах исследований каждая выборка разделяется на два класса: класс годных (К1) и класс потенциально дефектных изделий (К2). Таким образом, преобразованное уравнение дискриминантной функции, учитывающей наличие прогнозируемого параметра у, информативных параметров х1, х2, а также порог дискриминантной функции ПЯ, будет иметь вид
ПЯ = У (пр ) + Р1 X (о ) + Р2*2 (о )
где у ) - значение прогнозируемого параметра к моменту времени прогнозирования; х1 (0) и
х2 (0) - значения информативных параметров перед испытаниями ЭРИ. Таким образом, нахождение дискриминантной функции сводится к оценке постоянных коэффициентов в и варьированию порога П так, чтобы гиперплоскость разделяла объекты оптимальным образом.
Метод регрессионных моделей (МРМ) позволяет провести прогноз параметра у с помощью авторегрессионной модели по информации о параметрах выборки изделий. Наибольшее распространение получила линейная регрессионная модель вида [5]
У = Д + а1£1 + а2£2 + ...+ ак £к,
где а1, а2,..., ак - постоянные коэффициенты; Д - некоторая случайная величина.
В случае использования информативных параметров х1, х2 модель принимает вид
У (пр ) = Во + В1Х1 (о ) + В2 Х2 (0 )
где В0 ...Вк - постоянные коэффициенты регрессионной модели. Таким образом, задача определения регрессионной модели сводится к поиску коэффициентов В0...Вк [3].
МДФ позволяет провести прогнозирование качественно, т.е. по принадлежности каждого конкретного экземпляра к определенному классу, а МРМ - количественно оценить значение прогнозируемого параметра каждого конкретного экземпляра, и соотнести его к определенному классу.
Для выборки стабилитронов состояние ЭРИ оценивалось по прогнозируемому параметру у -дрейфу напряжения стабилизации, граничное значение которого выбрано равным 20 %. Измерение информативных параметров х1 и х2 - коэффициента увеличения теплового тока и дифференциального сопротивления - производилось в начальный момент испытаний (¿исп. = 0 ч), измерение прогнозируемого параметра проводилось при времени испытаний равным 25, 100, 250, 500, 1000 ч. Таким образом, наибольшее время прогнозирования равно 1000 ч, т.е. 41,6 сут при условии непрерывной работы.
Для выборки микросхем состояние ЭРИ оценивалось по прогнозируемому параметру у -дрейфу тока утечки, граничное значение которого выбрано равным 60 %. Измерение информативных параметров х1 и х2 - времени задержки по переднему фронту сигнала и критическому питающему напряжению - производилось в начальный момент испытаний (¿исп. = 0 ч), измерение прогнозируемого параметра проводилось при времени испытаний /исп., равным 250, 500, 1000, 5000, 10 000 ч. Таким образом, наибольшее время прогнозирования равно 10000 ч, т.е. 1,14 года при условии непрерывной работы.
Результаты прогнозирования для выборки стабилитронов и микросхем представлены в табл. 1, 2.
