CN117766014B - 辐照检测存储器芯片的测试方法 - Google Patents
辐照检测存储器芯片的测试方法 Download PDFInfo
- Publication number
- CN117766014B CN117766014B CN202410190601.7A CN202410190601A CN117766014B CN 117766014 B CN117766014 B CN 117766014B CN 202410190601 A CN202410190601 A CN 202410190601A CN 117766014 B CN117766014 B CN 117766014B
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- data
- tested
- sensitivity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims description 40
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000007306 turnover Effects 0.000 claims abstract description 6
- 238000010998 test method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000005855 radiation Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 16
- 238000013507 mapping Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000007334 memory performance Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003471 anti-radiation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006993 memory improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
本申请提供一种辐照检测存储器芯片的测试方法，在待测芯片上设置多个高灵敏度传感器，以获取测试过程中同一时刻参数量及参数变化量，参数量包括电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值，将收集到的模拟信号转换为数字信号，并发送到外部处理***；外部处理***对多个相同待测芯片写入输入数据，并获取待测芯片的读取输出数据，识别待测芯片内发生数据翻转时，外部处理***记录此时参数量及参数变化量，获取出现频率高于预设频率值的数据翻转，以及对应此时高灵敏度传感器参数量及参数变化量，作为待测芯片是否发生数据翻转的判断标准；当其他相同待测芯片出现相同的参数量及参数变化量，将该待测芯片标记为发生过数据翻转。
Description
技术领域
本申请涉及存储器芯片检测领域，具体而言，涉及一种辐照检测存储器芯片的测试方法。
背景技术
随着航天事业飞速发展，存储器芯片已广泛应用于卫星、航天等辐照环境的领域。因此，对存储器芯片的抗辐照性能评估和辐照下的可靠稳定性考核就尤为关键。传统的存储器芯片抗辐照检测是指对存储器芯片在辐射环境下的稳定性和可靠性进行测试和评估的过程。辐射可能来自宇宙射线、放射性物质或其他辐射源。在辐射环境下，存储器芯片可能会受到辐射引起的位翻转、故障或损坏，导致数据丢失或存储器功能失效。
现有的抗辐照存储器芯片检测技术主要通过对存储器芯片的写入和读取操作，对辐射后的测试数据进行分析和比较，评估存储器芯片的抗辐射能力，并确定辐射对存储器性能的影响程度。
这种判断存储器性能的方式需要在上位机中回传大量数据，分析复杂，因此需要一套新的机制来实现存储器芯片抗辐照检测方案。
发明内容
本申请实施例的目的在于提供一种辐照检测存储器芯片的测试方法，用以实现快速判断存储器芯片性能的技术效果。
本申请实施例提供了一种辐照检测存储器芯片的测试方法，包括：步骤一，在待测芯片上设置多个高灵敏度传感器，以获取测试过程中高灵敏度传感器同一时刻参数量及参数变化量，所述参数量包括电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值，将多个高灵敏度传感器收集到的模拟信号转换为数字信号，并发送到外部处理***；步骤二，所述外部处理***对多个相同待测芯片写入输入数据，并获取待测芯片的读取输出数据，识别待测芯片内发生数据翻转时，所述外部处理***记录此时电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的参数量及参数变化量，获取出现频率高于预设频率值的数据翻转，以及对应此时高灵敏度传感器参数量及参数变化量，并作为待测芯片是否发生数据翻转的判断标准；步骤三，当其他相同待测芯片发生相同的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的变化时，将该待测芯片标记为发生过数据翻转。
