基于工業(yè)數(shù)據(jù)挖掘的ESD軟失效分析

摘" 要： 針對電子產(chǎn)品出貨后出現(xiàn)ESD軟失效而導(dǎo)致的退貨現(xiàn)象，文章通過機器學(xué)習(xí)算法分析產(chǎn)品ICT電性能測試參數(shù)、生產(chǎn)線ESD防護監(jiān)控數(shù)據(jù)和產(chǎn)品ESD軟失效的相關(guān)性。集成算法模型經(jīng)過優(yōu)化，分類準確率達到0.88，可以用于量產(chǎn)電子產(chǎn)品的ESD軟失效的識別和出貨風(fēng)險管控。同時，利用ESD防護監(jiān)控點風(fēng)險指數(shù)數(shù)據(jù)集可以提高產(chǎn)品ESD軟失效的識別準確率（8.6%）。安裝部署基于物聯(lián)網(wǎng)技術(shù)的靜電放電防護監(jiān)控系統(tǒng)，對管控電子產(chǎn)品生產(chǎn)過程中的ESD軟失效風(fēng)險以及控制出貨風(fēng)險是很有幫助的，可以提高電子制造業(yè)防靜電管控的智慧化水平。

關(guān)鍵詞： ESD軟失效； 工業(yè)數(shù)據(jù)挖掘； 在線測試儀（ICT）； 電性能測試； 靜電放電； 監(jiān)控系統(tǒng)

中圖分類號： TN911?34； TP277" " " " " " " " " "文獻標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）10?0069?04

Analysis of soft ESD based on industrial data mining

Abstract： For the customer return caused by soft ESD （electro?static discharge） failure in the electronic product manufacturing， the machine learning algorithm is used to analyze the correlation between product ICT （in circuit tester） electrical performance parameters， production line ESD protection monitoring data， and product ESD soft failure. The integrated algorithm model has been optimized to realize the classification accuracy of 0.88， which can be used for identifying soft ESD failures of electronic products and controlling shipping out risks. The ESD protection monitoring risk index dataset can improve the recognition accuracy of product soft ESD failure by 8.6%. The installation and deployment of an electrostatic discharge protection monitoring system based on Internet of Things technology is very helpful for controlling the risk of ESD soft failure in the production process of electronic products and controlling the risk of shipment. It can improve the intelligence level of anti?static control in the electronic manufacturing industry.

Keywords： ESD soft failure; industrial data mining; in circuit tester; electrical performance testing; electro?static discharge; monitoring system

靜電是一種存在于物體表面、正負電荷在局部失衡時產(chǎn)生的現(xiàn)象， 是靜止的或者相對靜止的電荷，其對電子產(chǎn)品的危害主要表現(xiàn)是靜電放電的高壓或者高能量導(dǎo)致器件受損。因此在電子產(chǎn)品生產(chǎn)制造過程，需要合適的靜電防護技術(shù)和防護措施[1?3]。為了進一步實時地監(jiān)控所有防護措施是否有效，當(dāng)前，很多電子制造企業(yè)部署了基于物聯(lián)網(wǎng)技術(shù)的靜電放電（Electro?Static Discharge， ESD）防護監(jiān)控系統(tǒng)[4?5]，用于監(jiān)控生產(chǎn)線的ESD防護措施的有效性。

