DLOG 过程能力与深度分析完整指南 (PAT+ · MVA · Gauge R&R · Cpk/Cp · ANOVA)

Analysis Overview

1. 分析功能全览

半导体量产测试数据 STDF V4 数据日志中包含数千个参数测试项目（PTR、MPR）与数十万颗以上的晶粒（PRR）。单纯确认数据落在规格极限（LL/HL）内，并无法得知制造制程是否稳定受控、测试机台的测量结果是否精准可信，更无法发现混杂在合格品中的高风险潜在不良晶粒。

DLOG 提供了专门的分析视图来精准回答这些问题。您可以在软件顶部的顶部菜单栏中快速打开。本指南将深入解析用于评估过程能力、离群值筛选及测量系统可靠性的核心分析视图。

点击放大查看

图 1. Chart 图表界面 — 直方图上叠加绘制了平均值、±σ标准差线、正态分布曲线及规格上限（HL）。右侧 Test Item Statistics 显示 Sigma、Cpk、Cp、Est ppm 及 Normality (AD) 指标。下方 Tests (Cpk) 列表则以颜色等级即时汇总所有测试项目的 Cpk 能力。

分析模组	DLOG 界面	核心指标	适用情境
PAT+ 离群值筛选	Wafer (PAT Data / PAT+), Chart (DPAT 频带)	DPAT 频带、SPAT 邻域残差、PAT+ Flips	筛选规格合格但偏离统计母体或邻近晶粒的「合格良品中的潜在可疑晶粒」
多变量异常值	MVA Explorer, Wafer (MVA-PAT)	Mahalanobis MD²、PCA SPE、Isolation Forest	单一测试皆在规格内，但多参数关联组合呈现物理异常的晶粒检测
Gauge R&R	Gauge R&R	EV、AV、PV、%GRR、%P/T、ndc	利用同一晶圆的重复测试记录，评估测量系统的重复性与再现性
测试通道偏差	SITE, Group Analysis (Group by: Site)	站点别良率 · BIN · 平均值、η²、ANOVA	确认是否因单一探针卡针压、测试座接触电阻或继电器老化导致系统性偏移
过程能力指数	Chart, Dashboard, Group Analysis	Cpk、Cp、Est ppm、Normality (Anderson-Darling)	评估规格余裕、推算 ppm 不良率，并验证正态分布假设是否成立
相关分析 · TTO	Correlation, TTO Engine	Pearson r、Spearman ρ、冗余测试候选	找出物理特性完全重叠的重复测试项目，评估缩短测试时间的可行性

平均值与标准差采用 Welford 在线算法（单次遍历即时更新）进行计算。此算法能彻底避免在大样本平方和累积计算时常见的严重数值消去误差（Catastrophic Cancellation），确保卓越的数值稳定性：

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

100% 本地安全运算： 所有统计分析算法皆严格在您的本机电脑上运算执行，STDF 测试文件及分析数据绝不会上传至任何外部服务器。

Part Average Testing

2. PAT+ 离群值筛选 (DPAT · SPAT)

PAT (Part Average Testing) 是车用半导体品质规范 AEC-Q001 确立的核心统计手法。其目的在于将即使符合规格极限、但显著偏离正常母体统计分布的晶粒挑出淘汰，从而大幅降低在终端市场发生早期失效（Infant Mortality）的潜在风险。

DLOG 在 Wafer 晶圆视图的 PAT Data 模式下，能为选定的测试项目计算并显示 PAT 动态极限（PAT LL / HL）。若在显示设定中打开 PAT+，软件会自动在晶圆图上叠加标记出规格合格但被 DPAT 或 SPAT 规则判定为可疑的晶粒（不改变原有 STDF 合格判定）。

点击放大查看

图 2-1. Wafer 晶圆界面 PAT Data 模式 + PAT+ — 左侧 PAT Data 卡片显示 Median · PAT LL · PAT HL，PAT+ Reject 卡片显示 DPAT 范围、SPAT 设定（3x3 ×6.0）与 PAT+ Flips 计数。可疑晶粒在图上以圆环高亮显示。

点击放大查看

图 2-2. Tools > Studies > Yield Loss vs Quality Risk — 在 3～15 范围内动态调整西格玛倍率，即时对比良率损失（Yield Loss）与规格余裕风险指标（DPPM），并获得最佳建议西格玛值。

