現(xiàn)高可用網(wǎng)絡(luò)的方法，除了像冗余備份、提高故障診斷能力、增加備件這些減少設(shè)備宕機(jī)時(shí)恢復(fù)時(shí)間的方法之外，還包括一個(gè)重要的指標(biāo)--設(shè)備的可靠性  。如何保證硬件設(shè)備的可靠性？它包括哪些方面？

可靠性管理：可靠性保證和增長的基礎(chǔ)

之所以把可靠性管理放在第一位，優(yōu)先于可靠性設(shè)計(jì)、分析和試驗(yàn)，是因?yàn)槲覀冋J(rèn)為后者都是具體的、細(xì)節(jié)的技術(shù)或方法，是可以短期內(nèi)修正或完善的；而可 靠性管理則代表了一個(gè)公司可靠性領(lǐng)域在流程和制度上的成熟度，需要時(shí)間、實(shí)踐、經(jīng)驗(yàn)和數(shù)據(jù)的積累和沉淀，可以說是員工心智和公司文化的體現(xiàn)  。

H3C于2005年正式將可靠性納入公司的流程管理，作為產(chǎn)品開發(fā)過程中的重要一環(huán)  。對于研發(fā)的每款產(chǎn)品，H3C都會制定相應(yīng)的可靠性規(guī)格和過 程實(shí)施計(jì)劃  ?？煽啃砸?guī)格是產(chǎn)品概念階段在可靠性指標(biāo)上的承諾，根據(jù)各方面的需求決定出要做什么樣的產(chǎn)品  ?？煽啃赃^程計(jì)劃則明確定義什么階段、由誰 完成哪些可靠性工作，達(dá)到什么目標(biāo)，過程如何規(guī)范，交付哪些內(nèi)容，在執(zhí)行上保證了規(guī)格承諾的兌現(xiàn)  。

舉例來說，器件管理和優(yōu)選便是可靠性管理體系中的重要組成部分  。做過產(chǎn)品開發(fā)的人都知道，不同廠家的同型號器件，往往很難做到所有參數(shù)完全一 致  。當(dāng)器件參數(shù)不一致時(shí)，產(chǎn)品在設(shè)計(jì)初期就需要考慮通過容差設(shè)計(jì)來兼容這些器件，這樣就對設(shè)計(jì)和制造提出了更高的要求，一定程度上提高了設(shè)計(jì)制造的難 度和成本  。隨著供應(yīng)商和器件型號的增加，管理費(fèi)用迅速上升，彼此溝通變成了一個(gè)費(fèi)時(shí)費(fèi)力而且低效的工作  。另一方面，設(shè)計(jì)和制造也不斷出現(xiàn)由"兼容 設(shè)計(jì)"引起的問題，允許免檢直接入庫的器件變少  。對于這種問題，在H3C，有專門的部門負(fù)責(zé)器件優(yōu)選和認(rèn)證管理工作，他們跟蹤業(yè)界器件技術(shù)發(fā)展的動(dòng) 態(tài)，對制造、客戶出現(xiàn)的器件問題進(jìn)行跟蹤和數(shù)據(jù)搜集，提供各類優(yōu)選器件清單，使器件選型工作簡單有效  。當(dāng)有器件需要替代時(shí)，必需經(jīng)過足夠環(huán)節(jié)的審核、 測試和小批量驗(yàn)證才能被規(guī)模使用  。

可靠性增長的一個(gè)重要方法是應(yīng)用FRACAS系統(tǒng)（Failure Report Analysis and Corrective Action System），其原理是利用"故障反饋、閉環(huán)控制、預(yù)防再發(fā)生"，通過一系列規(guī)范化的工作程序，及時(shí)報(bào)告產(chǎn)品故障，分析故障根因并糾正，通過臨時(shí)規(guī)避措 施減小故障的影響，通過預(yù)防再發(fā)生的解決措施實(shí)現(xiàn)產(chǎn)品可靠性增長  。在H3C，從研發(fā)、試產(chǎn)、生產(chǎn)到客戶現(xiàn)場，各環(huán)節(jié)不同程度都在實(shí)施故障報(bào)告和閉 環(huán)  。以HASA（Highly Accelerated Stress Audit，高加速應(yīng)力稽核）流程為代表，該流程融入了FRACAS和8D的思路，對每一臺HASA過程出現(xiàn)問題的設(shè)備，都建立流程跟蹤，從條碼記錄、故 障現(xiàn)象、故障風(fēng)險(xiǎn)分析、根本原因總結(jié)到解決措施、閉環(huán)實(shí)施，把各環(huán)節(jié)有機(jī)整合起來，實(shí)現(xiàn)發(fā)貨前檢驗(yàn)的高效率和問題閉環(huán)的有效性  。將每個(gè)HASA失效都 看作改進(jìn)過程的機(jī)會，從而使解決問題的投入達(dá)到利益最大化  。

