CN114254261A - 产品测试数据的检测方法、系统、电子设备和存储介质 - Google Patents
产品测试数据的检测方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114254261A CN114254261A CN202011007511.8A CN202011007511A CN114254261A CN 114254261 A CN114254261 A CN 114254261A CN 202011007511 A CN202011007511 A CN 202011007511A CN 114254261 A CN114254261 A CN 114254261A
- Authority
- CN
- China
- Prior art keywords
- test data
- test
- target
- current
- limit value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/333—Design for testability [DFT], e.g. scan chain or built-in self-test [BIST]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Complex Calculations (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种产品测试数据的检测方法、系统、电子设备和存储介质,该检测方法包括获取多个历史批次产品的历史测试数据;对历史测试数据进行筛选以获取中间测试数据;根据预设测试参数对中间测试数据进行分组以获取第一分组;根据第一分组的中间测试数据获取第一分组的分布类型;在分布类型为预设分布类型时将分布类型对应的第一分组作为目标分组;根据目标分组对应的中间测试数据获取目标测试限值。本发明基于历史测试数据确定初始测试限值,实现在新批次产品检测之前收紧关键限值,以保证对新批次产品的测试数据的检测准确性;能够自适应地对测试限值的动态调整,实时有效地检测出存在异常数据的芯片测试数据,提高了芯片的测试质量。
Description
技术领域
本发明涉及芯片测试技术领域,特别涉及一种产品测试数据的检测方法、系统、电子设备和存储介质。
背景技术
在半导体芯片量产测试阶段,参数测试结果通常符合正态分布。目前,主要通过判断测试结果是否在测试规格范围内,若在则确定芯片通过测试(即芯片质量合格);然而,有些芯片对应的测试结果即便在测试规格范围,但是会过于偏离平均值,当这些异常的芯片仍将作为良好产品装运时,就会影响芯片制造的质量,甚至造成质量事故,因此现有的芯片测试数据的检测方法无法满足更高的芯片生产需求。
发明内容
本发明要解决的技术问题是为了克服现有技术中对半导体芯片量产测试的方式存在不能够满足实际需求的缺陷,目的在于提供一种产品测试数据的检测方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种产品测试数据的检测方法,所述检测方法包括:
获取多个历史批次产品对应的历史测试数据;
对所述历史测试数据进行筛选处理以获取中间测试数据;
根据不同的预设测试参数对所述中间测试数据进行分组处理以获取多个第一分组;其中,每种所述预设测试参数对应一个所述第一分组;
根据所述第一分组对应的所述中间测试数据获取每个所述第一分组对应的第一分布类型;
判断所述第一分布类型是否为预设分布类型,若是,则将所述第一分布类型对应的所述第一分组作为目标分组;
根据所述目标分组对应的所述中间测试数据获取目标测试限值;
其中,所述目标测试限值用于对新批次产品的测试数据进行测试。
较佳地,所述根据所述目标分组对应的所述中间测试数据获取目标测试限值的步骤包括:
根据所述目标分组对应的所述中间测试数据计算得到所述目标分组对应的统计学参数;其中,所述统计学参数包括平均值和均方差;
根据所述统计学参数和预设约束条件计算得到测试上限值和测试下限值,并将所述测试上限值和所述测试下限值作为所述目标测试限值。
较佳地,所述根据所述目标分组对应的所述中间测试数据获取目标测试限值的步骤之后还包括:
获取当前批次产品中当前测试组对应的当前测试数据;
获取所述当前测试数据中与不同的所述预设测试参数对应的多组目标测试数据;
判断所述目标测试数据是否在对应的所述目标测试限值内,若是,则确定所述目标测试数据为正常测试数据;若否,则确定所述目标测试数据为异常测试数据;
在设定数量的所述目标测试数据均为正常测试数据时,则确定当前测试组的所述当前测试数据通过检测;否则,确定当前测试组的所述当前测试数据未通过检测。
较佳地,在确定当前批次产品中当前测试组对应的所述当前测试数据通过检测,且所述预设分布类型为正态分布时,所述检测方法还包括:
将所述目标分组对应的所述中间测试数据作为当前训练种群;
计算得到所述当前训练种群对应的初始种群参数;
根据所述初始种群参数判断所述当前测试数据是否落入所述当前训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述训练种群以形成目标训练种群;
根据所述目标训练种群对应的测试数据更新所述目标测试限值;
对于当前批次产品中下一测试组对应的测试数据,计算得到所述目标训练种群对应的目标种群参数;
根据所述目标种群参数判断当前测试数据是否落入所述目标训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述目标训练种群以形成新的所述目标训练种群;
根据新的所述目标训练种群对应的测试数据更新所述目标测试限值。
较佳地,所述检测方法还包括:
判断所述目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新所述目标训练种群;
其中,更新前的所述目标训练种群与更新后的所述目标训练种群的统计学参数相差小于第一设定阈值,且更新后的所述目标训练种群对应的测试数据不满足所述预设条件;所述统计学参数包括平均值和均方差。
较佳地,所述判断所述目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新所述目标训练种群的步骤包括:
获取所述目标训练种群中的测试数据对应的四分位数;
判断所述四分位数中的第一四分位数是否等于第三四分位数,若是,则随机生成所述第一测试数据以更新所述目标训练种群。
较佳地,所述随机生成所述第一测试数据以更新所述目标训练种群的步骤包括:
采用反函数采样方法、Box-Muller变换方法(一种生成正态分布的随机数的方法)、中央极限定理中的至少一种方式,分别随机生成一组第二测试数据,计算每组所述第二测试数据对应的统计学参数与更新前的所述目标训练种群的统计学参数的差值,并选取所述差值的绝对值最小时对应的所述第二测试数据作为所述第一测试数据以更新所述目标训练种群。
较佳地,所述对所述历史测试数据进行筛选处理以获取中间测试数据的步骤包括:
筛选出所述历史测试数据中与所有所述预设测试参数对应的第三测试数据;
从所述第三测试数据中剔除超出预设测试限值的测试数据以获取所述中间测试数据。
