| Русский |
Английский |
Внедрение дополнительных тестовых структур контроля и наблюдения внутренних узлов в СБИС позволяет увеличить тестовое покрытие и сократить время тестирования. Создание тестового режима работы, в котором триггерная подсистема СБИС используется в качестве сдвигового регистра (скан-схемы) [1] позволяет полностью контролировать и наблюдать состояние всех триггеров СБИС и использовать их для тестирования комбинационной части СБИС.
Объемы тестовых данных, необходимых для тестирования микросхем растут и встраиваемые средства сжатия [2], [3] не всегда позволяют сократить время тестирования до приемлемых величин в виду многих причин, включая рост длин логических путей, увеличение количества взаимных конфликтов неисправностей, а также необходимость снижения уровня абстракции при создании тестовых последовательностей для СБИС с уровня логических элементов до уровня транзисторов [4], [5].
С ростом длин логических комбинационных путей и ростом количества сходящихся разветвлений снижается наблюдаемость и контролируемость узлов этих путей в режиме тестирования [6], [7], [8]. Для решения данной проблемы в определённые узлы СБИС встраиваются дополнительные тестовые схемы — тестовые точки контроля и обзора – дополнительные триггеры с управляющей логикой, позволяющие увеличить наблюдаемость и контролируемость отдельных узлов комбинационной подсистемы СБИС [9].
Установка тестовых точек приводит к сокращению времени тестирования до 35% [10], [11]. Современный метод установки тестовых точек, снижающий количество взаимных конфликтов неисправностей типа «залипание», позволяет сократить время тестирования в среднем в 2,2 раза для скан-схем с компрессией за счёт увеличения количества неисправностей, тестируемых каждым тестовым вектором [12]. Однако установка тестовых точек уменьшает ресурс трассировки, увеличивает задержки распространения сигналов и увеличивает площадь тестовой логики, которая используется только в режиме тестирования и в рабочем режиме не функционирует. Современные методы создания тестовых точек используют существующие функциональные триггеры СБИС, вместо дополнительных, что позволяет сократить аппаратурные затраты на тестовую логику, однако увеличения задержек критических путей после установки тестовых точек избежать не удается [13], [14]. Увеличение контролируемости и наблюдаемости критических с точки зрения быстродействия путей представляет серьёзную проблему при проектировании средств тестирования.
Метод создания копий отдельных элементов (дублирования) известен как способ сокращения длин проводников при проектировании топологии СБИС, что позволяет сократить задержки распространения сигналов [15]. Триггер и его копия в функциональном режиме находятся в одинаковом логическом состоянии в любой момент времени. Считается, что и в режиме скан-тестирования должно сохраняться равенство состояний этих триггеров, так как загрузка различных значений в дублированные скан-триггеры может привести к выходу микросхемы из строя в случае, если в схеме присутствуют логические элементы, допускающие сквозные токи [16]. Однако если таких элементов на кристалле немного или нет вовсе, то использование копий триггеров как независимых переменных при генерации тестовых последовательностей может увеличить тестируемость узлов комбинационной части СБИС. |
Inserting additional test structures for control and observation of internal nodes in VLSI circuits makes it possible to increase the test coverage and reduce the test time. Creating a test operation mode in which the VLSI’s flip-flop subsystem is used as a shift register (scan path) [1] helps achieve full controllability and observability of all VLSI flip-flops and use them to test the VLSI’s combinatorial portion.
The amounts of test data required for circuit testing is growing, and built-in compression tools [2], [3] are not always capable of reducing the test times to acceptable levels for many reasons, including the growing lengths of logic paths, the growing numbers of mutual conflicts between faults, and the need to shift from logic cell-level abstraction down to transistor-level abstraction when generating test patterns for VLSI circuits [4], [5].
The growing lengths of combinatorial logic paths and the growing numbers of reconvergent fanouts result in poorer observability and controllability of the nodes of these paths in test mode [6], [7], [8]. To solve this problem, additional test paths – control and observation test points – are embedded in certain VLSI nodes. These points are additional control-logic flip-flops that make it possible to increase the observability and controllability of individual nodes of the VLSI’s combinatorial subsystem [9].
Test point insertion helps reduce the test time by up to 35 % [10], [11]. A modern test point insertion method, which reduces the number of mutual conflicts between stuck-at faults, yields a 2.2 times shorter average test time for compression-enabled scan paths by increasing the number of faults tested by each test vector [12]. However, test point insertion reduces the system’s tracing capabilities, increases signal propagation delays, and increases the test logic area, which is only used in test mode and does not function in normal operation mode. Modern test point creation methods employ the VLSI’s existing functional flip-flops instead of adding new ones, which helps reduce the test logic-specific hardware costs but, at the same time, unavoidably increases the delays in critical paths after the test point insertion [13], [14]. The increase in controllability and observability of speed-critical paths poses a serious problem when designing test tools.
