CN112836761A - 一种射频前端模块量产不良芯片分类方法和系统 - Google Patents
一种射频前端模块量产不良芯片分类方法和系统 Download PDFInfo
- Publication number
- CN112836761A CN112836761A CN202110213509.4A CN202110213509A CN112836761A CN 112836761 A CN112836761 A CN 112836761A CN 202110213509 A CN202110213509 A CN 202110213509A CN 112836761 A CN112836761 A CN 112836761A
- Authority
- CN
- China
- Prior art keywords
- test
- value
- tre
- classification
- product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 178
- 230000002950 deficient Effects 0.000 claims description 60
- 238000003780 insertion Methods 0.000 claims description 38
- 230000037431 insertion Effects 0.000 claims description 38
- 101000643895 Homo sapiens Ubiquitin carboxyl-terminal hydrolase 6 Proteins 0.000 claims description 26
- 102100021015 Ubiquitin carboxyl-terminal hydrolase 6 Human genes 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000013102 re-test Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明提供了一种射频前端模块量产不良芯片分类方法,其能够根据不良品的测试数据进行分类,从而对不同风险等级的类进行管控分析,提高了风险失效的探测率,进而提高了产品的出货质量。
Description
技术领域
本发明属于失效芯片分类技术领域,尤其涉及一种射频前端模块量产不良芯片分类方法和系统。
背景技术
随着5G时代的到来,拉动了市场对射频前端模块的需求,射频前端模块高效、紧凑和低成本的特性使得其在无线通信行业中得到广泛应用。制造生产出大批量高品质的产品是企业的核心竞争力,在提升设计和制造工艺水平的前提下,提高风险失效的探测率,及时发现问题,解决问题,提高出货的质量也对制造生产出大批量高品质的产品起到了至关重要的作用。
现有技术中一般需要先对不良品进行分类再进行分析,目前使用的分类方式将不良品主要分为功能性不良和性能性不良,再按照低良率批次,每批次随机抽样分析。上述方式无法将风险失效在大量非真不良(NTF)与非风险失效中抽样到,难以发现问题,影响产品的出货质量。
发明内容
为了解决现有的量产芯片不良品分类方法无法将风险失效在大量非真不良(NTF)与非风险失效中抽样到,影响产品出货质量的问题,本发明提供了一种射频前端模块量产不良芯片分类方法,其能够根据不良品的测试数据进行分类,从而对不同风险等级的类进行管控分析,提高了风险失效的探测率,进而提高了产品的出货质量。
其具体技术方案如下:
一种射频前端模块量产不良芯片分类方法,其特征在于:所述方法包括:
步骤1.计算机采集不良品的历史测试数据;所述历史测试数据包括:产品型号,所述产品型号的频段以及各频段下的失效模式,所述失效模式对应的插入损耗及增益测试项,所述插入损耗及增益测试项的测试值;
步骤2.计算机根据所有产品型号的同一频段B的失效模式和插入损耗及增益测试值的分布,设置第一基础分类值L1B和第二基础分类值L2B,使得高风险失效模式对应的100%的测试值处于L1B与L2B之间,中风险失效模式对应的至少72%的测试值处于L1B与L2B之间,低风险失效模式对应的至少70%的测试值处于L1B与L2B之间,并且非风险失效模式对应的至少45%的测试值小于等于L1B或者大于等于L2B;
步骤3.计算机根据单个产品型号M的同一频段B的失效模式和插入损耗及增益测试值的分布,设置第一分类值L1BM和第二分类值L2BM,使得高风险失效模式对应的100%的测试值处于L1BM与L2BM之间,中风险失效模式对应的至少72%的测试值处于L1BM与L2BM之间,低风险失效模式对应的至少70%的测试值处于L1BM与L2BM之间,并且非风险失效模式对应的至少45%的测试值小于等于L1BM或者大于等于L2BM;
