CN115684869A - 一种基于电源管理的芯片测试系统及方法 - Google Patents

Abstract

本发明公开了一种基于电源管理的芯片测试系统及方法，涉及芯片测试技术领域。本系统包括数据采集模块、预测模型构建分析模块、判断模型构建分析模块、预警模块和电源管理模块；所述数据采集模块的输出端与所述预测模型构建分析模块的输入端相连接；所述预测模型构建分析模块的输出端与所述判断模型构建分析模块的输入端相连接；所述判断模型构建分析模块的输出端与所述预警模块的输入端相连接；所述预警模块的输出端与所述电源管理模块的输入端相连接。本发明还提供了一种基于电源管理的芯片测试方法，用以具体分析。本发明能够通过构建判断模型对出错的封装环节进行判断，快速地找出出错的封装环节，提高封装测试的效率。

Description

一种基于电源管理的芯片测试系统及方法

技术领域

本发明涉及芯片测试技术领域，具体为一种基于电源管理的芯片测试系统及方法。

背景技术

集成电路芯片的测试类型包括：晶圆测试、芯片测试和封装测试。首先，晶圆测试是在晶圆从晶圆厂生产出来后，切割减薄之前的测试，其设备通常是测试厂商自行开发制造或定制的，一般是将晶圆放在测试平台上，用探针探到芯片中事先确定的测试点，探针上可以通过直流电流和交流信号，可以对其进行各种电气参数测试。其次，芯片测试是在晶圆经过切割、减薄工序，成为一片片独立的芯片之后的测试，其设备通常是测试厂商自行开发制造或定制的，一般是将晶圆放在测试平台上，用探针探到芯片中事先确定的测试点，探针上可以通过直流电流和交流信号，可以对其进行各种电气参数测试，芯片测试和晶圆测试设备主要的区别是因为被测目标形状大小不同因而夹具不同。最后，封装测试是在芯片封装成成品之后进行的测试，由于芯片已经封装，所以不再需要无尘室环境，测试要求的条件大大降低，通常包含测试各种电子或光学参数的传感器，但通常不使用探针探入芯片内部(多数芯片封装后也无法探入)，而是直接从管脚连线进行测试，由于封装测试无法使用探针测试芯片内部，因此其测试范围受到限制，有很多指标无法在这一环节进行测试。

其中，在封装测试过程中有时可能会出现批量芯片不良数据，而不能快速的判断出错的芯片封装环节，会造成人力、物力的极大浪费，降低了芯片生产测试的质量和效率。

发明内容

本发明的目的在于提供一种基于电源管理的芯片测试系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于电源管理的芯片测试系统，所述系统包括数据采集模块、预测模型构建分析模块、判断模型构建分析模块、预警模块和电源管理模块；

所述数据采集模块用于获取封装测试不良率的历史数据和获取封装测试实际的不良率数据；所述预测模型构建分析模块用于根据数据采集模块获取的封装测试不良率的历史数据构建下一周期封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；所述判断模型构建分析模块用于基于下一周期封装测试的不良率预测值与封装测试实际的不良率数据构建判断模型对出错的封装环节进行判断；所述预警模块用于在封装环节出错时发出预警信号；所述电源管理模块用于为芯片测试系统提供电源，并在接收到预警信号后作出断电处理；

所述数据采集模块的输出端与所述预测模型构建分析模块的输入端相连接；所述预测模型构建分析模块的输出端与所述判断模型构建分析模块的输入端相连接；所述判断模型构建分析模块的输出端与所述预警模块的输入端相连接；所述预警模块的输出端与所述电源管理模块的输入端相连接。