在上述实现过程中，在待测芯片上设置多个高灵敏度传感器，以实时获取测试过程中高灵敏度传感器同一时刻参数量及参数变化量，参数量包括电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值，将多个高灵敏度传感器收集到的模拟信号转换为数字信号，并发送到外部处理***。外部处理***对待测芯片写入输入数据，并获取待测芯片的读取输出数据，外部处理***识别待测芯片内发生数据翻转时，外部处理***记录此时电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的参数量及参数变化量，获取出现频率高于预设频率值的数据翻转，以及对应此时高灵敏度传感器参数量及参数变化量，建立数据库作为模板，并作为待测芯片是否发生数据翻转的判断标准。预设数据翻转的频率值，可以获得发生频率较多的数据翻转为哪些。当其他待测芯片发生相同的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的变化时，将该待测芯片标记为发生过数据翻转。将多个相同的待测芯片都出现数据翻转时的参数量及参数变化量作为标准，将待测芯片性能的判断标准转变为对参数量及参数变化量的判断，避免复杂的上位机操作流程，加快了对待测芯片性能的测试速度。
在一种可能的实现方式中，将高灵敏度传感器收集的参数量与待测芯片性能建立多维化矩阵映射，当所述多维化矩阵中出现与发生数据翻转时相同的参数变化量时，记录对应的故障点。
在上述实现过程中，将高灵敏度传感器收集的参数量与待测芯片性能建立多维化矩阵映射，例如：[目标芯片,目标单元，辐照测试条件,检测时间,电流值,电压值,电阻值,电容值,电感值,温度值,磁场强度值,数据翻转]，[目标芯片,目标单元，辐照测试条件,检测时间,电流值,电压值,电阻值,电容值,电感值,温度值,磁场强度值,数据损坏]，目标芯片即正在检测的芯片编号，目标单元即芯片内部正在检测的单元编号，辐照测试条件即当前辐照环境记录，主要指强度和累计已辐照时长。检测时间即记录当前检测行为的精确时间，电压值即通过高灵敏度传感器收集的量化电压值，以及与上一检测时间的变化量。电流值即通过高灵敏度传感器测得的量化电流值，以及与上一检测时间的变化量。电阻值即通过高灵敏度传感器测得的量化电阻值，以及与上一检测时间的变化量。电容值即通过高灵敏度传感器测得的量化电容值，以及与上一检测时间的变化量。电感值即通过高灵敏度传感器测得的量化电感值，以及与上一检测时间的变化量。温度值即通过高灵敏度传感器测得的量化温度值，以及与上一检测时间的变化量。磁场强度值即通过高灵敏度传感器测得的量化磁场强度值，以及与上一检测时间的变化量。数据翻转通常伴随着数据损坏，数据翻转状态预测默认值为零即不翻转，其根据前述统计和各种分析方法预估目标芯片的目标单元在当前辐照条件下发生翻转或损坏的概率。当该矩阵用于数据记录时，数据翻转或损坏状态预测改为数据翻转或损坏状态记录，其记录目标芯片的目标单元在当前辐照条件下发生翻转或损坏的情况。观察多维化矩阵中数据的整体趋势，比如性能随某个参数增加而提升或下降的模式。故障点定位：矩阵映射可以帮助快速定位故障点，这些点可能是由于测试误差或真正的故障引起的。
在一种可能的实现方式中，预设不同类型故障点对应的故障模式，预设颜色编码对应所述多维化矩阵中单元格的值，以区分不同颜色的所述多维化矩阵中单元格的值所对应的故障程度。
在上述实现过程中，预设不同类型故障点对应的故障模式，例如，故障点可能在多维化矩阵中形成一条线或一个区域。预设颜色编码对应多维化矩阵中单元格的值，例如将故障程度高的设置为红色，故障程度低的设置为蓝色，便于区分不同的性能水平或故障程度。
在一种可能的实现方式中，所述步骤二中还包括：数据清洗，剔除高灵敏度传感器收集的参数量中不相关异常的参数变化值和噪声。
在上述实现过程中，步骤二中还包括：数据清洗，剔除高灵敏度传感器收集的参数量中不相关异常的参数变化值和噪声，进一步提高收集参数量的准确性，保证收集到的参数量的质量。
在一种可能的实现方式中，还包括：信号处理，对高灵敏度传感器收集参数量的时间序列数据分析，将参数量的频率特性和时间依赖性建立傅里叶变换曲线图像，以预测某一时刻是否发生数据翻转。
在上述实现过程中，还包括信号处理，对高灵敏度传感器收集参数量的时间序列数据分析，将参数量的频率特性和时间依赖性建立傅里叶变换曲线图像，分析参数（如电流值,电压值,电阻值,电容值,电感值,温度值,磁场强度值等）的频率特性和时间依赖性，以预测某一时刻是否发生数据翻转。
在一种可能的实现方式中，将发生数据翻转时高灵敏度传感器同一时刻参数量及参数变化量，不同类型的故障点对应的故障模式作为输入数据，故障模式作为基准数据，获得训练后的人工神经网络模型，将高灵敏度传感器收集的参数量及参数变化量输入到人工神经网络模型，估测将发生的故障模式作为输出数据。
在上述实现过程中，将发生数据翻转时高灵敏度传感器同一时刻参数量及参数变化量，不同类型的故障点对应的故障模式作为输入数据，故障模式作为基准数据，获得训练后的人工神经网络模型，将高灵敏度传感器收集的参数量及参数变化量输入到所述人工神经网络模型，估测将发生的故障模式作为输出数据。通过对将发生的故障模式进行估测，可以提前得知将要发生的故障模式，提前准备解决方式。算法可以为（如支持向量机、随机森林、神经网络）来构建预测存储器芯片在特定辐射环境下性能的人工神经网络模型。