同一频段B下的第一分类值L1BM与第一基础分类值L1B的差值为单个产品型号M的补偿值offset1BM,同一频段B下的第二分类值L2BM与第二基础分类值L2BM的差值为单个产品型号M的补偿值offset2BM,令L1BM=L1B+offset1BM,L2BM=L2B+offset2BM;
步骤4.重复上述步骤2-3,得到在各频段下的第一基础分类值L1和第二基础分类值L2,以及各频段下的各产品型号的补偿值offset1、offset2;
步骤5.计算机利用所述的各频段下的第一基础分类值L1和第二基础分类值L2以及各频段下的各产品型号的补偿值offset1、offset2来处理所述的历史测试数据,将所述的不良品分类为TRE_1、TRE_2、TRE_3;所述测试值处于L1+offset1与L2+offset2之间,不良品分类为TRE_2,所述测试值小于L1+offset1,不良品分类为TRE_1,所述测试值大于L2+offset2,不良品分类为TRE_3,
计算机调整L1、L2以及offset1、offset2,使得高风险失效模式对应的不良品100%分类为TRE_2,中风险失效模式对应的不良品至少72%分类为TRE_2,低风险失效模式对应的不良品至少70%分类为TRE_2,并且非风险失效模式对应的不良品至少45%分类为TRE_1或TRE_3;
步骤6.计算机读取当前不良品的测试项,测试项的优先级预设在第三表格中,计算机通过比对当前测试项和第三表格来判定各测试项对应的优先级;当涉及插入损耗和增益测试项失效时,需进一步读取实测值作为测试项的测试值,并根据当前不良品的产品型号和频段将上述测试项的测试值与相应的L1、L2以及offset1、offset2进行比对判定各涉及插入损耗和增益测试项的分类;提取优先级最高的分类,作为所述当前不良品的分类,并由计算机控制筛选机根据当前不良品的分类来挑选出需实物分析的不良品实物,进行分析。
进一步的,计算机中设有第一表格用于记载所述步骤4中各频段下的的第一基础分类值L1和第二基础分类值L2,还设有第二表格用于记载各频段下的各产品型号的补偿值offset1、offset2,所述第一表格、第二表格中还设有相应的产品型号、频段、测试项。
进一步的,在上述步骤2-5中,计算机将检查失效模式是否为非真不良,如果是,则测试值为产线自动测试值,如果否,则测试值为产线复测值。
进一步的,在上述步骤2-5中,计算机将检查失效模式是否为功能性不良,如果是,则采用所述的失效模式和测试值执行步骤2-5,如果否,则不采用所述的失效模式和测试值执行步骤2-5。
进一步的,所述各测试项的优先级预设在第三表格中,计算机通过比对当前测试项和第三表格来确定测试项的优先级。
进一步的,当产品处于放大状态时,所述测试值为实测值减去同批次良品的平均测试值。
进一步的,在上述步骤6中,选取某颗产品各测试项对应的分类值中的优先级最高值为该颗产品的分类值。
进一步的,分类值的优先级参考第三表格“优先级别”列。
进一步的,一种射频前端模块量产不良芯片分类系统,其包括存储单元和计算单元,筛选单元,其特征在于:存储单元用于存储上述的历史测试数据、当前不良品的测试值、第一表格、第二表格、第三表格;计算单元用于执行上述步骤1-6;筛选单元用来根据不良品的分类来挑选出需实物分析的不良品实物。
本发明与现有技术相比,其有益效果为:
首先对历史上已知失效模式的测试数据进行深度挖掘学习失效模式与测试数据的规律,建立不同风险等级的失效模式的测试数据对应不同的类别;然后运用此分类方法对大规模量产不良品测试数据进行离线分类,按照各类的风险等级确定不良品是否需要分析,实现了对不同风险等级的类别进行有目的的管控分析,提高了风险失效的探测率,进而提高了产品的出货质量,同时也合理优化了失效分析部门的工作效率。
附图说明
图1为本系统的示意图;
图2为数据分析模型建立流程图;
图3为实际量产不良品分类流程图;
图4为第三表格;
图5为测试项与Sorting rule按照优先级排序后分类流程图;
图6为第一表格;
图7为第二表格。
具体实施方式
一种射频前端模块量产不良芯片分类方法,包括:
步骤1.计算机采集不良品的历史测试数据;所述历史测试数据包括:产品型号,所述产品型号的频段以及各频段下的失效模式,所述失效模式对应的插入损耗及增益测试项,所述插入损耗及增益测试项的测试值;
步骤2.计算机根据所有产品型号的同一频段B的失效模式和插入损耗及增益测试值的分布,设置第一基础分类值L1B和第二基础分类值L2B,使得高风险失效模式对应的100%的测试值处于L1B与L2B之间,中风险失效模式对应的至少72%的测试值处于L1B与L2B之间,低风险失效模式对应的至少70%的测试值处于L1B与L2B之间,并且非风险失效模式对应的至少45%的测试值小于等于L1B或者大于等于L2B;
