DLOG Leitfaden für Prozessfähigkeit & Tiefenanalyse (PAT+ · MVA · Gauge R&R · Cpk/Cp · ANOVA)

Analysis Overview

1. Analysefunktionen im Überblick

In STDF V4 Datalogs aus der Halbleiter-Massenproduktion werden tausende parametrische Tests (PTR, MPR) und hunderttausende Chips (PRR) aufgezeichnet. Das bloße Einhalten von Spezifikationsgrenzen (LL/HL) sagt jedoch nichts darüber aus, ob der Fertigungsprozess stabil läuft, ob die Messwerte verlässlich sind oder ob sich unter den Gutteilen potenziell fehlerhafte Risikobauteile verbergen.

DLOG bietet spezialisierte Analyseansichten, um genau diese Fragen fundiert zu beantworten. Dieser Leitfaden beschreibt die Ansichten für Prozessfähigkeit, Ausreißer-Screening und Prüfmittelfähigkeit im Detail.

DLOG Chart-Ansicht mit Histogramm, Cpk, Est ppm und Normalitätsstatistik

Klicken zum Vergrößern

Abbildung 1. Chart-Ansicht — Mittelwert, ±σ-Linien, Gauß-Normalverteilungskurve und Obergrenze (HL) über dem Histogramm. Rechts zeigt das Panel Test Item Statistics Sigma, Cpk, Cp, Est ppm und Normalität (AD). Unten fasst die Liste Tests (Cpk) die Prozessfähigkeit aller Parameter farblich zusammen.

Analysemodul	DLOG-Ansicht	Kernkennzahlen	Einsatzbereich
PAT+ Ausreißer-Screening	Wafer (PAT Data / PAT+), Chart (DPAT-Bänder)	DPAT-Bänder, SPAT-Nachbarschaftsresiduen, PAT+ Flips	Aussortieren verdächtiger Dies innerhalb der Gutteil-Spezifikation bei statistischer Abweichung
Multivariate Ausreißer	MVA Explorer, Wafer (MVA-PAT)	Mahalanobis MD², PCA SPE, Isolation Forest	Auffinden von Bauteilen, deren Einzeltests innerhalb der Limits liegen, deren Kombination aber anomal ist
Gauge R&R	Gauge R&R	EV, AV, PV, %GRR, %P/T, ndc	Wiederholgenauigkeit und Vergleichbarkeit des Messsystems anhand von Wiederholungsmessungen prüfen
Multi-Site-Kanalabweichung	SITE, Group Analysis (Group by: Site)	Site-Yield, BIN-Verteilung, Mittelwerte, η², ANOVA	Prüfen, ob eine Nadel der Nadelkarte oder ein Sockelkanal systematisch verschoben ist
Prozessfähigkeit	Chart, Dashboard, Group Analysis	Cpk, Cp, Est ppm, Normalität (Anderson-Darling)	Toleranzausnutzung quantifizieren, ppm-Fehlerraten schätzen und Normalverteilungsvoraussetzung prüfen
Korrelation & TTO	Correlation, TTO Engine	Pearson r, Spearman ρ, redundante Testkandidaten	Identifizieren redundanter Doppeltests zur fundierten Reduzierung der Testzeit

Mittelwert und Standardabweichung werden mit dem numerisch stabilen Welford-Online-Algorithmus berechnet. Dies verhindert den Verlust signifikanter Stellen (katastrophale Auslöschung) bei der fortlaufenden Aufsummierung von Quadraten:

$$M_1 = x_1, \quad M_k = M_{k-1} + \frac{x_k - M_{k-1}}{k}$$ $$S_1 = 0, \quad S_k = S_{k-1} + (x_k - M_{k-1})(x_k - M_k)$$ $$\mu = M_N, \quad \sigma^2 = \frac{S_N}{N - 1} \quad (N \ge 2)$$

100% lokale Datenverarbeitung: Alle statistischen Berechnungen laufen ausschließlich auf Ihrem lokalen Rechner. Weder STDF-Dateien noch Analyseergebnisse werden jemals an externe Server übertragen.

