CN116128382A - 一种芯片质量检测系统及方法 - Google Patents
一种芯片质量检测系统及方法 Download PDFInfo
- Publication number
- CN116128382A CN116128382A CN202310398020.8A CN202310398020A CN116128382A CN 116128382 A CN116128382 A CN 116128382A CN 202310398020 A CN202310398020 A CN 202310398020A CN 116128382 A CN116128382 A CN 116128382A
- Authority
- CN
- China
- Prior art keywords
- chip
- quality
- sub
- flow
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004806 packaging method and process Methods 0.000 claims abstract description 45
- 238000013441 quality evaluation Methods 0.000 claims abstract description 42
- 238000012858 packaging process Methods 0.000 claims abstract description 33
- 238000012797 qualification Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 239000003292 glue Substances 0.000 description 9
- 239000013078 crystal Substances 0.000 description 7
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 6
- 238000001035 drying Methods 0.000 description 6
- 229910052709 silver Inorganic materials 0.000 description 6
- 239000004332 silver Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种芯片质量检测系统及方法,所述方法用于检测芯片封装质量可靠性,包括确定封装工艺流程,采集所述封装工艺各工艺子流程的质量评价指标数据,采用最小‑最大规范化数据处理方法将采集的子流程质量评价指标数据归一化处理,采用主成分分析法对归一化处理后的子流程质量评价指标数据进行主成分分析,提取累计超过85%的主成分作为神经网络的输入,构建BP神经网络模型,并通过模型计算预测芯片封装合格率。该检测方法采用主成分分析法提取影响芯片封装质量的主成分,对芯片封装过程的子工艺进行分析控制,并基于分析结果,通过构建BP神经网络对芯片封装质量可靠性进行预测。
Description
技术领域
本发明涉及芯片生产质量检测技术领域,特别涉及一种芯片质量检测系统及方法。
背景技术
目前,芯片封装质量检测方式多是采用视觉检测法或者图像检测法对于封装完成的芯片进行抽样检测,由于芯片加工技术的进步,国际上元器件生产工艺的不合格品率已经降至 PPM(10-6)水平,元器件产品失效率降至FIT量级,传统的基于视觉检测法的抽样检查方法是对于封装结果进行检测,可能会导致检测结果出现偏差,使检出率降低,而对于芯片的封装有多种技术手段,如COB封装、BGA封装和CSP封装等,无论采取哪一种封装技术,封装过程中各子步骤的加工质量均决定最终芯片的封装质量,若能保证封装过程中子流程的封装质量,则能在源头上提高芯片最终的封装质量,为此,我们提出一种芯片质量检测系统及方法。
发明内容
本发明的主要目的在于提供一种芯片质量检测系统及方法,本发明提出的检测方法采用主成分分析法提取影响芯片封装质量的主成分,对芯片封装过程的子工艺进行分析控制,并基于分析结果,通过构建BP神经网络对芯片封装质量可靠性进行预测,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种芯片质量检测方法,所述检测方法用于检测芯片封装质量可靠性,所述检测方法包括以下步骤:
步骤一、确定封装工艺流程,封装工艺流程包括第一子流程、第二子流程直至第n子流程,采集封装工艺各工艺子流程的质量评价指标数据;
步骤二、采用最小-最大规范化数据处理方法将采集的子流程质量评价指标数据归一化处理;
步骤三、以芯片封装合格率表征芯片质量可靠性,采用主成分分析法对归一化处理后的子流程质量评价指标数据进行主成分分析,提取累计超过85%的主成分;
步骤四、将步骤三中提取的主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。
