Le test de fiabilité continu (ORT)

Qu'est-ce que l'ORT avec TofuPilot

Le test de fiabilité continu (ORT) prélève des unités de la ligne de production à intervalles réguliers et les soumet à des tests de stress. Il détecte les problèmes de fiabilité causés par la dérive de processus, les changements de fournisseurs ou la variation des matériaux que les tests de production ne détectent pas. Ce guide couvre le fonctionnement de l'ORT, ce qu'il détecte et comment suivre les résultats ORT avec TofuPilot.

Pourquoi le test de production ne suffit pas

Les tests de production vérifient qu'une unité fonctionne maintenant. Ils ne vous disent pas si elle fonctionnera encore dans un an. Un joint de soudure peut passer l'ICT et le FCT mais se fissurer après 200 cycles thermiques. Un condensateur peut mesurer dans les spécifications mais se dégrader sous l'humidité.

L'ORT détecte ces problèmes en :

1. Échantillonnant des unités de chaque lot de production
2. Exécutant des tests de stress (température, humidité, vibration, fonctionnement sous tension)
3. Comparant les résultats à la baseline de fiabilité établie lors de la DVT

Si les résultats ORT dérivent par rapport à la baseline, quelque chose a changé dans le processus ou la chaîne d'approvisionnement.

Ce que l'ORT détecte

Programme ORT typique

Prérequis

• Python 3.10+
• OpenHTF installé (pip install openhtf)
• SDK Python TofuPilot installé (pip install tofupilot)

Étape 1 : Définir les vérifications fonctionnelles ORT

Les vérifications fonctionnelles ORT s'exécutent avant le stress, à intervalles pendant le stress, et après le stress. Elles doivent correspondre aux mesures utilisées dans votre baseline DVT.

import openhtf as htf
from openhtf.util import units


@htf.measures(
    htf.Measurement("output_voltage_V")
    .in_range(
        minimum=4.85, maximum=5.15,
        marginal_minimum=4.9, marginal_maximum=5.1,
    )
    .with_units(units.VOLT),
    htf.Measurement("quiescent_current_uA")
    .in_range(maximum=50)
    .with_units(units.MICROAMPERE),
)
def phase_electrical(test):
    """Paramètres électriques de base pour la comparaison avec la baseline ORT."""
    test.measurements.output_voltage_V = 5.01
    test.measurements.quiescent_current_uA = 12.4


@htf.measures(
    htf.Measurement("boot_time_ms")
    .in_range(maximum=1500)
    .with_units(units.MILLISECOND),
    htf.Measurement("memory_check").equals("PASS"),
)
def phase_functional(test):
    """Vérifications fonctionnelles pour détecter la dégradation après stress."""
    test.measurements.boot_time_ms = 980
    test.measurements.memory_check = "PASS"

Étape 2 : Enregistrer chaque vérification dans TofuPilot

Exécutez le script de vérification ORT à chaque intervalle. Chaque exécution crée un nouveau run lié au numéro de série de l'unité.

from tofupilot.openhtf import TofuPilot

test = htf.Test(
    phase_electrical,
    phase_functional,
)

with TofuPilot(test):
    test.execute(test_start=lambda: input("Scanner le numéro de série de l'échantillon ORT : "))

Étape 3 : Surveiller les tendances ORT dans TofuPilot

TofuPilot suit les résultats ORT aux côtés des données de test de production. Ouvrez l'onglet Analytique pour voir :

• Tendances des mesures par échantillon ORT dans le temps
• Comparaison avec la baseline entre les résultats ORT et les données DVT
• Résultats marginaux signalés avant qu'ils ne deviennent des défaillances
• Graphiques de contrôle montrant la stabilité du processus entre les lots de production

Quand un échantillon ORT montre des mesures dérivant vers les limites, investiguez avant que le prochain lot de production ne soit expédié. Plus tôt vous détectez la dérive de processus, plus le périmètre de confinement est réduit.

ORT vs autres méthodes de fiabilité

L'ORT est la vérification continue qui valide que vos marges HALT et vos filtres HASS fonctionnent toujours. Si l'ORT commence à échouer, votre profil HASS peut nécessiter une mise à jour, ou votre processus nécessite une investigation.