面向感知微系统的系统级设计方法
张益源1,2, 赵嘉昊1,2, 尤政1,2     
1. 清华大学 精密仪器系, 精密测试技术及仪器国家重点实验室, 北京 100084;
2. 清华大学 北京市未来芯片技术高精尖创新中心, 北京 100084
摘要:作为传感器系统的典型代表与技术发展趋势,感知微系统具有尺寸小、功能多与自供电等优势。然而当前的设计方法无法平衡其实用性能与约束性能之间的矛盾,使得其进一步发展陷入瓶颈。该文基于多学科设计优化思想提出一种针对感知微系统的系统级设计方法。该方法根据设计目标与各性能边界条件进行学科划分,在子系统分析器内进行参数分析后代入系统级优化器完成目标优化,最终实现感知微系统的优化设计。以重型车辆检测微系统为例,选取不同的设计目标进行系统级优化,并通过叠层集成的方式研制了验证样机。样机的性能测试结果与设计值相符,且满足优化设计目标的需求。该方法可行性和准确性表明,其能够在设计阶段平衡感知微系统的实用性能与约束性能,实现系统的最优化设计。
关键词感知微系统    多学科设计优化    系统级设计方法    
General design method for micro sensing systems
ZHANG Yiyuan1,2, ZHAO Jiahao1,2, YOU Zheng1,2     
1. State Key Laboratory of Precision Measurement Technology and Instruments, Department of Precision Instrument, Tsinghua University, Beijing 100084, China;
2. Beijing Innovation Center for Future Chip, Tsinghua University, Beijing 100084, China
Abstract: Micro sensing systems will be widely used in the future because they are small, multifunctional and self-powered. However, current designs do not balance their performance with key constraints which limits their further development. This paper presents a general design method for micro sensing systems based on multidisciplinary design optimization. The method facilitates optimization of micro sensing systems by analyzing the parameters in various subspaces to optimize the design. Vehicle detection micro-systems are used as an example with various optimization design targets for the prototypes. The test results coincide well with the design predictions and meet the design requirements. The method accuracy shows that it balances performance requirements with systems constraints during the design process to optimize the system.
Key words: micro sensing systems     multidisciplinary design optimization     general design method    

感知微系统是通过微纳加工技术把集成电路(integrated circuit,IC)芯片、微机电系统(micro electro mechanical system,MEMS)芯片以及其他各类电子元器件集成,形成具备信息获取、处理、存储、传输、供电等功能的微型装置。感知微系统具备体积小、重量轻、功耗低、功能多、可靠性高、可自供电等优势,有着广阔的应用前景。目前使用微加工工艺可将感知微系统的尺寸降至立方毫米量级,但其存在通信距离极短、通信速率超低、工作时间受限等问题[1-2]。而性能满足应用需求的系统则难以小型化,缺乏尺寸优势[3-4],即目前感知微系统在实用性能与尺寸、重量等约束性能中存在矛盾。现有的感知微系统样机设计均是利用自底向上的设计方式[5-6],无法在当前的矛盾中求取平衡,使得样机的总体性能难以达到最优。因此需要一种面向感知微系统的设计方法,平衡其实用性能与约束性能,实现系统的综合性能优化。

目前面向微系统的综合性能优化方法仍旧处于探索阶段,缺乏相关的文献报道。而在飞行器等复杂大系统的设计领域,多学科设计优化(multidisciplinary design optimization,MDO)是一种实现系统综合性能优化常用的思路[7], 主要包括同步分析设计与分布式并行优化[8-9]。MDO的特点是对复杂系统进行学科分解,并在每个子学科内进行学科分析,最终反馈得到全局最优解,其设计思路十分适用于感知微系统的综合性能优化。