较佳地,所述根据预设测试参数对所述中间测试数据进行分组处理以获取多个第一分组的步骤包括:
根据不同的所述预设测试参数对所述中间测试数据进行分组处理,获取多个中间分组;
判断所述中间分组的大小是否大于或者等于第二设定阈值,若是,则将所述中间分组作为所述第一分组。
较佳地,所述获取多个历史批次产品对应的历史测试数据的步骤之前还包括:
预先建立静态数据空间;
所述获取多个历史批次产品对应的历史测试数据的步骤之后、所述对所述历史测试数据进行筛选处理以获取中间测试数据的步骤之前包括:
获取设定格式的所述历史测试数据,并对所述历史测试数据进行解码处理并将解码后的所述历史测试数据存储至所述静态数据空间;
所述筛选出所述历史测试数据中与所有所述预设测试参数对应的第三测试数据的步骤包括:
基于所有所述预设测试参数,通过不同的API(应用程序接口)从所述静态数据空间输出所述第三测试数据。
本发明还提供一种产品测试数据的检测系统,所述检测系统包括:
历史数据获取模块,用于获取多个历史批次产品对应的历史测试数据;
中间数据获取模块,用于对所述历史测试数据进行筛选处理以获取中间测试数据;
分组获取模块,用于根据不同的预设测试参数对所述中间测试数据进行分组处理以获取多个第一分组;其中,每种所述预设测试参数对应一个所述第一分组;
分布类型获取模块,用于根据所述第一分组对应的所述中间测试数据获取每个所述第一分组对应的第一分布类型;
第一判断模块,用于判断所述第一分布类型是否为预设分布类型,若是,则将所述第一分布类型对应的所述第一分组作为目标分组;
测试限值获取模块,用于根据所述目标分组对应的所述中间测试数据获取目标测试限值;
其中,所述目标测试限值用于对新批次产品的测试数据进行测试。
较佳地,所述测试限值获取模块包括:
参数计算单元,用于根据所述目标分组对应的所述中间测试数据计算得到所述目标分组对应的统计学参数;其中,所述统计学参数包括平均值和均方差;
测试限值计算单元,用于根据所述统计学参数和预设约束条件计算得到测试上限值和测试下限值,并将所述测试上限值和所述测试下限值作为所述目标测试限值。
较佳地,所述检测系统还包括:
当前数据获取模块,用于获取当前批次产品中当前测试组对应的当前测试数据;
目标数据获取模块,用于获取所述当前测试数据中与不同的所述预设测试参数对应的多组目标测试数据;
第二判断模块,用于判断所述目标测试数据是否在对应的所述目标测试限值内,若是,则确定所述目标测试数据为正常测试数据;若否,则确定所述目标测试数据为异常测试数据;
确定模块,用于在设定数量的所述目标测试数据均为正常测试数据时,则确定当前测试组的所述当前测试数据通过检测;否则,确定当前测试组的所述当前测试数据未通过检测。
较佳地,在确定当前批次产品中当前测试组对应的所述当前测试数据通过检测,且所述预设分布类型为正态分布时,所述检测系统还包括:
当前种群获取模块,用于将所述目标分组对应的所述中间测试数据作为当前训练种群;
种群参数计算模块,用于计算得到所述当前训练种群对应的初始种群参数;
第三判断模块,用于根据所述初始种群参数判断所述当前测试数据是否落入所述当前训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述训练种群以形成目标训练种群;
测试限值更新模块,用于根据所述目标训练种群对应的测试数据更新所述目标测试限值;
对于当前批次产品中下一测试组对应的测试数据,所述种群参数计算模块还用于计算得到所述目标训练种群对应的目标种群参数;
所述第三判断模块还用于根据所述目标种群参数判断当前测试数据是否落入所述目标训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述目标训练种群以形成新的所述目标训练种群;
所述测试限值更新模块还用于根据新的所述目标训练种群对应的测试数据更新所述目标测试限值。
较佳地,所述检测系统还包括:
第四判断模块,用于判断所述目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新所述目标训练种群;
其中,更新前的所述目标训练种群与更新后的所述目标训练种群的统计学参数相差小于第一设定阈值,且更新后的所述目标训练种群对应的测试数据不满足所述预设条件;所述统计学参数包括平均值和均方差。
较佳地,所述第四判断模块包括:
四分位数获取单元,用于获取所述目标训练种群中的测试数据对应的四分位数;
第一判断单元,用于判断所述四分位数中的第一四分位数是否等于第三四分位数,若是,则调用生成单元;
所述生成单元用于随机生成所述第一测试数据以更新所述目标训练种群。
较佳地,所述生成单元采用反函数采样方法、Box-Muller变换方法、中央极限定理中的至少一种方式,分别随机生成一组第二测试数据,计算每组所述第二测试数据对应的统计学参数与更新前的所述目标训练种群的统计学参数的差值,并选取所述差值的绝对值最小时对应的所述第二测试数据作为所述第一测试数据以更新所述目标训练种群。
较佳地,所述中间数据获取模块包括:
筛选单元,用于筛选出所述历史测试数据中与所有所述预设测试参数对应的第三测试数据;
剔除单元,用于从所述第三测试数据中剔除超出预设测试限值的测试数据以获取所述中间测试数据。
较佳地,所述分组获取模块包括:
分组单元,用于根据不同的所述预设测试参数对所述中间测试数据进行分组处理,获取多个中间分组;
第二判断单元,用于判断所述中间分组的大小是否大于或者等于第二设定阈值,若是,则将所述中间分组作为所述第一分组。
较佳地,所述检测系统包括:
数据空间建立模块,用于预先建立静态数据空间;
存储模块,用于获取设定格式的所述历史测试数据,并对所述历史测试数据进行解码处理并将解码后的所述历史测试数据存储至所述静态数据空间;
所述筛选单元用于基于所有所述预设测试参数,通过不同的API从所述静态数据空间输出所述第三测试数据。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现上述的产品测试数据的检测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的产品测试数据的检测方法的步骤。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本发明中,基于收集的历史若干批次产品的历史测试数据以及预设测试参数(如测试项),对其进行过滤、分组等处理,根据每个分组中测试数据的分布类型筛选出目标分组以计算得到初始测试限值,即实现在新批次产品检测之前收紧关键限值,以保证对新批次产品的测试数据的检测准确性,以提高芯片的测试质量;当新批次产品的测试数据的鲁棒性满足设定条件时则将当前测试数据插入至先前的训练种群中以形成新的训练种群,进而更新得到新的动态测试限值,即实现自适应地对测试限值的动态调整,能够实时有效地检测出存在异常数据的芯片测试数据,从而进一步地提高了芯片的测试质量。
附图说明
图1为本发明实施例1的产品测试数据的检测方法的流程图。
图2为本发明实施例1的产品测试数据的检测方法中测试限值的示意图。
图3为本发明实施例2的产品测试数据的检测方法的第一流程图。
图4为本发明实施例2的产品测试数据的检测方法的第二流程图。
图5为本发明实施例2的产品测试数据的检测方法中训练种群的正态分布示意图。