在一种可能的实现方式中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，获取发生数据翻转时，变化程度最大的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值中的一者，调整辐照条件以降低对应参数量的变化程度。
在上述实现过程中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，获取发生数据翻转时，变化程度最大的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值中的一者，调整辐照条件以降低对应参数量的变化程度。通过对参数的灵敏度分析，确定哪些物理参数对存储器芯片性能的影响最大，进而可以调整测试条件或设计来提高存储器芯片的抗辐射性能。
在一种可能的实现方式中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，预设参数量的阈值区间，当高灵敏度传感器收集的参数量超过阈值区间，所述外部处理***发出预警。
在上述实现过程中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，预设参数量的阈值区间，当高灵敏度传感器收集的参数量超过阈值区间，所述外部处理***发出预警。通过设置阈值区间，以及预警的方式，当参数变化量过大，代表发生的数据翻转程度大，故障程度较高，外部处理***发出预警，以便于操作人员及时查看。
在一种可能的实现方式中，在开始测试之前，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量对高灵敏度传感器进行校准，以提高高灵敏度传感器收集参数量的准确性。
在上述实现过程中，在开始测试之前，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量对高灵敏度传感器进行校准，以提高高灵敏度传感器收集参数量的准确性。此外，还需要定期维护和校准这些高灵敏度传感器，确保它们在整个测试周期中的准确性和可靠性。通过精心设计和执行高灵敏度传感器部署，可以确保在辐射测试过程中获得高质量和可靠的数据。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种辐照检测存储器芯片的测试方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例提供了一种辐照检测存储器芯片的测试方法，请参考图1，包括：步骤一，在待测芯片上设置多个高灵敏度传感器，以获取测试过程中高灵敏度传感器同一时刻参数量及参数变化量，参数量包括电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值，将多个高灵敏度传感器收集到的模拟信号转换为数字信号，并发送到外部处理***；步骤二，外部处理***对多个相同待测芯片写入输入数据，并获取待测芯片的读取输出数据，识别待测芯片内发生数据翻转时，外部处理***记录此时电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的参数量及参数变化量，获取出现频率高于预设频率值的数据翻转，以及对应此时高灵敏度传感器参数量及参数变化量，并作为待测芯片是否发生数据翻转的判断标准；步骤三，当其他相同待测芯片发生相同的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的变化时，将该待测芯片标记为发生过数据翻转。
在上述实现过程中，在待测芯片上设置多个高灵敏度传感器，以实时获取测试过程中高灵敏度传感器同一时刻参数量及参数变化量，参数量包括电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值，将多个高灵敏度传感器收集到的模拟信号转换为数字信号，并发送到外部处理***。外部处理***对待测芯片写入输入数据，并获取待测芯片的读取输出数据，外部处理***识别待测芯片内发生数据翻转时，外部处理***记录此时电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的参数量及参数变化量，获取出现频率高于预设频率值的数据翻转，以及对应此时高灵敏度传感器参数量及参数变化量，并作为待测芯片是否发生数据翻转的判断标准。预设数据翻转的频率值，可以获得发生频率较多的数据翻转为哪些。当其他待测芯片发生相同的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的变化时，将该待测芯片标记为发生过数据翻转。将多个相同的待测芯片都出现数据翻转时的参数量及参数变化量作为标准，将待测芯片性能的判断标准转变为对参数量及参数变化量的判断，避免复杂的上位机操作流程，加快了对待测芯片性能的测试速度。
在一种可能的实现方式中，将高灵敏度传感器收集的参数量与待测芯片性能建立多维化矩阵映射，当多维化矩阵中出现与发生数据翻转时相同的参数变化量时，记录对应的故障点。