Таблица 1
Результаты прогнозирования для выборки стабилитронов
Метод Верифицируемые характеристики tm» Ч
25 100 250 500 1000
МДФ Порог дискриминантной функции, Пе 9 8,8 8 5,7 5
Риск изготовителя, Ризг. 0 0 0 0 0
Риск потребителя, Рпт. 0,057 0,057 0,061 0,089 0,054
Вероятность принятия ошибочных решений, Рош. 0,057 0,057 0,057 0,075 0,038
МРМ Риск изготовителя, Ризг. - - 0,02 0,273 0,125
Риск потребителя, Рпт. 0 0 0 0,026 0,029
Вероятность принятия ошибочных решений, Рош. 0 0 0,02 0,08 0,06
Дисперсия ошибки, Бош. 1,5247 5,3482 10,1027 14,8423 20,6473
Таблица 2
Результаты прогнозирования для выборки микросхем
Метод Верифицируемые характеристики tnp, ч
250 500 1000 5000 10000
1 2 3 4 5 6 7
МДФ Порог дискриминантной функции, Пе 5,3 5,3 5,2 4,4 3,8
Риск изготовителя, Ризг. 0 0 0 0 0,059
Риск потребителя, Рпт. 0,061 0,064 0,044 0,048 0,111
Вероятность принятия ошибочных решений, Рош. 0,057 0,057 0,038 0,038 0,094
Окончание табл. 2
1 2 3 4 5 6 7
МРМ Риск изготовителя, Ризг. - 0,167 0,25 0,333 0,286
Риск потребителя, Рпт. 0,021 0,023 0,024 0,053 0,069
Вероятность принятия ошибочных решений, Рош. 0,02 0,04 0,06 0,12 0,16
Дисперсия ошибки, Бош. 125,6036 259,8427 367,9576 490,9629 557,608
При анализе полученных результатов было отмечено, что положение разделяющей плоскости в пространстве признаков, описываемой дискриминантной функцией, склонно к изменению, так как для нахождения оптимальной разделяющей плоскости необходимо варьировать порог функции. Это объясняется тем, что в различных временных сечениях дисперсия параметров (вектора состояния) различна, так как процесс изменения параметров состояния является квазидетер-минированным. Также при различных временных сечениях возможны случаи перекрытия распределений величин параметров в силу квазидетерминированности процесса и ошибок измерения. Это приводит к неэффективности ранее найденной дискриминантной функции, а также колебанию вероятностных характеристик (Ризг., Рпт., Рош.) при наблюдаемой динамике роста вероятности принятия ошибочных решений с ростом времени прогнозирования. На рис. 1 рост вероятности принятия ошибочных решений не показан, так как наибольшее время прогнозирования выбрано малым для такого типа ЭРИ.
Вероятность
0,09 J
0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 о
о
—•— Рош МДФ - ♦ - Рош МРМ
Рис. 1. График зависимости вероятности принятия ошибочных решений от времени прогнозирования для выборки стабилитронов
Для оценки точности результатов, полученных с помощью МРМ, использовались показания дисперсии ошибки. По рис. 1 и 2 видно, что с увеличением времени прогнозирования МРМ для исследуемых выборок демонстрирует более высокие значения вероятности принятия ошибочных решений по сравнению с результатами, полученными с помощью МДФ, что можно объяснить возрастающей дисперсией.
Рис. 2. График зависимости вероятности принятия ошибочных решений от времени прогнозирования для выборки микросхем
Заключение
Проведен анализ точности классификации микросхем и стабилитронов по результатам индивидуального прогнозирования. Установлена связь вероятности принятия правильного решения и времени прогнозирования. Показано, что метод МРМ дает более высокие значения вероятности принятия ошибочных решений, чем метод МДФ.
Библиографический список
1. Гришко, А. К. Методология управления качеством сложных систем / А. К. Гришко, Н. К. Юрков, И. И. Кочегаров // Труды Международного симпозиума Надежность и качество. - 2014. - Т. 2. - С. 377-379.
2. Герасимов, О. Н. Способ организации производственного контроля и диагностики РЭС с заданным уровнем остаточного ресурса / О. Н. Герасимов, А. В. Затылкин, Н. К. Юрков // Надежность и качество сложных систем. - 2016. - № 1 (13). - С. 94-98.
3. Тюлевин, С. В. Индивидуальное прогнозирование показателей качества элементов космической аппаратуры / С. В. Тюлевин, М. Н. Пиганов, Е. С. Еранцева // Труды Международного симпозиума Надежность и качество. - 2014. - Т. 2. - С. 277-281.
4. Данилин, Н. Проектирование и разработка космических бортовых приборов, ориентированных на современную зарубежную электронную компонентную базу / Н. Данилин, С. Белослудцев // Современная электроника. - 2008. - № 4. - С. 54-59.