根據(jù)流程，所有和可靠性相關(guān)的關(guān)鍵數(shù)據(jù)都集成到了QA系統(tǒng)的可靠性模塊  。在這里，可以查到某款產(chǎn)品在特定發(fā)貨時(shí)間的市場失效情況，可以跟蹤市場 實(shí)際MTBF、累計(jì)失效率、制造批次相關(guān)的失效率等等  。通過數(shù)據(jù)分析和同類產(chǎn)品比對，去發(fā)現(xiàn)設(shè)計(jì)、制造、管理各環(huán)節(jié)可以提高的機(jī)會，實(shí)現(xiàn)進(jìn)一步的可靠 性增長  。

良好的可靠性管理通過建立一套嚴(yán)格的紀(jì)律，指導(dǎo)設(shè)計(jì)人員什么時(shí)候要做什么事情；可以讓今天的教訓(xùn)成為明天的預(yù)防，在明天就"一次性把事情做對"；可 以讓我們"站在巨人的肩膀上"，做任何事情都不是從零開始  。而所有的目的，只是為了實(shí)現(xiàn)可靠性目標(biāo)的承諾，保證提供給客戶的產(chǎn)品，在承諾的時(shí)間內(nèi)是高 可靠的、是滿足客戶要求的  。

可靠性設(shè)計(jì)：關(guān)注細(xì)節(jié)，重在執(zhí)行

談到電子產(chǎn)品可靠性設(shè)計(jì)，我們幾乎馬上會想到熱設(shè)計(jì)、元器件降額、容差容錯(cuò)設(shè)計(jì)、可靠性預(yù)計(jì)等等  。可靠性設(shè)計(jì)是否成功，有兩點(diǎn)必不可少，其一是執(zhí)行，其二是細(xì)節(jié)  。

首先是執(zhí)行  。以降額設(shè)計(jì)為例，不少公司都有降額設(shè)計(jì)規(guī)范，但這個(gè)規(guī)范是否被嚴(yán)格執(zhí)行了，超出降額的器件有沒有被專業(yè)評估，降額要求是否根據(jù)制造 /市場元器件的表現(xiàn)調(diào)整，不同產(chǎn)品是否需要分別對待實(shí)現(xiàn)全壽命成本最優(yōu)，都是可靠性設(shè)計(jì)的關(guān)鍵  。再如熱設(shè)計(jì)，在H3C，熱設(shè)計(jì)由可靠性工程師保 證  。每款產(chǎn)品，在開發(fā)初期，都會對散熱進(jìn)行評估和仿真，提前釋放散熱風(fēng)險(xiǎn)  。在整個(gè)評估過程中，可靠性工程師和結(jié)構(gòu)工程師、產(chǎn)品開發(fā)人員、互連設(shè)計(jì) 工程師的溝通非常緊密，結(jié)構(gòu)、布局的變化會知會可靠性工程師進(jìn)行散熱風(fēng)險(xiǎn)評估  。風(fēng)險(xiǎn)沒有釋放，就不能通過下一個(gè)技術(shù)評審點(diǎn)  。

其次是細(xì)節(jié)  ?？煽啃栽O(shè)計(jì)是一個(gè)需要注重細(xì)節(jié)的工作，所謂"千里之堤，潰于蟻穴"  。1980年，阿麗亞娜火箭第二次試飛時(shí)，一名工作人員不慎 碰落一個(gè)部件的商標(biāo)，堵塞了發(fā)動(dòng)機(jī)燃燒室的噴嘴，造成發(fā)射失敗  。1985年，美國發(fā)射"三叉戟"導(dǎo)彈，由于發(fā)動(dòng)機(jī)燃燒室中剝落了一塊黃豆大的絕緣層， 結(jié)果高溫火焰燒穿了那里的金屬壁，燃?xì)庀蛲鈬娚?，發(fā)動(dòng)機(jī)爆炸  。"Paying attention to details"因此被直接寫入到美軍標(biāo)338中的，這也是經(jīng)驗(yàn)和思考的總結(jié)  。