One known method used by VLSI topology designers for reducing the conductor lengths in the circuit to provide for shorter signal propagation delays relies on creating copies of (i. e. duplicating) individual cell elements [15]. A flip-flop cell and its copy, in the functional mode, are in identical logic states at any time. It is believed that, in scan test mode, these flip-flops must remain in identical states, since loading different values into duplicated scan flip-flops can cause the chip to fail if its circuits contain logic cell elements that can draw leakage current [16]. If, however, the chip contains but few such cells, or none at all, then copies of duplicated flip-flop cells can be used as independent variables when generating test patterns to increase the node testability for the VLSI’s combinatorial portion |
Методы интеллектуального планирования требуют интеграции не только собственно методов планирования, но и методов удовлетворения ограничений, темпоральных рассуждений, представления знаний, формальных языков и моделей, а также решения сложных технологических задач. Известны основные методы интеллектуального планирования, среди которых – планирование в пространстве состояний, планирование в пространстве планов, применение в планировании техники прямого распространения ограничений и планирование на основе прецедентов. Первым планировщиком, осуществляющим планирование в пространстве состояний, был STRIPS (STanford Research Institute Problem Solver) [1], который предполагалось применить для решения задачи формирования плана поведения робота, перемещающего предметы через множество помещений. Идея алгоритма STRIPS заимствована из системы General Problem Solver (GPS) [2]. Метод, использованный в GPS, называется «анализ средств и целей» (англ. means-ends analysis) [3]. Он подразумевает рассмотрение в текущем состоянии только тех действий, которые имеют отношение к цели. STRIPS применяет действия, не откладывая, достигая каждой цели по отдельности.
В 1994 г. Том Байлендер провел исследование [4], в котором показал, что для обеспечения полиномиальной или даже NP-полной [5] сложности процесса планирования требуются чрезвычайно жесткие ограничения как на операторы, так и на формулы, используемые в алгоритмах программ. Открытие новых методов и инструментов для обучения сверточных и рекуррентных нейронных сетей пробудило интерес ученых к исследованию возможности применения глубоких нейронных сетей в задачах планирования [6]. Также наблюдается интерес к решению задач интеллектуального планирования с помощью других подходов [7, 8]. Особенно стоит отметить работы в области алгоритмов планирования, которые применяют модель знакового мира в качестве основы для приобретения и поддержания знаний для будущего использования в планировании поведения [9−11]. STRIPS относится к задачам классического домена Blocks World [12] (мир кубиков), а также известен вариант этой задачи с четырьмя действиями [13]. Кроме того, важно учитывать возможность возникновения аномалий Сусмана (Sussman anomaly) [14]. Анализ литературы и результаты устного общения со специалистами по решению задач STRIPS-программирования показал, что в настоящее время существующие методы остаются NP-полными (и даже более вычислительно сложными) и не позволяют в общем случае, т. е. без использования эвристик, оптимизации и упрощения условий, решать задачи даже с 10 кубиками менее, чем за 9 ч. Причем для решения этих задач используются многопроцессорные мощные серверы и суперкомпьютеры. Поэтому нами было принято решение исследовать возможность применения качественно других математических способов решения задач интеллектуального планирования поведения роботов, включая задачи классического домена Blocks World и STRIPS программирования.