5. Пиганов, М. Н. Индивидуальное прогнозирование показателей качества элементов и компонентов микросборок / М. Н. Пиганов. - Москва : Новые технологии, 2002. - 267 с.
6. Мишанов, Р. О. Исследовательские испытания интегральных микросхем / Р. О. Мишанов, М. Н. Пиганов // Известия Самарского научного центра РАН. - 2016. - Т. 18, № 4 (7). - С. 1406-1409.
7. Гонсалес, Г. К. Принципы распознавания образов / Г. К. Гонсалес ; пер. с англ. И. Е. Гуревича ; под ред. Ю. И. Журавлева. - Москва : Мир, 1978. - 414 с.
8. Гаскаров, Д. В. Прогнозирование технического состояния и надежности радиоэлектронной аппаратуры / Д. В. Гаскаров, Т. А. Голинкевич, А. В. Мозгалевский ; под ред. Т. А. Голинкевича. - Москва : Советское радио, 1974. - 224 с.
References
1. Grishko A. K., Yurkov N. K., Kochegarov I. I. Trudy Mezhdunarodnogo simpoziuma Nadezhnost' i kachestvo [Proceedings of the international symposium Reliability and quality]. 2014, vol. 2, pp. 377-379. [In Russian]
2. Gerasimov O. N., Zatylkin A. V., Yurkov N. K. Nadezhnost' i kachestvo slozhnykh system [Reliability and quality of complex systems]. 2016, no. 1 (13), pp. 94-98. [In Russian]
3. Tyulevin S. V., Piganov M. N., Erantseva E. S. Trudy Mezhdunarodnogo simpoziuma Nadezhnost' i kachestvo [Proceedings of the international symposium Reliability and quality]. 2014, vol. 2, pp. 277-281. [In Russian]
4. Danilin N., Belosludtsev S. Sovremennaya elektronika [Modern electronics]. 2008, no. 4, pp. 54-59. [In Russian]
5. Piganov M. N. Individual'noe prognozirovanie pokazateley kachestva elementov i komponentov mikrosborok [Individual forecasting of quality indicators of elements and components of microassemblies]. Moscow: Novye tekhnologii, 2002, 267 p. [In Russian]
6. Mishanov R. O., Piganov M. N. Izvestiya Samarskogo nauchnogo tsentra RAN [Proceedings of the Samara scientific center of the Russian Academy of Sciences]. 2016, vol. 18, no. 4 (7), pp. 1406-1409. [In Russian]
7. Gonsales G. K. Printsipy raspoznavaniya obrazov [Pattern recognition principles]; transl. from Engl. by I. E. Gurevich. Moscow: Mir, 1978, 414 p. [In Russian]
8. Gaskarov D. V., Golinkevich T. A., Mozgalevskiy A. V. Prognozirovanie tekhnicheskogo sostoyaniya i nadezh-nosti radioelektronnoy apparatury [Forecasting the technical condition and reliability of electronic equipment]. Moscow: Sovetskoe radio, 1974, 224 p. [In Russian]
Мишанов Роман Олегович
кандидат технических наук, ассистент, кафедра конструирования
и технологии электронных систем и устройств, Самарский национальный исследовательский университет имени академика С. П. Королева (443086, Россия, г. Самара, Московское шоссе, 34) E-mail: kipres@ssau.ru
Mishanov Roman Olegovich
candidate of technical sciences, assistant, sub-department of design and technology electronic systems and devices, Samara University
(443086, 34 Moskovskoe highway, Samara, Russia)
Образец цитирования:
Мишанов, Р. О. Анализ точности классификации электрорадиоизделий для космической аппаратуры в зависимости от времени прогнозирования / Р. О. Мишанов // Надежность и качество сложных систем. — 2019. - № 4 (28). - С. 112-117. - БОТ 10.21685/2307-4205-2019-4-12.