图6为本发明实施例2的产品测试数据的检测方法中生成新的训练种群的过程示意图。
图7为本发明实施例2的产品测试数据的检测方法的第一测试示意图。
图8为本发明实施例2的产品测试数据的检测方法的第二测试示意图。
图9为现有的动态DPAT的检测方式对应的检测结果示意图。
图10为本发明实施例2的产品测试数据的检测方法对应的检测结果示意图。
图11为本发明实施例3的产品测试数据的检测系统的模块示意图。
图12为本发明实施例4的产品测试数据的检测系统的模块示意图。
图13为本发明实施例5的实现产品测试数据的检测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的产品测试数据的检测方法包括:
S101、获取多个历史批次产品对应的历史测试数据;
在一可实施的方式中,历史测试数据为通过设备规范定义的测试限值的至少六个历史批次产品的测试数据,每个批次产品包括至少30个检测参数;其中,历史测试数据对应的历史批次产品的数量以及每个批次产品中检测参数的数量均可以根据实际情况进行重新确定与调整。
一般将历史测试数据存储为STDF(标准测试数据格式)文件,属于批量生产测试数据文件;当然也可以根据实际情况将其存储为其他格式文件。
另外,需要预先在内存中建立静态数据空间,一旦建立静态数据空间就可以开始批量生产测试流程。
在开始检测时,初始化历史测试数据对应的STDF文件,解码出STDF文件对应的STDF内容并存储至静态数据空间;其中,解码得到的STDF内容为ASCII数据。
S102、对历史测试数据进行筛选处理以获取中间测试数据;
其中,筛选出历史测试数据中与所有预设测试参数对应的第三测试数据,并从第三测试数据中剔除超出预设测试限值的测试数据以获取中间测试数据。
具体地,基于所有预设测试参数,通过不同的API从静态数据空间输出第三测试数据。预设测试参数包括但不限于测试项或多个同源性应用程序中站点。
另外,需要通过人工或自动方式检查获取的所有中间测试数据分布情况是否合理,排除明显不合理的测试数据,以保证后期测试限值确定的准确性和可靠性。
S103、根据不同的预设测试参数对中间测试数据进行分组处理以获取多个第一分组;其中,每种预设测试参数对应一个第一分组;
具体地,根据不同的预设测试参数对中间测试数据进行分组处理,获取多个中间分组,并判断中间分组的大小是否大于或者等于第二设定阈值,若是,则将所述中间分组作为所述第一分组,即剔除包含较少数据量的分组,减少了整体计算量,提高了计算效率,进而提高了整体的检测效率。
S104、根据第一分组对应的中间测试数据获取每个第一分组对应的第一分布类型;
S105、判断第一分布类型是否为预设分布类型,若是,则将第一分布类型对应的第一分组作为目标分组;
其中,预设分布类型包括正态分布,即通过对分布类型的比对,将0-1分布等其他分布类型的分组剔除,仅保留正态分布的分组,从而保证了后期测试限值确定的准确性和可靠性。
S106、根据目标分组对应的中间测试数据获取目标测试限值;
其中,目标测试限值用于对新批次产品的测试数据进行量产测试。目标测试限值作为第一个动态限值,保证了开始新批次产品检测之前收紧关键限值,保证了对新批次产品的测试数据的检测准确性。
具体地,根据目标分组对应的中间测试数据计算得到目标分组对应的统计学参数;其中,统计学参数包括平均值和均方差;
根据统计学参数和预设约束条件(CPK约束条件,即过程能力指数)计算得到测试上限值和测试下限值,并将测试上限值和测试下限值作为目标测试限值。
例如:
在一可实施的方式中,如图2中的(a)所示,仅基于待测产品设计规范得到测试限值为[0,200];如图2中的(b)所示,当基于统计学参数和CPK约束条件(±CPK*sigma,sigma表示均方差)以计算得到测试上限值和测试下限值[46.13,67.87],即通过结合CPK约束条件能够计算得到更收紧的测试限值,以保证芯片的测试质量。
本实施例中,基于收集的历史若干批次产品的历史测试数据以及预设测试参数(如测试项),对其进行过滤、分组等处理,根据每个分组中测试数据的分布类型筛选出目标分组以计算得到测试限值,实现在新批次产品检测之前收紧关键限值,以保证对新批次产品的测试数据的检测准确性,从而提高芯片的测试质量。
实施例2
如图3所示,本实施例的产品测试数据的检测方法是对实施例1的进一步改进,具体地:
步骤S106之后还包括:
S107、获取当前批次产品中当前测试组对应的当前测试数据;
S108、获取当前测试数据中与不同的预设测试参数对应的多组目标测试数据;
S109、判断目标测试数据是否在对应的目标测试限值内,若是,则确定目标测试数据为正常测试数据;若否,则确定目标测试数据为异常测试数据;
S1010、在设定数量的目标测试数据均为正常测试数据时,则确定当前测试组的当前测试数据通过检测;否则,确定当前测试组的当前测试数据未通过检测。
其中,设定数量的目标测试数据可以为全部数量的目标测试数据,也可以根据实际情况具体确定,例如:当100个目标测试数据中有98个为正常测试数据时则确定当前测试组的当前测试数据通过检测。
如图4所示,在确定当前批次产品中当前测试组对应的当前测试数据通过检测,且预设分布类型为正态分布时,步骤S1010之后还包括:
S1011、将目标分组对应的中间测试数据作为当前训练种群;
S1012、计算得到当前训练种群对应的初始种群参数;
S1013、根据初始种群参数判断当前测试数据是否落入当前训练种群对应的正态分布的中心区域内,若是,则确定当前测试数据的鲁棒性满足预设要求,并将当前测试数据插入至当前训练种群以形成目标训练种群;
S1014、根据目标训练种群对应的测试数据更新目标测试限值;
如图5所示,a1表示数据的适应能力,a2表示normal fitting(正态分布拟合曲线),a3表示+3sigma,a4表示-3sigma,MEAT-LL表示测试下限值,MEAT-UL表示测试上限值。
在当前测试数据落入当前训练种群对应的正态分布的中心区域时,则说明当前测试数据的鲁棒性(适应性)足够强;如图6所示,此时将其插入之前的训练种群中以形成新的训练种群,对应新的统计学参数,从而实现动态建立新的目标测试限值。
其中,在产片批量测试阶段,适应性功能用于连续监视每个芯片的测试数据,随着训练种群不断发展以达到自适应测试的目的。
S1015、对于当前批次产品中下一测试组对应的测试数据,计算得到所述目标训练种群对应的目标种群参数;
S1016、根据所述目标种群参数判断当前测试数据是否落入所述目标训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述目标训练种群以形成新的所述目标训练种群;
其中,对于同一预设测试参数,在当前测试数据中对应的测试数据满足鲁棒性要求时,则将当前测试数据中对应的测试数据插入之前的训练种群中以形成目标训练种群。
具体地,鲁棒性可以通过如下公式确定:
S1017、根据新的所述目标训练种群对应的测试数据更新所述目标测试限值。具体地,根据新的目标训练种群对应的测试数据计算得到对应的统计学参数,并结合CPK约束条件最终计算得到新的目标测试限值。
通过同一批次产品中的新的测试组对应的测试数据及时更新目标测试限值以保证对芯片测试的质量。