本文基于MDO的同步分析设计框架,并结合感知微系统的自身特性,提出一种针对感知微系统综合性能优化的系统级设计方法。通过将系统划分为通信、结构、能源和热学4个学科子系统实现独立的学科分析,并在系统级优化器进行设计变量的最优值求取。该方法能够在当前感知微系统主要矛盾中求取平衡,并在通信距离、尺寸、工作时间以及最高温度等性能边界条件下,实现具有任意目标性能的系统最优设计,为感知微系统的综合优化提供了有效的手段与途径。

1 系统设计模型 1.1 模型框架

感知微系统的主要功能包括信息获取、信息处理、智能化工作与无线通信,同时需要利用自身携带的微能源进行长时间工作。根据其功能可以将其分为4个模块:传感器模块,完成环境信息到电信号的转化,根据应用背景不同系统可搭载不同的传感器;处理模块,用于接收传感器的数据,并对数据进行一定的处理与分析,同时控制整个系统的工作模式切换等;通信模块,用于完成系统与外部节点的无线通信;能源模块,为上述3个模块提供能量,保证系统的持续工作。系统组成如图 1所示。

图 1 系统组成框图

系统性能涉及多个学科,且各模块均包含各自的设计变量,可基于MDO思想进行学科划分。在进行系统设计时,将系统的各个关键性能对应的学科转化为子系统分析器,并设立高层级的系统级优化器。将系统的性能边界条件和设计变量在对应的子系统内进行分析后代入系统级优化器进行目标性能优化,通过一轮或多轮迭代设计可求得目标性能最优时的变量的解,并获得当前解下的系统各性能值。

在一般情况下,感知微系统的结构、通信性能、能量平衡为需要考虑的设计因素。同时系统在小型化后会出现发热集中导致内部局部温度急剧升高的现象,从而导致系统无法使用[10],因此热学设计同样是感知微系统设计中需要考虑的因素。利用同步分析设计方法建立模型框架时系统应划分为对应的4个子学科,如图 2所示。而在一些存在特殊性能需求的系统设计中,可以根据目标性能重新进行目标划分,并基于图 2构架进行修正。

图 2 系统设计框架

1.2 系统构造及变量

本文将选取具有一般代表性的叠层式构造为例,在此基础上分析感知微系统的系统级设计方法。

为了降低系统体积,在集成时需沿Z方向进行堆叠。系统主要由电路部分、储能单元以及能量收集单元组成。电路部分通过基板实现集成,储能单元使用能量密度、功率密度和寿命均较高的超级电容器,而能量收集单元常用具有尺寸小、效率高以及成本低的太阳能电池。将上述组成单元堆叠后使用外壳进行封装保护,使系统最终呈立方体形。保护外壳的外侧设计具有一定弧度,能够使得系统在任意放置时能够在重力作用下翻滚至太阳能电池正面受光。

在感知微系统设计过程中,设计变量分为2类,一类为成品器件的选型,另一类则为参数设计,如式(1)所示。其中器件选型Module包括核心控制器、传感器,能源管理芯片等,而设计参数X则包括系统整体的长L、宽W、超级电容的厚度HSC、印制电路板(printed circuit board,PCB)板层数n、仅用于装贴太阳能电池的电路板层数j以及射频功率PRF

$ \left\{ \begin{array}{l} {\rm{Answer = }}\left( {{\rm{Module, }}X} \right), \\ {\rm{Module}} = ({\rm{MCU}}, {\rm{ Sensor}}, {\rm{ Power}}, {\rm{ Others}}), \\ X = (L, {\rm{ }}W, {\rm{ }}{H_{{\rm{SC}}}}, {\rm{ }}n, {\rm{ }}j, {\rm{ }}{P_{{\rm{RF}}}}). \end{array} \right. $ (1)
1.3 系统级优化器及学科分析器 1.3.1 系统级优化器

系统的优化方向通常包括:加强系统的通信距离,加长系统工作时间,减小系统尺寸。系统的目标性能包含上述一个或多个优化方向,通过加权法表示为

$ {\rm{Min}}\;F = - a\frac{{{V_0}}}{{{V_{{\rm{sys}}}}}} + b\frac{{{t_0}}}{{{t_{{\rm{active}}}}}} + c\frac{{{L_0}}}{{{L_{{\mathop{\rm com}\nolimits} }}}}. $ (2)