步骤3.计算机根据单个产品型号M的同一频段B的失效模式和插入损耗及增益测试值的分布,设置第一分类值L1BM和第二分类值L2BM,使得高风险失效模式对应的100%的测试值处于L1BM与L2BM之间,中风险失效模式对应的至少72%的测试值处于L1BM与L2BM之间,低风险失效模式对应的至少70%的测试值处于L1BM与L2BM之间,并且非风险失效模式对应的至少45%的测试值小于等于L1BM或者大于等于L2BM;
同一频段B下的第一分类值L1BM与第一基础分类值L1B的差值为单个产品型号M的补偿值offset1BM,同一频段B下的第二分类值L2BM与第二基础分类值L2BM的差值为单个产品型号M的补偿值offset2BM,令L1BM=L1B+offset1BM,L2BM=L2B+offset2BM;
步骤4.重复上述步骤2-3,得到在各频段下的第一基础分类值L1和第二基础分类值L2,以及各频段下的各产品型号的补偿值offset1、offset2;
步骤5.计算机利用所述的各频段下的第一基础分类值L1和第二基础分类值L2以及各频段下的各产品型号的补偿值offset1、offset2来处理所述的历史测试数据,将所述的不良品分类为TRE_1、TRE_2、TRE_3;所述测试值处于L1+offset1与L2+offset2之间,不良品分类为TRE_2,所述测试值小于L1+offset1,不良品分类为TRE_1,所述测试值大于L2+offset2,不良品分类为TRE_3,
计算机调整L1、L2以及offset1、offset2,使得高风险失效模式对应的不良品100%分类为TRE_2,中风险失效模式对应的不良品至少72%分类为TRE_2,低风险失效模式对应的不良品至少70%分类为TRE_2,并且非风险失效模式对应的不良品至少45%分类为TRE_1或TRE_3;
步骤6.计算机读取当前不良品的测试项,测试项的优先级预设在第三表格中,计算机通过比对当前测试项和第三表格来判定测试项的优先级;当涉及插入损耗和增益测试项失效时,需进一步读取实测值作为测试项的测试值,并根据当前不良品的产品型号和频段将上述测试项的测试值与相应的L1、L2以及offset1、offset2进行比对判定各涉及插入损耗和增益测试项的分类;提取优先级最高的分类,,作为所述当前不良品的分类,并由计算机控制筛选机根据当前不良品的分类来挑选出需实物分析的不良品实物,进行分析。
。计算机中设有第一表格用于记载所述步骤4中各频段下的的第一基础分类值L1和第二基础分类值L2,还设有第二表格用于记载各频段下的各产品型号的补偿值offset1、offset2,所述第一表格、第二表格中还设有相应的产品型号、频段、测试项。在上述步骤2-5中,计算机将检查失效模式是否为非真不良,如果是,则测试值为产线自动测试值,如果否,则测试值为产线复测值。在上述步骤2-5中,计算机将检查失效模式是否为功能性不良,如果是,则采用所述的失效模式和测试值执行步骤2-5,如果否,则不采用所述的失效模式和测试值执行步骤2-5。在上述步骤2-5中,计算机确定失效模式对应的测试项的优先级,所述测试项的优先级为1-3的测试项执行步骤2-5。所述各测试项的优先级预设在第三表格中,计算机通过比对当前测试项和第三表格来确定测试项的优先级。当产品处于放大状态时,所述测试值为实测值减去同批次良品的平均测试值。在上述步骤6中,选取某颗产品各测试项的优先级最高值为该颗产品的分类值。
一种射频前端模块量产不良芯片分类系统,其包括存储单元和计算单元,筛选单元,其特征在于:存储单元用于存储上述的历史测试数据、当前不良品的测试值、第一表格、第二表格、第三表格;计算单元用于执行上述步骤1-6;筛选单元用来根据不良品的分类来挑选出需实物分析的不良品实物。
其优选的具体技术方案如下:
如图1所示,射频前端模块量产不良芯片分类系统主要有2部分组成:首先会使用软件对历史上已知失效模式的测试数据,深度挖掘学习失效模式与射频测试参数的规律,模拟建立不同风险等级的失效模式的测试数据对应不同类别的模型;然后通过软件运用此特定模型的算法对大规模量产不良品测试数据进行离线分类,并记录对应不良品打印信息,按照各类的风险等级管控不良品是否需要分析,再由硬件设备筛选机通过打印信息来挑选出需分析实物,进而对实物分析。通过有目的地分类后分析,提高了风险失效的探测率,同时也合理优化了失效分析部门的工作效率。
数据建模的原理:
基于长期失效分析的经验和对测试数据的研究,认识到失效模式和射频参数插入损耗之间存在联系;模块里面集成了很多不同频段的滤波器,虽然不同频段的滤波特性存在差异,但相同频段的滤波器在不同模块型号上运用时,其滤波响应曲线是基本一致的。通过观察不同失效模式的滤波器的滤波响应曲线,可以发现风险失效的滤波器的滤波响应曲线在通带内的插入损耗大概处于所有失效模式涉及的插入损耗范围的中间位置;在实际大数据的情况下,中间位置的区域大小,需要系统的建立模型研究确定,这里将先定义:插入损耗值小于等于L1的产品分类为TRE_1,将插入损耗测试值大于L1且小于等于L2的产品分类为TRE_2,将插入损耗测试值大于L2的产品分类为TRE_3。