根据上述技术方案，所述数据采集模块包括历史数据采集单元和实际数据采集单元；

所述历史数据采集单元用于采集封装测试不良率的历史数据；所述实际数据采集单元用于采集封装测试实际的不良率数据；

所述历史数据采集单元的输出端与所述实际数据采集单元的输入端相连接；所述实际数据采集单元的输出端与所述预测模型构建分析模块的输入端相连接。

根据上述技术方案，所述预测模型构建分析模块包括模型构建单元和预测分析单元；

所述模型构建单元用于根据数据采集模块采集的封装测试不良率的历史数据构建下一周期封装测试不良率的预测模型；所述预测分析单元用于获取下一周期封装测试的不良率预测值；

所述模型构建单元的输出端与所述预测分析单元的输入端相连接；所述预测分析单元的输出端与所述判断模型构建分析模块的输入端相连接。

根据上述技术方案，所述判断模型构建分析模块包括判断模型构建单元和判断分析单元；

所述判断模型构建单元用于基于下一周期封装测试的不良率预测值与封装测试实际的不良率数据构建判断模型；所述判断分析单元用于对出错的封装环节进行判断；

所述判断模型构建单元的输出端与所述判断分析单元的输入端相连接；所述判断分析单元的输出端与所述预警模块的输入端相连接。

根据上述技术方案，所述电源管理模块包括内部供电电源和外部供电电源；

所述内部供电电源用于为芯片测试系统提供电源；所述外部电路用于在接收到预警信号后作出断电处理；

所述内部供电电源的输出端与所述外部电源的输入端相连接。

一种基于电源管理的芯片测试方法，所述方法包括：

S1:获取封装测试不良率的历史数据，构建封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；

S2:获取封装测试实际的不良率数据，设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值；

S3:将下一周期封装测试的不良率预测值与封装测试实际的不良率数据进行对比，当下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值超过阈值，构建判断模型对出错的封装环节进行判断；

S4:将判断结果输出到管理员端口，发出预警信号，电源管理模块在接收到预警信号后作出断电处理。

根据上述技术方案，在步骤S1中，所述封装测试不良率的预测模型包括：

获取封装测试不良率的初始非负数列x⁽⁰⁾，x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，对封装测试不良率的初始非负数列x⁽⁰⁾进行一次累加，得到新的生成数列x⁽¹⁾：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))

其中，

生成数列x⁽¹⁾对应的微分方程为：

其中，a为发展系数，b为灰作用量；

记z⁽¹⁾为生成数列x⁽¹⁾的紧邻均值生成数列，即

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))

其中，z⁽¹⁾(m)＝0.5z⁽¹⁾(m)+0.5z⁽¹⁾(m-1),m＝2,3,...,n；

构建封装测试不良率的初始非负数列与紧邻均值生成数列的模型关系为：

Y＝Bu

其中，Y为封装测试不良率的初始非负数列矩阵；B为紧邻均值生成数列矩阵；u为系数向量矩阵；

利用最小二乘法得到系数向量矩阵u的估计值为：

u＝(a,b)^T＝(B^TB)^-1B^TY

封装测试不良率的预测模型为：

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值。

在上述方案中，芯片封装测试不良品出现的概率较低，一般都是分批量的出现不良品情况，没有明显的分布规律和变化趋势，利用灰色预测模型对封装测试不良率进行预测，适用于中短期预测，满足系统的精度要求。

根据上述技术方案，在步骤S2中，获取封装测试实际的不良率数列y⁽⁰⁾，y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),...,y⁽⁰⁾(n))；

设置下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值Δ为：

Δ＝|x⁽⁰⁾(m+1)-y⁽⁰⁾(m+1)|

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值；y⁽⁰⁾(m+1)为m+1期封装测试实际的不良率数据。

在上述技术方案中，通过对历史数据的研究，当封装测试实际的不良率数据与下一周期封装测试的不良率预测值偏差过大时，意味着封装的某个环节出现了问题，系统正常运转时，下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值不会相差过大，一旦相差过大，那么则意味着，封装环节出现了问题。