Part Average Testing

2. PAT+ Ausreißer-Screening (DPAT · SPAT)

PAT (Part Average Testing) ist im Automobil-Qualitätsstandard AEC-Q001 definiert. Ziel ist es, Bauteile auszusondern, die zwar die statischen Spezifikationsgrenzen einhalten, aber signifikant von der Normalverteilung der Gesamtheit abweichen, um Frühausfälle im Feld (Infant Mortality) zu minimieren.

DLOG berechnet im Modus PAT Data der Wafer-Ansicht die dynamischen PAT-Grenzwerte (PAT LL / HL). Wird in den Einstellungen PAT+ aktiviert, markiert DLOG verdächtige Dies nach DPAT- oder SPAT-Kriterien als visuelles Overlay direkt auf der Wafer-Map (die ursprüngliche Gut/Schlecht-Klassifizierung bleibt unberührt).

PAT+ verdächtige Dies als Overlay auf der Wafer-Map

Klicken zum Vergrößern

Abbildung 2-1. Wafer-Ansicht PAT Data Modus + PAT+ — Die linke PAT Data Karte zeigt Median, PAT LL und PAT HL. Die PAT+ Reject Karte zeigt DPAT-Bereich, SPAT-Einstellung (3x3 ×6.0) und PAT+ Flips. Verdächtige Dies sind eingekreist.

Klicken zum Vergrößern

Abbildung 2-2. Tools > Studies > Yield Loss vs Quality Risk — Variieren Sie den Sigma-Multiplikator von 3 bis 15, um Ausbeuteverlust (Yield Loss) und spezifikationsbasiertes Risiko (DPPM) abzuwägen und den empfohlenen Schnittwert zu ermitteln.

DPAT: Robuste Grenzwerte aus den laufenden Daten

Um zu verhindern, dass extreme Ausreißer Mittelwert und Standardabweichung verzerren, nutzt DLOG den Median und ein aus dem Interquartilsabstand (IQR) geschätztes robustes Sigma:

$$\sigma_{\text{robust}} = \frac{Q_3 - Q_1}{1.35}$$ $$\text{PAT LL} = \tilde{x} - k_L \cdot \sigma_{\text{robust}}, \qquad \text{PAT HL} = \tilde{x} + k_H \cdot \sigma_{\text{robust}}$$

Außerhalb dieses Fensters liegende Dies gelten als Ausreißerkandidaten. Der Standard-Multiplikator k ist 6. Über View settings > Wafer View Options > Lower Sigma (L) / Upper Sigma (H) können Unter- und Obergrenze unabhängig konfiguriert werden.

DPAT (Dynamisches PAT) passt diese Grenzen dynamisch pro Wafer, pro Test-Site oder pro Lot-Baseline an. Bei Site-Offsets korrigiert Site-DPAT Hardware-Verschiebungen; Lot-DPAT eignet sich zur Verfolgung von Wafer-zu-Wafer-Drifts. Im Chart-Trend können diese Grenzen via DPAT (trend) über die Messreihenfolge gelegt werden.

SPAT: Räumliche Nachbarschafts-Residuen

Lokale Defektmuster (Kratzer, Kantenanhäufungen, Mikrocluster) fallen in der Gesamtverteilung oft nicht auf. SPAT (Spatial PAT) vergleicht das Ziel-Die $(i, j)$ mit dem Median der umliegenden PASS-Dies im Verhältnis zum robusten Sigma der Nachbarschaft:

$$\Delta_{\text{spatial}}(i, j) = \left| x_{i, j} - \operatorname{median}\left(\mathcal{N}(i, j)\right) \right| > k_{\text{spat}} \cdot \sigma_{\text{robust}}\left(\mathcal{N}(i, j)\right)$$

Der Standard-Kernel beträgt $3 \times 3$ mit Multiplikator 6.0. An Waferrändern oder in dichten Defektzonen mit wenigen PASS-Nachbarn erweitert DLOG den Kernel automatisch um bis zu 2 konzentrische Ringe nach außen.