进一步的,为了便于数据的分析处理,需要对选取的数据进行数学处理,所述步骤二中归一化处理公式为:
;
式中:Xn为归一化数据;X为实际采集的数据;Xmax为子流程的质量评价指标数据中的最大值;Xmin为子流程的质量评价指标数据中的最小值。
进一步的,所述主成分分析法具体步骤为:
1、采用统计产品与服务解决方案软件对工艺子流程的质量评价指标数据与芯片质量可靠性的表征数据芯片封装合格率进行相关性分析,计算相关系数矩阵R;
2、计算相关系数矩阵 R 的特征值和特征向量,特征值记为λ,特征值对应的单位化特征向量记为p;
3、计算主成分的特征值λ和累计贡献率Vsum,取特征值大于1、累计贡献率大于85%的前k个主成分,其中,前k个主成分累计贡献率Vsumk的计算公式为:
,m为正整数常数,λS为相关系数矩阵 R 的第s个元素的特征值;
4、提取满足85%累计贡献率的主成分系数矩阵Uk,计算各工艺子流程的质量评价指标权重w,计算公式为,其中,,
Pk为特征值对应的单位化特征向量p中的第k个元素;vk为第k个主成分的方差贡献率,;
λk为相关系数矩阵 R 的第k个元素的特征值;vi为第i个主成分的方差贡献率,,λi为相关系数矩阵 R 的第i个元素的特征值。
进一步的,所述BP神经网络模型的输入、输出节点数由经验公式确定,计算公式为:
;
式中:h为隐藏层节点数目;m为输入节点数;n为输出节点数;a为1-10之间的调节常数。
进一步的,所述累计超过85%的主成分个数与m值相等。
一种芯片质量检测系统,包括封装工艺数据获取模块、数据处理模块、数据分析模块、神经网络模型构建模块;
所述封装工艺数据获取模块用于采集封装工艺流程中各工艺子流程的质量评价指标数据;
所述数据处理模块用于将采集的工艺子流程的质量评价指标数据进行归一化处理,获取工艺子流程的质量评价指标的归一化标准数据;
所述数据分析模块用于对工艺子流程的质量评价指标的归一化标准数据进行主成分分析,并提取累计超过85%的主成分;
所述神经网络模型构建模块用于构建以主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。
进一步的,所述检测系统还包括存储器、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,其中,所述处理器执行所述程序时实现所述方法的步骤。
与现有技术相比,本发明具有如下有益效果:
本发明提出的检测方法,包括确定封装工艺流程,采集所述封装工艺各工艺子流程的质量评价指标数据;采用最小-最大规范化数据处理方法将采集的子流程质量评价指标数据归一化处理;采用主成分分析法对归一化处理后的子流程质量评价指标数据进行主成分分析,提取累计超过85%的主成分;并将提取的主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。该检测方法不同于传统的基于视觉检测法的抽样检查方法,采用主成分分析法提取影响芯片封装质量的主成分,对芯片封装过程的子工艺进行分析控制,并基于分析结果,通过构建BP神经网络对芯片封装质量可靠性进行预测,能够降低检测结果偏差,提高检出准确性。
附图说明
图1为本发明一种芯片质量检测方法的流程图;
图2为本发明一种芯片质量检测方法封装工艺流程的结构图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制,为了更好地说明本发明的具体实施方式,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸。
实施例:如图1-图2所示,一种芯片质量检测方法,检测方法用于检测芯片封装质量可靠性,检测方法包括以下步骤:
步骤一、确定封装工艺流程,封装工艺流程包括第一子流程、第二子流程直至第n子流程,采集封装工艺各工艺子流程的质量评价指标数据;
步骤二、采用最小-最大规范化数据处理方法将采集的子流程质量评价指标数据归一化处理;
步骤三、以芯片封装合格率表征芯片质量可靠性,采用主成分分析法对归一化处理后的子流程质量评价指标数据进行主成分分析,提取累计超过85%的主成分;
步骤四、将步骤三中提取的主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。
一种芯片质量检测系统,包括封装工艺数据获取模块、数据处理模块、数据分析模块、神经网络模型构建模块;
封装工艺数据获取模块用于采集封装工艺流程中各工艺子流程的质量评价指标数据;
数据处理模块用于将采集的工艺子流程的质量评价指标数据进行归一化处理,获取工艺子流程的质量评价指标的归一化标准数据;
数据分析模块用于对工艺子流程的质量评价指标的归一化标准数据进行主成分分析,并提取累计超过85%的主成分;
神经网络模型构建模块用于构建以主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。
检测系统还包括存储器、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,其中,处理器执行程序时实现方法的步骤。
本实施例中,以COB封装流程为例进行说明:
