表1(Table 1)
2. 北京圣涛平试验工程技术研究院有限责任公司, 北京 100089
2. Beijing San-talking Testing Engineering Academy, Co. Ltd, Beijing 100089, China
单粒子效应是指单个高能粒子作用于半导体器件引发的翻转、锁定、烧毁、栅穿等现象[1].以往研究认为单粒子效应主要发生在航天领域,但国外近年来的研究表明,各类飞机在3~20 km的自然空间环境中,同样会遭遇单粒子效应.只不过,航天领域诱发单粒子效应的高能粒子辐射源主要为重离子或质子,而在航空领域诱发单粒子效应的高能粒子辐射源主要为大气中子.大气中子辐射应力一般用注量率来表征,其国际典型值表述为:在高度12.16 km、纬度45°、能量10 MeV以上的大气中子每平方厘米每小时6 000个.在高度12.16 km、纬度45°、能量1 MeV以上的大气中子每平方厘米每小时9 200个[1].
这些大气中子穿透力强[2],金属材料几乎没有阻挡作用,因此会穿透机舱蒙皮,打在航空电子设备的核心指令控制单元或关键数据存储单元上,产生大气中子单粒子效应(Neutron Single Event Effect,NSEE),从而引发软错误、硬错误甚至硬失效,导致飞行控制系统、航电系统等出现黑屏、死机、复位、重启、数据丢失、命令错误等故障现象.有的会直接影响飞机的安全性与可靠性[3],有的则会误导飞机驾驶员产生错误判断与错误操作,从而间接影响飞机的安全性与可靠性.
NSEE对复杂航空电子系统的危害影响,当前在国际航空领域内已经达成共识.美国联邦航空局[4]、欧洲航空安全局[5]、波音[6]、空客[7]、GE、Honeywell、EMBRAER等均认为,自1992年首次证明飞机航空电子系统对宇宙射线诱发的软错误敏感以来,自然环境大气辐射效应已经成为航空电子系统安全性与可靠性的关键影响因素.各国政府与用户规范逐渐增加了大气中子诱发航空电子设备单粒子效应率[8]的评价要求,已经将NSEE防护设计和试验评价要求具体纳入了工程化标准[9, 10, 11, 12]或适航要求[13, 14, 15].
我国航空界在飞行器设计过程中,从航空电子设备可靠性及安全性角度,虽然提出了NSEE防护设计与试验评价的要求,但是因研究基础较弱,目前国内尚无相应的NSEE试验评价方法来支撑相应的设计工作.
本文提出了一套较为完整的航空电子设备抗NSEE危害能力的试验评价方法.并以某航空用卫星导航接收机为例,验证了此试验评价方法的可操作性和有效性.
1 航空电子设备NSEE故障类型及试验评价方法 1.1 故障类型航空电子设备NSEE故障类型定义如下:
第1类故障为硬失效,其特征为断电重启不能恢复正常功能,需要维修.
第2类故障为硬错误,其特征为断电重启才能恢复正常功能.
第3类故障为软错误,其特征为软复位可恢复正常功能.
1.2 试验评价方法 1.2.1 目的航空电子设备NSEE试验评价的主要目的是获得航空电子设备NSEE故障率或平均NSEE故障间隔时间,从而支撑判断NSEE对航空电子设备安全性与可靠性的危害.
1.2.2 航空电子设备NSEE故障率计算方法参考IEC 62396-1《航空电子设备大气中子单粒子效应应对策略》,航空电子设备NSEE故障率计算方法如下:
航空电子设备平均NSEE故障间隔时间计算方法如下:
航空电子设备三类NSEE故障的平均故障间隔时间计算方法如下:
航空电子设备三类NSEE故障率计算方法如下:
航空电子设备三类NSEE故障敏感截面计算方法如下:
航空电子设备NSEE试验的主要目的是获得航空电子设备三类NSEE故障的敏感截面σNSEE-i.