PAT-Sigma festlegen: Yield Loss vs. Quality Risk

Ein strengeres k fängt mehr Risikodies ein, erhöht jedoch den Ausbeuteverlust (Overkill) bei intakten Bauteilen. Unter Tools > Studies > Yield Loss vs Quality Risk visualisiert DLOG Kurven für Reject Candidates, Yield Loss und DPPM und schlägt das optimale Sigma für ein Ziel-DPPM vor. Ein Klick auf Apply Sigma übernimmt den Wert sofort.

Hinweis zum DPPM-Wert: DPPM ist hier keine gemessene Feldausfallrate, sondern ein aus dem Abstand zwischen PAT- und Spezifikationsgrenzen ermittelter Risiko-Proxy. Nutzen Sie ihn nicht als vertraglich garantierte Ausfallrate. Ein 1-seitiger Prüfbericht pro Test kann über PAT (PDF) erzeugt werden.

GDBN (Good Die in Bad Neighborhood): Regel zum Abwerten von Gutteilen nahe dichter Defektcluster. Bei Aktivierung unter Convert > BIN-Reklassifizierung (PAT / GDBN / CD) werden Cluster ab Schwellengröße (8-Wege-Nachbarschaft) erkannt und umliegende Gut-Dies innerhalb des Radius in Fehler-BINs umgewandelt.

Multivariate Outlier Detection

3. MVA Explorer (Multivariate Ausreißer)

Zusammengehörige Parameter korrelieren in der Regel. Wenn bei einem Bauteil Test A und Test B einzeln betrachtet im Limit liegen, jedoch Test A ungewöhnlich hoch und Test B ungewöhnlich niedrig ist, weicht die Kombination drastisch vom physikalischen Normalmuster ab. Der MVA Explorer spürt solche mehrdimensionalen Ausreißer zuverlässig auf.

MVA Explorer Ausreißertabelle und Beitragsanalyse

Klicken zum Vergrößern

Abbildung 3. MVA Explorer — 15 Tests mit Mahalanobis-Distanz (MD²) und 3.0σ Schwellenwert. Die Karten zeigen Scored, Outliers, Threshold und PASS-Teile. Für das ausgewählte Teil (#0160) schlüsselt Outlier Contribution Breakdown die Hauptverursacher mit robusten z-Scores auf.

Drei Erkennungsalgorithmen

Algorithmus	Funktionsweise	Empfohlener Einsatz
Mahalanobis (MD²)	Statistische Distanz unter Berücksichtigung der Kovarianz. Kennzeichnung bei Überschreitung der Chi-Quadrat-Schwelle.	Standardempfehlung für die meisten Datensätze
PCA reconstruction (SPE)	Hoher Rekonstruktionsfehler (Q-Statistik) bei Rückprojektion aus Hauptkomponenten. Erkennt Korrelationsbrüche.	Große Testanzahl mit hoher Korrelation
Isolation Forest	Verteilungsfreier Baum-Algorithmus zur Erkennung leicht isolierbarer Punkte. Markiert die obersten ~1% der PASS-Teile.	Nichtlineare und multimodale Muster

Mahalanobis-Distanz (MD²)

Euklidische Distanzen ignorieren Skalierungsunterschiede und Korrelationen. Die Mahalanobis-Distanz korrigiert dies über die inverse Kovarianzmatrix ($\mathbf{\Sigma}$). DLOG zerlegt den Beitrag jedes Tests in $z_i \cdot (\mathbf{\Sigma}^{-1}\mathbf{z})_i$, sodass die Summe exakt $MD^2$ ergibt:

$$MD^2(\mathbf{x}) = (\mathbf{x} - \boldsymbol{\mu})^T \mathbf{\Sigma}^{-1} (\mathbf{x} - \boldsymbol{\mu})$$ $$\text{Ausreißer-Kriterium}: MD^2(\mathbf{x}) > \chi^2_{r}(1 - \alpha), \qquad \alpha = 2\,(1 - \Phi(\sigma_{\text{setting}}))$$

Der Schwellenwert Threshold (Sigma) (3.0 bis 6.0σ, Standard 6.0σ) wird in die zweiseitige Normalwahrscheinlichkeit $\alpha$ umgerechnet und bestimmt den kritischen Chi-Quadrat-Wert für $r$ Freiheitsgrade (Anzahl der Tests). Bei PCA bildet der Rekonstruktionsfehler SPE (Squared Prediction Error) den Maßstab.

