Predição de tempo de vida restante em sistemas integrados digitais considerando condições ambientais dinâmicas

• Autor(a) principal: Pedro Fausto Rodrigues Leite Junior
• Data de Publicação: 2017
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/51446
• topic: Tempo de vida restante; Confiabilidade; Envelhecimento de circuitos integrados; Predição de falhas; Engenharia elétrica; Confiabilidade (Engenharia); Circuitos integrados digitais; Localização de falhas (Engenharia) -

O estudo da confiabilidade de circuitos integrados tornou-se de súbita importância para o entendimento, detecção e correção de suas falhas. A compreensão de como ou sob quais condições este envelhecimento torna-se prejudicial a um sistema permitirá tomar decisões que sanem ou evitem estas condições. Esse trabalho estabelece um fluxo para análise e simulação de sistemas integrados que permite entender seu envelhecimento, em diferentes condições. Além disso, permite extrair e analisar dados que são relevantes para prever a sua falha e sirvam de entrada para sistemas de verificação, avaliação e atuação contra falhas utilizando-se de técnicas de aprendizado de máquina. A metodologia desenvolvida permite a integração de técnicas de coleta de dados offline e online para atualização dos métodos de estimativa, além de permitir que novos sejam adicionados. O trabalho utiliza três métodos diferentes para prever o Tempo Médio para Falha (i.e. Mean Time To Failure, MTTF) e o Tempo de Vida Restante para vários circuitos de teste. O MTTF é estimado para cada um deles utilizando um Modelo Linear Generalizado (especificamente uma Regressão de Mínimos Quadrados Parciais), a Distância Euclideana e a Correlação de Pearson como métodos de predição. Os resultados obtidos indicam que a representação das condições de operação dos sistemas por meio de perfis dinâmicos é mais realística do que a representação através de um perfil de operação que não varia no tempo, além de mais precisa. Adicionalmente, a predição do MTTF foi de aproximadamente 90% de precisão para um modelo de Regressão de Mínimos Quadrados Parciais e de Distância Euclideana.