Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2012

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: board level testing

Sortuj według:

Ogranicz wyniki do:

Incorporating product robustness level in field return rate predictions

Tekcan A. T., Kahramanoglu G., Gündüzalp M.

Eksploatacja i Niezawodność

2012

Vol. 14, No. 4

327-332

Reliability and return rate prediction of products are traditionally achieved by using stress based standards and/or applying accelerated life tests. But frequently, predicted reliability and return rate values by using these methods differ from the field values. The primary reason for this is that products do not only fail due to the stress factors mentioned in the standards and/or used in accelerated life tests. There are additional failure factors, such as ESD, thermal shocks, voltage dips, interruptions and variations, quality factors, etc. These factors should also be considered in some way when predictions are made during the R&D phase. Therefore, a method should be used which considers such factors, thus increasing the accuracy of the reliability and return rate prediction. In this paper, we developed a parameter, which we call Robustness Level Factor, to incorporate such factors, and then we combined this parameter with traditional reliability prediction methods. Specifically, the approach takes into account qualitative reliability tests performed during the R&D stage and combines them with life tests by using Artificial Neural Networks (ANN). As a result, the approach gives more accurate predictions compared with traditional prediction methods. With this prediction model, we believe that analysts can determine the reliability and return rate of their products more accurately.

Niezawodność i wskaźniki zwrotów towaru przewiduje się tradycyjnie przy użyciu norm obciążeniowych i/lub stosując przyspieszone badania trwałości. Jednakże, często wartości niezawodności i wskaźnika zwrotów przewidywane za pomocą tych metod różnią się od ich wartości rzeczywistych. Główną tego przyczyną jest fakt, że produkty nie ulegają awarii wyłącznie pod wpływem czynników obciążeniowych wymienianych w normach i/lub wykorzystywanych w przyspieszonych badaniach trwałości. Istnieją dodatkowe czynniki wpływające na intensywność uszkodzeń, takie jak wyładowania elektrostatyczne, wstrząsy termiczne, spadki, przerwy w dostawie i zmiany napięcia, czynniki jakościowe, itp. Te czynniki także powinny być w jakiś sposób uwzględnione przy dokonywaniu predykcji na etapie badań i rozwoju (R&D). Dlatego też zwiększenie trafności predykcji niezawodności i wskaźników zwrotów towaru wymaga metody, która uwzględniałaby tego typu czynniki. W niniejszej pracy opracowaliśmy parametr, nazwany przez nas "czynnikiem poziomu odporności", który pozwala na uwzględnienie takich czynników, a następnie wykorzystaliśmy ów parametr w połączeniu z tradycyjnymi metodami przewidywania niezawodności. W szczególności, przedstawione podejście bierze pod uwagę jakościowe badania niezawodnościowe wykonywane na etapie R&D łącząc je z badaniami trwałościowymi przy użyciu sztucznych sieci neuronowych ANN. Dzięki temu, w podejściu tym uzyskuje się bardziej trafne predykcje niż w tradycyjnych metodach prognozowania. Jesteśmy przekonani, że użycie powyższego modelu predykcyjnego umożliwi analitykom bardziej trafne wyznaczanie niezawodności oraz wskaźników zwrotów wytwarzanych przez nich produktów.