即本实施例在量产自动测试过程中,源源不断地将当前芯片的测试数据将作为新个体,通过适应度函数与种群数组进行对比,以评估其鲁棒性。
本实施例的检测方法属于基于进化理论的实时测试数据监控演算法,称为MEAT(测试中监视进化演算法),该算法结合了静态PAT(零件平均测试指南)和动态PAT的特性,并引入了CPK约束条件和演化策略,以实现对消费性芯片的高质量测试。
如图7所示,横轴表示测试数据序列,纵轴Test Data Distribution表示测试数据范围,LL表示测试下限值,UL表示测试上限值,A区域的圆点表示每个当前测试数据;可以得知,基于上述得到的目标测试限值对当前测试数据进行检测。
另外,当预设测试参数包括测试项时,MEAT将每个测试项目作为一个单独的训练种群进行监视;当预设测试参数包括多个同源性应用程序中站点时,则MEAT将多个同源性应用程序中每个站点作为一个单独的训练种群进行监视。其中,如图8所示,对于多站点应用下的动态限值,每个站点都有独立的限值线。
另外,步骤S1017之后还包括:
S1018、判断目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新目标训练种群;
其中,更新前的目标训练种群与更新后的目标训练种群的统计学参数相差小于第一设定阈值,且更新后的目标训练种群对应的测试数据不满足预设条件;统计学参数包括平均值和均方差。
步骤S1018具体包括:
获取目标训练种群中的测试数据对应的四分位数;
判断四分位数中的第一四分位数是否等于第三四分位数,若是,则随机生成第一测试数据以更新目标训练种群。
具体地,采用反函数采样方法、Box-Muller变换方法、中央极限定理中的至少一种方式,分别随机生成一组第二测试数据,计算每组第二测试数据对应的统计学参数与更新前的目标训练种群的统计学参数的差值,并选取差值的绝对值最小时对应的第二测试数据作为第一测试数据以更新目标训练种群。当然也可以采用能够随机生成数据的方法来生成测试数据。
采用随机生成的测试数据替换原有的目标训练种群中的测试数据,可以有效地避免种群在进化过程中产生局部收敛以使UL和LL过于接近的情况发生,进而保证动态测试限值的可靠性。
本实施例的检测方法MEAT不需要基于上述内容之外的其他信息,例如晶粒在晶片上的坐标,从而提高了现有的产品检测方式的检测效率及准确度。
下面结合实例具体说明:
如图9所示,为基于现有Dynamic PAT(动态PAT)的检测方式对测试数据进行检测的检测结果。其中,横轴表示测试数据序列,纵轴表示测试数据范围。DPAT-LL表示测试下限值,DPAT-UL表示测试上限值。在图中的b1处,由于测试数据中出现连续异常数据,DPAT-UL也随之出现明显的抬升,由此可以得知,该检测方式对测试数据具有很高的依赖性,因此连续发布数据则将其检测机制产生较大的影响,甚至可能会失去效力。
如图10所示,为基于MEAT检测方法对测试数据进行检测的检测结果。其中,横轴表示测试数据序列,纵轴表示测试数据范围。MEAT-LL表示测试下限值,MEAT-UL表示测试上限值。可以得知,MEAT检测方法是根据数据稳健度决定是否进行种群进化,降低了MEAT动态限值对测试数据的敏感度,具有更合理的机制来减少对测试数据的依赖性,在该检测方式下甚至可以连续发布数据,在生产过程中能够有效地严格收紧动态限值。
动态DPAT的检测方式和本实施例的MEAT检测方法的检测方式的检测结果对比数据如下表:
待测芯片数量 | DPPM | 失效芯片数量 | DPAT离群数 | MEAT离群数 |
11440 | 50874 | 582 | 4 | 515 |
由上表可以得知,待测芯片数量为11440,失效芯片数量为582,则该批次芯片的DPPM(百万分比的缺陷率)=(582/11440)*1000000=50874。
采用现有DPAT的检测方式只能从发布的582个数据中检测出4个异常测试数据,对应的检测率=(4/582)*100%=0.69%,而采用本实施例的MEAT离群数能从发布的582个数据中检测出515个异常测试数据,对应的检测率=(515/582)*100%=88.49%,由此可知,采用本实施例的测试数据检测方法能够有效地分析出异常测试数据,从而有效地提高了芯片的测试质量。
另外,实验证明,本实施例中的MEAT检测方法对单元测试覆盖率超过C++和Java版本的95%。甚至还可以将MEAT检测方法应用在跨操作系统和编程语言的数据一致性检查,以实现可追溯适应性数据的创建和实时存储等。
本实施例中,基于收集的历史若干批次产品的历史测试数据以及预设测试参数(如测试项),对其进行过滤、分组等处理,根据每个分组中测试数据的分布类型筛选出目标分组以计算得到初始测试限值;当新批次产品的测试数据的鲁棒性满足设定条件时则将当前测试数据插入至先前的训练种群中以形成新的训练种群,以更新得到新的动态测试限值,即MEAT检测方法是根据数据稳健度(适应度/鲁棒性)监控种群进化,实现自适应地对测试限值的动态调整,能够实时有效地检测出存在异常数据的芯片测试数据,从而提高芯片的测试质量。
实施例3
如图11所示,本实施例的产品测试数据的检测系统包括历史数据获取模块1、中间数据获取模块2、分组获取模块3、分布类型获取模块4、第一判断模块5和测试限值获取模块6。
历史数据获取模块1用于获取多个历史批次产品对应的历史测试数据;
在一可实施的方式中,历史测试数据为通过设备规范定义的测试限值的至少六个历史批次产品的测试数据,每个批次产品包括至少30个检测参数;其中,历史测试数据对应的历史批次产品的数量以及每个批次产品中检测参数的数量均可以根据实际情况进行重新确定与调整。
一般将历史测试数据存储为STDF文件,属于批量生产测试数据文件;当然也可以根据实际情况将其存储为其他格式文件。
另外,需要预先在内存中建立静态数据空间,一旦建立静态数据空间就可以开始批量生产测试流程。
在开始检测时,初始化历史测试数据对应的STDF文件,解码出STDF文件对应的STDF内容并存储至静态数据空间;其中,解码得到的STDF内容为ASCII数据。
本实施例的产品测试数据的检测系统还包括数据空间建立模块和存储模块。数据空间建立模块用于预先建立静态数据空间;存储模块用于获取设定格式的历史测试数据,并对历史测试数据进行解码处理并解码后的历史测试数据存储至静态数据空间。
中间数据获取模块2用于对历史测试数据进行筛选处理以获取中间测试数据;
其中,中间数据获取模块2包括筛选单元和剔除单元。
筛选单元用于筛选出历史测试数据中与所有预设测试参数对应的第三测试数据;剔除单元用于从第三测试数据中剔除超出预设测试限值的测试数据以获取中间测试数据。
具体地,基于所有预设测试参数,通过不同的API从静态数据空间输出第三测试数据。预设测试参数包括但不限于测试项或多个同源性应用程序中站点。
另外,需要通过人工或自动方式检查获取的所有中间测试数据分布情况是否合理,排除明显不合理的测试数据,以保证后期测试限值确定的准确性和可靠性。
分组获取模块3用于根据不同的预设测试参数对中间测试数据进行分组处理以获取多个第一分组;其中,每种预设测试参数对应一个第一分组;
具体地,分组获取模块3包括分组单元和第二判断单元。
分组单元,用于根据不同的预设测试参数对中间测试数据进行分组处理,获取多个中间分组;第二判断单元,用于判断中间分组的大小是否大于或者等于第二设定阈值,若是,则将所述中间分组作为所述第一分组,即剔除包含较少数据量的分组,减少了整体计算量,提高了计算效率,进而提高了整体的检测效率。
