前几天半夜,一个在深圳做硬件创业的朋友给我发语音,声音都是哑的。他们团队花了四个月打磨的一款智能控制器,小批量试产的时候突然集体死机,三十多块板子有一半跑不起来。他跟我说,那一刻看着实验室桌上摆满的废板,真想把整个芯片技术解决方案推倒重来。我太理解那种感觉了,因为我自己就在这上面栽过跟头。
说实话,芯片出问题这件事,最怕的不是修不好,而是不知道从哪儿下手。今天我就把这些年调试、返修、被甲方追着问的经验揉碎了讲讲,希望能帮你在下次遇到类似情况时,少熬几个通宵。
我自己就干过一件特别蠢的事。早些年做一个工业采集板,上电之后通信死活不通,我第一反应就是芯片坏了,连夜申请样品换了一颗。结果换完还是老样子,折腾了两天,最后发现是供电纹波太大,把复位引脚给拖垮了。那颗被我冤枉的芯片到现在还躺在我抽屉里,每次翻到都提醒我一句:别把芯片技术解决方案当成万能背锅侠。
排查故障有个笨办法但特别管用,就是先看电源、再看时钟、最后看信号。电源这块,拿示波器量一下核心电压的上电时序,很多死机是上电顺序乱了导致的。时钟方面,晶振不起振或者起振太慢,芯片根本进不了工作状态。信号层面就复杂些,但多数是阻抗不匹配或者走线太长。这三个环节走一遍,大概四成的问题就现原形了。
提示:调试时准备一块已知良好的参考板做对比,把故障板的电压、波形逐个节点比对,差异点往往就是突破口。这个方法笨,但比盲目换件强得多。
还有一种情况特别隐蔽,就是芯片本身没坏,但焊盘虚焊或者散热焊盘没吃上锡。我见过一块板子常温跑得好好的,一到高温测试就重启,查了一周才发现是底部散热焊盘有空洞,热量散不出去触发过温保护。这种故障用热成像仪一扫就能看出来,所以手边有台热像仪真的能省很多事。
硬件查完没毛病,问题多半在软件配置上。我印象最深的一次,是给一家做电表的客户调芯片技术解决方案,通信偶尔丢包,概率大概百分之二左右。这种随机故障最折磨人。后来我把寄存器配置逐条对了一遍,发现是串口接收超时时间设短了,波特率有微小偏差的时候就会误判帧结束。
改完超时参数,丢包率直接归零。这件事让我明白一个道理,很多被归为芯片不稳定导致的故障,其实是初始化顺序或者寄存器值没吃透手册。芯片原厂给的参考代码是能跑,但那是理想环境下的配置,实际板子的外围器件、走线电容都会影响时序余量。
还有个新手常犯的错,就是调试接口被复用成普通输入输出口之后忘了关,结果下次想连仿真器都连不上,只能把芯片拆下来重新烧。这种问题听着低级,但我跟你讲,赶项目的时候脑子一热什么都能忘。现在我养成了习惯,每版固件里都留一个后门命令,专门用来恢复调试口,算是给自己留条退路。
要看温度落在什么区间。如果只是温温热,外壳摸着不烫手,一般没问题。但如果烫到手指按不住,或者温度随运行时间持续爬升不收敛,就得查功耗了。先看是不是某个外设一直处于工作状态没关,再排查输出引脚有没有对地短路或者驱动能力不够导致内部功耗偏高。长期高温会加速芯片老化,别不当回事。
这些年下来,我越来越觉得芯片技术解决方案的故障排查,拼的不是谁聪明,而是谁的方法更系统。有人喜欢上来就换件,换到哪颗好了算哪颗,这不叫维修叫碰运气。我的做法是建一张故障树,从电源、时钟、复位、通信、存储几个大分支往下拆,每测一个节点就记录数据,慢慢把可疑范围收窄。
这个方法也不是每次都灵,上周就翻车了一次。一块板子所有节点测下来都正常,最后发现是连接器针脚氧化接触不良,折腾了半天。所以工具和经验都重要,但更重要的是保持耐心,别被自己先前的判断带偏。
写到这儿我其实还有个困惑没解开:现在芯片集成度越来越高,很多故障现象被封装在内部,外部根本测不到,只能靠软件日志去猜。这种情况下,咱们硬件工程师的排查空间是不是越来越小了?如果你有不一样的看法,欢迎聊聊。