Ergebnistabelle interpretieren

Spalte	Bedeutung
Status	`OUTLIER` · `NORMAL` · `NOT SCORED` (fehlende Werte bei ausgewählten Tests) · `EXCLUDED` (nicht PASS)
Score	Ausreißer-Score des gewählten Algorithmus (MD², SPE oder Isolation Forest)
Risk	Score ÷ Threshold. Werte über 1.0x bedeuten OUTLIER
Top contributor	Testparameter mit dem größten Beitrag zum Score samt robustem z-Score (auf Basis von Median und MAD)

Modellanforderungen: Das Referenzmodell lernt ausschließlich auf vollständigen PASS-Teilen ohne Fehlwerte bei den gewählten Tests. Die Stichprobengröße muss mindestens max(50, 5 × Testanzahl) betragen (in Abb. 3 bei 15 Tests also mind. 75 Teile). Wählen Sie physikalisch korrelierte Parameter. Im MVA-PAT Modus der Wafer-Ansicht können diese Scores ortsaufgelöst betrachtet und MVA-Flips als CSV exportiert werden.

Measurement System Analysis

4. Gauge R&R Messsystemanalyse

Die gemessene Gesamtstreuung setzt sich aus der echten Produktstreuung und der Messunsicherheit des Testsystems (Tester, Nadelkarte, Sockelkontaktierung) zusammen:

$$\sigma_{\text{Total}}^2 = \sigma_{\text{PV}}^2 + \sigma_{\text{GRR}}^2 = \sigma_{\text{PV}}^2 + \sigma_{\text{EV}}^2 + \sigma_{\text{AV}}^2$$

Eine zu hohe Messstreuung führt zu teurem Scheinausschuss oder gefährlichem Kundenschlupf. Die Ansicht Gauge R&R zerlegt diese Varianz anhand mehrfach gemessener STDF-Datalogs desselben Wafers. DLOG ordnet die Dies über ihre (X, Y)-Koordinaten zu, sodass auch Dateien mit abweichender Lot-/Wafer-ID problemlos als Messwiederholungen verglichen werden können.

Klicken zum Vergrößern

Abbildung 4. Gauge R&R Übersicht — 3 wiederholte Messungen desselben Wafers. Die oberen Karten zeigen items studied, median %repeat, median %P/T und good/marginal/poor. Darunter listet die Tabelle PARTS, TRIALS, %REPEAT, %P/T, ndc und RESULT auf. Ein Doppelklick öffnet die Detail-Zerlegung in EV, AV und PV.

Voraussetzung: Mindestens 2 STDF-Dateien von Mehrfachmessungen desselben Wafers (über Append... laden). Datalogs ohne (X, Y)-Koordinaten (z. B. Gehäusetests) können nicht analysiert werden.

Streuungskomponenten und Methoden

Komponente	Bedeutung
EV (Wiederholbarkeit) Equipment Variation	Streuung bei wiederholter Messung unter identischen Bedingungen (Grundrauschen des Testers).
AV (Vergleichbarkeit) Appraiser Variation	Schwankungen zwischen verschiedenen Dateien, Durchläufen oder Test-Sites (Sockelkontaktierung, Drift).
GRR	$\sqrt{EV^2 + AV^2}$ — Gesamte vom Messsystem erzeugte Streuung.
PV	Echte Bauteilstreuung über den Wafer hinweg (Prozessvariation).