1.3.2 试验应力终止条件计算方法参考IEC 62396-2《航空电子系统单粒子效应试验指南》,地面模拟试验应当证明航空电子设备在整个寿命周期能够经受住任务环境大气中子辐射的危害影响,因此,地面模拟试验应力应当远远高于航空电子设备整个寿命周期所遭受的大气中子辐射注量.
航空电子设备NSEE试验应力终止条件计算方法如下:
初始中子注量率可在104~106 n/(cm2·s)附近调节,其目的是通过设定恰当而稳定的试验应力起始条件,使式(5)中在航空电子设备试验件样品数量Ns已知固定的前提下,可观测记录的NSEE故障数NNSEE-i与试验施加的累积注量FNSEE-i(试验累积应力)初步形成线性关系,然后启动试验,通过具有统计意义的试验数据NNSEE-i获得NNSEE-i与累积注量FNSEE-i比较精确的线性关系,从而寻找到航空电子设备NSEE的本征敏感特性,即NSEE故障敏感截面σNSEE-i.
航空电子设备NSEE试验应力起始条件计算公式如下:
航空电子设备NSEE试验应力起始条件确定方法是一个复杂的调试过程,简述如下:
1) 在104~106个/(cm2·s)附近调试出某一f0.
2) 由式(7)知在一定时间t0后,可以观察记录获得F0,即FNSEE-i=F0.
3) 由式(5)知可以观察获得NNSEE-i.
4) 向上或向下调试f0,观察航空电子设备试验件某些最为敏感的NSEE效应的NNSEE-i与FNSEE-i可以形成初步的线性关系时,稳定此时的f0;通常,这就是试验应力的初始条件.
5) 此时,可以将NNSEE-i与FNSEE-i的计数均清零,重新启动试验,并重新从零开始记录相应NNSEE-i与FNSEE-i,进入正式试验.
1.3.4 试验时间计算方法由
参考IEC 62396-1《航空电子设备大气中子辐射单粒子效应应对策略》中的评价原理,分析航空电子设备NSEE敏感器件清单,结合工程经验判断,考虑资源使用率,故障传递率,预估航空电子设备NSEE故障敏感截面σNSEE-i,代入式(1)~式(4),预估航空电子设备NSEE故障率λNSEE和平均NSEE故障间隔时间MNSEE,如图 1所示.其中,由NSEE敏感器件的敏感截面汇总计算航空电子设备NSEE软错误敏感截面的计算方法如下(NSEE硬错误或NSEE硬失效敏感截面的计算方法可以参照计算):
 |
| 图 1 航空电子设备MNSEE预估Fig. 1 Estimation of MNSEE of avionics |
NSEE试验实施程序如下:
1) 试验系统搭建(包括:固定试验件位置、安置测试平台、连接试验件及测试设备).
2) 加载测试用例,进行联调联试,保证试验件能够正常工作.
3) 通知高压倍加器的操作者所需的初始中子注量率(初始值约为104个/(cm2·s))左右,中子注量率调试期间,试验件暂不加电.
4) 在获得所需中子注量率后,试验件加电,开始辐照试验前调试.
5) 循环遍历测试用例,调出合适的中子注量率,在注量率调试阶段出现的故障现象仅记录,作为调试数据,但不作为正式试验数据处理输入.
6) 注量记录仪清零,试验件断电重启并同步启动注量记录仪,重新累计注量并记录.
7) 辐照期间,循环遍历测试用例,如果试验件出现故障现象,必要时及时暂停辐照,进行处理分析并记录出现的故障现象及中子注量.
8) 故障处理分析和记录完成后,根据需要试验件断电重启,重复步骤7),直至符合试验终止条件.
9) 按所确定的试验终止条件终止试验.
10) 依据式(5)进行试验数据分类处理,计算航空电子设备NSEE故障敏感截面σNSEE-i.
11) 将步骤10)试验计算结果替换预估值,代入本文第1.3.5节所述的相应计算流程,计算航空电子设备平均NSEE故障间隔时间MNSEE.