在上述实现过程中，将高灵敏度传感器收集的参数量与待测芯片性能建立多维化矩阵映射，例如：[目标芯片,目标单元，辐照测试条件,检测时间,电流值,电压值,电阻值,电容值,电感值,温度值,磁场强度值,数据翻转]，[目标芯片,目标单元，辐照测试条件,检测时间,电流值,电压值,电阻值,电容值,电感值,温度值,磁场强度值,数据损坏]，目标芯片即正在检测的芯片编号，目标单元即芯片内部正在检测的单元编号，辐照测试条件即当前辐照环境记录，主要指强度和累计已辐照时长。检测时间即记录当前检测行为的精确时间，电压值即通过高灵敏度传感器收集的量化电压值，以及与上一检测时间的变化量。电流值即通过高灵敏度传感器测得的量化电流值，以及与上一检测时间的变化量。电阻值即通过高灵敏度传感器测得的量化电阻值，以及与上一检测时间的变化量。电容值即通过高灵敏度传感器测得的量化电容值，以及与上一检测时间的变化量。电感值即通过高灵敏度传感器测得的量化电感值，以及与上一检测时间的变化量。温度值即通过高灵敏度传感器测得的量化温度值，以及与上一检测时间的变化量。磁场强度值即通过高灵敏度传感器测得的量化磁场强度值，以及与上一检测时间的变化量。数据翻转通常伴随着数据损坏，数据翻转状态预测默认值为零即不翻转，其根据前述统计和各种分析方法预估目标芯片的目标单元在当前辐照条件下发生翻转或损坏的概率。当该矩阵用于数据记录时，数据翻转或损坏状态预测改为数据翻转或损坏状态记录，其记录目标芯片的目标单元在当前辐照条件下发生翻转或损坏的情况。观察多维化矩阵中数据的整体趋势，比如性能随某个参数增加而提升或下降的模式。故障点定位：矩阵映射可以帮助快速定位故障点，这些点可能是由于测试误差或真正的故障引起的。
在一种可能的实现方式中，预设不同类型故障点对应的故障模式，预设颜色编码对应多维化矩阵中单元格的值，以区分不同颜色的多维化矩阵中单元格的值所对应的故障程度。
在上述实现过程中，预设不同类型故障点对应的故障模式，例如，故障点可能在多维化矩阵中形成一条线或一个区域。预设颜色编码对应多维化矩阵中单元格的值，例如将故障程度高的设置为红色，故障程度低的设置为蓝色，便于区分不同的性能水平或故障程度。
在一种可能的实现方式中，步骤二中还包括：数据清洗，剔除高灵敏度传感器收集的参数量中不相关异常的参数变化值和噪声。
在上述实现过程中，步骤二中还包括：数据清洗，剔除高灵敏度传感器收集的参数量中不相关异常的参数变化值和噪声，进一步提高收集参数量的准确性，保证收集到的参数量的质量。
在一种可能的实现方式中，还包括：信号处理，对高灵敏度传感器收集参数量的时间序列数据分析，将参数量的频率特性和时间依赖性建立傅里叶变换曲线图像，以预测某一时刻是否发生数据翻转。
在上述实现过程中，还包括信号处理，对高灵敏度传感器收集参数量的时间序列数据分析，将参数量的频率特性和时间依赖性建立傅里叶变换曲线图像，分析参数（如电流值,电压值,电阻值,电容值,电感值,温度值,磁场强度值等）的频率特性和时间依赖性，以预测某一时刻是否发生数据翻转。
在一种可能的实现方式中，将发生数据翻转时高灵敏度传感器同一时刻参数量及参数变化量，不同类型的故障点对应的故障模式作为输入数据，故障模式作为基准数据，获得训练后的人工神经网络模型，将高灵敏度传感器收集的参数量及参数变化量输入到人工神经网络模型，估测将发生的故障模式作为输出数据。
在上述实现过程中，将发生数据翻转时高灵敏度传感器同一时刻参数量及参数变化量，不同类型的故障点对应的故障模式作为输入数据，故障模式作为基准数据，获得训练后的人工神经网络模型，将高灵敏度传感器收集的参数量及参数变化量输入到人工神经网络模型，估测将发生的故障模式作为输出数据。通过对将发生的故障模式进行估测，可以提前得知将要发生的故障模式，提前准备解决方式。算法可以为（如支持向量机、随机森林、神经网络）来构建预测存储器芯片在特定辐射环境下性能的人工神经网络模型。
在一种可能的实现方式中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，获取发生数据翻转时，变化程度最大的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值中的一者，调整辐照条件以降低对应参数量的变化程度。
在上述实现过程中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，获取发生数据翻转时，变化程度最大的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值中的一者，调整辐照条件以降低对应参数量的变化程度。通过对参数的灵敏度分析，确定哪些物理参数对存储器芯片性能的影响最大，进而可以调整测试条件或设计来提高存储器芯片的抗辐射性能。
在一种可能的实现方式中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，预设参数量的阈值区间，当高灵敏度传感器收集的参数量超过阈值区间，外部处理***发出预警。
在上述实现过程中，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，预设参数量的阈值区间，当高灵敏度传感器收集的参数量超过阈值区间，外部处理***发出预警。通过设置阈值区间，以及预警的方式，当参数变化量过大，代表发生的数据翻转程度大，故障程度较高，外部处理***发出预警，以便于操作人员及时查看。
在一种可能的实现方式中，在开始测试之前，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量对高灵敏度传感器进行校准，以提高高灵敏度传感器收集参数量的准确性。