其中:F为优化目标函数,V0t0L0分别为指标要求中给出的系统尺寸、工作时间和通信距离的标准值,而VsystactiveLcom则为系统相应的性能,abc为加权因子。根据应用不同,调整式(2)中加权因子的值可实现任意目标性能的系统优化设计。例如:当a=1、b=0、c=0时表示系统目标为尺寸最小化;当a=0、b=1、c=0时表示系统目标为工作时间最长;当a=0、b=0、c=1时表示系统目标为通信距离最远;当a=1、b=2、c=3时表示系统目标为兼顾小型化的同时加大通信距离和延长工作时间。综上,该目标函数可以用于描述感知微系统的任意优化目标。

1.3.2 通信子系统分析器

系统通信子系统的设计参数为PRF,系统的通信距离可以表示为[11]

$ {R_{{\rm{RX}}}} = {P_{{\rm{RF}}}} - C + G - 20\lg \;{L_{{\rm{com}}}} - 20\lg f - 32.46. $ (3)

其中:RRX为接收端灵敏度,单位为dBm;PRF为发射端强度,单位为dBm;C为接收端和发射端的总接口损耗,单位为dB;G为接收端和发射端的天线总增益,单位为dB;Lcom为系统通信距离,单位为m;f为射频频率,单位为GHz。可根据上述通信子系统分析来确定系统PRF的边界条件。

1.3.3 结构子系统分析器

结构子系统用于分析系统尺寸。系统集成后包含有内部核心部分和外壳,由于外壳尺寸受到加工方式及精度限制,并且包含有侧边弧线,在加工时难以精确量化,因此在计算系统尺寸时仅针对内部核心系统的尺寸,其设计参数包括LWHSC以及n。系统长宽尺寸为各片层的最大值。系统尺寸满足:

$ \left\{ \begin{array}{l} {V_{{\rm{sys}}}} = LWH, \\ L = \max \left[ {{L_{{\rm{SC}}}}, {\rm{ }}{L_{{\rm{PV}}}}, {\rm{ }}{L_{{\rm{PCB1}}}}, \cdots , {L_{{\rm{PCB}}n}}} \right], \\ W = \max \left[ {{W_{{\rm{SC}}}}, {\rm{ }}{W_{{\rm{PV}}}}, {\rm{ }}{W_{{\rm{PCB1}}}}, \cdots , {W_{{\rm{PCB}}n}}} \right], \\ H = {n_{{\rm{PV}}}}{H_{{\rm{PV}}}} + {H_{{\rm{SC}}}} + n{H_{{\rm{PCB}}}} + \left( {n - j} \right){H_{{\rm{chip}}}} + n{H_0}. \end{array} \right. $ (4)

其中:Hpv为太阳能电池片厚度,npv为太阳能电池片的层数,标准构造下npv=2;HSC为超级电容的厚度;HPCB为每层PCB板的厚度;Hchip为通用芯片的厚度;H0为各个片层之间的间隙。

1.3.4 能源子系统分析器

能源子系统用于分析系统工作时间,其设计参数包括LWHSC以及PRF。系统使用超级电容器供电,在光照下进行工作,在工作时间内要求能量供给不低于能量消耗,如式5所示。

$ \left\{ \begin{array}{l} {E_{{\rm{store}}}} \ge {P_{{\rm{out}}}}{t_{{\rm{active}}}}, \\ {E_{{\rm{store}}}} = {\eta _{{\rm{DCDC}}}}\left( {{{\bar P}_{{\rm{PV}}}}{t_{{\rm{active}}}} + \frac{1}{2}{C_{{\rm{SC}}}}\left( {V_{\max }^2 - V_{\min }^2} \right)} \right), \\ {{\bar P}_{{\rm{PV}}}} = {L_{{\rm{PV}}}}{W_{{\rm{PV}}}}{I_{{\rm{light}}}}{\eta _{{\rm{PV}}}}, \\ {C_{{\rm{SC}}}} = \frac{{{L_{{\rm{SC}}}}{W_{{\rm{SC}}}}}}{{{H_{{\rm{SC}}}}}}{\beta _{{\rm{SC}}}}, \\ {P_{{\rm{out}}}} = {I_{{\rm{active}}}}{V_{{\rm{DCDC}}}}. \end{array} \right. $ (5)