分布类型获取模块4用于根据第一分组对应的中间测试数据获取每个第一分组对应的第一分布类型;
第一判断模块5用于判断第一分布类型是否为预设分布类型,若是,则将第一分布类型对应的第一分组作为目标分组;
其中,预设分布类型包括正态分布,即通过对分布类型的比对,将0-1分布等其他分布类型的分组剔除,仅保留正态分布的分组,从而保证了后期测试限值确定的准确性和可靠性。测试限值获取模块6用于根据目标分组对应的中间测试数据获取目标测试限值;
其中,目标测试限值用于对新批次产品的测试数据进行测试。
目标测试限值作为第一个动态限值,保证了开始新批次产品检测之前收紧关键限值,保证了对新批次产品的测试数据的检测准确性。
具体地,测试限值获取模块6包括参数计算单元和测试限值计算单元;
参数计算单元用于根据目标分组对应的中间测试数据计算得到目标分组对应的统计学参数;其中,统计学参数包括平均值和均方差;
测试限值计算单元用于根据统计学参数和预设约束条件(CPK约束条件,即过程能力指数)计算得到测试上限值和测试下限值,并将测试上限值和测试下限值作为目标测试限值。
例如:
在一可实施的方式中,如图2中的(a)所示,仅基于待测产品设计规范得到测试限值为[0,200];如图2中的(b)所示,当基于统计学参数和CPK约束条件(±CPK*sigma,sigma表示均方差)以计算得到测试上限值和测试下限值[46.13,67.87],即通过结合CPK约束条件能够计算得到更收紧的测试限值,以保证芯片的测试质量。
本实施例中,基于收集的历史若干批次产品的历史测试数据以及预设测试参数(如测试项),对其进行过滤、分组等处理,根据每个分组中测试数据的分布类型筛选出目标分组以计算得到测试限值,实现在新批次产品检测之前收紧关键限值,以保证对新批次产品的测试数据的检测准确性,从而提高芯片的测试质量。
实施例4
如图12所示,本实施例的产品测试数据的检测系统是对实施例3的进一步改进,具体地:
检测系统还包括当前数据获取模块7、目标数据获取模块8、第二判断模块9和确定模块10。
当前数据获取模块7用于获取当前批次产品中当前测试组对应的当前测试数据;
目标数据获取模块8用于获取当前测试数据中与不同的预设测试参数对应的多组目标测试数据;
第二判断模块9用于判断目标测试数据是否在对应的目标测试限值内,若是,则确定目标测试数据为正常测试数据;若否,则确定目标测试数据为异常测试数据;
确定模块10用于在设定数量的目标测试数据均为正常测试数据时,则确定当前测试组的当前测试数据通过检测;否则,确定当前测试组的当前测试数据未通过检测。
其中,设定数量的目标测试数据可以为全部数量的目标测试数据,也可以根据实际情况具体确定,例如:当100个目标测试数据中有98个为正常测试数据时则确定当前测试组的当前测试数据通过检测。
在确定当前批次产品中当前测试组对应的当前测试数据通过检测,且预设分布类型为正态分布时,本实施例的检测系统还包括当前种群获取模块11、种群参数计算模块12、第三判断模块13和测试限值更新模块14。
当前种群获取模块11用于将目标分组对应的中间测试数据作为当前训练种群;
种群参数计算模块12用于计算得到当前训练种群对应的初始种群参数;
第三判断模块13用于根据初始种群参数判断当前测试数据是否落入当前训练种群对应的正态分布的中心区域内,若是,则确定当前测试数据的鲁棒性满足预设要求,并将当前测试数据插入至训练种群以形成目标训练种群;
测试限值更新模块14用于根据目标训练种群对应的测试数据更新目标测试限值;
如图5所示,在当前测试数据落入当前训练种群对应的正态分布的中心区域时,则说明当前测试数据的鲁棒性(适应性)足够强;如图6所示,此时将其插入之前的训练种群中以形成新的训练种群,对应新的统计学参数,从而实现动态建立新的目标测试限值。
其中,在产片批量测试阶段,适应性功能用于连续监视每个芯片的测试数据,随着训练种群不断发展以达到自适应测试的目的。
对于当前批次产品中下一测试组对应的测试数据,所述种群参数计算模块12还用于计算得到所述目标训练种群对应的目标种群参数;
所述第三判断模块13还用于根据所述目标种群参数判断当前测试数据是否落入所述目标训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述目标训练种群以形成新的所述目标训练种群;
其中,对于同一预设测试参数,在当前测试数据中对应的测试数据满足鲁棒性要求时,则将当前测试数据中对应的测试数据插入之前的训练种群中以形成目标训练种群。
具体地,鲁棒性可以通过如下公式确定:
所述测试限值更新模块14还用于根据新的所述目标训练种群对应的测试数据更新所述目标测试限值。
具体地,根据新的目标训练种群对应的测试数据计算得到对应的统计学参数,并结合CPK约束条件最终计算得到新的目标测试限值。
通过同一批次产品中的新的测试组对应的测试数据及时更新目标测试限值以保证对芯片测试的质量。
即本实施例在量产自动测试过程中,源源不断地将当前芯片的测试数据将作为新个体,通过适应度函数与种群数组进行对比,以评估其鲁棒性。
本实施例的检测方法属于基于进化理论的实时测试数据监控演算法,称为MEAT,该算法结合了静态PAT和动态PAT的特性,并引入了CPK约束条件和演化策略,以实现对消费性芯片的高质量测试。
如图7所示,横轴表示测试数据序列,纵轴Test Data Distribution表示测试数据范围,LL表示测试下限值,UL表示测试上限值,A区域的圆点表示每个当前测试数据;可以得知,基于上述得到的目标测试限值对当前测试数据进行检测。
另外,当预设测试参数包括测试项时,MEAT将每个测试项目作为一个单独的训练种群进行监视;当预设测试参数包括多个同源性应用程序中站点时,则MEAT将多个同源性应用程序中每个站点作为一个单独的训练种群进行监视。其中,如图8所示,对于多站点应用下的动态限值,每个站点都有独立的限值线。
另外,本实施例的检测系统还包括第四判断模块15;
第四判断模块15,用于判断目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新目标训练种群;
其中,更新前的目标训练种群与更新后的目标训练种群的统计学参数相差小于第一设定阈值,且更新后的目标训练种群对应的测试数据不满足预设条件;统计学参数包括平均值和均方差。
具体地,第四判断模块15包括四分位数获取单元、第一判断单元和生成单元。
四分位数获取单元用于获取目标训练种群中的测试数据对应的四分位数;
第一判断单元用于判断四分位数中的第一四分位数是否等于第三四分位数,若是,则调用生成单元;
生成单元用于随机生成第一测试数据以更新目标训练种群。
其中,生成单元采用反函数采样方法、Box-Muller变换方法、中央极限定理中的至少一种方式,分别随机生成一组第二测试数据,计算每组第二测试数据对应的统计学参数与更新前的目标训练种群的统计学参数的差值,并选取差值的绝对值最小时对应的第二测试数据作为第一测试数据以更新目标训练种群。当然也可以采用能够随机生成数据的方法来生成测试数据。
采用随机生成的测试数据替换原有的目标训练种群中的测试数据,可以有效地避免种群在进化过程中产生局部收敛以使UL和LL过于接近的情况发生,进而保证动态测试限值的可靠性。