在上述实现过程中，在开始测试之前，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量对高灵敏度传感器进行校准，以提高高灵敏度传感器收集参数量的准确性。此外，还需要定期维护和校准这些高灵敏度传感器，确保它们在整个测试周期中的准确性和可靠性。通过精心设计和执行高灵敏度传感器部署，可以确保在辐射测试过程中获得高质量和可靠的数据。
存储器芯片的辐照测试过程中，设置抗辐照高灵敏度传感器检测芯片的电流，电压，温度，磁场，以及抗辐照存储单元对测试数据进行存储记录，通过外界环境和检测结果产生关联，具体来讲这种关联的核心在于通过测试识别在辐照情况下的器件内部位置翻转区域和时间段，比如在某一辐照条件下，某一时间存入某一位置的数据发生了错误，此时会有微弱的电流，电压，温度，磁场信号异常，信号异常包括但不限于突然产生、突然消失、突然变大、突然变小，则认定该位置为易错或者易损位置，经过长期的数据积累，进而通过外界环境的感知来推断检测结果，探知发生数据翻转时的微弱信号变化来判断数据翻转，这样做的好处是可以仅仅通过外界环境的检测来得知检测结果，避免复杂的上位机操作流程，实现更加高效的存储器性能辐照检测。更进一步的，关联关系形成矩阵映射，供进行集合内大范围搜索使用。
该方法的步骤通常包含以下几个关键过程：传感器部署与监测：在存储器芯片中部署一系列高灵敏度传感器，用于实时监控芯片的多个物理参数。在存储器芯片的辐射检测中，传感器的部署与监测是关键的一步，因为它们直接负责收集影响存储器性能的物理参数数据。以下是传感器部署与监测的详细步骤和要点：1. 选择适当的传感器。首先，需要选择能够精确测量电流、电压、温度和磁场等参数的传感器。这些传感器必须具有高灵敏度和高精度，能在辐射环境中稳定工作。对于不同的物理量，可能需要不同类型的传感器，例如：电流传感器：用于监测芯片工作时的电流变化。电压传感器：用于检测供电线路或特定区域的电压变化。温度传感器：用于测量芯片在工作中的温度变化。磁场传感器（如霍尔效应传感器）：用于检测辐射导致的磁场变化。2. 传感器的布局与部署。传感器的布局应该根据存储器芯片的结构和测试要求来设计。必须确保传感器能够覆盖到关键的测量点，并且对芯片的正常功能影响最小。可能的布局方案包括：均匀布局：传感器均匀分布在芯片上，以获得全面的数据。重点布局：在芯片的关键部分或预计会受到辐射影响较大的区域布置更多传感器。3. 数据采集***。传感器收集的数据需要通过一个有效的数据采集***来记录和处理。这通常包括：模拟/数字转换器：将传感器收集的模拟信号转换为数字信号。数据记录器：记录传感器输出的数字信号，通常是使用抗辐射性能较强的存储器。通信接口：将采集的数据发送到外部处理***进行进一步分析。4. 实时监测与反馈。测试过程中，需要对传感器数据进行实时监测，以便立即发现任何异常现象。监测***应该包括：实时数据分析：对传感器数据进行即时处理和解读。报警***：若检测到异常数据，能够及时发出预警。反馈回路：根据监测结果自动调整测试条件或干预操作以防止损害。5. 环境适应性。考虑到辐射环境的恶劣性，传感器及其相关电路需要具备良好的环境适应性，包括耐高温、抗电磁干扰等特性。6. 校准与维护。传感器在投入使用前应进行严格的校准，以确保数据的准确性。此外，还需要定期维护和校准这些传感器，确保它们在整个测试周期中的准确性和可靠性。通过精心设计和执行传感器部署与监测策略，可以确保在辐射测试过程中获得高质量和可靠的数据，为进一步的分析和存储器性能的改进提供坚实的基础。
数据收集与记录：在辐射过程中，通过抗辐射存储单元记录传感器检测到的数据变化，以便进行后续分析。数据收集与记录是传感器监测***的重要组成部分，它确保监测到的所有传感器数据能够被有效捕获、记录并用于后续分析。以下是详细的步骤和要点：1.数据采集。采集频率：根据测试要求设置合适的数据采集频率。对于快速变化的物理参数，如电压或电流突波，可能需要高频率采集。而对于相对稳定的参数，如温度，采集频率可以相对较低。同步采集：为了精确分析参数之间的关联，多个传感器的数据采集需要同步进行。2.数据格式化。数字化：采集到的数据通常需要通过模拟-数字转换器转换成数字信号，便于计算机处理和分析。编码：数字信号按照一定的格式编码，以便于存储和传输。编码格式需要足够的分辨率以确保数据的精确性。3.数据存储。局部缓存：在芯片内部，可以使用抗辐射存储单元暂时存储采集到的数据。持久存储：数据需要定期从缓存移动到更安全的长期存储介质中，如抗辐射的固态驱动器或远程服务器。数据完整性。错误检测与校正：确保存储和传输过程中的数据不会因辐射或其他外界影响而受损。校验和：为每组数据计算校验和，以验证数据在读取时是否完整无误。4.数据传输。接口与通信：设定可靠的数据传输通道，如使用抗辐射增强的通信接口和协议进行数据传输。冗余传输：为确保关键数据不丢失，采用数据冗余传输策略。5.数据分析准备。时间戳：为每个数据样本添加时间戳，以便于后续分析过程中对数据进行时间序列上的关联和追踪。预处理：清洗数据，去除明显的噪声和不相关的信息，使得数据集中保留有价值的数据。6.数据安全。备份：定期对收集到的数据进行备份，以防止意外丢失。加密：为了防止数据在传输或存储过程中被未经授权的访问，对数据进行加密。7.用户界面与访问。可视化工具：提供直观的用户界面用于实时监测数据，帮助用户追踪测试进度和及时发现异常。数据访问：授予用户权限，使他们能够访问并下载存储的数据，以便进行详细分析。通过这些步骤，可以确保测试过程中生成的数据被精确、完整地记录下来，并为后续的数据分析、性能评估和故障诊断提供坚实的数据支持。