其中:Estore表示能量供给;ηDCDCVDCDC分别表示能量管理电路效率和输出电压;PPVηPV表示太阳能电池平均输出功率和效率;Ilight表示光照强度;CSCβSC分别表示超级电容器容量和容量比例系数;VmaxVmin分别为超级电容工作时的上下阈值电压;PoutIactive分别为负载工作时的功率和电流。

此外,实际使用中应当满足超级电容器的额定电压大于上限阈值电压以保证器件可靠性:

$ {H_{{\rm{SC}}}}{\theta _{{\rm{SC}}}} \ge {V_{\max }}. $ (6)

其中θSC为超级电容阈值电压比例系数。

1.3.5 热学子系统分析器

热学分析的主要目的为确认系统在工作时各器件均能工作在正常温度范围内。使用精度高、可定量分析的有限元分析法对系统的温度场进行仿真,其中系统的热源包括:

1) 受光面太阳能电池发热,其发热满足[12]

$ {Q_{{\rm{PV}}}} = {L_{{\rm{PV}}}}{W_{{\rm{PV}}}}{I_{{\rm{light}}}}\alpha - {P_{{\rm{PV}}}}. $ (7)

其中α为太阳能电池的光强吸收率。

2) 超级电容器发热。稳态下超级电容器的平均发热为内阻产生焦耳热,满足[13]

$ {Q_{{\rm{SC}}}} = I_{{\rm{SC}}}^2{R_{{\rm{SC}}}}. $ (8)

其中ISC为超级电容放电电流,RSC为内阻。

3) 芯片发热。不同芯片的发热特性不同,如能量管理芯片会将其能量的输入与输出的差值全部转化为热能。而对一些数字类芯片,其发热功率通常小于输入功率,但实际值难以估算。在进行仿真设计时对系统发热进行最坏假设,即对于实际发热功率未知的芯片,假设其发热功率等于电学功率。

将上述热源输入至COMSOL仿真软件中并建立相关模型,结合系统构造即可求解出系统温度场。

2 系统设计案例

以重型车辆检测系统为例,应用上述方法完成系统设计。该系统在光照下工作,间歇性利用加速度计采集信息进行频谱分析进行车辆种类判断[14],并利用麦克风辅以声音传感。

2.1 设计需求

取尺寸、通信距离、单次工作时间以及许用最高温度作为性能边界条件,并分别选取尺寸极小、通信距离最大、单次通信时间最长以及综合性能最优分别作为目标性能。根据式(2)可描绘出各套系统的设计目标函数,结合边界条件整理得到设计任务如表 1所示。

表 1 重型车辆检测系统样机设计任务
编号设计目标性能边界条件
1${\rm{Min - }}\frac{1}{{{V_{{\rm{sys}}}}}}$Vsys≤10 cm3, Lcom≥50 m
Tmax≤85℃, tactive≥1 s
2${\rm{Min - }}\frac{1}{{{L_{{\rm{com}}}}}}$Vsys≤10 cm3, Lcom≥50 m
Tmax≤85℃, tactive≥1 s
3${\rm{Min - }}\frac{1}{{{t_{{\rm{active}}}}}}$Vsys≤10 cm3, Lcom≥50 m
Tmax≤85℃, tactive≥1 s
4$\begin{array}{*{20}{c}} {{\rm{Min}}\;F = - \frac{{{V_0}}}{{{V_{{\rm{sys}}}}}}}\\ {2\frac{{{L_0}}}{{{L_{{\rm{com}}}}}} + 3\frac{{{t_0}}}{{{t_{{\rm{active}}}}}}} \end{array}$Vsys≤10 cm3, Lcom≥50 m
Tmax≤85℃, tactive≥1 s

