测试数据分析-常用分析方法

    |     2015年4月19日   |   测试数据分析   |     0 条评论   |    47332

©版权声明:本文为【看我哒 www.kanwoda.com】原创文章,转载时请注明出处!

测试数据分析,对于无论是工厂还是设计公司,无论是晶圆厂还是封测厂,无论是CP还是FT,无论是PE还是TE,都是发现问题的一个重要手段。

但是目前国内专业的测试数据分析软件很少,我们的工程师很多是使用EXCEL,Minitab 等来分析测试数据。 不可否认,这些软件在数据处理方面的强大。但由于不是专门针对测试数据,在处理的时候,要进行很多繁琐的操作。

而且,目前有些国内的公司以及TE对自身的认知,还只是停留在写代码上。即客户或者设计提供test plan,然后TE 把实现的代码写出来。TE并不关心产品本身,对数据也不大重视,反倒是PE对数据更为重视。因为PE知道测试数据对于一个项目,对于客户来说,是如何的重要!

本文将通过实例,介绍一些常用的测试数据分析手段,与如何运用MFGDream分析工具来进行快速有效的数据分析。用最少的时间,完成数据分析工作。

首先,一些常用指标,比如:良率、标准偏差、CPK。是大家最关注,最能反应产品质量的几个指标。因此,基本上所有的测试报告都会包含这几项。另外还有:Lower limit、Upper limit、最大值、最小值、测试数量、测试工位数、等等很多信息。

如下表所示,我们利用分析工具生成的一份CP测试数据的所有测试项信息。
1

从这张表,可以看出,很多参数项都很可疑。但这里我们只针对两个重要参数 I_limit_pre 与 I_limit_post 进行分析。I_limit_pre 为 Trimming之前 Current Limit,I_limit_post为Trimming之后的 Current Limit,这从测试项命名可以看出。我们可以看到,I_limit_post 的 CPK 数值偏小。

这里简单介绍一下CPK的概念。如下图所示。(其中:stdev / Sigma / σ 是同一个东西。)2

当然,并不是建议生搬硬套这个标准。这里只是提出疑问点,I_limit_post 于 0.67 CPK比较可疑。接下来,针对这个疑问点继续展开分析。从之前的分析可知,这是一份多工位(site)CP测试数据。因此,我们对不同site的数据分别进行考察,利用工具生成如下表格 与 分布图。从中可以直接看出,BIN13 在site3 与 site4 异常多,而在site1 与 site2 则正常。问题点似乎找到,但其实分析并未结束。3

接下来,我们要继续对测试分bin进行分析,利用CP测试数据里面的坐标信息,我们可以生成Bin Map图形,以及进行复测数据的分析。

如下左图,根据坐标信息 与 测试分bin信息,得到圆片在各个区域的良率分布。可以看到各个区域良率分布均匀。不存在区域失效现象。4

上右图,是各个分bin Map图形,为了更清楚的看清各个分bin的分布,我们将每个bin的Map图形单独显示出来。如下图,仅用肉眼就可以看出,bin13分布确定异常;bin18是圆片本身窗口失效;bin9为可疑项,需进一步分析考察。5

接下来,我们来具体分析一下I_limit_post 这个测试项。如下表格,可以看出site3与site4 CPK异常偏小,与前面进行Bin13分析结果吻合。6

 

 

针对不同site测试数据,生成数据分布图与Data Map如下。图中可以清楚的看到每个site 甚至每个测试点数据的分布情况。图中红色圈起来的部分,我们称之为离群值。有时进行数据分析时,需要将这些点剔除。78

这里简单介绍一下统计学中关于离群值的几个基本知识。

离群值(outlier)是指在数据中有一个或几个值与其他数值相比差异较大。

四分位数(Quartile),把所有数值由小到大排列,并分成四等份,处于三个分割点位置的数值就是四分位数。

第一四分位数 (Q1),等于该样本中所有数值由小到大排列后第25%的数字。

第二四分位数 (Q2),等于该样本中所有数值由小到大排列后第50%的数字。

第三四分位数 (Q3),等于该样本中所有数值由小到大排列后第75%的数字。

Inter Quartile Range, IQR = Q3 – Q1,称为四分位距。

极限离群值是任何值3倍大于剩下所有的值的IQR。

将极限离群值剔除后,重新生成数据分布图与Data Map,如下图。从Map中,也是可以看到site之间明显的颜色差异。9 10

接下来,我们要继续分析 I_limit_pre,之前介绍过,这个参数是需要在CP进行Trimming的。如果Ttrim异常,是可能导致 I_limit_post异常的。生成数据分析表如下。11

表中I_limit_pre 测试数据的各项指标中未发现明显异常。

但从分布图,与Data Map中可以看到明显异常,晶圆片外围一圈测试数值较其他区域偏低,导致图形上颜色偏蓝色。

12 13

这应该是Wafer生产工艺有异常导致测试数据分布的异常,需要反馈给芯片厂解决。但是这个异常并非导致I_limit_post异常的root cause。因此,我们还得继续分析。

接下来,我们要使用一个工具,可以方便的进行数据之间的Correlation。如下左图所示,横坐标为I_limit_pre,纵坐标为I_limit_post。明显看到各个site Trimming前后对比关系,其中site3/4 有明显异常,从中我们可以得到一些信息,但最终导致Trimming异常的原因,还是需要通过分析raw data才能最终确定。14

下面附上Trimming正常的Correlation 图,作为对比。15

下图为数据分布图。16

限于篇幅,本文先写这些,MFGDream还有其他强大内容,后续将会继续更新!

 

 
本文地址: http://www.kanwoda.com/blog/archives/0418304119206.html



  
回复 取消