本实施例的检测方法MEAT不需要基于上述内容之外的其他信息,例如晶粒在晶片上的坐标,从而提高了现有的产品检测方式的检测效率及准确度。
下面结合实例具体说明:
如图9所示,为基于现有动态DPAT的方式对测试数据进行检测的检测结果。其中,横轴表示测试数据序列,纵轴表示测试数据范围。DPAT-LL表示测试下限值,DPAT-UL表示测试上限值。在图中的b1处,由于测试数据中出现连续异常数据,DPAT-UL也随之出现明显的抬升,由此可以得知,该检测方式对测试数据具有很高的依赖性,因此连续发布数据则将其检测机制产生较大的影响,甚至可能会失去效力。
如图10所示,为基于MEAT检测方法对测试数据进行检测的检测结果。其中,横轴表示测试数据序列,纵轴表示测试数据范围。MEAT-LL表示测试下限值,MEAT-UL表示测试上限值。可以得知,MEAT检测方法是根据数据稳健度决定是否进行种群进化,降低了MEAT动态限值对测试数据的敏感度,具有更合理的机制来减少对测试数据的依赖性,在该检测方式下甚至可以连续发布数据,在生产过程中能够有效地严格收紧动态限值。
动态DPAT的检测方式和本实施例的MEAT检测方法的检测方式的检测结果对比数据如下表:
待测芯片数量 | DPPM | 失效芯片数量 | DPAT离群数 | MEAT离群数 |
11440 | 50874 | 582 | 4 | 515 |
由上表可以得知,待测芯片数量为11440,失效芯片数量为582,则该批次芯片的DPPM(百万分比的缺陷率)=(582/11440)*1000000=50874。
采用现有DPAT的检测方式只能从发布的582个数据中检测出4个异常测试数据,对应的检测率=(4/582)*100%=0.69%,而采用本实施例的MEAT离群数能从发布的582个数据中检测出515个异常测试数据,对应的检测率=(515/582)*100%=88.49%,由此可知,采用本实施例的测试数据检测方法能够有效地分析出异常测试数据,从而有效地提高了芯片的测试质量。
另外,实验证明,本实施例中的MEAT检测方法对单元测试覆盖率超过C++和Java版本的95%。甚至还可以将MEAT检测方法应用在跨操作系统和编程语言的数据一致性检查方便,以实现可追溯适应性数据的创建和实时存储等。
本实施例中,基于收集的历史若干批次产品的历史测试数据以及预设测试参数(如测试项),对其进行过滤、分组等处理,根据每个分组中测试数据的分布类型筛选出目标分组以计算得到初始测试限值;当新批次产品的测试数据的鲁棒性满足设定条件时则将当前测试数据插入至先前的训练种群中以形成新的训练种群,以更新得到新的动态测试限值,即MEAT检测方法是根据数据稳健度(适应度/鲁棒性)监控种群进化,实现自适应地对测试限值的动态调整,能够实时有效地检测出存在异常数据的芯片测试数据,从而提高芯片的测试质量。
实施例5
图13为本发明实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现实施例1或2中任意一实施例中的产品测试数据的检测方法。图13显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图13所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2中任意一实施例中的产品测试数据的检测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图13所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1或2中任意一实施例中的产品测试数据的检测方法中的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1或2中任意一实施例中的产品测试数据的检测方法中的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式作出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (13)
1.一种产品测试数据的检测方法,其特征在于,所述检测方法包括:
获取多个历史批次产品对应的历史测试数据;
对所述历史测试数据进行筛选处理以获取中间测试数据;
根据不同的预设测试参数对所述中间测试数据进行分组处理以获取多个第一分组;其中,每种所述预设测试参数对应一个所述第一分组;
根据所述第一分组对应的所述中间测试数据获取每个所述第一分组对应的第一分布类型;
判断所述第一分布类型是否为预设分布类型,若是,则将所述第一分布类型对应的所述第一分组作为目标分组;
根据所述目标分组对应的所述中间测试数据获取目标测试限值;
其中,所述目标测试限值用于对新批次产品的测试数据进行测试。
2.如权利要求1所述的产品测试数据的检测方法,其特征在于,所述根据所述目标分组对应的所述中间测试数据获取目标测试限值的步骤包括:
根据所述目标分组对应的所述中间测试数据计算得到所述目标分组对应的统计学参数;其中,所述统计学参数包括平均值和均方差;
根据所述统计学参数和预设约束条件计算得到测试上限值和测试下限值,并将所述测试上限值和所述测试下限值作为所述目标测试限值。
3.如权利要求1所述的产品测试数据的检测方法,其特征在于,所述根据所述目标分组对应的所述中间测试数据获取目标测试限值的步骤之后还包括:
获取当前批次产品中当前测试组对应的当前测试数据;
获取所述当前测试数据中与不同的所述预设测试参数对应的多组目标测试数据;
判断所述目标测试数据是否在对应的所述目标测试限值内,若是,则确定所述目标测试数据为正常测试数据;若否,则确定所述目标测试数据为异常测试数据;
在设定数量的所述目标测试数据均为正常测试数据时,则当前测试组的所述当前测试数据通过检测;否则,确定当前测试组的所述当前测试数据未通过检测。
4.如权利要求3所述的产品测试数据的检测方法,其特征在于,在确定当前批次产品中当前测试组对应的所述当前测试数据通过检测,且所述预设分布类型为正态分布时,所述检测方法还包括:
将所述目标分组对应的所述中间测试数据作为当前训练种群;
计算得到所述当前训练种群对应的初始种群参数;
根据所述初始种群参数判断所述当前测试数据是否落入所述当前训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述当前训练种群以形成目标训练种群;
根据所述目标训练种群对应的测试数据更新所述目标测试限值;
对于当前批次产品中下一测试组对应的测试数据,计算得到所述目标训练种群对应的目标种群参数;
根据所述目标种群参数判断当前测试数据是否落入所述目标训练种群对应的正态分布的中心区域内,若是,则确定所述当前测试数据的鲁棒性满足预设要求,并将所述当前测试数据插入至所述目标训练种群以形成新的所述目标训练种群;
根据新的所述目标训练种群对应的测试数据更新所述目标测试限值。
5.如权利要求4所述的产品测试数据的检测方法,其特征在于,所述检测方法还包括:
判断所述目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新所述目标训练种群;