靜電放電的損害往往只有10%的比例造成電子元器件即時完全失效，通常表現(xiàn)為短路、開路以及參數(shù)的嚴重衰變，超出其額定范圍，器件完全喪失了其功能，本文稱此類失效為ESD硬失效（Hard ESD， H?ESD）。而另外的90%比例的靜電損傷會潛伏下來， 造成積累效應(yīng)[5]。所以，一般情況下，一次ESD不足以引起器件立即完全失效，但元件內(nèi)部會存在某種程度的輕微損傷，通常表現(xiàn)為器件的電性能參數(shù)值在規(guī)格限內(nèi)的偏差或漂移，造成此類器件處于“亞健康”狀態(tài)，抗損傷的能力變?nèi)?。由于這種ESD輕微損傷并不明顯，不易在生產(chǎn)過程中被檢出，從而易被忽視，但這種元器件如果繼續(xù)工作，隨著工作時長帶來的老化作用，極易出現(xiàn)失效，本文稱此類現(xiàn)象為ESD軟失效（Soft ESD， S?ESD）。H?ESD一般能在產(chǎn)品出貨前的電學(xué)性能和功能檢測中及時發(fā)現(xiàn)；而S?ESD通常在出貨給到客戶甚至終端用戶使用后才可能失效，從而導(dǎo)致客戶退貨，其將帶來更高昂的客退成本和信譽損失。

產(chǎn)品主板上器件電性能參數(shù)的測試工位是在線測試儀（In Circuit Tester， ICT）。目前，在設(shè)置器件電參數(shù)值可接受范圍時，通常只是考慮產(chǎn)品功能的可接受性，沒有考慮由于S?ESD損傷導(dǎo)致的參數(shù)偏移。

從目前可查的文獻和行業(yè)資訊來看，對電子產(chǎn)品器件S?ESD管控預(yù)防的研究很少，沒有可參考的信息。為了研究S?ESD產(chǎn)線管控策略，本文從電子產(chǎn)品制造過程的ESD管控措施狀態(tài)數(shù)據(jù)、產(chǎn)品的電性能參數(shù)測試值以及產(chǎn)品出貨后的退貨返修數(shù)據(jù)入手，綜合分析返修產(chǎn)品在生產(chǎn)過程中遭受ESD損傷風(fēng)險和出貨前的電性能參數(shù)值的偏移量，通過機器學(xué)習(xí)算法建立一種數(shù)學(xué)模型，用于篩選和管控ESD軟損傷器件或產(chǎn)品，降低出貨產(chǎn)品的風(fēng)險。

1" 數(shù)據(jù)分析對象

1.1" S?ESD產(chǎn)品

由于發(fā)生ESD損傷主要是半導(dǎo)體類器件（二極管、三極管、場效應(yīng)管、芯片等），且損傷現(xiàn)象表現(xiàn)為電性能方面（電壓和電流值）的漂移，所以S?ESD研究對象是產(chǎn)品中的半導(dǎo)體類器件相關(guān)測試點的電壓和電流測試結(jié)果。由于在生產(chǎn)過程遭受了ESD損傷，發(fā)生電性能參數(shù)漂移，導(dǎo)致偏離中心值較大。所以，本文以參數(shù)值偏離程度來表征器件遭受S?ESD的程度。

1.2" 產(chǎn)品經(jīng)受S?ESD的風(fēng)險

電子產(chǎn)品制造的過程中，產(chǎn)品需要經(jīng)過眾多組裝工序，每個工序由設(shè)備、工作臺面、人員等組成，所有的組成要素都需要做好ESD防護，所以每個工序會存在多個ESD防護點。如果ESD防護措施失效，產(chǎn)品與工序的設(shè)備、工作臺面、人員等發(fā)生接觸時就會存在ESD損傷的風(fēng)險，工序內(nèi)防護措施同時失效的點越多，失效的時間越長，風(fēng)險就越大。工程上認為風(fēng)險與同時失效點數(shù)存在指數(shù)關(guān)系，且風(fēng)險會隨著產(chǎn)品流經(jīng)的工序逐漸累積。本文中表征ESD防護有效性的數(shù)據(jù)來源于ESD防護監(jiān)控系統(tǒng)，其主要監(jiān)控各防護點接地電阻是否在正常范圍。

2" 數(shù)據(jù)介紹

2.1" 在線電性能測試儀的測試數(shù)據(jù)

