4. 电性数据采集与存储：测试程序简介、数据格式与数据库概念
在半导体良率调试中，电性数据是定位异常Wafer的核心依据。本章将系统介绍电性数据的产生源头——测试程序（Test Program），以及数据的标准化存储格式（STDF、CSV）和企业级数据管理方案（数据仓库与数据库）。理解这些基础架构，是后续进行高效数据分析与异常定位的前提。
4.1 测试程序（Test Program）简介
测试程序是运行在自动测试设备（ATE）上的一组指令集，用于控制测试硬件对晶圆上的每个Die施加电性激励并测量响应。它定义了测试的流程、参数、判定标准以及数据记录方式。
4.1.1 测试程序的组成结构
一个典型的半导体测试程序通常包含以下模块：
- 测试流程控制： 定义测试执行的顺序、条件分支（如Bin跳转）、循环与并行测试策略。
- 测试向量与波形： 针对数字逻辑电路，定义输入激励信号和期望输出响应。
- 参数测试单元： 用于测量直流参数（电压、电流）、交流参数（时序、频率）和模拟信号特性。
- 判定与分Bin逻辑： 根据测试结果将Die分类为Pass、Fail或不同等级的Bin，并记录Bin码。
- 数据记录接口： 将原始测试结果、统计摘要和Wafer Map信息按指定格式输出。
4.1.2 常见测试程序开发环境
| 平台/语言 | 典型应用 | 特点 |
|---|---|---|
| IG-XL (Teradyne) | 混合信号、SoC测试 | 图形化流程编辑，内置参数测试库 |
| SMT (Advantest) | 存储器、逻辑测试 | 模块化架构，支持并行测试 |
| STIL/WGL | 数字向量交换格式 | 行业标准向量描述语言，跨平台兼容 |
| Python/C++ 定制 | 先进制程、特殊测试 | 高灵活性，便于集成算法与数据分析 |
4.2 电性数据格式：STDF 与 CSV
测试程序执行后，产生的电性数据需要以标准格式存储，以便后续分析。最主流的两种格式是STDF（Standard Test Data Format）和CSV（Comma-Separated Values）。
4.2.1 STDF 格式
STDF是半导体测试行业最广泛使用的二进制数据格式，由Teradyne公司开发并公开规范。它专为高效存储大量测试结果而设计，支持复杂的层级结构和多种数据类型。
- 二进制紧凑： 文件体积小，读写速度快，适合大规模量产数据。
- 结构化记录： 包含文件头、Part信息、测试结果、Wafer Map、Bin汇总等多种记录类型。
- 标准兼容： 几乎所有ATE厂商和良率分析工具（如YieldManager、Galaxy）都原生支持STDF。
4.2.2 CSV 格式
CSV是纯文本格式，以逗号分隔字段，具有极高的可读性和通用性。在调试阶段或小批量数据分析中，CSV常被用作中间交换格式。
- 人类可读： 可用Excel、记事本直接打开，便于快速查看和手动检查。
- 跨平台： 任何编程语言和数据处理工具都支持CSV读写。
- 结构简单： 通常每行代表一个Die的测试结果，列代表不同的测试项。
4.2.3 格式对比
| 特性 | STDF | CSV |
|---|---|---|
| 存储方式 | 二进制 | 纯文本 |
| 文件大小 | 小（压缩率高） | 大（冗余多） |
| 读写速度 | 快 | 慢（尤其大文件） |
| 可读性 | 需专用工具 | 直接可读 |
| 数据结构 | 支持层级、嵌套 | 扁平表格 |
| 行业标准 | 是（量产主流） | 否（调试常用） |
4.2.4 CSV 数据示例
以下是一个简化的CSV文件片段，展示了每个Die的测试结果：
LotID,WaferID,DieX,DieY,TestItem,Result,Unit,BinCode
LOT001,W01,0,0,VDD_Min,1.12,V,1
LOT001,W01,0,1,VDD_Min,1.08,V,1
LOT001,W01,1,0,VDD_Min,0.95,V,7
LOT001,W01,1,1,VDD_Min,1.15,V,1
LOT001,W01,2,0,VDD_Min,1.10,V,1
LOT001,W01,2,1,VDD_Min,0.88,V,94.3 数据仓库与数据库概念
随着半导体制造规模扩大，单批次、单机台的STDF文件管理方式已无法满足全局良率分析需求。企业级数据管理方案——数据仓库与数据库——成为支撑良率调试的基础设施。
4.3.1 数据库（Database）
数据库是结构化数据的集合，支持高效的事务处理（OLTP）。在半导体测试中，数据库常用于存储测试程序参数、设备配置、批次信息等元数据。
- 关系型数据库（RDBMS）： 如MySQL、PostgreSQL、Oracle。通过表（Table）存储数据，支持SQL查询，保证数据一致性和完整性。
- 实时写入： 测试过程中，测试结果可实时写入数据库，支持在线监控和即时报警。
- 典型应用： 存储测试程序版本、设备校准记录、操作员日志等。
4.3.2 数据仓库（Data Warehouse）
数据仓库是面向分析的集成数据环境（OLAP），专门用于从多个异构数据源（如不同测试机台、不同工厂的STDF文件）中抽取、转换、加载（ETL）数据，形成统一的全局视图。
- 主题导向： 按良率、缺陷、设备性能等主题组织数据。
- 集成性： 统一字段命名、单位、编码规则，消除数据孤岛。
- 历史性： 存储多年数据，支持时间序列分析和趋势挖掘。
- 非易失性： 数据一旦入库，通常只读不删改，保证分析可追溯。
4.3.3 数据仓库架构示意
下图展示了从ATE测试到数据仓库的典型数据流架构：
4.3.4 关键概念对比
| 维度 | 数据库 (OLTP) | 数据仓库 (OLAP) |
|---|---|---|
| 主要用途 | 日常事务处理、实时写入 | 历史数据分析、决策支持 |
| 数据模型 | 规范化（3NF），减少冗余 | 星型/雪花型，面向分析 |
| 数据更新 | 频繁增删改 | 批量加载，极少修改 |
| 查询特点 | 简单、高并发、低延迟 | 复杂聚合、大范围扫描 |
| 典型工具 | MySQL, PostgreSQL | Snowflake, Amazon Redshift, ClickHouse |
| 在良率中的角色 | 存储测试程序、设备状态 | 存储全量测试结果，支持全局分析 |