根据上述技术方案，在步骤S3中，设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值的阈值为Z；

当Δ<Z时，封装测试正常进行；

当Δ>Z时，对出错的封装环节进行判断。

在上述技术方案中，芯片封装测试的不良率不可能每批次都一模一样，存在一定的偏差是正常的，因而在合理的范围内设置偏差值的阈值可以防止系统就误判。

根据上述技术方案，所述判断模型包括：

获取封装测试出错环节的信息，包括注塑环节、电镀环节和切筋成型环节；

设置封装测试实际的不良率数据的区间为[0,p]；其中，封装测试实际的不良率数据的最大值记为p；

构建判断模型ω：

其中，注塑环节出错时封装测试实际的不良率数据的最小值记为p₁；电镀环节出错时封装测试实际的不良率数据的最小值记为p₂；切筋成型环节出错时封装测试实际的不良率数据的最小值记为p₃；ω＝-1表示封装测试出错环节是注塑环节；ω＝0表示封装测试出错环节是电镀环节；ω＝1表示封装测试出错环节是切筋成型环节。

根据历史数据表明，封装测试出现批量不良数据主要是注塑环节、电镀环节和切筋成型环节出错导致的，当封装测试实际的不良数据在10％～15％时，大概率出错的环节是注塑环节，当封装测试实际的不良数据在15％～20％时，大概率出错的环节是电镀环节，当封装测试实际的不良数据在20％～30％时，大概率出错的环节是切筋成型环节。

与现有技术相比，本发明所达到的有益效果是：

本发明能够通过构建封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；将下一周期封装测试的不良率预测值与封装测试实际的不良率数值进行对比，构建判断模型对出错的封装环节进行判断，能够快速的判断出错的芯片封装环节，会避免人力、物力的极大浪费，提高了芯片生产测试的质量和效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于电源管理的芯片测试系统及方法的流程示意图；

图2是本发明一种基于电源管理的芯片测试方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明提供技术方案：

一种基于电源管理的芯片测试系统，所述系统包括数据采集模块、预测模型构建分析模块、判断模型构建分析模块、预警模块和电源管理模块；

所述数据采集模块用于获取封装测试不良率的历史数据和获取封装测试实际的不良率数据；所述预测模型构建分析模块用于根据数据采集模块获取的封装测试不良率的历史数据构建下一周期封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；所述判断模型构建分析模块用于基于下一周期封装测试的不良率预测值与封装测试实际的不良率数据构建判断模型对出错的封装环节进行判断；所述预警模块用于在封装环节出错时发出预警信号；所述电源管理模块用于为芯片测试系统提供电源，并在接收到预警信号后作出断电处理；

所述数据采集模块的输出端与所述预测模型构建分析模块的输入端相连接；所述预测模型构建分析模块的输出端与所述判断模型构建分析模块的输入端相连接；所述判断模型构建分析模块的输出端与所述预警模块的输入端相连接；所述预警模块的输出端与所述电源管理模块的输入端相连接。