关联分析：分析传感器的数据变化和存储器性能之间的关系。特别是，关注在数据翻转发生时伴随的微弱信号变化。关联分析是数据处理的核心步骤，旨在找出存储器芯片内的物理参数变化与性能表现之间的相关性。通过这种分析，可以识别出在辐射环境下哪些具体的物理变化可能会导致数据翻转或存储器损坏。以下是关联分析的详细步骤和要点：1.数据准备。数据同步：确保收集的数据具有相同的时间参考点，以便于分析参数之间的时序关系。数据清洗：剔除异常值和噪声，保证数据质量，这对于提高关联分析的准确性至关重要。2.定量分析。统计方法：采用统计学方法（如回归分析、方差分析等）来探究不同物理参数与存储器性能之间的定量关系。数据挖掘：使用数据挖掘技术（如聚类分析、主成分分析等）来识别数据中的模式和趋势。3.关联规则挖掘。模式识别：在大量的测试数据中寻找频繁出现的参数模式，这些模式可能预示着存储器性能的变化。关联规则应用：使用关联规则挖掘算法来发现不同物理参数之间的有意义的关联。4.时间序列分析。异常检测：分析物理参数的时间序列数据，通过识别异常模式来预测潜在的数据翻转或损坏。信号处理：应用信号处理技术（比如傅里叶变换）来分析物理参数（如电流、电压）的频率特性和时间依赖性。5.机器学习。预测模型：使用机器学习算法（如支持向量机、随机森林、神经网络）来构建预测存储器在特定辐射环境下性能的模型。特征工程：挑选或构造有助于提高模型预测能力的特征，这可能包括从原始传感器数据衍生出的复合指标。6.灵敏度分析。参数调整：确定哪些物理参数对存储器性能的影响最大，进而可以调整测试条件或设计来提高存储器的抗辐射性能。门槛值设定：设置物理参数的临界值，当数据到达或超过这些值时，***会发出预警。
矩阵映射：将传感器数据和存储器性能的关联关系建立一个矩阵映射，使得可以快速搜索和识别潜在的易错或易损位置。矩阵映射是一种数据表示方法，它通常用于将复杂的数据关系或多维数据集简化为易于理解的二维表格形式。在存储器芯片的监测和分析中，矩阵映射可以帮助识别和可视化参数之间的关系，故障点的位置，以及辐射影响的模式。以下是矩阵映射的步骤和关键点：1.定义矩阵维度。参数选择：确定哪些物理参数或测试条件将构成矩阵的行和列。例如，行可以代表不同的电压等级，而列可以表示不同的温度设置。范围和分辨率：对于每个参数，定义它的操作范围和分辨率，即矩阵中每个元素代表的具体值或区间。2.数据整合。数据聚合：将多次测量的数据按照矩阵的维度聚合，以便在矩阵中每个单元格内表示相同条件下的测量结果。标准化处理：为了使数据可以比较，可能需要对其进行标准化处理，例如通过Z分数标准化或将数据缩放到一个固定的区间内。3.矩阵填充。数据映射：将测试结果映射到矩阵的对应位置，每个单元格代表特定参数组合下的测试输出。缺失数据处理：处理矩阵中可能出现的数据缺失问题，可能的方法包括插值、使用默认值或者省略缺失数据。4.模式识别。故障识别：通过矩阵映射，可以直观识别出故障模式，例如，故障点可能在矩阵中形成一条线或一个区域。相关性分析：矩阵中的行列关系可以帮助识别参数之间的潜在相关性，揭示故障与特定条件之间的关联性。5.可视化展示。热图：使用颜色编码来表示矩阵单元格中的值，便于区分不同的性能水平或故障程度。等值线图：在矩阵映射的基础上添加等值线，可以帮助识别数据的渐进趋势。6.分析与解释。趋势分析：观察矩阵中数据的整体趋势，比如性能随某个参数增加而提升或下降的模式。异常点定位：矩阵映射可以帮助快速定位异常数据点，这些点可能是由于测试误差或真正的故障引起的。7.应用与优化。反馈应用：基于矩阵映射的分析结果对存储器设计或测试条件进行优化。迭代改进：使用矩阵映射结果来指导进一步的测试，通过迭代过程不断优化参数选择和测试策略。通过矩阵映射，复杂的数据集可以被转换成直观的格式，从而加快问题诊断的速度，为存储器芯片的设计和测试提供有价值的见解。
通过这样的方法，可以更加准确地预测和识别存储器在辐射环境下的脆弱部分，为存储器的设计和应用提供强有力的数据支持。此外，这种方法还有助于简化测试流程，降低在辐射环境中测试存储器时的成本和难度。
Claims (9)
1.一种辐照检测存储器芯片的测试方法，其特征在于，包括：
步骤一，在待测芯片上设置多个高灵敏度传感器，以获取测试过程中高灵敏度传感器同一时刻参数量及参数变化量，所述参数量包括电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值，将多个高灵敏度传感器收集到的模拟信号转换为数字信号，并发送到外部处理***；
步骤二，所述外部处理***对多个相同待测芯片写入输入数据，并获取待测芯片的读取输出数据，识别待测芯片内发生数据翻转时，所述外部处理***记录此时电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的参数量及参数变化量，获取出现频率高于预设频率值的数据翻转，以及对应此时高灵敏度传感器参数量及参数变化量，并作为待测芯片是否发生数据翻转的判断标准；
步骤三，当其他相同待测芯片发生相同的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值的变化时，将该待测芯片标记为发生过数据翻转。
2.根据权利要求1所述的辐照检测存储器芯片的测试方法，其特征在于，将高灵敏度传感器收集的参数量与待测芯片性能建立多维化矩阵映射，当所述多维化矩阵中出现与发生数据翻转时相同的参数变化量时，记录对应的故障点。
