测试数据采集与清洗——良率分析的根基

大家好，我是老张，在ATE量产这行摸爬滚打十几年了。今天咱们聊聊数据采集与清洗。说实话，很多刚入行的朋友觉得跑测试、抓数据就完事了，直接丢进直方图、SPC里看。但我告诉你，数据采集和清洗没做好，后面的良率分析全是扯淡。

我自己就吃过亏。有一款HS400的案子，良率一直波动，我反复查测试程序、查硬件都没问题。最后才发现，是探针台的接触电阻数据没对齐时间戳，导致一批假fail记录混了进来。从那以后，我养成了一个习惯：拿到数据先花半小时做清洗，再谈分析。

数据采集的源头与规范

ATE测试的数据源其实不少，主要有三类：

• 测试机台日志（比如Teradyne、Advantest）：记录每个DUT的测试项、bin位、测试时间、温度等。
• Handler/Prober数据：包括站点号、接触次数、气压、温度等环境参数。
• 探针卡/插座状态：比如针痕偏移、针尖污染等级。

你想想看，如果这些数据的时间戳不对齐，或者字段名称混乱，后面怎么归因？所以我建议，采集阶段就要统一规范。下面是我在项目中常用的字段定义表：

字段名	类型	说明	必须性
Lot_ID	字符串	批号	必填
Wafer_ID	字符串	晶圆编号	必填
Test_Time	Datetime	测试完成时间戳	必填
Bin_Code	整数	最终测试bin，例如1为pass，2~9为fail	必填
Param_XXX	浮点	具体测试参数值（如Vth、Idsat）	按需
Site_ID	整数	并行测试的站点号	推荐
Probe_Contact_Res	浮点	探针接触电阻（Ω）	可选

嗯，这里要注意：时间戳一定要精确到毫秒级，而且最好是UTC时间，不然跨班次合数据时会疯掉。

数据清洗的常见坑

清洗说白了就是四个字：去伪存真。但实际做起来，坑可不少。

• 缺失值处理：有些测试项可能因为机台超时或通讯中断而没采到值。我见过有人直接删掉整行，结果把一些正常Die的pass记录也删了。更好的做法是标记后单独分析。
• 异常值剔除：比如Vth测出负值，明显是探针接触不良导致的。我会用3σ规则或者规格限直接过滤。
• 重复记录：多站点并行测试时，偶尔会重复上传。需要按Lot_ID + Wafer_ID + Die坐标 + Test_Time去重。
• 时间戳漂移：不同机台的时间可能差几秒，导致同一Die的不同参数采样时间错位。我习惯先对每个Lot做时间对齐，统一参考时钟。

清洗流程与方法

我的清洗流程一般分为四步，下面这张图能帮你看清全貌：

具体到代码层面，我一般用Python的pandas来处理。举个例子，去重和异常值过滤：

import pandas as pd
import numpy as np

df = pd.read_csv('ate_data.csv')

# 按Lot+Wafer+Die坐标去重，保留最后一次测试记录（retest）
df.drop_duplicates(subset=['Lot_ID','Wafer_ID','Die_Coord'], keep='last', inplace=True)

# 异常值剔除：只保留规格限内的IDD
idd_mean = df['IDD'].mean()
idd_std = df['IDD'].std()
df = df[(df['IDD'] >= idd_mean - 3*idd_std) & (df['IDD'] <= idd_mean + 3*idd_std)]

# 缺失值处理：标记后单独保存
missing = df[df['Vth'].isnull()]
df_clean = df.dropna(subset=['Vth'])

print(f"清洗前记录数: {len(df)+len(missing)}，清洗后: {len(df_clean)}")

数据质量评估与监控

清洗完后，得有个质量报告。不然别人问你这个数据能不能用，你拿什么回答？我通常关注这几个指标：

质量维度	评估方法	可接受阈值
数据完整率	缺失字段占总字段的比例	> 98%
异常占比	超出3σ或规格限的记录数/总数	< 2%
重复率	去重前后记录数之差/去重前	< 0.5%
时间一致性	同一Lot内最高与最低时间戳之差	< 24小时

如果某个指标不达标，我建议先排查对应步骤，而不是强行分析。比如异常占比过高，先检查测试程序有没有设错上下限，而不是直接过滤掉。

好了，数据采集与清洗这块儿，最重要的就是建立规范、流程化执行，并且每次清洗都留下痕迹。下一期我们聊聊良率统计的metric选择——但那是后话了，咱们先把数据基础打牢。我自己到现在，每次接手新项目，都会花至少一天梳理数据流，这时间花得值。