其中,更新前的所述目标训练种群与更新后的所述目标训练种群的统计学参数相差小于第一设定阈值,且更新后的所述目标训练种群对应的测试数据不满足所述预设条件;所述统计学参数包括平均值和均方差。
6.如权利要求5所述的产品测试数据的检测方法,其特征在于,所述判断所述目标训练种群中的测试数据是否满足预设条件,若满足,则生成第一测试数据以更新所述目标训练种群的步骤包括:
获取所述目标训练种群中的测试数据对应的四分位数;
判断所述四分位数中的第一四分位数是否等于第三四分位数,若是,则随机生成所述第一测试数据以更新所述目标训练种群。
7.如权利要求6所述的产品测试数据的检测方法,其特征在于,所述随机生成所述第一测试数据以更新所述目标训练种群的步骤包括:
采用反函数采样方法、Box-Muller变换方法、中央极限定理中的至少一种方式,分别随机生成一组第二测试数据,计算每组所述第二测试数据对应的统计学参数与更新前的所述目标训练种群的统计学参数的差值,并选取所述差值的绝对值最小时对应的所述第二测试数据作为所述第一测试数据以更新所述目标训练种群。
8.如权利要求1所述的产品测试数据的检测方法,其特征在于,所述对所述历史测试数据进行筛选处理以获取中间测试数据的步骤包括:
筛选出所述历史测试数据中与所有所述预设测试参数对应的第三测试数据;
从所述第三测试数据中剔除超出预设测试限值的测试数据以获取所述中间测试数据。
9.如权利要求1所述的产品测试数据的检测方法,其特征在于,所述根据预设测试参数对所述中间测试数据进行分组处理以获取多个第一分组的步骤包括:
根据不同的所述预设测试参数对所述中间测试数据进行分组处理,获取多个中间分组;
判断所述中间分组的大小是否大于或者等于第二设定阈值,若是,则将所述中间分组作为所述第一分组。
10.如权利要求8所述的产品测试数据的检测方法,其特征在于,所述获取多个历史批次产品对应的历史测试数据的步骤之前还包括:
预先建立静态数据空间;
所述获取多个历史批次产品对应的历史测试数据的步骤之后、所述对所述历史测试数据进行筛选处理以获取中间测试数据的步骤之前包括:
获取设定格式的所述历史测试数据,并对所述历史测试数据进行解码处理并将解码后的所述历史测试数据存储至所述静态数据空间;
所述筛选出所述历史测试数据中与所有所述预设测试参数对应的第三测试数据的步骤包括:
基于所有所述预设测试参数,通过不同的应用程序接口从所述静态数据空间输出所述第三测试数据。
11.一种产品测试数据的检测系统,其特征在于,所述检测系统包括:
历史数据获取模块,用于获取多个历史批次产品对应的历史测试数据;
中间数据获取模块,用于对所述历史测试数据进行筛选处理以获取中间测试数据;
分组获取模块,用于根据不同的预设测试参数对所述中间测试数据进行分组处理以获取多个第一分组;其中,每种所述预设测试参数对应一个所述第一分组;
分布类型获取模块,用于根据所述第一分组对应的所述中间测试数据获取每个所述第一分组对应的第一分布类型;
第一判断模块,用于判断所述第一分布类型是否为预设分布类型,若是,则将所述第一分布类型对应的所述第一分组作为目标分组;
测试限值获取模块,用于根据所述目标分组对应的所述中间测试数据获取目标测试限值;
其中,所述目标测试限值用于对新批次产品的测试数据进行测试。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1-10中任一项所述的产品测试数据的检测方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-10中任一项所述的产品测试数据的检测方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007511.8A CN114254261A (zh) | 2020-09-23 | 2020-09-23 | 产品测试数据的检测方法、系统、电子设备和存储介质 |
TW110123344A TW202212843A (zh) | 2020-09-23 | 2021-06-25 | 產品測試資料的檢測方法、系統、電子設備和存儲媒體 |
PCT/CN2021/104882 WO2022062567A1 (zh) | 2020-09-23 | 2021-07-07 | 产品测试数据的检测方法、系统、电子设备和存储介质 |
US18/119,844 US20230214568A1 (en) | 2020-09-23 | 2023-03-10 | Detection method, system, electronic equipment, and storage medium of product test data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007511.8A CN114254261A (zh) | 2020-09-23 | 2020-09-23 | 产品测试数据的检测方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254261A true CN114254261A (zh) | 2022-03-29 |
Family
ID=80788799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011007511.8A Pending CN114254261A (zh) | 2020-09-23 | 2020-09-23 | 产品测试数据的检测方法、系统、电子设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230214568A1 (zh) |
CN (1) | CN114254261A (zh) |
TW (1) | TW202212843A (zh) |
WO (1) | WO2022062567A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020265A (zh) * | 2022-07-15 | 2022-09-06 | 深圳微迅信息科技有限公司 | 一种晶圆芯片的检测方法、装置、电子设备及存储介质 |
CN116311581A (zh) * | 2023-03-21 | 2023-06-23 | 深圳市英捷软件有限公司 | 一种芯片的参数测试系统及方法 |
CN116381457A (zh) * | 2023-04-10 | 2023-07-04 | 中山市博测达电子科技有限公司 | 一种基于数据预统计的光感芯片校正方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689975B (zh) * | 2022-04-01 | 2023-03-24 | 深圳市华检测试技术服务有限公司 | 基于谐波电流的产品测试方法、装置、设备及存储介质 |
CN114996519B (zh) * | 2022-05-17 | 2024-02-09 | 苏州佳祺仕科技股份有限公司 | 数据处理方法、装置、电子设备、存储介质及产品 |
CN115774185B (zh) * | 2023-02-13 | 2023-05-05 | 江苏泰治科技股份有限公司 | 一种车规级芯片dpat检测方法及装置 |