ICT是在完成印刷電路板裝配（Printed Circuit Board Assembly， PCBA）組裝后出貨前進行的一項測試，反映的是產(chǎn)品整體或者關(guān)鍵器件在完成組裝后電性能是否符合要求。測試內(nèi)容包括開短路、電阻、電容、電感、二極管、三極管、電晶體、IC等元件關(guān)鍵參數(shù)[6]。測試點名稱的命名方式為TP+序列號。由于不同測試點的測試值范圍差異很大且沒有體現(xiàn)偏離目標(biāo)值（上下規(guī)格線中間值）的程度，而且不同測試點的實際偏移水平也不同，為了讓各測試值對模型的貢獻量接近，防止小值數(shù)據(jù)的信息被掩蓋，需要對所有測試點數(shù)據(jù)做歸一化處理，公式如下：

[d=t-U-L2] （1）

[v=d-dmindmax-dmin]" " "（2）

式中：t表示某個產(chǎn)品的某測試點的測試結(jié)果；U表示該測試點規(guī)格上限；L表示該測試點規(guī)格下限；d表示測試值與中心值差值的絕對值，即偏移程度；dmax為該點所有d值的最大值；dmin表示該點所有d值的最小值；v表示測試結(jié)果與所有偏移水平中心之差的歸一化值。

2.2" ESD防護監(jiān)控系統(tǒng)的監(jiān)控數(shù)據(jù)

本文研究的產(chǎn)線部署了ESD防護監(jiān)控系統(tǒng)，監(jiān)控的對象包括生產(chǎn)設(shè)備的接地電阻（低阻）、工作臺面桌墊的電阻（高阻）以及手圈的人體電阻（手圈），正常的數(shù)值范圍[7]：低阻lt;10 Ω；高阻lt;1.0×109 Ω；手圈為7.5×105～3.5×107 Ω。

超出以上規(guī)格限，監(jiān)控系統(tǒng)就會啟動報警，并記錄報警開始和結(jié)束時間。根據(jù)前面介紹的S?ESD產(chǎn)生的原因，定義了產(chǎn)品流經(jīng)某個工序時ESD風(fēng)險指數(shù)，計算方式如公式（3）所示，其中指數(shù)系數(shù)2i-1主要是為了突出同時報警的風(fēng)險，一個工序內(nèi)的監(jiān)控點同時報警的數(shù)量越多，ESD防護越差，發(fā)生ESD損傷風(fēng)險越高。

式中：rnp表示第n個產(chǎn)品在經(jīng)過第p個工序的風(fēng)險指數(shù)；li表示工序內(nèi)共i個監(jiān)控點的同時報警時長；H表示產(chǎn)品過該工序的時長；j表示該工序內(nèi)所有監(jiān)控點的數(shù)量。

2.3" 退貨失效品的電性能偏移系數(shù)

客戶退回的產(chǎn)品中，不全是由S?ESD問題引起的失效。如前所述，只有失效的電性能參數(shù)在當(dāng)初出廠測試偏移正常值較大的，才被認定為S?ESD，具體偏移多少被認定為S?ESD是合理的，本文設(shè)計了失效電性能參數(shù)偏離系數(shù)k，其計算公式如下：

[k=t-dσ] （4）

式中：t為測試值；d表示測試值與中心值差值的絕對值，即偏移程度；σ為所有產(chǎn)品該測試值的標(biāo)準差。

收集和預(yù)處理所有數(shù)據(jù)后，根據(jù)產(chǎn)品編號關(guān)聯(lián)三類數(shù)據(jù)，即產(chǎn)品流經(jīng)各工序的ESD風(fēng)險指數(shù)、產(chǎn)品的ICT測試結(jié)果、依據(jù)不同k值所判定的是否為S?ESD結(jié)果。一共收集了2年約200萬產(chǎn)品的數(shù)據(jù)，數(shù)據(jù)集樣例如表1所示。