在本次设计中,4套样机的性能边界条件相同:尺寸不大于10 cm3;通信距离不低于50 m;系统内部最高温度不超过85 ℃;在1 000 W/m2的光照下,每次采集数据的工作时间不低于1 s。在样机4设计时,选取各性能加权系数分别为a=1、b=2、c=3形成设计案例。同时在当前设计目标与性能边界条件下,尽可能实现样机的小型化。

2.2 设计结果

根据功能需求,系统应当包含通信芯片、加速度计、麦克风以及稳压芯片。在器件选择时为了保证系统的小型化,优先选择尺寸小、功耗低、外围电路简单的器件。选取满足需求的芯片形成器件备选清单,并根据备选清单及太阳能电池、超级电容的效率等参数值,得到设计结果。

4套样机系统均使用CC2630(德州仪器生产)作为核心控制器,不同设计目标下使用不同的射频发射强度;使用TPS62236(德州仪器生产)作为稳压芯片;使用MP213(曼普拉斯生产)和SPV0840xx(楼氏电子生产)分别作为加速度计和麦克风,且电路板层数n=3,其中用于装贴顶面太阳能电池的电路板1块,即j=1。样机能量获取使用多晶硅太阳能电池片,采用6片串联的方式供能;能量储存使用氧化钌电极的超级电容器,额定电压均为3 V。其他参数结果如表 2所示。其中,样机1、2需进入休眠模式为超级电容充电,其休眠时长为根据当前硬件条件与工况计算出太阳能电池维持负载休眠并将超级电容充电至放电电压所需的时间,在程序设定时保证休眠时长不小于该时间即可。

表 2 样机的参数设计结果

尺寸/(cm×cm×cm)通信距
离/m
工作时
间/s
最高温
度/℃
11.70×1.20×1.1270@0 dBm156.1
21.80×1.40×1.12125@5 dBm164.5
32.00×2.40×1.1270@0 dBm+∞63.3
42.00×2.89×1.12125@5 dBm+∞72.0

3 样机加工与测试 3.1 样机加工

系统组成主要包括保护外壳、能量管理及传感器电路板、核心控制及通信电路板、超级电容器以及顶面太阳能电池片,共5个模块。系统采用叠片集成的方式,其集成的主要步骤包括:能量管理电路板引线,依次叠片,装夹外壳,反面电池片装贴以及紫外胶固定,如图 3所示。

图 3 样机集成流程图

3.2 系统测试 3.2.1 样机功能检测

此次样机设计中,系统均应具备加速度及声音信号的采集能力,并能够通过无线将数据发送至接收端,同时能够在光照下利用自身搭载的太阳能电池片自供电。测试时,使用太阳模拟器VeraSol(Oriel Instruments生产)并调节光照强度为1 000 W/m2为样机供电,并在样机间隔1 m处放置接收端及电脑接收无线数据,样机在工作过程中处于稳定放置状态并有人在其周边间歇性说话。测试结果表明,4套样机均能完成自供电以及无线通信的功能,且传感器采集数据结果正确。图 4展示了其中样机1的传感数据结果,其余3套样机结果与之相似,其中图 4a中的g=9.8 m/s2

图 4 样机传感结果例图

3.2.2 尺寸测试

将各套样机集成后,实物如图 5所示。使用游标卡尺对其尺寸进行测量,测试结果与设计值对比如表 3所示。实测尺寸中前者为对应于设计值的不含封装的系统尺寸,而后者为使用外壳封装后的系统尺寸。测试结果表明,样机实际加工尺寸与设计值基本相符。