COB封装流程主要包括1扩晶。采用扩张机将厂商提供的整张LED晶片薄膜均匀扩张,使附着在薄膜表面紧密排列的LED晶粒拉开,便于刺晶。2背胶。将扩好晶的扩晶环放在已刮好银浆层的背胶机面上,背上银浆。点银浆。适用于散装LED芯片。采用点胶机将适量的银浆点在PCB印刷线路板上。3将备好银浆的扩晶环放入刺晶架中,由操作员在显微镜下将LED晶片用刺晶笔刺在PCB印刷线路板上。4将刺好晶的PCB印刷线路板放入热循环烘箱中恒温静置一段时间,待银浆固化后取出。5粘芯片。用点胶机在PCB印刷线路板的IC位置上适量的红胶(或黑胶),再用防静电设备将IC裸片正确放在红胶或黑胶上。6烘干。将粘好裸片放入热循环烘箱中放在大平面加热板上恒温静置一段时间,也可以自然固化。7打线。采用铝丝焊线机将晶片与PCB板上对应的焊盘铝丝进行桥接,即COB的内引线焊接。8前测。使用专用检测工具检测COB板,将不合格的板子重新返修。9点胶。采用点胶机将调配好的AB胶适量地点到邦定好的LED晶粒上,IC则用黑胶封装,然后根据客户要求进行外观封装。10固化。将封好胶的PCB印刷线路板放入热循环烘箱中恒温静置,根据要求可设定不同的烘干时间。11后测。将封装好的PCB印刷线路板再用专用的检测工具进行电气性能测试;
对于上述流程,确定封装工艺流程,其包含有1-11共十一个子流程,对于每一个工艺子流程结束后,通过封装工艺数据获取模块对各子流程的施工结果进行评价,获取封装工艺各工艺子流程的质量评价指标数据,依次编号为X1、X2、...、X11,其中,获取的数据应能反映出该工艺子流程的施工工艺优劣,且应优先选取可以量化的指标,如对于步骤6的烘干工艺,可以选取烘干后的含水率等量化指标进行评价,通过测定烘干工艺后的含水率高低评价烘干工艺的优劣程度,在选定评价指标,并获取相关数据后,为了便于数据的分析处理,通过数据处理模块将采集的工艺子流程的质量评价指标数据进行归一化处理,获取工艺子流程的质量评价指标的归一化标准数据,其中,归一化处理公式为:
;
式中:Xn为归一化数据;X为实际采集的数据;Xmax为子流程的质量评价指标数据中的最大值;Xmin为子流程的质量评价指标数据中的最小值;
在芯片加工过程中,由于各工艺子流程之间施工具有先后性,且具有一定的相关性,而最终的芯片质量是由各工艺子流程的结果共同作用影响的,以芯片封装合格率表征芯片质量可靠性,作为衡量芯片质量可靠性的指标,可以直接反映出各工艺子流程共同协作的结果,而各工艺子流程施工优劣对于最终芯片质量的影响程度是不同的,对于关键性的施工工艺,往往能够直接决定最终芯片质量的高低,而对于一些相对不重要的施工工艺,其工艺施工优劣对于芯片质量的影响程度较低,故采用主成分分析法对影响最终芯片质量的施工工艺进行分析,具体步骤为:
1、采用统计产品与服务解决方案软件对工艺子流程的质量评价指标数据与芯片质量可靠性的表征数据芯片封装合格率进行相关性分析,计算相关系数矩阵R;
2、计算相关系数矩阵 R 的特征值和特征向量,特征值记为λ,特征值对应的单位化特征向量记为p;
3、计算主成分的特征值λ和累计贡献率vsum,取特征值大于1、累计贡献率大于85%的前k个主成分,其中,前k个主成分累计贡献率vsumk的计算公式为:
;
4、提取满足85%累计贡献率的主成分系数矩阵Uk,计算各工艺子流程的质量评价指标权重w,计算公式为,其中,;
vk为第k个主成分的方差贡献率,;
vi为第i个主成分的方差贡献率,;
通过上述步骤,选取k个主成分,通过神经网络模型构建模块以选取的主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,BP神经网络模型的输入、输出节点数由经验公式确定,计算公式为:
;
式中:h为隐藏层节点数目;m为输入节点数;n为输出节点数;a为1-10之间的调节常数,在构建模型过程中,选取的主成分个数与m值相等,则有,在对模型进行训练后,检验其相对误差,并进行调整使该模型的相对误差范围在大部分人工神经网络模型预测的相对误差范围内即可,大部分人工神经网络模型预测的相对误差范围为5% ~10%,通过构建的BP神经网络模型对芯片封装合格率进行预测,获取预测的芯片封装合格率值,并以芯片封装合格率表征芯片质量可靠性。
该检测方法不同于传统的基于视觉检测法的抽样检查方法,采用主成分分析法提取影响芯片封装质量的主成分,对芯片封装过程的子工艺进行分析控制,并基于分析结果,通过构建BP神经网络对芯片封装质量可靠性进行预测,能够降低检测结果偏差,提高检出准确性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种芯片质量检测方法,所述检测方法用于检测芯片封装质量可靠性,其特征在于:所述检测方法包括以下步骤:
步骤一、确定封装工艺流程,封装工艺流程包括第一子流程、第二子流程直至第n子流程,采集封装工艺各工艺子流程的质量评价指标数据;
步骤二、采用最小-最大规范化数据处理方法将采集的子流程质量评价指标数据归一化处理;
步骤三、以芯片封装合格率表征芯片质量可靠性,采用主成分分析法对归一化处理后的子流程质量评价指标数据进行主成分分析,提取累计超过85%的主成分;