CN116245256B (zh) * | 2023-04-23 | 2023-07-28 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
CN116307289B (zh) * | 2023-05-19 | 2023-08-18 | 苏州益诚隆纺织科技有限公司 | 一种纺织品加工工序参数检测预测方法、系统及存储介质 |
CN117314475B (zh) * | 2023-11-28 | 2024-02-13 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117730B (zh) * | 2009-12-31 | 2012-10-31 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造过程中的机台参数数据的处理方法和装置 |
US9341676B2 (en) * | 2011-10-07 | 2016-05-17 | Alcatel Lucent | Packet-based propagation of testing information |
CN110138637B (zh) * | 2019-05-16 | 2021-09-21 | 广东信通通信有限公司 | 测试数据处理方法、装置、计算机设备和存储介质 |
CN111177222B (zh) * | 2019-12-26 | 2023-03-03 | 腾讯云计算(北京)有限责任公司 | 模型测试方法、装置及计算设备、存储介质 |
-
2020
- 2020-09-23 CN CN202011007511.8A patent/CN114254261A/zh active Pending
-
2021
- 2021-06-25 TW TW110123344A patent/TW202212843A/zh unknown
- 2021-07-07 WO PCT/CN2021/104882 patent/WO2022062567A1/zh active Application Filing
-
2023
- 2023-03-10 US US18/119,844 patent/US20230214568A1/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020265A (zh) * | 2022-07-15 | 2022-09-06 | 深圳微迅信息科技有限公司 | 一种晶圆芯片的检测方法、装置、电子设备及存储介质 |
CN115020265B (zh) * | 2022-07-15 | 2022-10-11 | 深圳微迅信息科技有限公司 | 一种晶圆芯片的检测方法、装置、电子设备及存储介质 |
CN116311581A (zh) * | 2023-03-21 | 2023-06-23 | 深圳市英捷软件有限公司 | 一种芯片的参数测试系统及方法 |
CN116381457A (zh) * | 2023-04-10 | 2023-07-04 | 中山市博测达电子科技有限公司 | 一种基于数据预统计的光感芯片校正方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230214568A1 (en) | 2023-07-06 |
TW202212843A (zh) | 2022-04-01 |
WO2022062567A1 (zh) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114254261A (zh) | 产品测试数据的检测方法、系统、电子设备和存储介质 | |
US20090185493A1 (en) | Hierarchical and Incremental Multivariate Analysis for Process Control | |
WO2023115856A1 (zh) | 一种任务异常告警方法及装置 | |
CA2837728A1 (en) | System and method for determining an optimum qc strategy for immediate release results | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN116187838A (zh) | 一种电力设备的质量评估方法、系统、装置及存储介质 | |
CN111178604A (zh) | 一种95598故障工单数预测方法 | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及系统 | |
Zhou et al. | Eigenvalue significance testing for genetic association | |
Zhang et al. | On Mendelian randomization analysis of case-control study | |
Cullis et al. | Barley malting quality: are we selecting the best? | |
WO2022143923A1 (zh) | 车用电池的健康状况评估方法、系统、电子设备和介质 | |
CN111258788B (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
US6496788B1 (en) | Data processing method and apparatus to determine killer ratio based on a variety of defect types | |
KR101542558B1 (ko) | 웨이퍼 수율 맵을 분석하는 방법 및 상기 방법을 기록한 기록매체 | |
CN114416467A (zh) | 一种异常检测方法及装置 | |
CN110633810B (zh) | 一种确定装备维修间隔时间的方法、系统及电子设备 | |
CN109446057B (zh) | 基于gde3算法的动态系统测试资源分配方法 | |
CN113552444A (zh) | 一种泄漏电流特征阈值在线整定方法及装置 | |
CN111666173B (zh) | 报错信息处理方法、装置、监控系统和介质 | |
CN113342872B (zh) | 基于pue能耗监控的方法及电子设备 | |
Gosho et al. | Accepted Version | |
CN117608974A (zh) | 基于人工智能的服务器故障检测方法、装置、设备及介质 | |
CN117056086A (zh) | 基于排列熵算法的故障检测方法、系统、终端及存储介质 | |
CN118296321A (zh) | 一种数据分析方法、介质、装置、计算设备和程序产品 |
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 |