DPAT：以稳健统计量动态重新计算界限

为防止离群值自身拉偏平均值与标准差，DLOG 采用 中位数（Median） 取代平均值，并以 四分位距（IQR）推估的稳健西格玛（Robust Sigma） 取代标准差：

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

落在此区间之外的晶粒即为离群值候选。西格玛倍率 k 的默认值为 6。您可以在 View settings > Wafer View Options 的 Lower Sigma (L) / Upper Sigma (H) 中分别独立调整上下限倍率。k 值设得越小，捕捉到的可疑候选晶粒越多。

DPAT（动态 PAT）不采用固定规格，而是按照 单片晶圆、个别站点、或批次基准线（Lot Baseline） 动态重新计算界限。针对测试通道间的硬件偏移，站点别 DPAT 能有效消除硬件误差；而批次基准 DPAT 则适用于追踪晶圆间的制程漂移。在 Chart 的 Trend 趋势图中打开 DPAT (trend) 选项，亦可将动态频带叠加于测试顺序上查看。

SPAT：邻近晶粒空间残差分析

在全晶圆整体分布中难以察觉的局部异常（例如微小缺陷群、刮伤或晶圆边缘聚集），唯有通过与空间邻近晶粒比较才能现形。SPAT（空间 PAT）计算目标晶粒 $(i, j)$ 与周围 合格（PASS）邻近晶粒中位数 的差值（残差），并对照邻域的稳健标准差进行评估：

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

默认空间核心大小为 $3 \times 3$，倍率为 6.0。在不良晶粒密集的晶圆边缘，若合格邻近晶粒数量不足，软件会自动向外扩展核心至最多 2 层同心环，以确保取得足够的参考样本。

PAT 西格玛设定权衡：良率损失 vs 品质风险

降低 k 值虽能捕捉更多可疑晶粒，但也会增加误杀良品的 良率损失（Overkill）。Tools > Studies 中的 Yield Loss vs Quality Risk 功能可针对各测试项目扫描西格玛范围，以表格与曲线呈现 Reject Candidates、Yield Loss 及 DPPM，并根据目标 DPPM 给出 建议西格玛值。确认无误后点击 Apply Sigma 即可立即应用。

关于 DPPM 指标的说明： 此处显示的 DPPM 并非实际测量到的市场流出不良数，而是依据 PAT 界限与规格极限之间的统计裕度推算的 风险指标（Proxy）。请勿将其视为合约等级的品质保证数据。此外，软件支持通过 PAT (PDF) 为所选测试项目导出每项一页的完整 PAT 报告。

GDBN (Good Die in Bad Neighborhood)： 将不良晶粒聚集区周围的合格晶粒重新判定为不良的车规品管法则。在 Convert 的 BIN 重新分类功能（PAT / GDBN / CD）中启用后，系统会搜寻达到指定规模的不良群集（8方向相邻），并将指定半径内的合格晶粒重新标记为指定的不良 BIN，随后产出全新的 STDF 文件。

Multivariate Outlier Detection

3. MVA 探索器 (多变量异常值)

物理相关的电性测试项目通常会呈现同向或反向连动。某些晶粒在个别查看测试 A 或测试 B 时均在规格内，但若出现 测试 A 异常偏高且测试 B 异常偏低 的相反走势，这就破坏了正常芯片应有的物理关联。单独检查时它是合格品，但在多维空间中则是显著的异常晶粒。MVA 探索器（多变量分析）专门用来捕捉这类潜在隐患。

点击放大查看

图 3. MVA 探索器 — 采用 15 个测试项目、马氏距离（MD²）及 3.0σ 阈值的示例。上方卡片显示 Scored、Outliers、Threshold 及 PASS 晶粒总数。点击结果表中的晶粒（#0160），右侧 Outlier Contribution Breakdown 会以直方条显示推升异常分数最高的测试项目及对应的 z 分数。

三种异常侦测算法

算法名称	侦测原理	最佳适用情境
Mahalanobis (MD²)	考量参数间共方差的统计距离。超出卡方分布阈值即判定为异常	标准推荐的通用默认值
PCA reconstruction (SPE)	投影至主成分空间重构后的残差误差（Q 统计量）。捕捉无法被正常相关模式解释的晶粒	测试项目繁多的大规模数据集
Isolation Forest	无需正态假设的孤立森林分割算法。将 PASS 晶粒中前 1% 容易被分割孤立者标记为异常	非线性或多峰分布等复杂异常模式

马氏距离 (Mahalanobis MD²)