相同频段的滤波器在不同电路结构的产品型号上的滤波响应曲线特性虽然基本一致但也存在略微差异,将设置offset来平衡调节,其更新后的L1=L1+offset1, L2=L2+offset2。
带放大器“LNA”产品的测试增益值减去良品的平均增益值(Good Mean value),相当于去除了“LNA”产品的放大增益值,其值在通带的值基本上大约接近于不带放大器“NoneLNA”产品的插入损耗值,所以含“LNA”不良品进行分类时,实测插入损耗或者增益值将减去此批次良品的平均测试值,再与相关频段更新后的L1、L2比较得每个失效项对应的TRE _1、TRE _2、TRE _3 类别。
建立数据分析模型:
在系统中制定第一表格(TRE_IL_Limits表,如图6)及第二表格(TRE_offset_Limits表,如图7)。每个模块型号会测若干个频段(Band)的射频参数,模块测试项名称分化较细,但在识别Band名称方面存在规律性,例如:测试项名称前缀记录在TRE_IL_Limits表的Item Name列中,其定义都含有对应Band相关的字符串(如测试项L1Rx_ANT1_IL,B1TX_IL_TL,B1TX_IL_TR都属于Band1的测试),将其归类记录在TRE_IL_Limits表的频段名称列Band Name中;各频段的L1、L2添加到TRE_IL_Limits表的L1、L2列中,最初L1、L2可以假定一个值。待分析的产品型号,相关频段信息,offset1、offset2添加到TRE_offset_Limits表的相应列中,offset1、offset2最初可以设置为0。
数据分析模型建立流程如图2所示,功能性不良品复测数据以及相应的失效模式的数据源上传于系统,选择需要分析的型号,软件会根据型号获取最新的L1、L2、offset1、offset2进行数据分析。软件会对每颗不良品数据分析,若为非真失效“NTF”失效模式时,软件通过打印信息找寻到来自产线自动测试数据,若为非“NTF”失效模式,则分析复测数据。如图5所示,软件会对每个测试项依次分析,通过测试项名称与第三表格(Sorting rule表,如图4所示)按照优先级排序后对比分类,根据当前测试项是否满足sorting rule表中产品类型列/失效类别列/含关键字列/不含关键字列,比较分析得到当前测试项的分类。当涉及插入损耗和增益测试项失效时,进一步读取实测值,如果为“LNA ON”状态的测试,需将实测值减去此批次良品的平均测试值,与L1=L1+Offset1,L2=L2+Offset2比较判断,更新此失效测试项对应的TRE_1、TRE_2、TRE_3分类;获得每个测试项的分类状况后,提取所有测试项中优先级最高的类别为此颗产品的分类状态。
更新维护数据分析模型:
系统分析的过程中会记录所有产品对应的所有插入损耗或增益值,汇总分类生成单频段所有插入损耗或增益数据与失效模式的分布,设置相应的L1、L2、offset1、offset2,使高风险失效模式对应的插入损耗或者增益值一定100%处于L1与L2之间;中风险失效模式对应的插入损耗或者增益值至少72%处于L1与L2之间;低风险失效模式对应的插入损耗或者增益值至少70%处于L1与L2之间;非风险失效模式对应的插入损耗或增益值至少45%处于L1与L2之外(小于等于L1或者大于等于L2);在满足以上基础上,风险失效需要最大化的处于L1与L2之间,非风险失效需要尽量处于L1与L2之外,选取最佳的L1、L2,再按Band Name更新至TRE_IL_Limit的L1、L2列。
在分析单Band所有插入损耗值或增益值与失效模式分布状态时,某型号某个频段的插入损耗或增益值与失效模式的分布,可以寻找到合适的L1'、L2';再通过某个频段所有型号的插入损耗或增益值与失效模式的分布中确定的L1、L2得到两者之间的存在明显差异,即为某型号的 offset值。将该型号需要调整的offset值添加到系统TRE_Offset_Limits中对应Band_Name的offset1、offset2列中。
维护更新L1、L2、offset1、offset2后,系统将再次分析已经选择的历史数据,系统分析逻辑方式同上,确定某颗产品对应的分类,最后统计汇总某模块型号总体的TRE_1、TRE_2、TRE_3分类情况;再更新设置相应的L1、L2、offset1、offset2,使得高风险失效是一定100%分类于TRE_2;中风险失效至少72%分类于TRE_2;低风险失效至少70%分类于TRE_2;并且风险失效在此批次中的比例未达到质量警报比例且必须为测试过程中一定能将其探测出的失效,此类风险失效才可以分布在TRE_1或TRE_3中。非风险失效至少45%集中于TRE_1或TRE_3中,在满足此条件的基础上,系统进一步不断细微调整L1、L2、offset1、offset2后运行软件,最大化地将风险失效模式归类于TRE_2,非风险失效模式分布于其它分类,例如Not True Failure Missing filter、DMC failure等典型失效需要尽可能集中于TRE_3,EOS、Finger defect、Finger Short等典型失效需要尽可能集中于TRE_1。具体参考Sortingrule表集中失效模式列,(如图4所示集中失效模式列)。
分类模型规则审批:
制造工程部确定各型号各频段最佳的TRE_1、TRE_2、TRE_3分类规则后,通过质量管理部门进行审批,直到相关部门一致通过后可用于最终的量产分类。
实际量产不良品分类:
实际量产不良品分类流程如图3所示,产线量产测试后将通过系统离线对不良品数据进行后台分析分类,系统会针对产品类型符合Sorting rule表中“产品类型“列和失效类别符合Sorting rule表中”失效类别“列涉及到的产线不良品测试数据依次分析,当测试项名称中含有Sorting rule表中“包含关键字”列同时不含有Sorting rule表中“不包含关键字”列时,分类每个测试失效项目对应分类,一旦遇到涉及“IL”或者“Gain”关键词的失效项,系统还将进一步读取实测数据。当LNA OFF时,实测值直接按照对应型号设定的各频段的TRE_1、TRE_2、TRE_3分类规则将对涉及插入损耗的不良品分为三个组。当LNA ON时,实测值减去此批次良品的平均测试值后,按照设定的各频段的TRE_1、TRE_2、TRE_3分类规则将对涉及插入损耗或者增益失效的不良品分为三个组。再根据测试项顺序和Sorting rule表中“优先级”列,最终确定失效产品分配相应的Hard bin。
射频前端模块量产不良芯片分类系统能对不良品数据进行后台分析分类之相应的类别,从而对不同风险等级的分类有目的地进行管控分析。相对之前在大量非真失效中随机抽取样进行测试验证再分析失效的方法,目前射频前端模块量产不良分类的方法很显然更有目的性。分类后的失效模式中,高风险失效集中于Hard Bin 1-1,提高高风险关键分类的采样频率,失效分析组对此类给予重点关注分析,无疑能提升风险失效的探测率,从而改进工艺设计,精益求精,提高出货质量,全面提升企业核心竞争力。同时量产中大量非真不良(NTF)及非风险失效,只需要监控,大量节省的人力资源,失效分析组的工作效率得到了大幅提高。
Claims (9)
1.一种射频前端模块量产不良芯片分类方法,其特征在于:所述方法包括:
步骤1.计算机采集不良品的历史测试数据;所述历史测试数据包括:产品型号,所述产品型号的频段以及各频段下的失效模式,所述失效模式对应的插入损耗及增益测试项,所述插入损耗及增益测试项的测试值;
步骤2.计算机根据所有产品型号的同一频段B的失效模式和插入损耗及增益测试值的分布,设置第一基础分类值L1B和第二基础分类值L2B,使得高风险失效模式对应的100%的测试值处于L1B与L2B之间,中风险失效模式对应的至少72%的测试值处于L1B与L2B之间,低风险失效模式对应的至少70%的测试值处于L1B与L2B之间,并且非风险失效模式对应的至少45%的测试值小于等于L1B或者大于等于L2B;
步骤3.计算机根据单个产品型号M的同一频段B的失效模式和插入损耗及增益测试值的分布,设置第一分类值L1BM和第二分类值L2BM,使得高风险失效模式对应的100%的测试值处于L1BM与L2BM之间,中风险失效模式对应的至少72%的测试值处于L1BM与L2BM之间,低风险失效模式对应的至少70%的测试值处于L1BM与L2BM之间,并且非风险失效模式对应的至少45%的测试值小于等于L1BM或者大于等于L2BM;
同一频段B下的第一分类值L1BM与第一基础分类值L1B的差值为单个产品型号M的补偿值offset1BM,同一频段B下的第二分类值L2BM与第二基础分类值L2BM的差值为单个产品型号M的补偿值offset2BM,令L1BM=L1B+offset1BM,L2BM=L2B+offset2BM;
步骤4.重复上述步骤2-3,得到在各频段下的第一基础分类值L1和第二基础分类值L2,以及各频段下的各产品型号的补偿值offset1、offset2;
步骤5.计算机利用所述的各频段下的第一基础分类值L1和第二基础分类值L2以及各频段下的各产品型号的补偿值offset1、offset2来处理所述的历史测试数据,将所述的不良品分类为TRE_1、TRE_2、TRE_3;所述测试值处于L1+offset1与L2+offset2之间,不良品分类为TRE_2,所述测试值小于L1+offset1,不良品分类为TRE_1,所述测试值大于L2+offset2,不良品分类为TRE_3,