所述数据采集模块包括历史数据采集单元和实际数据采集单元；

所述历史数据采集单元用于采集封装测试不良率的历史数据；所述实际数据采集单元用于采集封装测试实际的不良率数据；

所述历史数据采集单元的输出端与所述实际数据采集单元的输入端相连接；所述实际数据采集单元的输出端与所述预测模型构建分析模块的输入端相连接。

所述预测模型构建分析模块包括模型构建单元和预测分析单元；

所述模型构建单元用于根据数据采集模块采集的封装测试不良率的历史数据构建下一周期封装测试不良率的预测模型；所述预测分析单元用于获取下一周期封装测试的不良率预测值；

所述模型构建单元的输出端与所述预测分析单元的输入端相连接；所述预测分析单元的输出端与所述判断模型构建分析模块的输入端相连接。

所述判断模型构建分析模块包括判断模型构建单元和判断分析单元；

所述判断模型构建单元用于基于下一周期封装测试的不良率预测值与封装测试实际的不良率数据构建判断模型；所述判断分析单元用于对出错的封装环节进行判断；

所述判断模型构建单元的输出端与所述判断分析单元的输入端相连接；所述判断分析单元的输出端与所述预警模块的输入端相连接。

所述电源管理模块包括内部供电电源和外部供电电源；

所述内部供电电源用于为芯片测试系统提供电源；所述外部电路用于在接收到预警信号后作出断电处理；

所述内部供电电源的输出端与所述外部电源的输入端相连接。

一种基于电源管理的芯片测试方法，所述方法包括：

S1:获取封装测试不良率的历史数据，构建封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；

S2:获取封装测试实际的不良率数据，设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值；

S3:将下一周期封装测试的不良率预测值与封装测试实际的不良率数据进行对比，当下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值超过阈值，构建判断模型对出错的封装环节进行判断；

S4:将判断结果输出到管理员端口，发出预警信号，电源管理模块在接收到预警信号后作出断电处理。

在步骤S1中，所述封装测试不良率的预测模型包括：

获取封装测试不良率的初始非负数列x⁽⁰⁾，x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，对封装测试不良率的初始非负数列x⁽⁰⁾进行一次累加，得到新的生成数列x⁽¹⁾：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))

其中，

生成数列x⁽¹⁾对应的微分方程为：

其中，a为发展系数，b为灰作用量；

记z⁽¹⁾为生成数列x⁽¹⁾的紧邻均值生成数列，即

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))

其中，z⁽¹⁾(m)＝0.5z⁽¹⁾(m)+0.5z⁽¹⁾(m-1),m＝2,3,...,n；

构建封装测试不良率的初始非负数列与紧邻均值生成数列的模型关系为：

Y＝Bu

其中，Y为封装测试不良率的初始非负数列矩阵；B为紧邻均值生成数列矩阵；u为系数向量矩阵；

利用最小二乘法得到系数向量矩阵u的估计值为：

u＝(a,b)^T＝(B^TB)^-1B^TY

封装测试不良率的预测模型为：

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值。

在步骤S2中，获取封装测试实际的不良率数列y⁽⁰⁾，y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),...,y⁽⁰⁾(n))；

设置下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值Δ为：

Δ＝|x⁽⁰⁾(m+1)-y⁽⁰⁾(m+1)|

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值；y⁽⁰⁾(m+1)为m+1期封装测试实际的不良率数据。

在步骤S3中，设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值的阈值为Z；

当Δ<Z时，封装测试正常进行；

当Δ>Z时，对出错的封装环节进行判断。

所述判断模型包括：

获取封装测试出错环节的信息，包括注塑环节、电镀环节和切筋成型环节；

设置封装测试实际的不良率数据的区间为[0,p]；其中，封装测试实际的不良率数据的最大值记为p；

构建判断模型ω：

其中，注塑环节出错时封装测试实际的不良率数据的最小值记为p₁；电镀环节出错时封装测试实际的不良率数据的最小值记为p₂；切筋成型环节出错时封装测试实际的不良率数据的最小值记为p₃；ω＝-1表示封装测试出错环节是注塑环节；ω＝0表示封装测试出错环节是电镀环节；ω＝1表示封装测试出错环节是切筋成型环节。

在本实施例中：

获取封装测试不良率的初始非负数列x⁽⁰⁾，x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，对封装测试不良率的初始非负数列x⁽⁰⁾进行一次累加，得到新的生成数列x⁽¹⁾：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))

其中，

生成数列x⁽¹⁾对应的微分方程为：

其中，a为发展系数，b为灰作用量；

记z⁽¹⁾为生成数列x⁽¹⁾的紧邻均值生成数列，即

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))

其中，z⁽¹⁾(m)＝0.5z⁽¹⁾(m)+0.5z⁽¹⁾(m-1),m＝2,3,...,n；

构建封装测试不良率的初始非负数列与紧邻均值生成数列的模型关系为：

Y＝Bu

其中，Y为封装测试不良率的初始非负数列矩阵；B为紧邻均值生成数列矩阵；u为系数向量矩阵；

利用最小二乘法得到系数向量矩阵u的估计值为：

u＝(a,b)^T＝(B^TB)^-1B^TY

封装测试不良率的预测模型为：

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值。

当m＝10时，可以得出11期的预测值x⁽⁰⁾(11)。

获取封装测试实际的不良率数列y⁽⁰⁾，y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),...,y⁽⁰⁾(n))；