Als Rechenmethode stehen ANOVA (Standard, Schätzung der Varianzkomponenten über mittlere Quadrate) und Average-Range (AIAG-Formelblatt über Spannen und $d_2$-Faktoren) zur Auswahl. Bei großen Stichproben liefert ANOVA signifikant stabilere Ergebnisse. Modi: Nur Wiederholbarkeit (Einzelsite, AV entfällt) oder Cross-Site (Sites fungieren als Prüfer).

%GRR-Kriterien und ndc

$$\%GRR = \frac{GRR}{TV} \times 100\%, \qquad \%P/T = \frac{6 \cdot GRR}{\text{USL} - \text{LSL}} \times 100\%, \qquad ndc = 1.41 \times \frac{PV}{GRR}$$

%GRR	Urteil	Bewertung
< 10%	good	Messsystem voll fähig. Bei ndc ≥ 5 ist auch die Auflösung exzellent.
10% bis 30%	marginal	Bedingt akzeptabel, abhängig von Prüfaufwand, Bauteilkosten und Risikoklasse.
> 30%	poor	Messunsicherheit dominiert die Entscheidung. Nadelkontaktierung, Sockel und DIB prüfen.

Das automatische Urteil (RESULT) richtet sich nach %GRR (im Verhältnis zur Gesamtstreuung); beachten Sie zusätzlich %P/T (im Verhältnis zur Toleranzbreite). Der ndc-Wert (Anzahl unterscheidbarer Klassen) sollte ≥ 5 sein (unter 2 ist das System unbrauchbar). Über Export CSV kann die Tabelle gesichert werden.

Multi-Site Variation

5. Multi-Site Hardware-Delta-Analyse

Beim parallelen Testen auf mehreren Sites führen Nadeldruckdifferenzen, Sockelübergangswiderstände oder Relaisalterung häufig dazu, dass einzelne Testkanäle systematisch abdriften. Die Ansicht SITE vergleicht Ausbeute, BIN-Struktur und Messwertmittelwerte, um fehlerhafte Hardware-Kanäle sofort zu isolieren.

Klicken zum Vergrößern

Abbildung 5. SITE-Ansicht Tab PASS / FAIL — Karten (OVERALL YIELD, BEST SITE, WORST SITE, SITE SPREAD) und Site-Yield-Balken. Die Markierung auf jedem Balken stellt die Gesamt-Ausbeute dar, die Zahl rechts zeigt die Abweichung (z. B. Site 3 mit -1.6%p).

Prüfpunkt	Ansicht	Diagnoseweg
Niedrigste Ausbeute	SITE > PASS / FAIL	Kürzester Balken; wird auch in der WORST SITE Karte benannt
Häufung spezifischer Fehler	SITE > BIN	Prüfen, ob bestimmte Fail-BINs konzentriert auf einer Site auftreten
Verschobene Messwerte	SITE > TEST DATA	Abweichung des Site-spezifischen PASS-Mittelwerts vom Gesamtwert (Δ vs overall)
Site-dominierte Tests	SITE > TEST MATRIX	η² (Anteil der Streuung durch Site-Effekt). Unter 5% Einfluss wird mit `-` dargestellt
Statistische Signifikanz	Group Analysis (Group by: Site)	One-way ANOVA p-Wert und paarweise Tukey HSD Kontraste
Messwiederholbarkeit	Gauge R&R (Cross-Site)	Quantifizierung der AV-Komponente bei Vermessung identischer Bauteile auf allen Sites

Site-Nummer 255 steht im STDF-Standard üblicherweise für die Gesamtheit („ALL SITES“). Unter Main Option > SITE 255 on part records wählen Sie die gewünschte Behandlung (Auto / All Site / Physical site).