以H3C為例，熱設(shè)計(jì)中的熱仿真過程不但仿真常態(tài)情況，還會對風(fēng)扇停轉(zhuǎn)等異常狀態(tài)進(jìn)行仿真；在降額設(shè)計(jì)上，對各類器件電應(yīng)力進(jìn)行遍歷審查，對不同風(fēng) 扇轉(zhuǎn)速下熱應(yīng)力進(jìn)行遍歷測試，保證在規(guī)定環(huán)境下每個(gè)器件承受的應(yīng)力滿足降額要求；對易損耗的器件進(jìn)行壽命評估，保證在規(guī)定時(shí)間內(nèi)設(shè)備符合用戶的要求；對關(guān) 鍵電路進(jìn)行容差設(shè)計(jì)和仿真，保證器件參數(shù)隨環(huán)境應(yīng)力、壽命漂移時(shí)，電路依然可以可靠工作  。對電路進(jìn)行簡潔度設(shè)計(jì)，通過SI/PI仿真減少不必要的器 件，簡化設(shè)計(jì)從而降低單板失效率  。

可靠性分析：防患未然，心知肚明

可靠性分析主要包括三部分：可靠性預(yù)計(jì)、FMEA（故障模式影響分析）和FTA（故障樹分析）  。可靠性預(yù)計(jì)通過計(jì)算MTBF、返修率等指標(biāo)，評 估維修成本、備件成本和整網(wǎng)可用度，可以提前預(yù)計(jì)產(chǎn)品在現(xiàn)場運(yùn)行的可靠性情況  。FTA構(gòu)造繁雜，對人員經(jīng)驗(yàn)和技能要求高，通常只對重要故障進(jìn)行分 析  。對于復(fù)雜產(chǎn)品，F(xiàn)MEA是一個(gè)防患未然的有效方法  。舉個(gè)簡單的例子，當(dāng)我們遇到十字路口紅綠燈失效的情況時(shí)，哪種失效現(xiàn)象最不希望出現(xiàn)？顯 然，當(dāng)兩條路上同時(shí)出現(xiàn)綠燈時(shí)交通事故隱患就被埋下了  。那么在開展交通信號燈控制系統(tǒng)的FMEA分析時(shí)，就要關(guān)注哪些器件失效會出現(xiàn)綠燈同時(shí)點(diǎn)亮的情 況，是否有解決方法  。

在H3C，復(fù)雜系統(tǒng)會開展FMEA分析工作，通過對系統(tǒng)中可能出現(xiàn)的故障模式和影響做深入分析，將故障檢測和容錯(cuò)設(shè)計(jì)納入產(chǎn)品需求，消除單點(diǎn)故 障  。對于冗余備份系統(tǒng)，保證失效發(fā)生時(shí)設(shè)備可以快速倒換，業(yè)務(wù)運(yùn)行不受影響，從而提高產(chǎn)品可靠性  。在可靠性預(yù)計(jì)方面，利用強(qiáng)大的數(shù)據(jù)支持，結(jié)合歷 史數(shù)據(jù)分析，對可靠性預(yù)計(jì)進(jìn)行針對性修正，提高了預(yù)計(jì)的準(zhǔn)確性  。

可靠性試驗(yàn)：真金不怕火煉

H3C研發(fā)出來的每一款產(chǎn)品，都會經(jīng)受可靠性試驗(yàn)的洗禮，其中最嚴(yán)酷的當(dāng)屬HALT試驗(yàn)（Highly Accelerated Life Test，高加速壽命試驗(yàn)）  。