2 试验案例 2.1 试验件本文所选试验件为某航空用卫星导航接收机.航空用导航接收机接受天线接收的卫星信号,经过下变频处理、数字基带处理、软件解算,可实时给出导航设备的位置和速度信息.其功能框图如图 2所示.
 |
| 图 2 航空用卫星导航接收机功能框图Fig. 2 Aircraft satellite navigation receiver function block diagram |
本试验采用国内14 MeV中子辐照源.
2.2.2 试验应力FT终止条件计算试验件产品总寿命T为30 000 h,大气中子注量率国际典型值f为6 000个/(cm2·h),依据式(6),计算得出
因此,FT取1×109个/cm2.
2.2.3 试验应力f0起始条件与试验时间tT确定依据本文第1.3.3节确定试验应力起始条件f0,依据本文第1.3.4节确定本次试验时间tT.初始注量率调试到f0时,NSEE故障数与累积注量成初步线性关系,然后,启动开展正式试验.试验约至tT时注意观察累积注量,满足终止条件时,停止试验.
2.3 MNSEE预估 2.3.1 试验件NSEE敏感器件清单经分析,该试验件在14 MeV中子源辐射下,DSP、SRAM、FPGA为大气中子单粒子效应主要敏感器件,各敏感器件在试验件中的主要功能分别为:DSP主要完成软件解算功能;SRAM完成软件数据和程序代码的存储功能;FPGA完成卫星信号基带处理功能.
2.3.2 试验件NSEE敏感器件敏感截面σNSEE估算该试验件中DSP、SRAM、FPGA会产生单粒子翻转效应(SEU),其敏感截面典型值约为1×10－14 cm2/bit;其中DSP与FPGA还会出现单粒子功能中止效应(SEFI),其敏感截面典型值约为1×10－16 cm2/bit.这些敏感器件产生的SEU与SEFI效应可能会导致卫星导航接收机的部分或全部功能丧失.
2.3.3 试验件NSEE敏感截面σNSEE-i估算依据本文第1.3.5节,预估试验件板级试验中由于器件级SEU引发的板级软错误敏感截面约为6.750×10－8/板,由于器件级SEFI引发的板级硬错误敏感截面约为6.278×10－9/板,如表 1所示.
| 序号 | 器件 | 器件数量 | 试验测试比特位数 | 主要敏感效应 | 预估敏感截面/(cm 2·bit -1) | 资源利用率/% | 故障传递率/% | 预估敏感截面(cm 2·器件 -1) |
| 1 | DSP | 1 | RAM 8388608 | SEU | 1×10 -14 | 100 | 10 | 8.389×10 -9 |
| 整个器件 | SEFI | 1×10 -16 | 100 | 100 | 8.389×10 -10 | |||
| 2 | SRAM | 1 | RAM 18874368 | SEU | 1×10 -14 | 25 | 10 | 4.719×10 -9 |
| 3 | FPGA (1#) | 1 | CLB 33909664 | SEU | 1×10 -14 | 70 | 10 | 2.374×10 -8 |
| BRAM 4939776 | SEU | 1×10 -14 | 70 | 10 | 3.458×10 -9 | |||
| 整个器件 | SEFI | 1×10 -16 | 70 | 100 | 2.719×10 -9 | |||
| 4 | FPGA (2#) | 1 | CLB 33909664 | SEU | 1×10 -14 | 70 | 10 | 2.374×10 -8 |
| BRAM 4939776 | SEU | 1×10 -14 | 70 | 10 | 3.458×10 -9 | |||
| 整个器件 | SEFI | 1×10 -16 | 70 | 100 | 2.719×10 -9 | |||
| 试验件合计 | 4 | 4个器件约100 Mbit | SEU导致软错误 | 1×10 -14 | 64 | 10 | 6.750×10 -8/板 | |
| 3个器件约82 Mbit | SEFI导致硬错误 | 1×10 -16 | 73 | 100 | 6.278×10 -9/板 |
依据本文式(4),采用大气中子注量率国际典型值6 000个/(cm2·h),预估该试验件在整个寿命周期NSEE软错误率约为4.050×10-4/板,NSEE硬错误率约为3.767×10-5/板,NSEE软硬错误率约为4.427×10-4/板.