计算机调整L1、L2以及offset1、offset2,使得高风险失效模式对应的不良品100%分类为TRE_2,中风险失效模式对应的不良品至少72%分类为TRE_2,低风险失效模式对应的不良品至少70%分类为TRE_2,并且非风险失效模式对应的不良品至少45%分类为TRE_1或TRE_3;
步骤6.计算机读取当前不良品的测试项,测试项的优先级预设在第三表格中,计算机通过比对当前测试项和第三表格来判定各测试项对应的优先级,当涉及插入损耗和增益测试项失效时,进一步读取实测值作为测试项的测试值,并根据当前不良品的产品型号和频段将上述测试项的测试值与相应的L1、L2以及offset1、offset2进行比对判定各涉及插入损耗和增益测试项的分类,提取优先级最高的分类,作为所述当前不良品的分类,并由计算机控制筛选机根据当前不良品的分类来挑选出需实物分析的不良品实物,进行分析。
2.根据权利要求1所述的一种射频前端模块量产不良芯片分类方法,其特征在于:计算机中设有第一表格用于记载所述步骤4中各频段下的的第一基础分类值L1和第二基础分类值L2,还设有第二表格用于记载各频段下的各产品型号的补偿值offset1、offset2,所述第一表格、第二表格中还设有相应的产品型号、频段、测试项。
3.根据权利要求1所述的一种射频前端模块量产不良芯片分类方法,其特征在于:在上述步骤2-5中,计算机将检查失效模式是否为非真不良,如果是,则测试值为产线自动测试值,如果否,则测试值为产线复测值。
4.根据权利要求1所述的一种射频前端模块量产不良芯片分类方法,其特征在于:在上述步骤2-5中,计算机将检查失效模式是否为功能性不良,如果是,则采用所述的失效模式和测试值执行步骤2-5,如果否,则不采用所述的失效模式和测试值执行步骤2-5。
5.根据权利要求1所述的一种射频前端模块量产不良芯片分类方法,其特征在于:在上述步骤2-5中,计算机确定失效模式对应的测试项的优先级,所述测试项的优先级为1-3的测试项执行步骤2-5。
6.根据权利要求5所述的一种射频前端模块量产不良芯片分类方法,其特征在于:所述各测试项的优先级预设在第三表格中,计算机通过比对当前测试项和第三表格来确定测试项的优先级。
7.根据权利要求1所述的一种射频前端模块量产不良芯片分类方法,其特征在于:当产品处于放大状态时,所述测试值为实测值减去同批次良品的平均测试值。
8.根据权利要求1所述的一种射频前端模块量产不良芯片分类方法,其特征在于:在上述步骤6中,选取某颗产品各测试项对应的分类值中的优先级最高值为该颗产品的分类值。
9.利用权利要求1-8中任意一项所述的射频前端模块量产不良芯片分类方法的系统,其特征在于:其包括存储单元和计算单元,筛选单元,其特征在于:存储单元用于存储上述的历史测试数据、当前不良品的测试值、第一表格、第二表格、第三表格;计算单元用于执行上述步骤1-6;筛选单元用来根据不良品的分类来挑选出需实物分析的不良品实物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110213509.4A CN112836761A (zh) | 2021-02-26 | 2021-02-26 | 一种射频前端模块量产不良芯片分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110213509.4A CN112836761A (zh) | 2021-02-26 | 2021-02-26 | 一种射频前端模块量产不良芯片分类方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836761A true CN112836761A (zh) | 2021-05-25 |
Family
ID=75933554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110213509.4A Pending CN112836761A (zh) | 2021-02-26 | 2021-02-26 | 一种射频前端模块量产不良芯片分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836761A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133666A1 (en) * | 2004-06-25 | 2006-06-22 | The Trustees Of Columbia University In The City Of New York | Methods and systems for feature selection |