步骤四、将步骤三中提取的主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。
2.根据权利要求1所述的一种芯片质量检测方法,其特征在于:所述步骤二中数据归一化处理通过以下计算公式进行,计算公式为:
;
式中:Xn为归一化数据;X为实际采集的数据;Xmax为子流程的质量评价指标数据中的最大值;Xmin为子流程的质量评价指标数据中的最小值。
3.根据权利要求1所述的一种芯片质量检测方法,其特征在于:所述主成分分析法具体步骤为:
1、采用统计产品与服务解决方案软件对工艺子流程的质量评价指标数据与芯片质量可靠性的表征数据芯片封装合格率进行相关性分析,计算相关系数矩阵R;
2、计算相关系数矩阵 R 的特征值和特征向量,特征值记为λ,特征值对应的单位化特征向量记为p;
3、计算主成分的特征值λ和累计贡献率Vsum,取特征值大于1、累计贡献率大于85%的前k个主成分,其中,前k个主成分累计贡献率Vsumk的计算公式为:
,m为正整数常数,λS为相关系数矩阵 R 的第s个元素的特征值;
4、提取满足85%累计贡献率的主成分系数矩阵Uk,计算各工艺子流程的质量评价指标权重w,计算公式为,其中,,
Pk为特征值对应的单位化特征向量p中的第k个元素;vk为第k个主成分的方差贡献率,;
λk为相关系数矩阵 R 的第k个元素的特征值;vi为第i个主成分的方差贡献率,,λi为相关系数矩阵 R 的第i个元素的特征值。
4.根据权利要求1所述的一种芯片质量检测方法,其特征在于:所述BP神经网络模型的输入、输出节点数由经验公式确定,计算公式为:
;
式中:h为隐藏层节点数目;m为输入节点数;n为输出节点数;a为1-10之间的调节常数。
5.根据权利要求1所述的一种芯片质量检测方法,其特征在于:所述累计超过85%的主成分个数与m值相等。
6.一种芯片质量检测系统,其特征在于:包括封装工艺数据获取模块、数据处理模块、数据分析模块、神经网络模型构建模块;
所述封装工艺数据获取模块用于采集封装工艺流程中各工艺子流程的质量评价指标数据;
所述数据处理模块用于将采集的工艺子流程的质量评价指标数据进行归一化处理,获取工艺子流程的质量评价指标的归一化标准数据;
所述数据分析模块用于对工艺子流程的质量评价指标的归一化标准数据进行主成分分析,并提取累计超过85%的主成分;
所述神经网络模型构建模块用于构建以主成分作为神经网络的输入,以芯片封装合格率作为神经网络的输出构建BP神经网络模型,并通过模型计算预测芯片封装合格率。
7.根据权利要求6所述的一种芯片质量检测系统,其特征在于:所述检测系统还包括存储器、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,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310398020.8A CN116128382B (zh) | 2023-04-14 | 2023-04-14 | 一种芯片质量检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310398020.8A CN116128382B (zh) | 2023-04-14 | 2023-04-14 | 一种芯片质量检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128382A true CN116128382A (zh) | 2023-05-16 |
CN116128382B CN116128382B (zh) | 2023-06-30 |
Family
ID=86306642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310398020.8A Active CN116128382B (zh) | 2023-04-14 | 2023-04-14 | 一种芯片质量检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128382B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291923A (zh) * | 2023-11-27 | 2023-12-26 | 成都宏讯微电子科技有限公司 | 一种芯片封装质量评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
CN110570400A (zh) * | 2019-08-19 | 2019-12-13 | 河北极目楚天微电子科技有限公司 | 一种芯片3d封装检测的信息处理方法和装置 |
CN110889440A (zh) * | 2019-11-15 | 2020-03-17 | 山东大学 | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 |