3.根据权利要求2所述的辐照检测存储器芯片的测试方法，其特征在于，预设不同类型故障点对应的故障模式，预设颜色编码对应所述多维化矩阵中单元格的值，以区分不同颜色的所述多维化矩阵中单元格的值所对应的故障程度。
4.根据权利要求1所述的辐照检测存储器芯片的测试方法，其特征在于，所述步骤二中还包括：数据清洗，剔除高灵敏度传感器收集的参数量中不相关异常的参数变化值和噪声。
5.根据权利要求1所述的辐照检测存储器芯片的测试方法，其特征在于，还包括：
信号处理，对高灵敏度传感器收集参数量的时间序列数据分析，将参数量的频率特性和时间依赖性建立傅里叶变换曲线图像，以预测某一时刻是否发生数据翻转。
6.根据权利要求1所述的辐照检测存储器芯片的测试方法，其特征在于，将发生数据翻转时高灵敏度传感器同一时刻参数量及参数变化量，不同类型的故障点对应的故障模式作为输入数据，故障模式作为基准数据，获得训练后的人工神经网络模型，将高灵敏度传感器收集的参数量及参数变化量输入到所述人工神经网络模型，估测将发生的故障模式作为输出数据。
7.根据权利要求1所述的辐照检测存储器芯片的测试方法，其特征在于，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，获取发生数据翻转时，变化程度最大的电流值、电压值、电阻值、电容值、电感值、温度值及磁场强度值中的一者，调整辐照条件以降低对应参数量的变化程度。
8.根据权利要求1所述的辐照检测存储器芯片的测试方法，其特征在于，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量，预设参数量的阈值区间，当高灵敏度传感器收集的参数量超过阈值区间，所述外部处理***发出预警。
9.根据权利要求1所述的辐照检测存储器芯片的测试方法，在开始测试之前，基于测试过程中高灵敏度传感器同一时刻参数量及参数变化量对高灵敏度传感器进行校准，以提高高灵敏度传感器收集参数量的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190601.7A CN117766014B (zh) | 2024-02-21 | 2024-02-21 | 辐照检测存储器芯片的测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190601.7A CN117766014B (zh) | 2024-02-21 | 2024-02-21 | 辐照检测存储器芯片的测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117766014A CN117766014A (zh) | 2024-03-26 |
| CN117766014B true CN117766014B (zh) | 2024-04-19 |
Family
ID=90326066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410190601.7A Active CN117766014B (zh) | 2024-02-21 | 2024-02-21 | 辐照检测存储器芯片的测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117766014B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114544557A (zh) * | 2022-03-03 | 2022-05-27 | 南京邮电大学 | 一种宽光谱高灵敏度高通量生物化学传感器及其传感方法 |
| DE102022124361A1 (de) * | 2021-09-29 | 2023-03-30 | Nvidia Corporation | Sichtweiteabschätzung unter verwendung von deep learning in autonomen maschinenanwendungen |
| CN117367589A (zh) * | 2023-10-13 | 2024-01-09 | 国网河南省电力公司信息通信分公司 | 基于ai技术的变电站主设备全天候辅助测温*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060154642A1 (en) * | 2004-02-20 | 2006-07-13 | Scannell Robert F Jr | Medication & health, environmental, and security monitoring, alert, intervention, information and network system with associated and supporting apparatuses |
| US9700241B2 (en) * | 2012-12-04 | 2017-07-11 | Under Armour, Inc. | Gait analysis system and method |
-
2024
- 2024-02-21 CN CN202410190601.7A patent/CN117766014B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022124361A1 (de) * | 2021-09-29 | 2023-03-30 | Nvidia Corporation | Sichtweiteabschätzung unter verwendung von deep learning in autonomen maschinenanwendungen |
| CN114544557A (zh) * | 2022-03-03 | 2022-05-27 | 南京邮电大学 | 一种宽光谱高灵敏度高通量生物化学传感器及其传感方法 |
| CN117367589A (zh) * | 2023-10-13 | 2024-01-09 | 国网河南省电力公司信息通信分公司 | 基于ai技术的变电站主设备全天候辅助测温*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117766014A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
| JP5306902B2 (ja) | 資産システムの高性能条件監視のためのシステムおよび方法 | |
| CA2508008C (en) | A method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like | |
| US8433472B2 (en) | Event-driven data mining method for improving fault code settings and isolating faults | |
| WO2008079695A1 (en) | Monitoring and fault detection in dynamic systems | |
| US7248939B1 (en) | Method and apparatus for multivariate fault detection and classification | |
| CN105044759B (zh) | 一种数字式核探测器的状态评估与保障维护方法及*** | |
| US20100292959A1 (en) | Telemetry data analysis using multivariate sequential probability ratio test | |
| CN113255783B (zh) | 基于无监督学习的传感器故障检测方法和装置 | |
| CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
| CN117766014B (zh) | 辐照检测存储器芯片的测试方法 | |
| CN116660761B (zh) | 一种锂离子电池检测方法及*** | |
| CN111314110B (zh) | 一种用于分布式***的故障预警方法 | |
| Bae et al. | Detecting abnormal behavior of automatic test equipment using autoencoder with event log data | |
| Bhargava et al. | Anomaly detection in wireless sensor networks using S-Transform in combination with SVM | |
| CN115460061A (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| CN114112390A (zh) | 一种非线性复杂***早期故障诊断方法 | |
| CN114371677A (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| CN115981911A (zh) | 内存故障的预测方法、电子设备和计算机可读存储介质 | |
| CN116259337B (zh) | 磁盘异常检测方法及模型训练方法、相关装置 | |
| CN118174788B (zh) | 一种光纤配线柜的故障检测方法、装置、设备及存储介质 | |
| CN117572159B (zh) | 基于大数据分析的电力故障检测方法及*** | |
| Gross et al. | Machine Learning Innovation for High Accuracy Remaining Useful Life (RUL) Estimation for Critical Assets in IoT Infrastructures | |
| CN117093821B (zh) | 一种洗衣机能效、水效测定***和方法 | |
| Li et al. | Health Monitoring Framework for Weather Radar Based on Long Short‐Term Memory Network with a Real Case Study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |