在研發、生產過程中，如何發現和解決偶發性異常問題，是電子工程師始終想攻克的技術點，利用互聯網思維，將大數據分析引入傳統測量儀器，是否能碰撞出新的火花？本文將給出答案。 ? 偶發性異常問題幾乎存在于各行各業，本文將以新能源汽車中常見的繼電器為例來說明大數據分析如何解決偶發性異常問題。 ??偶發性異常的出現 繼電器、接觸器、連接器等在電路中起著自動調節、安全保護、轉換電路、連接電路等作用，廣泛的應用于航空、航天、汽車電子等領域，在這些安全要求苛刻的領域對于產品的穩定性要求非常高，如何保證這些產品的穩定性呢？ 本文以汽車上常規的繼電器產品為例，根據《中華人民共和國基礎機電繼電器第7部分：試驗和測量程序 GB/T 21711.7-2018》測量程序規范，需要測量繼電器的回跳時間（對于正在閉合或斷開其電路的觸點，從觸點電路首次閉合或斷開的瞬間開始至電路最終閉合或斷開的瞬間為止之間的時間）。圖示如下： ? 圖1?繼電器的回跳時間 我們使用一臺帶有2TB的固態硬盤的示波記錄儀記錄下此過程。 ? 圖2?60s的波形記錄 手動展開波形我們就發現了偶發性異常問題---每一個波形的上升沿，繼電器的回跳時間竟不一致。研發工程師規定此時間不能超過10ms，但僅僅只錄制了1分鐘的波形就有40個需要查看的上升沿，如果是1小時的波形呢？靠手動測試工作量大到不敢想象！ ? 圖3?逐級展開波形 ??大數據分析 如果引入互聯網思維，讓機器自己檢索問題是不是可以大大提高效率呢？聽上去是個很好的主意！但實踐起來我們發現此偶發性異常的判定方法不同于任何的如上升沿、幅值等常規規則，這就是一大的難題。 通過集思廣益，我們在示波記錄儀上開發出了“大數據分析”功能。我們將此獨特波形的判定方法寫成一個算法文件，然后直接在機器本機進行加載，最終實現了自動判定。