一种用于ATE测试平台的测试判断系统的制作方法

本发明涉及ate测试平台测试，具体是一种用于ate测试平台的测试判断系统。

背景技术：

1、ate测试是指自动测试设备（automatic test equipment）测试，也被称为自动测试系统（automatic test system）。ate测试是一种用于检测和验证集成电路（ic）或其他电子设备功能和性能的自动化测试方法。

2、ate测试广泛应用于电子制造业，特别是在芯片生产过程中，用于对芯片进行质量控制和验证。它能够大大提高生产效率，降低产品制造中的人工错误，并确保产品的一致性和可靠性。

3、ate测试的测试功能范围一般较广，包括但不限于短路故障、开路故障、电压异常、电流异常、时钟问题、存储器故障、信号失真、功能异常、温度敏感性测试、边界条件测试、时序问题以及干扰和噪声测试；

4、目前对每一生产批次的芯片的抽样率是统一而不变的，且对每块芯片的测试一般是包含所有功能，从而在合格率较高时，大量地浪费了测试时间和测试成本，在合格率较低时，可能存在测试不准确的问题，从而缺乏动态调控的能力；

5、为此，本发明提出一种用于ate测试平台的测试判断系统。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种用于ate测试平台的测试判断系统，降低了人工判断测试结果的人力成本以及ate测试平台的测试成本。

2、为实现上述目的，根据本发明的第一方面的实施例提出一种用于ate测试平台的测试判断系统，包括测试功能数据收集模块、历史测试数据收集模块、模型训练模块、实时数据收集模块以及功能测试率更新模块；其中，各个模块之间通过电性连接；

3、测试功能数据收集模块，预先收集ate测试平台对于芯片进行测试的测试功能表；

4、其中，所述测试功能表为以测试功能为主键，以每项测试功能的量化结果为属性的数据库表；

5、所述测试功能包括在ate测试平台上支持的对芯片进行的所有测试项目，并对测试功能进行编号；

6、所述测试功能的量化结果为ate测试平台对芯片进行对应的功能测试后，生成的测试结果的量化可选范围；所述量化可选范围为离散的数字集合或连续的数值中的任意一种；

7、所述测试功能数据收集模块将测试功能表发送至历史测试数据收集模块；

8、历史测试数据收集模块，基于测试功能表，预先收集过去每次使用ate测试平台对芯片进行测试时，生成的一组测试训练数据；每组测试训练数据包括测试训练特征向量以及对应的合格标签；

9、具体地，所述测试训练数据的收集方式为：

10、将过去芯片生产的每一个生产批次的编号标记为i；其中，i=1,2,3…；对于第i个生产批次，收集ate测试平台对抽样的芯片进行功能测试后生成的测试训练特征向量以及对应的合格标签；

11、所述测试训练特征向量中的每个元素对应一项测试功能的量化值；所述测试功能的量化值为ate测试平台对每项测试功能进行测试后，生成的测试结果在测试功能表中量化可选范围中的对应值；

12、所述合格标签为0或1中的一个；具体的，在ate测试平台对抽样的芯片进行全部测试功能的测试后，若测试人员判断为合格，则合格标签设置为1；若测试人员判断为不合格，则合格标签设置为0；

13、所述历史测试数据收集模块将每一生产批次的所有测试训练数据发送至模型训练模块；

14、模型训练模块，基于测试训练数据，训练出判断抽样的芯片是否合格的贝叶斯网络模型；

15、训练出判断抽样的芯片是否合格的贝叶斯网络模型的方法为：

16、构造贝叶斯网络模型结构；

17、将每组中测试训练数据中的测试训练特征向量作为贝叶斯网络模型的输入，所述贝叶斯网络模型以对每组测试训练特征向量的预测的合格标签为输出，以测试训练数据中的测试训练特征向量对应的合格标签作为预测目标，以最小化对所有合格标签的预测误差之和作为训练目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据测试训练特征向量输出预测的合格标签的贝叶斯网络模型；

18、构造贝叶斯网络模型结构的方式为：

19、构造两层贝叶斯网络模型结构；其中，第一层包含m个节点，第二层包含一个节点；m为测试功能表中测试功能的数量；

20、第一层中的每个节点分别对应于每组测试训练特征向量中的一个测试功能，每个节点接收的输入分别对应测试功能的量化值；且第一层中每个节点分别具有一条有向边指向第二层的节点；