В 2018 году было предложено применить миварные экспертные системы (ЭС) для решения задач интеллектуального планирования поведения роботов в пространстве состояний и сравнения с алгоритмом STRIPS [15]. Как известно [16], миварные технологии также реализуют идею метода GPS, но переводят ее в формализм продукционного подхода и сетей Петри, что позволило избавиться от полного перебора и перейти к линейной сложности логического вывода. В качестве метрики автономности и интеллектуальности робототехнических комплексов (РТК) и киберфизических систем (КФС) было предложено использовать количество продукционных правил формата «Если, То», которыми описываются все возможные единичные действия при планировании поведения роботов [17]. Такой подход позволяет применять миварные экспертные системы в качестве систем принятия решений для роботов. Миварные технологии применяются для решения различных задач в области логического искусственного интеллекта [18], включая задачи распознавания образов [19], планирования поведения роботов и соблюдения правил дорожного движения [20], создания виртуальных текстовых консультантов [21]. Сравнительный анализ сред для разработки экспертных систем показал перспективность миварного подхода [22], а сами миварные ЭС используются в областях физики [23], экспертного моделирования [24], а также совместно с системами имитационного моделирования [25, 26], например для решения задач анализа дорожно-транспортных происшествий [27, 28]. |
Intelligent planning methods must integrate not only planning methods per se, but also methods for satisfying constraints, temporal reasoning, knowledge representation, formal languages, and models. Also, they present complex technological problems to be solved. Several basic methods of intelligent planning are known, among which are state-space planning, plan-space planning, planning using the forward constraint propagation technique, and precedent-based planning. The first planner to implement state-space planning was STRIPS (STanford Research Institute Problem Solver) [1], which was supposed to be used to solve the problem of forming a behavior plan for a robot tasked with moving objects across many rooms. The idea of the STRIPS algorithm was borrowed from the General Problem Solver (GPS) system [2]. The method used in GPS is called ‘means-ends analysis’ [3]. It implies that, out of all the actions possible in the current state, only those will be considered that are relevant to the goal at hand. STRIPS applies actions without delay, reaching each goal separately.
In 1994, Tom Bylander conducted a study [4] in which he showed that extremely severe restrictions on both the operators and the formulas used in the programming algorithms were required to guarantee polynomial time complexity or even NP-completeness [5] of the planning process. The discovery of new methods and tools for teaching convolutional and recurrent neural networks has stirred the interest of scientists towards exploring the possibility of using deep neural networks for planning tasks [6]. There is also an interest in solving problems of intelligent planning using other approaches [7, 8]. Particularly noteworthy are certain works on planning algorithms using a symbolic world model as a basis for acquiring and maintaining knowledge for future use in behavior planning [9−11]. STRIPS is a problem that belongs to the classic blocks-world domain [12], there also being known a version of this problem with four actions [13]. Besides, it is important to consider the possible scenarios where the Sussman anomaly [14] can occur. The analysis of the literature and the results of oral communications with specialists in solving STRIPS programming problems have shown that the currently existing methods remain NP-complete (and even more computationally complex) and do not make it possible, in the general case, i. e. without the use of heuristics, optimizations, and condition simplifications, to solve problems involving as few as 10 blocks in less than 9 hours (with that process being handled by powerful multiprocessor servers and supercomputers). Therefore, we decided to investigate the possibility of using qualitatively different mathematical methods for solving problems of intelligent robot behavior planning including those that belong to the classic blocks-world and STRIPS programming domain.
In 2018, it was proposed to apply mivar expert systems (ES) for solving state-space intelligent robot behavior planning problems and to compare the results with those produced using the STRIPS algorithm [15]. As is known [16], mivar technologies implement the same idea as the GPS method, but also translate it into the formalism of the production approach and Petri nets, thus making it possible to forgo the complete enumeration process and reduce the complexity of logical inference to linear. The metric proposed for the evaluation of autonomy and intelligence of a robotic system (RS) or a cyber-physical system (CPS) was the number of production rules of the ‘if-then’ form describing all possible unit actions in robot behavior planning [17]. This approach allows for the use of mivar expert systems as decision support systems for robots. Mivar technologies are used to solve various tasks in the field of logical artificial intelligence [18], including such tasks as pattern recognition [19], robot behavior planning, compliance with traffic regulations [20], and creating chatbot consultants [21]. A comparative analysis of expert system development environments has shown that the mivar approach holds great promise [22], and mivar ESs themselves are used in the fields of physics [23], expert modeling [24], as well as in combination with simulation systems [25, 26], e. g. for solving road accident analysis problems [27, 28]. |
Для того чтобы исключить или свести к минимуму осложнения в работе месторождения, повысить устойчивость проектного решения к параметрам неопределенности, необходимо синхронизировать процессы развития объектов разработки месторождений и их инфраструктуры. Данный подход может быть реализован с использованием интегрированной модели месторождения (ИММ) и требует формирования следующих компонентов ИММ цифрового месторождения:
1) алгоритмы сбора, хранения, структурирования, проверки достоверности и фильтрации данных о месторождении, поступающих из различных источников;
2) инструменты моделирования всех элементов интегрированной системы месторождения (ГГДМ, скважины, система сбора, система подготовки, экономика);
3) интеграция методов инженерного анализа данных на основе их обработки в моделях с алгоритмами поддержки принятия решения.