2.3.5 试验件平均NSEE故障间隔时间MNSEE-i估算依据本文式(3),试验件平均NSEE软错误间隔时间MNSEE-SE为2 469 h;试验件平均NSEE硬错误间隔时间MNSEE-SE为26 546 h.因此,试验件平均NSEE软硬错误间隔时间MNSEE为2 259 h.
2.4 试验实施步骤NSEE试验实施步骤如下:
1) 试验系统搭建:试验系统主要由14 MeV中子加速器、屏蔽板、辐照电路板、试验件供电电源、供电及输入输出信号电缆、测试和控制系统等组成.辐照前,将试验件固定在靶前至少80 cm处,试验件垂直于试验件中心与靶心的连线;在靶与试验件之间竖立一块4 mm厚的铝屏蔽板,模拟真实的机舱蒙皮厚度;PC机、电源放置在测试间内;试验件与PC机、电源之间通过25 m电缆连接,试验系统布局如图 3所示.
 |
| 图 3 试验构架示意图Fig. 3 Testing architectural layout schematic |
2) 试验环境:试验环境温度为15~ 35℃;相对湿度为20%~80%;标准环境大气压约为760 mm汞柱.
3) 开展联调联试:测试设备交联关系如图 4所示.重点关注以下事项:①故障名称与故障分类的定义确认;②测试用例的版本与标识;③测试用例的资源利用率、故障传递率的初步分析与判断.
 |
| 图 4 测试设备交联关系示意图Fig. 4 Testing equipment connection overview schematic |
4) 依据本文第1.3.6 节开展试验.当注量达到109个/cm2时终止辐照,依据式(5),经试验数据处理可得出试验件NSEE软硬错误敏感截面σ,结果详见表 2,数据拟合结果如图 5所示,NSEE软硬错误数与累积中子注量成良好线性关系,验证了本试验方法的有效性.
| 序号 | 故障现象 | 故障次数/次 | 累积注量/(109个·cm-2) | 试验件样品数量/个 | 板级敏感截面/(10-9cm2·板-1) | 故障类别 | 故障次数 | 任务环境中子注量率/(个·(cm2·h)-1) | 故障率(10-5次·(板·h)-1) | 平均故障间隔时间/h |
| 1 | 死机 | 7 | 1.011 | 1 | 6.924 | 硬错误 | 7 | 6 000 | 4.154 | 24 073 |
| 2 | 无定位 | 18 | 1.011 | 1 | 17.804 | 软错误 | 21 | 6 000 | 12.463 | 8 024 |
| 3 | 定位超差 | 3 | 1.011 | 1 | 2.967 | |||||
| 合计 | 28 | 1.011 | 1 | 27.695 | 软硬错误 | 28 | 6 000 | 16.617 | 6 018 |
 |
| 图 5 试验件NSEE试验拟合结果Fig. 5 Test fitting results for NSEE tested board |
由表 2可见,试验件NSEE硬错误率为4.154×10-5次/(板·h),NSEE软错误率为1.246×10-4次/(板·h),NSEE软硬错误率为1.661×10-4(次/板·h).试验件平均NSEE硬错误间隔时间MNSEE-HE为24 073 h;试验件平均NSEE软错误间隔时间MNSEE-HE为8 024 h;试验件平均软硬错误间隔时间MNSEE为6 018 h.
与表 1中预计结果相比,硬错误结果差异较小,主要差异在于软错误的差异.有可能是试验期间实际资源利用率偏小,这有待于进一步研究.3倍以内的误差在国际上已经是比较理想的数据.
3 结 论本文提出了一套航空电子设备抗大气中子单粒子效应危害能力的试验评价方法,即航空电子设备大气中子辐射可靠性参数MNSEE的计算方法,并通过某航空用卫星导航接收机试验案例证明了该方法在工程应用中的可操作性与有效性,具体结论如下:
1) 依据试验实施程序,可以分类获得航空电子设备NSEE硬错误、软错误的原始数据;依据式(5),可以获得航空电子设备NSEE故障敏感截面σNSEE.