Process Capability

6. Cpk · Cp · Est ppm · Normalität

Prozessfähigkeitsindizes quantifizieren, wie viel Sicherheitsabstand die reale Verteilung zu den Spezifikationsgrenzen (LL/HL) einhält. DLOG weist Cpk und Cp in den Test Item Statistics von Chart, in der Liste Tests (Cpk) und im Dashboard in Echtzeit aus.

$$C_p = \frac{\text{USL} - \text{LSL}}{6\sigma}, \qquad C_{pk} = \min\left(\frac{\text{USL} - \mu}{3\sigma}, \; \frac{\mu - \text{LSL}}{3\sigma}\right)$$ $$\text{Est ppm} = \left[\Phi\!\left(\frac{\text{LSL} - \mu}{\sigma}\right) + 1 - \Phi\!\left(\frac{\text{USL} - \mu}{\sigma}\right)\right] \times 10^6$$

Hierbei stehen $\mu$ und $\sigma$ für Mittelwert und Standardabweichung des aktuellen Filters (Scope). Est ppm entspricht der theoretischen zweiseitigen Randwahrscheinlichkeit unter Normalverteilungsannahme. Dashboard-Einstufung: Kritisch (< 1.00), Akzeptabel (1.00 bis 1.33) und Gut (≥ 1.33), konfigurierbar in den Optionen.

Cpk	Sigma-Niveau	Theoretische Fehlerrate (Normalverteilung)	Praxisbezug
`1.00`	$3\sigma$	ca. 2.700 ppm	Mittelwert zentriert, 3σ Abstand zur Toleranzgrenze
`1.33`	$4\sigma$	ca. 63 ppm	Industrieller Standard-Mindestwert für stabile Prozesse
`1.50`	$4.5\sigma$	ca. 6.8 ppm	Gute Prozesskontrolle in Halbleiter-Linien
`1.67`	$5\sigma$	ca. 0.57 ppm	Üblicher Richtwert für Automotive und sicherheitskritische ICs
`2.00`	$6\sigma$	ca. 0.002 ppm	Six-Sigma-Qualitätsziel

Die Tabellenwerte gelten bei zentrierter Lage und idealer Normalverteilung. Verbindlich sind stets die vertraglich vereinbarten Kundenvorgaben.

Normalitätsprüfung und CDF / Wahrscheinlichkeitsnetz

Cpk und Est ppm besitzen nur dann Aussagekraft, wenn die Daten tatsächlich einer Gaußschen Normalverteilung folgen. DLOG berechnet den auf Ausreißer in den Verteilungsenden hochsensiblen Anderson-Darling Test (p-Wert als Normality (AD)). Bei p < 0.05 liegt signifikante Nicht-Normalität vor.

CDF / Wahrscheinlichkeitsnetz: Reale Verteilung im Vergleich zur Normalverteilung

Klicken zum Vergrößern

Abbildung 6. CDF / Wahrscheinlichkeitsnetz — Weicht die reale Summenkurve (blaue Linie) stark von der Gaußkurve (graue Linie) ab, darf der Cpk nicht unkritisch herangezogen werden. Ein schwerer rechter Rand bedeutet, dass weit mehr Teile außerhalb der Spezifikation liegen als theoretisch prognostiziert.

Beispiel aus Abb. 1 (IDDQ_STANDBY): Cpk wird mit 0.749 und Est ppm mit 12.602 (~1.3%) angegeben; real liegen jedoch 18 von 591 Teilen (~3.0%) außerhalb der Spezifikation, und der p-Wert für Normality (AD) ist praktisch 0. Durch die starke Schiefe unterschätzt das Normalverteilungsmodell den Ausschuss massiv. Ziehen Sie bei solchen Parametern Box-Plots und CDF heran und nutzen Sie Group Analysis > Distribution Fit (Normal-, Lognormal- und Weibull-Anpassung mit Anderson-Darling-Ranking).

Correlation, ANOVA & Test Time

7. Korrelationsanalyse · ANOVA · TTO

Fehlerursachen im Halbleitertest liegen selten in isolierten Parametern, sondern zeigen sich in Wechselwirkungen mehrerer Tests oder spezifischen Gruppierungen (Site, Temperatur, Lot, Datei). Correlation deckt das gemeinsame Verhalten auf, während Group Analysis Gruppenunterschiede auf statistische Signifikanz prüft.

Klicken zum Vergrößern

Abbildung 7-1. Correlation — Matrix-Heatmap (rot = positiv, blau = negativ korreliert), Streudiagramm zweier Tests mit Regressionsgerade (r, R²) und Liste Top correlations.