21、第二层中的节点对应于每组测试训练特征向量对应的合格标签；

22、所述模型训练模块将训练完成的贝叶斯网络模型发送至功能测试率更新模块；

23、实时数据收集模块，收集在每一个新生产批次的芯片生产后，对芯片进行抽样，并收集ate测试平台对每个抽样的芯片生成的测试特征向量；

24、收集ate测试平台对每个抽样的芯片生成的测试特征向量的方式为：

25、将最新的生产批次的编号标记为i0，将第i0个生产批次的抽样率标记为li0；

26、对第i0个生产批次生产的每块芯片以抽样率li0的概率进行抽样；

27、使用ate测试平台对抽样出的每块芯片对测试功能表中的每项测试功能进行测试，生成每项测试功能的量化值，组成测试特征向量；

28、所述实时数据收集模块将所有测试特征向量发送至功能测试率更新模块；

29、功能测试率更新模块，基于最新生产批次对应的所有测试特征向量，更新抽样率和更新每项测试功能的功能测试率，并基于更新的抽样率以及每项测试功能的功能测试率，更新下一生产批次的测试策略；

30、更新抽样率的方式为：

31、将第i0个生产批次中抽样的每块芯片的测试特征向量输入贝叶斯网络模型中，获得输出的预测的合格标签；若预测的合格标签表示合格，则将该抽样的芯片标记为合格芯片；若预测的合格标签表示不合格，则将该抽样的芯片标记为不合格芯片；

32、将第i0个生产批次中，抽样的芯片中判断为不合格芯片的数量占抽样的芯片总数的比例标记为不合格率bi0；

33、将第i0-1个生产批次的不合格率标记为b(i0-1)，将第i0+1个生产批次的抽样率标记为l(i0+1)；将第1至（i0-1）个生产批次的不合格率的平均值分别标记为bpi；

34、则第i0+1个生产批次的抽样率l(i0+1)的计算公式为：

35、；

36、其中，d1和d2为预设的比例系数；

37、进一步的，更新每项测试功能的功能测试率的方式为：

38、将测试功能表中的每个测试功能的编号标记为t；

39、将第i0个生产批次中，抽样的芯片的编号标记为j；将第j块芯片的第t个测试功能的量化值标记为zjt；

40、对于第t个测试功能，从对应的所有抽样的芯片的量化值中计算出平均值，将该平均值标记为ft；

41、将第j个抽样的芯片的训练特征向量中第t个测试功能的量化值zjt替换为平均值ft；

42、将第j个抽样的芯片替换后的训练特征向量重新输入贝叶斯网络模型中，重新获得预测的合格标签；

43、将第i0个生产批次中，对第t个测试功能的量化值进行替换后，统计的不合格率标记为bti0；

44、对于第t个测试功能，将对应的功能测试率标记为kt，则功能测试率kt=min(kmin，max(1，))；其中，min()为取最小值函数，max()为取最大值函数，kmin为预设的大于0且小于1的最低功能测试率阈值；

45、更新下一生产批次的测试策略的方式为：

46、对于第i0+1个生产批次的芯片，以的抽样率进行抽样；

47、对于抽样的第一块芯片，进行所有测试功能的测试；

48、对于后续的抽样的芯片的第t项测试功能，以功能测试率kt的概率决策是否进行测试，若决策为不测试，将第t项测试功能的量化值表示为：第i0+1个生产批次中，已测试过该项测试功能的所有芯片的对应的量化值的平均值。

49、与现有技术相比，本发明的有益效果是：

50、（1）本发明通过预先收集ate测试平台对于芯片进行测试的测试功能表，基于测试功能表，预先收集过去每次使用ate测试平台对芯片进行测试时，生成的一组测试训练数据，基于测试训练数据，训练出判断抽样的芯片是否合格的贝叶斯网络模型，从而实现自动化的对芯片的合格性的判断，减少人工检测成本；

51、（2）本发明进一步地收集在每一个新生产批次的芯片生产后，对芯片进行抽样，并收集ate测试平台对每个抽样的芯片生成的测试特征向量，基于最新生产批次对应的所有测试特征向量，更新抽样率和更新每项测试功能的功能测试率，并基于更新的抽样率以及每项测试功能的功能测试率，更新下一生产批次的测试策略；通过自适应的更新每一生产批次的抽样率和功能测试率，提高ate测试平台的测试准确率，并降低测试成本。