设置下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值Δ为：

Δ＝|x⁽⁰⁾(m+1)-y⁽⁰⁾(m+1)|

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值；y⁽⁰⁾(m+1)为m+1期封装测试实际的不良率数据。

设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值的阈值为Z＝5％；

当Δ<Z时，封装测试正常进行；

当Δ>Z时，对出错的封装环节进行判断。

所述判断模型包括：

获取封装测试出错环节的信息，包括注塑环节、电镀环节和切筋成型环节；

设置封装测试实际的不良率数据的区间为[0,30％]；

构建判断模型ω：

其中，注塑环节出错时封装测试实际的不良率数据的最小值记为p₁；电镀环节出错时封装测试实际的不良率数据的最小值记为p₂；切筋成型环节出错时封装测试实际的不良率数据的最小值记为p₃；ω＝-1表示封装测试出错环节是注塑环节；ω＝0表示封装测试出错环节是电镀环节；ω＝1表示封装测试出错环节是切筋成型环节。

[p₁,p₂)＝[10％,15％),[p₂,p₃)＝[15％,20％),[p₃,p]＝[20％,30％]

当y⁽⁰⁾(m+1)＝12％时，判断是封装测试出错环节是注塑环节。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于电源管理的芯片测试系统，其特征在于：所述系统包括数据采集模块、预测模型构建分析模块、判断模型构建分析模块、预警模块和电源管理模块；

所述数据采集模块用于获取封装测试不良率的历史数据和获取封装测试实际的不良率数据；所述预测模型构建分析模块用于根据数据采集模块获取的封装测试不良率的历史数据构建下一周期封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；所述判断模型构建分析模块用于基于下一周期封装测试的不良率预测值与封装测试实际的不良率数据构建判断模型对出错的封装环节进行判断；所述预警模块用于在封装环节出错时发出预警信号；所述电源管理模块用于为芯片测试系统提供电源，并在接收到预警信号后作出断电处理；

所述数据采集模块的输出端与所述预测模型构建分析模块的输入端相连接；所述预测模型构建分析模块的输出端与所述判断模型构建分析模块的输入端相连接；所述判断模型构建分析模块的输出端与所述预警模块的输入端相连接；所述预警模块的输出端与所述电源管理模块的输入端相连接。