图 5 样机实物图

表 3 4套样机尺寸的设计值与实测值对比
编号设计尺寸/(cm×cm×cm)实测尺寸/(cm×cm×cm)
1
1.70×1.20×1.12
1.70×1.31×1.12
2.38×2.04×1.30
2
1.80×1.40×1.12
1.80×1.52×1.12
2.52×2.18×1.30
3
2.00×2.40×1.12
2.41×2.00×1.12
2.98×2.59×1.30
4
2.00×2.89×1.12
2.90×1.98×1.12
3.42×2.61×1.30

3.2.3 通信距离测试

在空旷环境下,使用手持式稳压电源为4套样机供电,并逐渐远离接收端,记录在接收端能收到正确数据包的前提下,样机与接收端的最远距离,如表 4所示。

表 4 4套样机通信距离的设计值与实测值对比
编号设计距离/m实测距离/m相对误差/%
17068.6-2.00
2125114.4-8.48
37069.1-1.29
4125110.6-11.5

4套样机的设计指标要求均为保证通信距离不低于50 m,实测结果均符合通信距离边界条件。而实测距离均小于设计距离的主要原因在于在射频通信过程中,除去接口损耗外,势必存在大气损耗。通信过程中的大气损耗会受到光照、湿度等影响,其大小与通信距离呈正相关[11]。因此,实测通信距离小于设计值,且样机2、4的通信距离相对误差略大于样机1、3。

3.2.4 工作时间测试

根据设计结果,在强光照射下,样机1、2每次唤醒时能够工作1 s,而样机3、4则能够在光照下能够无限期地持续工作。测试时调节太阳模拟器光照强度为1 000 W/m2照射样机,接收端使用Zigbee抓包器辅助分析数据包有效性及时间值。

样机1、2采集3个工作循环数据,取时间量的平均值得到工作与休眠时间;而样机3、4进行24 h的测试,并使用采集卡记录两系统超级电容器端电压在24 h内的变化曲线,结果如表 5图 6所示。

表 5 4套样机工作时间的设计值与实测值对比

工作时间
设计值
工作时间
实测平均值
休眠时间
设定值
休眠时间
实测平均值
11 s1.03 s8 s8.69 s
21 s1.04 s5 s5.18 s
3+∞>24 h
4+∞>24 h

图 6 样机3、4工作时间数据记录

样机1、2的实测工作时间符合设计结果,样机3、4的实测工作时间大于24 h。且由图 6b可知,在24 h光照后,样机3、4的超级电容器端电压维持稳定,即超级电容器停止对外放电,光照下样机负载可通过太阳能电池供电维持自身工作。此时在光照条件不变的情况下,样机在当前工作模式下能量采集与消耗相同,可在系统寿命内无限期工作,满足设计指标。

3.2.5 指标总结

在对各样机的设计过程中,针对其尺寸、通信距离、工作时间进行优化设计,同时辅以热分析保证器件正常工作。总结本次实验的关键指标如表 6所示,并与表 2进行对比可知,本次系统设计的实验结果与设计结果相符,验证了系统设计方法的准确性。

表 6 样机的参数实测结果

尺寸/(cm×cm×cm)通信距
离/m
工作
时间
温度影响
11.70×1.31×1.1268.61.03 s正常工作
21.80×1.52×1.12114.41.04 s正常工作
32.41×2.00×1.1269.1>24 h正常工作
42.90×1.98×1.12110.6>24 h正常工作

表 6给出了4套样机的尺寸、通信距离与工作时间,根据上述3项性能与边界条件,计算各样机在样机4优化目标函数下的函数值,样机1—4的F分别为0.361、0.495、-0.405和-0.651。综上可知,样机1具有最小的尺寸,样机2具有最远的通信距离且兼顾了小型化,样机3具有最长的通信时间且兼顾了小型化,而样机4在其目标函数下具有最优的综合性能值。本文所提出针对感知微系统的系统级设计方法能够实现系统目标性能最优的设计。

4 结论

本文基于MDO的思想,提出了一种针对感知微系统的系统级设计方法。通过根据关键性能进行子系统划分,该方法能够对系统的各性能进行相对独立的分析并于系统级优化器进行优化。该方法解决了现有感知微系统设计方法无法协调其实用性能与约束性能之间矛盾的问题,可完成具有任意目标性能的系统最优设计。