CN115169737A (zh) * | 2022-08-03 | 2022-10-11 | 云南中烟工业有限责任公司 | 一种基于cnn-lstm混合神经网络模型的工艺质量预测方法 |
-
2023
- 2023-04-14 CN CN202310398020.8A patent/CN116128382B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
CN110570400A (zh) * | 2019-08-19 | 2019-12-13 | 河北极目楚天微电子科技有限公司 | 一种芯片3d封装检测的信息处理方法和装置 |
CN110889440A (zh) * | 2019-11-15 | 2020-03-17 | 山东大学 | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 |
CN115169737A (zh) * | 2022-08-03 | 2022-10-11 | 云南中烟工业有限责任公司 | 一种基于cnn-lstm混合神经网络模型的工艺质量预测方法 |
Non-Patent Citations (1)
Title |
---|
王向东等: "基于神经网络方法的半导体生产工艺优化", 半导体学报, vol. 21, pages 192 - 196 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291923A (zh) * | 2023-11-27 | 2023-12-26 | 成都宏讯微电子科技有限公司 | 一种芯片封装质量评价方法及系统 |
CN117291923B (zh) * | 2023-11-27 | 2024-02-09 | 成都宏讯微电子科技有限公司 | 一种芯片封装质量评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116128382B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104238543B (zh) | 时间序列形式的传感数据的不良图案检验方法及其装置 | |
CN116128382B (zh) | 一种芯片质量检测系统及方法 | |
CN108648175B (zh) | 一种检测方法和装置 | |
CN104062305B (zh) | 一种集成电路缺陷的分析方法 | |
CN113255255A (zh) | 一种集成电路热真空试验系统 | |
CN104183512B (zh) | 一种晶圆监控方法 | |
Pecht et al. | In-situ measurements of surface mount IC package deformations during reflow soldering | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
JP2000223385A5 (zh) | ||
US6539272B1 (en) | Electric device inspection method and electric device inspection system | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN101241872B (zh) | 一种分布式超声引线键合质量在线检测系统 | |
CN100511622C (zh) | 修正半导体引脚测试电压来校正输出电流的方法 | |
CN112945418B (zh) | 集成芯片的测温装置及测温方法 | |
CN107910251A (zh) | 一种基于缺陷贡献度的缺陷检测机台自动派工系统和方法 | |
Schindler-Saefkow et al. | Stress impact of moisture diffusion measured with the stress chip | |
CN106813703B (zh) | 一种测试产品功能的方法和装置 | |
JP3235594B2 (ja) | 半導体装置の検査装置及び半導体装置の検査方法 | |
CN115290165A (zh) | 超声水表的检测方法、系统以及装置 | |
US20110172941A1 (en) | Screening apparatus, screening method, and program | |
CN111967799A (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
CN109975686A (zh) | 一种基于红外图像处理的电路板短路自动识别方法 | |
CN114335323B (zh) | 压力芯片封装方法、计算机可读存储介质及计算机设备 | |
TWI765364B (zh) | 人工智慧瑕疵影像分類方法與其系統 | |
JP3995800B2 (ja) | 半導体装置の検査方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |