Ausfallvorhersage von Temperatursensoren mit hybrider neuronaler Fuzzy-Technologie

Die Entwicklung elektronischer Produkte wird immer komplexer, da eine hohe Zuverlässigkeit, hohe Geschwindigkeit und niedrige Kosten gefordert werden. In der heutigen Welt wird Zuverlässigkeit zu einem großen Bedürfnis aller elektronischen Geräte, sowohl bei aktiven als auch bei passiven Komponenten, wie z. B. einem Temperatursensor. Die Ausfallvorhersage ist die wichtigste Voraussetzung für die Vorhersage der verbleibenden Nutzungsdauer der Komponente, um kostspielige Ausfälle oder die Nichtverfügbarkeit des Systems zu vermeiden. Auf dem modernen wettbewerbsorientierten Markt sind niedrige Kosten und hohe Leistung die Schlüsselfaktoren, um die Kunden für ihre Produkte zu gewinnen. Die zunehmende Systemkomplexität erfordert eine robuste Steuerung, um die Systemsteuerung zu reduzieren und die Anzahl der aufeinanderfolgenden Ausfälle zu verringern. Die Vorhersage der Zuverlässigkeit von passiven Komponenten, insbesondere von Temperatursensoren, ist von großer Bedeutung, da diese in fast jedem System benötigt werden. Da diese Komponenten auf einer Platine montiert werden, um ein komplettes System zu bilden, erhöht sich die Wahrscheinlichkeit eines Schadens, da die verschiedenen Komponenten unterschiedliche Eigenschaften und unterschiedliche Betriebsbedingungen aufweisen. Daher werden Techniken der künstlichen Intelligenz eingesetzt, die das Wissen über den Fehlermechanismus eines einzelnen Teils des Systems übernehmen und dessen Gesundheitszustand überprüfen.

Autorentext
Cherry Bhargava arbeitet als Assistenzprofessorin und Leiterin des VLSI-Bereichs an der Lovely Professional University, Indien. Sie ist eine Absolventin der Thapar Universität, Patiala. Sie hat ihre Doktorarbeit an der IKGPTU eingereicht. Pardeep Kumar Sharma arbeitet als Assistenzprofessor und promoviert an der LPU. Sahib Ali ist ein Forschungsstipendiat an der LPU.