本文以重型车辆检测系统为例,利用该设计方法进行了各单项性能与综合性能最优的案例设计,并参照设计结果进行了样机加工与测试。对各样机的尺寸、通信距离与工作时间进行测试,实测结果均符合设计值,且样机均能在目标温度范围内工作。各样机性能满足各自的优化目标需求,表明本文所提出的系统级设计方法可用于感知微系统的优化设计。

参考文献
[1]
Lee Y, Bang S, Lee I, et al. A modular 1 mm die-stacked sensing platform with low power I2C inter-die communication and multi-modal energy harvesting[J]. IEEE Journal of Solid-State Circuits, 2013, 48(1): 229-243. DOI:10.1109/JSSC.2012.2221233
[2]
Kim G, Lee Y, Foo Z, et al. A millimeter-scale wireless imaging system with continuous motion detection and energy harvesting[C]//2014 Symposium on VLSI Circuits Digest of Technical Papers. Honolulu, HI, USA: IEEE, 2014: 1-2.
[3]
Farshchi S, Nuyujukian P H, Pesterev A, et al. A TinyOS-based wireless neural sensing, archiving, and hosting system[C]//The 2nd International IEEE EMBS Conference on Neural Engineering, 2005. Arlington, VA, USA: IEEE, 2005: 671-674.
[4]
Polastre J, Szewczyk R, Culler D. Telos: Enabling ultra-low power wireless research[C]//Fourth International Symposium on Information Processing in Sensor Networks, 2005. Boise, ID, USA: IEEE, 2005: 364-369.
[5]
Jeong S, Foo Z, Lee Y, et al. A fully-integrated 71 nW CMOS temperature sensor for low power wireless sensor nodes[J]. IEEE Journal of Solid-State Circuits, 2014, 49(8): 1682-1693. DOI:10.1109/JSSC.2014.2325574
[6]
Oh S, Lee Y, Wang J, et al. A dual-slope capacitance-to-digital converter integrated in an implantable pressure-sensing system[J]. IEEE Journal of Solid-State Circuits, 50(7): 1581-1591. DOI:10.1109/JSSC.2015.2435736
[7]
Sobieszczanski-Sobieski J, Chopra I. Multidisciplinary optimization of aeronautical systems[J]. Journal of Aircraft, 1990, 27(12): 977-978. DOI:10.2514/3.56840
[8]
Braun R, Gage P, Kroo I, et al. Implementation and performance issues in collaborative optimization[C]//The 6th Symposium on Multidisciplinary Analysis and Optimization. Bellevue, WA, USA: AIAA, 1996: 4017.
[9]
Alexandrov N M, Lewis R M. Comparative properties of collaborative optimization and other approaches to MDO[J/OL].[1999-07-01]. https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19990064129.pdf
[10]
Lau J H, Yue T G. Effects of TSVs (through-silicon vias) on thermal performances of 3D IC integration system-in-package (SiP)[J]. Microelectronics Reliability, 2012, 52(11): 2660-2669. DOI:10.1016/j.microrel.2012.04.002
[11]
Seybold J S. Introduction to RF propagation[M]. Hoboken John Wiley & Sons, 2005.
[12]
Jones A D, Underwood C P. A thermal model for photovoltaic systems[J]. Solar Energy, 2001, 70(4): 349-359. DOI:10.1016/S0038-092X(00)00149-3
[13]
Gualous H, Louahlia H, Gallay R. Supercapacitor characterization and thermal modelling with reversible and irreversible heat effect[J]. IEEE Transactions on power electronics, 2011, 26(11): 3402-3409. DOI:10.1109/TPEL.2011.2145422
[14]
Versfeld N J, Vos J. Annoyance caused by sounds of wheeled and tracked vehicles[J]. The Journal of the Acoustical Society of America, 1997, 101(5): 2677-2685. DOI:10.1121/1.418556