3" 分析流程及方法

3.1" 分析流程

本文分析的目的是建立一種數(shù)據(jù)模型，用于描述基于不同k值下所判定的S?ESD和產(chǎn)品在出貨時電性能測試值偏移表現(xiàn)（v），以及產(chǎn)品生產(chǎn)過程中在各工序的遭遇ESD風(fēng)險指數(shù)（r）的關(guān)聯(lián)關(guān)系。通過對k值迭代優(yōu)化，建立最優(yōu)模型，進而用該模型開展后續(xù)生產(chǎn)產(chǎn)品的S?ESD風(fēng)險預(yù)測，管控出貨風(fēng)險。

分析過程如下：基于表1數(shù)據(jù)集，使用偏移系數(shù)k對產(chǎn)品重新進行S?ESD認定后，進行分類建模，準確率最高的模型對應(yīng)的k就是最佳S?ESD判別閾值，同時模型也就是最優(yōu)模型。

3.2" 模型算法

針對此類問題，項目組此前經(jīng)過多種模型以及集成方式的效果比較（本文不再詳述）[8]，構(gòu)建了基于boost算法集成思想[9?12]的模型框架。

算法模型框架如圖1所示。

1） 選取多個基分類器，包括決策樹、邏輯回歸、支持向量機、K近鄰、隨機森林、神經(jīng)網(wǎng)絡(luò)等算法[13]，分別進行分類分析，經(jīng)過參數(shù)調(diào)優(yōu)后，選擇分類效果最佳的模型。將預(yù)測準確和錯誤的數(shù)據(jù)分別標(biāo)記為可準確預(yù)測和不可準確預(yù)測兩個標(biāo)簽。如圖1所示，經(jīng)過第1）步后，得到的最優(yōu)算法（分類準確率最高）是Model_A。

2） 將第1）步劃分為可準確預(yù)測和不可準確預(yù)測標(biāo)簽的數(shù)據(jù)再通過分層算法庫，找到最優(yōu)分層算法模型。該步目的是找到分類準確和分類不準確的數(shù)據(jù)集。如圖1所示，經(jīng)過第2）步后，Model_B為最優(yōu)數(shù)據(jù)分層算法。

3） 提取第2）步分類準確的數(shù)據(jù)集，利用第1）步最優(yōu)模型對數(shù)據(jù)進行是否S?ESD的分類預(yù)測。若準確率大于第1）步原來建模時準確率，則保留第1）、2）步模型，否則調(diào)整第1）、2）步最優(yōu)模型參數(shù)，繼續(xù)優(yōu)化模型。

4） 提取第2）步分類不準確的數(shù)據(jù)集，重復(fù)上述過程，其中第1）步中的算法庫剔除已選過的最優(yōu)模型，直至分層模型分出的不易分類數(shù)據(jù)量小于設(shè)定值結(jié)束模型訓(xùn)練，得到最后的集成模型。最佳k值優(yōu)化過程為基于上述的模型結(jié)構(gòu)迭代可能的閾值k（k取值2～9），根據(jù)模型準確率變化趨勢找到最佳閾值。

4" 分析結(jié)果

為了驗證ESD防護監(jiān)控系統(tǒng)的有效性，在分析過程中，將原始數(shù)據(jù)集中包含和不包含ESD防護監(jiān)控點風(fēng)險指數(shù)（r）數(shù)據(jù)集的兩種情況分別進行了模型訓(xùn)練和測試。模型預(yù)測準確率如表2所示。準確率趨勢圖見圖2。

1） 兩種情況下，隨著閾值k的增大，模型的準確率都是呈現(xiàn)先增大后減少的趨勢，在k為7時得到最大準確率。表明：當(dāng)k逐漸增大時，篩選出來的S?ESD客退失效品失效的電性能參數(shù)偏移量越大，同時模型的準確率也越高，這非常符合S?ESD的物理意義。當(dāng)k大于7時，篩選出失效品的電性能參數(shù)偏移量過大，接近于該參數(shù)的控制線，更傾向于H?ESD失效，不符合S?ESD的物理意義，所以模型的準確率逐漸下降。因此，將k取7作為該模型的最優(yōu)閾值，該模型預(yù)測準確率最大可達到0.88，可以應(yīng)用到產(chǎn)品的S?ESD識別和出貨風(fēng)險管控。

