La dérive des mesures est un glissement progressif de vos données de test au fil du temps. Les pièces passent encore aujourd'hui, mais la distribution se rapproche d'une limite de spécification. Les graphiques de tendance et les cartes de contrôle de TofuPilot rendent la dérive visible avant qu'elle ne devienne un problème de rendement.
Causes de la dérive
La dérive a des causes physiques réelles. Les connaître vous aide à investiguer lorsque vous repérez une tendance.
Le vieillissement des instruments est la cause la plus fréquente. L'étalonnage d'un multimètre dérive sur plusieurs mois. Une résistance de mesure de courant change de valeur avec les cycles thermiques. Un capteur de force perd en rigidité avec l'usage.
L'usure des montages compte également. Les pointes pogo perdent leur force de ressort après des milliers de contacts. Les supports de test développent des connexions intermittentes. Les éléments d'alignement s'usent, modifiant le positionnement du DUT.
Les variations environnementales sont plus subtiles. Les changements saisonniers de température affectent les mesures analogiques. Les variations d'humidité impactent les lectures à haute impédance. Les fluctuations de tension du réseau ajoutent du bruit.
La variation des lots de composants provient de votre chaîne d'approvisionnement. Une nouvelle bobine de résistances d'un lot différent décale légèrement le comportement de votre circuit. Les composants sont tous dans les spécifications, mais le centre de la distribution s'est déplacé.
Écrire des tests qui révèlent la dérive
La détection de dérive nécessite des mesures cohérentes et répétables avec une résolution suffisante pour voir de petits décalages. Utilisez des unités physiques, définissez des limites avec de la marge et évitez les arrondis.
import openhtf as htf
from openhtf.util import units
from tofupilot.openhtf import TofuPilot
@htf.measures(
htf.Measurement("ref_voltage")
.with_units(units.VOLT)
.in_range(minimum=2.495, maximum=2.505),
htf.Measurement("temp_sensor")
.in_range(minimum=23.0, maximum=27.0),
htf.Measurement("adc_offset")
.in_range(minimum=-3, maximum=3),
)
def calibration_check(test):
"""Mesure des points de référence sensibles à la dérive."""
test.measurements.ref_voltage = 2.4988
test.measurements.temp_sensor = 24.6
test.measurements.adc_offset = 1
@htf.measures(
htf.Measurement("contact_resistance")
.in_range(maximum=0.100)
.with_units(units.OHM),
htf.Measurement("leakage_current")
.in_range(maximum=0.000001)
.with_units(units.AMPERE),
)
def fixture_health_check(test):
"""Suivi des mesures liées au montage qui se dégradent avec le temps."""
test.measurements.contact_resistance = 0.0423
test.measurements.leakage_current = 0.00000012
@htf.measures(
htf.Measurement("gain")
.in_range(minimum=19.5, maximum=20.5),
htf.Measurement("phase_margin")
.in_range(minimum=45.0),
htf.Measurement("output_impedance")
.in_range(maximum=2.0)
.with_units(units.OHM),
)
def analog_performance_test(test):
"""Mesure des paramètres analogiques sujets à la variation des lots de composants."""
test.measurements.gain = 20.05
test.measurements.phase_margin = 52.3
test.measurements.output_impedance = 1.1
def main():
test = htf.Test(
calibration_check,
fixture_health_check,
analog_performance_test,
)
with TofuPilot(test):
test.execute(test_start=lambda: "UNIT-1001")
if __name__ == "__main__":
main()La phase fixture_health_check est particulièrement utile. Une résistance de contact qui passe de 40 à 80 mohm en quelques semaines vous indique que le montage nécessite une maintenance, même si chaque lecture est encore conforme.
Repérer la dérive dans TofuPilot
Ouvrez le graphique de tendance de n'importe quelle mesure dans TofuPilot pour voir les valeurs tracées au fil du temps. La dérive se manifeste par une pente constante dans les points de données.
Les cartes de contrôle ajoutent de la rigueur statistique. Recherchez ces patterns :
- Sept points consécutifs ou plus du même côté de la ligne centrale (le processus a dérivé)
- Six points consécutifs évoluant dans la même direction (dérive en cours)
- La moyenne du processus se rapprochant de l'UCL ou du LCL au fil des semaines
TofuPilot calcule tout cela automatiquement. Lorsque la tendance est visible, vous avez encore de la marge avant que les pièces ne commencent à échouer.
Réagir à la dérive
Lorsque vous repérez une dérive, la réponse dépend de la cause.
Pour la dérive instrumentale, recalibrez et vérifiez avec une référence connue. Vérifiez si votre intervalle d'étalonnage est trop long.
Pour l'usure du montage, inspectez et remplacez les composants usés. Suivez le nombre de cycles du montage et établissez des calendriers de maintenance préventive basés sur les données de dérive que vous avez collectées.
Pour la dérive environnementale, corrélez avec les journaux de l'installation. Si la température est le facteur, améliorez les contrôles environnementaux autour du poste de test ou ajoutez une compensation en température à vos mesures.
Pour la variation des lots de composants, comparez les distributions de mesures avant et après un changement de lot. Si le décalage est significatif mais toujours dans les spécifications, mettez à jour la ligne de base de votre carte de contrôle. Si c'est limite, travaillez avec votre fournisseur sur des spécifications d'entrée plus strictes.
Mettre en place une routine de surveillance de la dérive
Consultez les graphiques de tendance de TofuPilot chaque semaine pour vos mesures les plus critiques. Concentrez-vous sur les mesures avec des spécifications serrées (Cpk faible) car ce sont celles qui atteignent les limites en premier lorsque la dérive se produit.
Configurez des vues filtrées par station et plage de temps. Une mesure qui semble stable sur l'ensemble des stations peut dériver sur une seule, masquée par la vue agrégée.