2) 依据第1节所述的航空电子设备NSEE试验评价方法可以计算获得航空电子设备平均NSEE故障间隔时间MNSEE.
3) 依据航空电子设备MNSEE预估方法第1.3.5 节计算结果与依据航空电子设备MNSEE试验评价方法第1.3.6节计算结果在3倍以内.
本文MNSEE预估方法中资源利用率与故障传递率是两个比较复杂的参数,试验实施程序中的监测方法也是一项复杂的影响因素,均需要进一步研究以提高MNSEE预估结果与试验评价结果的一致性.
致谢 感谢北京圣涛平试验工程技术研究院航空电子设备大气中子单粒子效应数据库维护组白桦、孙旭朋、罗星等的大力帮助.
| [1] | 潘泉,王增福,梁彦,等.信息融合理论的基本方法与进展(Ⅱ)[J].控制理论与应用,2012,29(10):1233-1244.Pan Q,Wang Z F,Liang Y,et al.Basic methods and progress of information fusion(Ⅱ)[J].Control Theory & Applications,2012,29(10):1233-1244(in Chinese). |
| Cited By in Cnki (278) | |
| [2] | Khaleghi B,Khamis A,Karray F O,et al.Multisensor data fusion:A review of the state-of-the-art[J].Information Fusion,2013,14(1):28-44. |
| Click to display the text | |
| [3] | Pravia M A,Babko-Malaya O,Schneider M K,et al.Lessons learned in the creation of a data set for hard/soft information fusion[C]∥12th International Conference on Information Fusion.Piscataway,NJ:IEEE Press,2009:2114-2121. |
| Click to display the text | |
| [4] | Gross G A,Nagi R,Sambhoos K,et al.Towards hard+soft data fusion:Processing architecture and implementation for the joint fusion and analysis of hard and soft intelligence data[C]∥15th International Conference on Information Fusion.Piscataway,NJ:IEEE Press,2012:955-962. |
| Click to display the text | |
| [5] | Hossain M A,Atrey P K,El Saddik A.Learning multisensor confidence using a reward-and-punishment mechanism[J].IEEE Transactions on Instrumentation and Measurement,2009,58(5):1525-1534. |
| Click to display the text | |
| [6] | David R P,Sampaio-Neto R,Medina C A.A linear adaptive algorithm for data fusion in distributed detection systems[C]∥11th International Symposium on Wireless Communications Systems.Piscataway,NJ:IEEE Press,2014:370-374. |
| Click to display the text | |
| [7] | Meng Z,Shi Z.Extended rough set-based attribute reduction in inconsistent incomplete decision systems[J].Information Sciences,2012,204(10):44-69. |
| Click to display the text | |
| [8] | Lu Z,Qin Z,Zhang Y,et al.A fast feature selection approach based on rough set boundary regions[J].Pattern Recognition Letters,2014,36(1):81-88. |
| Click to display the text | |
| [9] | Zheng K,Hu J,Zhan Z,et al.An enhancement for heuristic attribute reduction algorithm in rough set[J].Expert Systems with Applications,2014,41(15):6748-6754. |
| Click to display the text | |
| [10] | Shu W,Shen H.Incremental feature selection based on rough set in dynamic incomplete data[J].Pattern Recognition,2014,47(12):3890-3906. |
| Click to display the text | |
| [11] | Wang J S,Song J D,Gao J.Rough set-probabilistic neural networks fault diagnosis method of polymerization kettle equipment based on shuffled frog leaping algorithm[J].Information,2015,6(1):49-68. |
| Click to display the text | |
| [12] | Gao S,Wang J,Zhao N.Fault diagnosis method of polymerization kettle equipment based on rough sets and BP neural betwork[J].Mathematical Problems in Engineering,2013,7(2):91-103. |
| Click to display the text | |
| [13] | Liu C,Wu X,Wu N,et al.Structural damage identification based on rough sets and artificial neural network[J].The Scientific World Journal,2014,7(11):102-111. |
| Click to display the text | |