90年代HALT試驗(yàn)在國外獲得推廣，國內(nèi)企業(yè)由于各種限制起步相對較晚  。與傳統(tǒng)的施加模擬客戶環(huán)境的應(yīng)力來發(fā)現(xiàn)故障的環(huán)境試驗(yàn)不同，高加速應(yīng) 力是一種主動(dòng)的試驗(yàn)  。使用應(yīng)力步進(jìn)的方法，使設(shè)備不斷接近極限應(yīng)力，直到故障暴露  。通過"暴露缺陷-不斷改進(jìn)-再試驗(yàn)-再改進(jìn)"的方式，持續(xù)發(fā)現(xiàn) 并解決設(shè)計(jì)、來料、工藝等相關(guān)問題，從而獲得產(chǎn)品的快速穩(wěn)定  。這有點(diǎn)像運(yùn)動(dòng)員的訓(xùn)練，如果要參加100米短跑比賽，那么運(yùn)動(dòng)員平常訓(xùn)練時(shí)絕不會只是重 復(fù)訓(xùn)練100米沖刺，力量和耐力的訓(xùn)練必不可少  。同樣道理對于產(chǎn)品來說，雖然標(biāo)稱工作環(huán)境是0～40/45℃，HALT試驗(yàn)過程中其實(shí)都會經(jīng)受 100℃高溫和-40℃低溫的極限考驗(yàn)  。

圖1 5臺HALT/HASA試驗(yàn)箱，對產(chǎn)品進(jìn)行極限測試

關(guān)于HALT試驗(yàn)的三個(gè)疑問

1. HALT試驗(yàn)做到-40℃和100℃有沒有必要，室內(nèi)應(yīng)用的產(chǎn)品，怎么可能有這樣的環(huán)境？

經(jīng)驗(yàn)告訴我們，非常必要且獲益匪淺！按照H3C工程師的說法，不作HALT試驗(yàn)"心里沒底"  。

2. 廠家宣稱的0～70℃的器件能在-40～100℃環(huán)境工作嗎？

實(shí)踐表明，在可靠的電路設(shè)計(jì)下，器件完全可以承受比規(guī)格更高的應(yīng)力（極少數(shù)器件例外）  。

3. 為什么可以用環(huán)境應(yīng)力暴露未來5年甚至10年可能出現(xiàn)的可靠性問題？

研究一下元器件資料，看看容差設(shè)計(jì)的原理和品質(zhì)管控方面的書籍，就會發(fā)現(xiàn)一個(gè)共同點(diǎn)：器件參數(shù)漂移  。當(dāng)一個(gè)器件在極限環(huán)境應(yīng)力下參數(shù)漂移范圍比 工作5年參數(shù)漂移范圍更寬時(shí)，只要該器件在電路環(huán)境中能承受極限應(yīng)力，你就基本可以放心未來5年參數(shù)漂移引發(fā)失效的模式不會在電路中發(fā)生  。其他原因如 振動(dòng)累計(jì)損傷、磨損引起的失效加速分析等，這里不再展開  。

除了HALT試驗(yàn)，H3C還采用了一個(gè)時(shí)尚前衛(wèi)的可靠性保證手段，那就是HASA篩選  。

研發(fā)出來的產(chǎn)品，到量產(chǎn)后，由于器件批次間的參數(shù)離散、工藝控制的原因，可靠性不可避免會降低  。HASA利用溫度、振動(dòng)、電應(yīng)力、數(shù)據(jù)流量等多 應(yīng)力同時(shí)施加的方式，有效篩選出故障設(shè)備，從而實(shí)現(xiàn)量產(chǎn)產(chǎn)品在質(zhì)量和可靠性上的快速穩(wěn)定  。通常的HASA篩選應(yīng)力遠(yuǎn)超出設(shè)備工作應(yīng)力，比如溫變率，典 型應(yīng)用環(huán)境溫變率不會超過0.5℃/分鐘，H3C篩選應(yīng)力是40℃/分鐘  。

其他常規(guī)試驗(yàn)如溫濕度類試驗(yàn)、機(jī)械類試驗(yàn)、EMC的浪涌/靜電/抗干擾試驗(yàn)、故障插入測試等，都是H3C產(chǎn)品的必檢項(xiàng)，不通過這些試驗(yàn)，產(chǎn)品是無法到達(dá)客戶手中的  。

結(jié)語

行文至此，相信你已對通信設(shè)備以及H3C產(chǎn)品可靠性保證體系有了簡單了解  。鋼鐵鑄就源于千錘百煉，提高可靠性，除了規(guī)格和規(guī)范的要求外，正成為 H3C從研發(fā)到生產(chǎn)，從管理層到普通員工，日常工作的一項(xiàng)自發(fā)要求  。正是不同領(lǐng)域團(tuán)隊(duì)對可靠性工作的高度重視和大力投入，才鑄就了H3C產(chǎn)品的高可靠 性  。