2） 當(dāng)k大于4時，篩選出來的S?ESD客退失效品更接近于S?ESD的實際物理意義，基于含有ESD防護監(jiān)控點風(fēng)險指數(shù)（r）的數(shù)據(jù)集訓(xùn)練的模型準確率也明顯高出不含的情況，準確率提高約8.6%。

5" 結(jié)" 論

本文通過機器學(xué)習(xí)算法分析了S?ESD相關(guān)的數(shù)據(jù)（ICT和ESD防護監(jiān)控），得出基于ICT、ESD防護監(jiān)控和S?ESD標(biāo)簽數(shù)據(jù)的機器學(xué)習(xí)分類模型的準確率達到0.88，可以應(yīng)用到量產(chǎn)電子產(chǎn)品的S?ESD識別和出貨風(fēng)險管控，利用ESD防護監(jiān)控點風(fēng)險指數(shù)數(shù)據(jù)集可以使產(chǎn)品S?ESD的識別準確率提高8.6%，安裝部署基于物聯(lián)網(wǎng)技術(shù)的靜電放電防護監(jiān)控系統(tǒng)對管控電子產(chǎn)品生產(chǎn)過程中的S?ESD風(fēng)險以及控制出貨風(fēng)險是很有幫助的。

參考文獻

[1] 王進.電子產(chǎn)品生產(chǎn)過程中的靜電防護技術(shù)[J].電子測試，2020（10）：119?120.

[2] 王靜，張菁.基于PLC的靜電放電試驗系統(tǒng)的設(shè)計[J].國外電子測量技術(shù)，2020，39（3）：65?70.

[3] 曲利新.EPA的實時監(jiān)控與靜電防護[J].現(xiàn)代電子技術(shù)，2010，33（3）：182?185.

[4] 黃詰，蔣耀庭.電子產(chǎn)品的靜電防護對策研究[J].電子產(chǎn)品可靠性與環(huán)境試驗，2006（2）：14?17.

[5] 熊肇武，申福陽，張帥，等.基于物聯(lián)網(wǎng)技術(shù)的ESD防靜電監(jiān)測系統(tǒng)[J].電腦編程技巧與維護，2020（3）：28?30.

[6] 葉啟鐘.在線測試儀在電路板維修中的應(yīng)用[J].儀表技術(shù)，2005（3）：71?72.

[7] 王靖.防靜電管理辦法及檢測方法分析[J].企業(yè)技術(shù)開發(fā)，2014，33（24）：83?85.

[8] 汪中博.基于質(zhì)量數(shù)據(jù)分析的產(chǎn)品質(zhì)量風(fēng)險預(yù)測方法研究[D].西安：西安電子科技大學(xué)，2021.

[9] 沈?qū)W華，周志華，吳建鑫，等.Boosting和Bagging綜述[J].計算機工程與應(yīng)用，2000（12）：31?32.

[10] 于玲，吳鐵軍.集成學(xué)習(xí)：Boosting算法綜述[J].模式識別與人工智能，2004，17（1）：52?59.

[11] 馮曙明，張佳禹，楊永成，等.基于改進的Boosting算法的倉庫監(jiān)控區(qū)域目標(biāo)跟蹤研究[J].微型電腦應(yīng)用，2020，36（5）：76?79.

[12] 周孟然，趙晉級，王煜，等.激光誘導(dǎo)熒光結(jié)合AdaBoost算法的食用油分類[J].現(xiàn)代電子技術(shù)，2021，44（10）：34?38.

[13] 楊劍鋒，喬佩蕊，李永梅，等.機器學(xué)習(xí)分類問題及算法研究綜述[J].統(tǒng)計與決策，2019，35（6）：36?40.