| [14] | Chen R C,Cheng K F,Chen Y H,et al.Using rough set and support vector machine for network intrusion detection system[C]∥2009 1st Asian Conference on Intelligent Information and Database Systems.Piscataway,NJ:IEEE Press,2009:465-470. |
| Click to display the text | |
| [15] | Niu W,Cheng J,Wang G,et al.Fast fault prediction model based on rough sets and grey model[J].Journal of Computational and Theoretical Nanoscience, 2013,10(6):1460-1464. |
| Click to display the text | |
| [16] | Han D Q,Dezert J,Tacnet J M,et al.A fuzzy-cautious OWA approach with evidential reasoning[C]∥15th International Conference on Information Fusion.Piscataway,NJ:IEEE Press,2012:278-285. |
| Click to display the text | |
| [17] | Yang J,Huang H Z,Miao Q,et al.A novel information fusion method based on Dempster-Shafer evidence theory for conflict resolution[J].Intelligent Data Analysis,2011,15(3):399-411. |
| Click to display the text | |
| [18] | Li Y B,Kang J,Xie H.The algorithm aiming at conflict to improve DS evidence theory[J].Information Technology Journal,2011,10(9):1779-1783. |
| Click to display the text | |
| [19] | Hu B,Shen B,Liu Q.An experience-feedback algorithm of DS evidence theory[C]∥2013 International Conference on Information Science and Computer Applications.Paris:Atlantis Press,2013. |
| Click to display the text | |
| [20] | Zhu H,Ma Z,Sun H,et al.Information correlation entropy based DS evidence theory used in fault diagnosis[C]∥2012 International Conference on Quality,Reliability,Risk,Maintenance,and Safety Engineering (ICQR2MSE).Piscataway,NJ:IEEE Press,2012:336-338. |
| Click to display the text | |
| [21] | Wang J F,Zhang Q L,Zhi H L.Fault diagnosis and optimization for agent based on the ds evidence theory[M]∥Advances in Swarm Intelligence.Berlin:Springer,2012:535-542. |
| [22] | Xu C,Zhang H,Peng D,et al.Study of fault diagnosis of integrate of DS evidence theory based on neural network for turbine[J].Energy Procedia,2012,16(10):2027-2032. |
| Click to display the text | |
| [23] | Zhang L,Dong Y.Research on diagnosis of ac engine wear fault based on support vectormachine and information fusion[J].Journal of Computers,2012,7(9):2292-2297. |
| Click to display the text | |
| [24] | Zhang Q H,Hu Q,Sun G,et al.Concurrent fault diagnosis for rotating machinery based on vibration sensors[J].International Journal of Distributed Sensor Networks,2013,4(5):37-47. |
| Click to display the text | |
| [25] | Yager R R.On ordered weighted averaging aggregation operators in multicriteria decisionmaking[J].IEEE Transactions on Systems,Man and Cybernetics,1988,18(1):183-190. |
| Click to display the text | |
| [26] | 李弼程,钱曾波.一种有效的证据理论合成公式[J].数据采集与处理,2002,17(1):33-36.Li B C,Qiang Z B.An efficient combination rule of evidence theory[J].Journal of Data Acquisition and Processing,2002,17(1):33-36(in Chinese). |
| Cited By in Cnki (232) | |
| [27] | 邓勇,施文康.一种改进的证据推理组合规则[J].上海交通大学学报,2003,37(8):1275-1278.Deng Y,Shi W K.An advanced combination rules of evidence[J].Journal of Shanghai Jiao Tong University,2003,37(8):1275-1278(in Chinese). |
| Cited By in Cnki (112) | |
| [28] | Jousselme A L,Grenier D,Bossé É.A new distance between two bodies of evidence[J].Information Fusion,2001,2(2):91-101. |
| Click to display the text |