Group Analysis Box-Plot und ANOVA-Ergebnis

Klicken zum Vergrößern

Abbildung 7-2. Group Analysis — Box-Plots nach Sites und One-way ANOVA Ergebniszeile (Groups, N, Eta², F, Tukey HSD, p-Wert).

Pearson- und Spearman-Korrelation

$$r_{xy} = \frac{\sum_{i=1}^N (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^N (x_i - \bar{x})^2} \sqrt{\sum_{i=1}^N (y_i - \bar{y})^2}}$$

Pearson erfasst lineare Zusammenhänge; die rangbasierte Spearman-Korrelation ist unempfindlich gegenüber Ausreißern und erkennt auch nichtlineare monotone Zusammenhänge. Die Sortierung Cluster gruppiert korrelierte Parameter zu gut sichtbaren Blöcken. Über Auto isoliert DLOG Tests mit starker Korrelation (|r| ≥ 0.70).

Redundante Tests und TTO: Paare mit |r| ≥ 0.95 messen fast immer dieselbe physikalische Eigenschaft und werden als Redundanz-Kandidaten gelistet. Die TTO Engine (Test Time Optimization) fasst hochkorrelierte Tests zusammen, behält den Parameter mit der höchsten Fehlerabdeckung und schlägt die übrigen zur Entfernung aus dem Testprogramm vor. Weist die Spalte Only Drop Fails Werte > 0 auf, würde das Löschen dieses Tests zu Fehlerschlupf führen.

Einfaktorielle Varianzanalyse (One-way ANOVA)

Group Analysis unterteilt Testergebnisse nach Site, File, Corner, Temp, Process, Node, Program-Rev oder Product und berechnet, ob sich Gruppenmittelwerte statistisch signifikant unterscheiden:

$$F = \frac{MS_{\text{Between}}}{MS_{\text{Within}}} = \frac{\sum_{j=1}^k n_j (\bar{x}_j - \bar{x})^2 / (k - 1)}{\sum_{j=1}^k \sum_{i=1}^{n_j} (x_{ij} - \bar{x}_j)^2 / (N - k)}, \qquad \eta^2 = \frac{SS_{\text{Between}}}{SS_{\text{Total}}}$$

p-Wert < 0.05: Unter der Annahme identischer Gruppenmittelwerte liegt die Wahrscheinlichkeit für die beobachtete Differenz unter 5%. Mindestens eine Gruppe unterscheidet sich signifikant.
Eta² (η²): Effektstärke – Anteil der Gesamtvarianz, der auf Gruppeneffekte zurückzuführen ist. Nahe 0 bedeutet keinen Gruppeneinfluss; 0.40 bedeutet, dass 40% der Streuung durch Gruppenunterschiede erklärt werden.
Tukey HSD: Paarweiser Mittelwertvergleich nennt die genaue Anzahl abweichender Paare (z. B. „0 of 6 pairs differ“).

Im Beispiel in Abb. 7-2 zeigt Eta² von 0.001 und ein p-Wert von 0.6772, dass keine signifikanten Unterschiede zwischen den Sites vorliegen. Der grüne Chip No difference signalisiert dies auf einen Blick.

Practical Field Guide

8. Prozessdrift vs. Messunsicherheit unterscheiden

Fällt der Cpk ab oder bricht die Ausbeute ein, verdächtigt das Fab-Team oft das Testequipment, während das Testteam die Ursache im Waferprozess vermutet. Mit den Analysewerkzeugen von DLOG lassen sich beide Ursachen datenbasiert abgrenzen:

Prüfbereich	Ursache im Waferprozess (Fab)	Ursache im Testequipment / Messaufbau
Räumliche Verteilung (Wafer > Signature)	Konzentrische Ringe, Randausfälle, Zentrumsmuster, lokale Fehlercluster	Geringe Ausbeute bei Cluster-Score nahe 0 (rein zufällig), Periodizität nach Belichtungsfeld oder Sites
Multi-Site-Verhalten (SITE, Group Analysis)	Gleichförmige Verteilung über alle Testkanäle	Einzelne Site weicht stark ab, Group ANOVA p-Wert hochsignifikant
Messwiederholbarkeit (Gauge R&R)	%GRR niedrig, Bauteilstreuung (PV) dominiert	%GRR hoch, Equipment- (EV) oder Appraiser-Streuung (AV) dominiert
Trendverlauf (Chart > Trend)	Sprunghafte Änderungen entlang von Wafer- oder Lotgrenzen	Kontinuierlicher Drift über die Testzeit, Verschiebung nach Wartung von Nadelkarte/Sockel
Maßnahmen	Fab-Anlagen und Prozessrezepte überprüfen (Lithografie, Ätzen, CMP)	Nadelkarte/Sockel reinigen oder tauschen, Kontaktierung und DIB-Masse prüfen

PAT-Sigma im Hochlauf einstellen: Bei neuen Produkten mit geringer Datenbasis empfiehlt es sich, mit großzügigen k-Werten zu starten und über Yield Loss vs Quality Risk Ausbeuteverlust und Risiko abzuwägen. Liegen ausreichende Lot-Daten vor, vergleichen Sie DPAT vs lot baseline mit waferbasiertem DPAT.

FAQ & Report Export

9. Häufig gestellte Fragen (FAQ) & Berichte

Häufig gestellte Fragen (FAQ)

Q1. Warum gibt es Feldrückläufer (RMAs), obwohl der Cpk sehr hoch ist?
Cpk setzt eine univariat normalverteilte Eigenschaft voraus. Nicht-Normalverteilungen (z. B. bimodale Verläufe) oder mehrdimensionale Testkombinationen, die physikalische Zusammenhänge verletzen, werden vom skalaren Cpk nicht erkannt. Setzen Sie PAT+ (DPAT · SPAT) und MVA (MVA Explorer, Wafer MVA-PAT) ein, um Ausreißer im Gutteilbereich zu erfassen.

Q2. Mein Gauge R&R meldet %GRR mit 35%. Sollte ich zuerst EV oder AV untersuchen?
Prüfen Sie die Varianzkomponenten im Detail-Fenster von Gauge R&R. Wenn EV überwiegt, analysieren Sie Tester-Rauschen, Erdung, Ripple auf den Spannungsversorgungen und Abschirmungen. Überwiegt AV, prüfen Sie Unterschiede zwischen Dateien oder Sites (Sockelabnutzung, Nadelandruck, Kalibrierung).

Q3. Welche Daten werden für Gauge R&R benötigt?
Sie benötigen mindestens 2 STDF-Dateien von wiederholten Messungen desselben Wafers mit vollständigen (X, Y)-Koordinaten. Fügen Sie Wiederholungsmessungen über Append... hinzu. Datalogs ohne Koordinaten (z. B. FT) können nicht abgeglichen werden.

Q4. Können Analyseergebnisse nach Excel oder in Berichte exportiert werden?
Ja. In jeder Ansicht können Daten über Export CSV gesichert werden. Über Export > Save Report erzeugen Sie vollständige Berichte als PDF, Excel (.xlsx), Word (.docx) oder Grafik. PAT-Grenzdiagramme lassen sich über PAT (PDF) als einseitige Berichte pro Parameter exportieren.

Berichtsfunktionen: Wie Sie statistische Diagramme, Tabellen und Wafer-Maps in professionellen Berichten zusammenstellen, erfahren Sie auf der Berichte-Leitfaden →.

Überprüfen Sie Prozessfähigkeit und Messsystem-Zuverlässigkeit mit DLOG

PAT+ Ausreißer-Screening, MVA Explorer, Gauge R&R, Multi-Site-Varianz und Cpk-Fähigkeitsstatistiken.
Testen Sie die STDF-Tiefenanalyse in einer 100%igen Offline-Umgebung 6 Monate lang kostenlos.

Jetzt 6 Monate kostenlos testen (Windows 64-Bit)