CN101908382A (zh) * | 2009-06-04 | 2010-12-08 | 中芯国际集成电路制造(上海)有限公司 | 芯片失效的数据分类分析方法及其装置 |
CN104113350A (zh) * | 2014-05-06 | 2014-10-22 | 中国电子科技集团公司第四十一研究所 | 八通道宽频移动网络信号发射模块 |
CN104597392A (zh) * | 2015-01-09 | 2015-05-06 | 上海华岭集成电路技术股份有限公司 | 测试数据深度溯源的方法 |
CN112397409A (zh) * | 2020-11-24 | 2021-02-23 | 安测半导体技术(江苏)有限公司 | 一种芯片晶圆测试数据分析方法及系统 |
-
2021
- 2021-02-26 CN CN202110213509.4A patent/CN112836761A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133666A1 (en) * | 2004-06-25 | 2006-06-22 | The Trustees Of Columbia University In The City Of New York | Methods and systems for feature selection |
CN101908382A (zh) * | 2009-06-04 | 2010-12-08 | 中芯国际集成电路制造(上海)有限公司 | 芯片失效的数据分类分析方法及其装置 |
CN104113350A (zh) * | 2014-05-06 | 2014-10-22 | 中国电子科技集团公司第四十一研究所 | 八通道宽频移动网络信号发射模块 |
CN104597392A (zh) * | 2015-01-09 | 2015-05-06 | 上海华岭集成电路技术股份有限公司 | 测试数据深度溯源的方法 |
CN112397409A (zh) * | 2020-11-24 | 2021-02-23 | 安测半导体技术(江苏)有限公司 | 一种芯片晶圆测试数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN105426441B (zh) | 一种时间序列自动预处理方法 | |
CN115510302B (zh) | 基于大数据统计的智能工厂数据分类方法 | |
CN111079937A (zh) | 一种快速建模的方法 | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
CN111126511A (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
CN110889441A (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN116678552B (zh) | 一种变温度环境下光纤应力传感器异常监测方法 | |
CN115982602A (zh) | 一种光伏变压器电故障检测方法 | |
CN112257784A (zh) | 一种基于梯度提升决策树的窃电检测方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN116075733A (zh) | 用于对电池模块进行分类的电池管理系统 | |
CN115222303A (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
CN115860579A (zh) | 一种用于面粉加工的生产质量监测系统 | |
CN113657747B (zh) | 一种企业安全生产标准化级别智能评定系统 | |
CN113516173B (zh) | 一种基于随机森林与决策树的整车静动态干涉的测评方法 | |
CN108229507A (zh) | 数据分类方法以及装置 | |
CN112836761A (zh) | 一种射频前端模块量产不良芯片分类方法和系统 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN116502802A (zh) | 一种基于大数据与无线传感技术的数据管理系统 | |
CN104519511A (zh) | 一种检测通信网络小区场景突变的方法和装置 | |
CN115295016A (zh) | 一种设备运行状态监控方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |