面临高风险并在纯数字领域运营的组织,例如计算机安全和许多金融服务,必须满足两个相互矛盾的目标:他们需要大规模和快速地识别数字威胁,同时避免自动化处理导致的错误。对高可靠性组织的研究发现,同时实现这些目标面临多重挑战,因为自动化往往使组织的运营“盲目”,无法从容应对高风险领域不断变化的复杂情况。在数字运营中,一个特殊的挑战来自“框架问题”,即算法无法适应其开发人员最初的认知框架中未确定的环境。在一家计算机安全公司 (F-Secure) 内进行了一项探索性、理论生成案例研究,以研究在数字领域行动的组织如何通过缓解框架问题来实现高可靠性。本文探讨了数字化组织操作的认知和实用特征,以及这些特征如何应对框架问题。集体正念被认为是在这样的社会技术环境中出现的,通过精心分层的系统组合(人类)有意识和(数字)无意识的操作,而组织的核心操作仍然是数字化和算法化的。研究结果指出了迄今为止与数字化组织相关的未探索的可靠性挑战,以及克服和/或缓解这些挑战的几种相关方法。
• 如何将 Digifed 在照明、可靠性测试和自动驾驶汽车方面的能力用作项目的一部分,同时利用 DigiFed 合作伙伴来最大化您的提案分数:卓越、影响力、实施质量(45 分钟)
信息以汇总格式呈现,而操作(现场经验、可靠性演示和设备检查)和寿命测试数据则以详细格式呈现。数字详细数据出版物的数据由可靠性分析中心从政府和行业报告中收集、提炼和缩减,以便提供客观信息以供一般使用。
可靠性模型的应用 ................................................................ 16 故障 .............................................................. 18 .............................................................. 9 附加阅读材料 ..............................................................................................
航空燃气涡轮发动机的发展对发动机控制系统提出了越来越高的要求,以提高推力并改善燃油消耗。这些要求导致了电子控制系统的广泛使用。这种系统的早期版本采用了监控概念,于 20 世纪 70 年代推出,目前在运行的许多飞机上都能找到这种系统。目前运行的 JAS 版本采用了这种概念。然而,监控概念并不能完全满足大多数现代发动机的要求,这导致了 20 世纪 80 年代全权数字电子控制 (FADEC) 概念的出现。 FADEC 系统控制发动机所需的所有功能,并引入了许多改进,例如:(i) 可以实施现代控制理论中的复杂技术,这些技术既可以提高性能,又可以提高可靠性,(ii) 由于有限使用流体力学而减轻重量,以及 (iii) 可以实施内置维护支持,从而降低维护成本并提高系统可靠性。正如这些示例所示,FADEC 支持提高性能和可靠性并降低总成本的努力。FADEC 系统目前在许多飞机上运行,例如:新型军用飞机 F-18E/F 和欧洲战斗机以及民用飞机空客 320、321 和波音 777。
[ 直流控制器是一种微电子混合设备。采用了 MIL-HDBK-217B 通知 2《电子设备可靠性预测》第 2.1.7 节中的混合故障率预测模型和程序。这种预测方法需要识别单个电子零件和基板,以及每个零件的单独电应力数据。热应力是由混合封装温度和零件功率耗散引起的。
会议4:模块制造会议主席:Teresa Barnes,Tristan Erion -Lorico美国制造概述 - Teresa Barnes,Nrel(4:00-4:05)材料选择对玻璃背部模块的材料选择的敏感性Kontopp,Qcells(4:20-4:35)美国模块制造和冰雹抗性模块开发-Hongbin Fang,Longi,Longi(4:35-4:50)小组讨论(4:50-5:20)。
摘要 - 电子产品越来越容易受到硅内能量颗粒相互作用的影响。为了在辐射效应下提高电路可靠性,在VLSI系统的设计流中采用了几种硬化技术。本文提出了逻辑门中的PIN分配优化,以减少单个事件瞬态(SET)横截面并提高轨内软率。信号概率传播用于通过重新交换或引脚交换将最低概率分配给电路最敏感的输入组合。细胞优化的软率最高可降低48%。对于分析的算术基准电路,优化的细胞网列在设置的横截面和轨内软校正速率上可以在电路设计区域内无需成本降低8%至28%。另外,由于引脚交换是一种布局友好的技术,因此优化不会影响细胞放置,并且可以与逻辑和物理合成中的其他硬化技术一起采用。
本手稿提出了一种新型的贝叶斯主动学习可靠性方法,该方法同时整合了贝叶斯故障概率估计和贝叶斯决策理论多点富集过程。首先,提出了一种称为综合边缘概率(IMP)的认知不确定性度量,以作为Kriging估计的失败概率的平均绝对偏差的上限。然后,遵守贝叶斯决策理论,定义了一种称为多点逐步减少(MSMR)的外观学习函数,以量化通过在预期中添加一批新样本来量化IMP的可能减少。基于MSMR的多点富集过程的成本效率实现由三个关键的解决方法进行:(a)由于内部积分的分析性障碍性,MSMR将其减少到单个积分。(b)MSMR中的其余单个积分是通过数值截断的数值计算的。(c)最大化MSMR的启发式治疗方法是根据迭代迅速选择最佳下一个点的一批最佳点,其中使用规定或自适应方案来指定批量大小。在两个基准示例和两个动态可靠性问题上测试了所提出的方法。结果表明,MSMR中的自适应方案在计算资源消耗和整体计算时间之间取得了良好的平衡。然后,根据故障概率估计的准确性,迭代次数以及性能函数评估的数量,尤其是在复杂的动态可靠性问题中,MSMR的表现相当优于现有的倾斜功能和并行化策略。