Под разработкой алгоритмов обработки данных подразумевается создание каналов связи с телеметрическими нефтепромысловыми системами, химико-аналитическими лабораториями, буровыми установками и другими источниками информации на месторождении в режиме реального времени. Инструмент моделирования интегрированной системы месторождения – это специализированное программное обеспечение, которое используется специалистами-экспертами в области геологии, бурения, разработки, обустройства и добычи в Научно-техническом центре компании. На основе онлайн-данных и специализированного программного обеспечения специалисты создают ИММ и адаптируют ее к истории разработки.
Далее обновленные элементы ИММ дополняются библиотеками алгоритмов обработки информации и в режиме реального времени выдают специалистам на нефтепромысле предложения по оптимизации технологического режима работы систем месторождения на основе технико-экономических показателей ограничения. Инструменты ИММ дают возможность оценивать перспективы развития актива и «возврата инвестиций» в разные моменты времени. Данная функция ИММ становится особенно востребована в условиях высокой волатильности цены на нефть. Таким образом, результатом вложений в построение ИММ в случае ее реализации как ядра цифрового месторождения становится обеспечение прозрачности и скорости принятия решений в ходе процессов добычи нефти.
Для того чтобы ядро ИММ цифрового месторождения заработало, необходимо провести технологическую трансформацию существующих методов работы сотрудников: от технических специалистов, работающих непосредственно на промысле, до экспертов-аналитиков в научно-техническом центре компании. Кроме модернизации рабочих процессов, необходимо уделить особое внимание мотивации сотрудников на основе ключевых показателей эффективности работы месторождения. Интеграция ключевых показателей эффективности с моделью технико-экономических ограничений режима и аналитическими инструментами ИММ подготовки управленческих решений будет снижать риски финансовых потерь. Личная заинтересованность сотрудника в достижении ключевых показателей эффективности цифрового месторождения приведет к ускорению подготовки упреждающего действия по недопущению появления осложнения. При такой системе ИММ становится инструментом снижения геолого-технологической неопределенности параметров месторождения, а модель ограничений с ключевыми показателями эффективности работы мотивирует сотрудников к доскональному изучению месторождения и поиску методов увеличения добычи нефти с наименьшими затратами (рис. 2). |
In order to eliminate or minimize complications that may aggravate the field performance and to increase the sustainability of a design decision against the uncertainties at work, we must synchronize the processes used to elaborate the field’s development targets and their infrastructure. This approach can be implemented using an integrated field model (IFM) and requires that the following IFM components be set up for a digital field:
1) algorithms for collecting, storing, structuring, validating, and filtering field data from various sources;
2) tools for modeling all elements of the integrated field system (GHDM, wells, gathering system, treatment system, economics);
3) integration of engineering data analysis methods based on their processing in models with decision support algorithms.
The development of data processing algorithms means setting up communication channels to and from oil-field telemetry systems, chemical analysis laboratories, drilling rigs, and other information sources present in the field, and maintaining real-time communications in them. An integrated field system modeling tool means a specialized software package that is used by experts specializing in geology, drilling, development, facilities, and production at the company’s Research and Engineering Center. Those experts use the online data and specialized software available to them to create an IFM and adjust it for the development history. Next, the updated IFM elements, enhanced with libraries of information processing algorithms, are used to help experts in the oil field by following their work in real time and making suggestions on how to optimize the operating process parameters of the field systems based on technical and economic constraint indicators. IFM tools make it possible to evaluate an asset’s growth prospects and RoI potential at different points in time. This IFM function is becoming especially popular in the face of high volatility in oil prices. An investment in IFM construction (if the IFM is correctly implemented as the core of a digital field) will, thus, help secure transparency and faster decision-making during oil production processes.
If we want the IFM core of the digital field to work, we should transform the technique of how our employees, from technical specialists working directly in the field to analysts at the company’s Research and Engineering Center, do their work. In addition to modernizing workflows, special attention must be paid to employee motivation based on the field’s key performance indicators. By integrating those key performance indicators with a technical and economic constraints model to control our operation modes and with analytical IFM tools to help prepare management decisions, we will be able to reduce the risks of financial losses. If an employee takes a personal interest in achieving the digital field’s key performance indicators, this will speed up their proactive responses that will prevent complications from occurring. With such a system, the IFM becomes a tool for reducing the geological and technological uncertainty of the field parameters, and the constraints model with key performance indicators motivates employees to thoroughly study the field and search for methods to increase oil production at the lowest cost (see Fig. 2). |
Смотреть больше образцов
|
Английский
Арабский
Испанский
Итальянский
Казахский
Китайский
Корейский
Немецкий
Украинский
Финский
Французский
Японский
Заказать перевод
Скидки и подарки
Система менеджмента качества сертифицирована по международному стандарту 