2.根据权利要求1所述的一种基于电源管理的芯片测试系统，其特征在于：所述数据采集模块包括历史数据采集单元和实际数据采集单元；

所述历史数据采集单元用于采集封装测试不良率的历史数据；所述实际数据采集单元用于采集封装测试实际的不良率数据；

所述历史数据采集单元的输出端与所述实际数据采集单元的输入端相连接；所述实际数据采集单元的输出端与所述预测模型构建分析模块的输入端相连接。

3.根据权利要求1所述的一种基于电源管理的芯片测试系统，其特征在于：所述预测模型构建分析模块包括模型构建单元和预测分析单元；

所述模型构建单元用于根据数据采集模块采集的封装测试不良率的历史数据构建下一周期封装测试不良率的预测模型；所述预测分析单元用于获取下一周期封装测试的不良率预测值；

所述模型构建单元的输出端与所述预测分析单元的输入端相连接；所述预测分析单元的输出端与所述判断模型构建分析模块的输入端相连接。

4.根据权利要求1所述的一种基于电源管理的芯片测试系统，其特征在于：所述判断模型构建分析模块包括判断模型构建单元和判断分析单元；

所述判断模型构建单元用于基于下一周期封装测试的不良率预测值与封装测试实际的不良率数据构建判断模型；所述判断分析单元用于对出错的封装环节进行判断；

所述判断模型构建单元的输出端与所述判断分析单元的输入端相连接；所述判断分析单元的输出端与所述预警模块的输入端相连接。

5.根据权利要求1所述的一种基于电源管理的芯片测试系统，其特征在于：所述电源管理模块包括内部供电电源和外部供电电源；

所述内部供电电源用于为芯片测试系统提供电源；所述外部电路用于在接收到预警信号后作出断电处理；

所述内部供电电源的输出端与所述外部电源的输入端相连接。

6.一种基于电源管理的芯片测试方法，其特征在于，所述方法包括：

S1:获取封装测试不良率的历史数据，构建封装测试不良率的预测模型，预测下一周期封装测试的不良率预测值；

S2:获取封装测试实际的不良率数据，设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值；

S3:将下一周期封装测试的不良率预测值与封装测试实际的不良率数据进行对比，当下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值超过阈值，构建判断模型对出错的封装环节进行判断；

S4:将判断结果输出到管理员端口，发出预警信号，电源管理模块在接收到预警信号后作出断电处理。

7.根据权利要求6所述的一种基于电源管理的芯片测试方法，其特征在于：在步骤S1中，所述封装测试不良率的预测模型包括：

获取封装测试不良率的初始非负数列x⁽⁰⁾，x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，对封装测试不良率的初始非负数列x⁽⁰⁾进行一次累加，得到新的生成数列x⁽¹⁾：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))

其中，

生成数列x⁽¹⁾对应的微分方程为：

其中，a为发展系数，b为灰作用量；

记z⁽¹⁾为生成数列x⁽¹⁾的紧邻均值生成数列，即

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))

其中，z⁽¹⁾(m)＝0.5z⁽¹⁾(m)+0.5z⁽¹⁾(m-1),m＝2,3,...,n；

构建封装测试不良率的初始非负数列与紧邻均值生成数列的模型关系为：

Y＝Bu

其中，Y为封装测试不良率的初始非负数列矩阵；B为紧邻均值生成数列矩阵；u为系数向量矩阵；

利用最小二乘法得到系数向量矩阵u的估计值为：

u＝(a,b)^T＝(B^TB)^-1B^TY

封装测试不良率的预测模型为：

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值。

8.根据权利要求6所述的一种基于电源管理的芯片测试方法，其特征在于：在步骤S2中，获取封装测试实际的不良率数列y⁽⁰⁾，y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),...,y⁽⁰⁾(n))；

设置下一周期封装测试的不良率预测值与封装测试实际的不良率数据的偏差值Δ为：

Δ＝|x⁽⁰⁾(m+1)-y⁽⁰⁾(m+1)|

其中，x⁽⁰⁾(m+1)为根据输入的m组数据进行预测得出m+1期的封装测试不良率的预测值；y⁽⁰⁾(m+1)为m+1期封装测试实际的不良率数据。

9.根据权利要求6所述的一种基于电源管理的芯片测试方法，其特征在于：在步骤S3中，设置预测封装测试的不良率数据与封装测试实际的不良率数据的偏差值的阈值为Z；

当Δ<Z时，封装测试正常进行；

当Δ>Z时，对出错的封装环节进行判断。

10.根据权利要求6所述的一种基于电源管理的芯片测试方法，其特征在于：所述判断模型包括：

获取封装测试出错环节的信息，包括注塑环节、电镀环节和切筋成型环节；

设置封装测试实际的不良率数据的区间为[0,p]；其中，封装测试实际的不良率数据的最大值记为p；

构建判断模型ω：

其中，注塑环节出错时封装测试实际的不良率数据的最小值记为p₁；电镀环节出错时封装测试实际的不良率数据的最小值记为p₂；切筋成型环节出错时封装测试实际的不良率数据的最小值记为p₃；ω＝-1表示封装测试出错环节是注塑环节；ω＝0表示封装测试出错环节是电镀环节；ω＝1表示封装测试出错环节是切筋成型环节。

Images