传统欧式距离无法反映参数间的尺度差异与相关性。马氏距离借由共方差矩阵（$\mathbf{\Sigma}$）的逆矩阵来进行校正。DLOG 采用稳健估计中心与收缩共方差矩阵（Shrinkage Covariance），并将各测试项目的贡献度拆解为 $z_i \cdot (\mathbf{\Sigma}^{-1}\mathbf{z})_i$，确保其总和等于 $MD^2$：

$$MD^2(\mathbf{x}) = (\mathbf{x} - \boldsymbol{\mu})^T \mathbf{\Sigma}^{-1} (\mathbf{x} - \boldsymbol{\mu})$$ $$\text{异常判定规则}: MD^2(\mathbf{x}) > \chi^2_{r}(1 - \alpha), \qquad \alpha = 2\,(1 - \Phi(\sigma_{\text{设定}}))$$

Threshold (Sigma) 阈值设定（3.0 / 4.0 / 5.0 / 6.0σ，默认 6.0σ）会换算为正态分布双尾概率 $\alpha$，成为自由度 $r$（所选测试项目数）的卡方分布阈值。设定值越高，判断越严格，筛出的异常数越少。主成分分析的 SPE（平方预测误差，Q 统计量）则以主成分模型无法解释的残差变异大小作为异常评分。

结果表格字段解析

字段名称	定义与含义
Status	`OUTLIER` · `NORMAL` · `NOT SCORED`（所选项目中有缺测值的晶粒） · `EXCLUDED`（非 PASS 晶粒）
Score	所选算法计算出的异常分数（MD²、SPE 或 Isolation Forest 分数）
Risk	Score ÷ Threshold。数值超过 1.0x 即判定为 OUTLIER
Top contributor	推升异常分数最高的主要测试项目与其稳健 z 分数（以中位数及 MAD 为基准）

模型训练必备条件： 正常基准模型仅会使用所有选定项目皆有完整数据的 完全 PASS 晶粒 进行训练，且样本数必须大于等于 max(50, 5 × 测试项目数)（例如图 3 的 15 个测试至少需要 75 颗样本）。请务必选取 具备物理关联性 的参数测试；混入过多无关项目会冲淡异常分数。在 Wafer 视图的 MVA-PAT 模式中，可在晶圆坐标上查看多变量分数，并将原本 PASS 但被判定为 MVA 异常的晶粒（MVA Flips）导出为 CSV。

Measurement System Analysis

4. Gauge R&R 测量系统分析

测试数据中观测到的总变异，由半导体芯片本身的制程变异与测量系统（测试机电路、探针卡、测试座、治具）带来的测量误差叠加而成：

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

测量系统误差过大可能导致良品被误判为不良品，或将不良品误放至客户手中。Gauge R&R 功能利用同一片晶圆多次重复测试的 STDF 文件，将此变异精确拆解。DLOG 通过 (X, Y) 坐标精确对齐晶粒，因此即使文件间的 Lot ID 或 Wafer ID 不一致，只要是同一片晶圆即能进行重复测量分析。

点击放大查看

图 4. Gauge R&R 分析汇总 — 加载同一片晶圆重复测试 3 次的示例。上方卡片显示 items studied、median %repeat、median %P/T 及 good / marginal / poor 统计。下方表格条列各测试项目的 PARTS · TRIALS · %REPEAT · %P/T · ndc · RESULT。双击任一行即可在 Detail 页面查看 EV、AV、PV 变异成分拆解。

前置准备需求： 至少需要 2 个以上针对同一晶圆重复测试的 STDF 文件（请使用 Append... 指令加载）。无晶粒 (X, Y) 坐标记录的数据（如封装成品测试 FT）因无法定位对齐而无法使用。

变异成分与计算模型

成分名称	定义与物理意义
EV（设备变异 / 重复性） Equipment Variation	在相同条件下重复测量同一晶粒时的波动（测试机台本身的底噪）
AV（评估者变异 / 再现性） Appraiser Variation	不同测试文件或不同测试通道（作业条件）切换时引起的变异
GRR	$\sqrt{EV^2 + AV^2}$ — 测量系统本身带来的总变异
PV	晶粒本身的真实个体差异（实际制造制程的真实变异）

计算算法支持 ANOVA（默认，从均方中精确估计变异成分）与 Average-Range（AIAG 规范的极差与 $d_2$ 系数法）。在半导体大样本测试中，ANOVA 的统计精确度远优于极差法。分析模式分为两种：仅重复性（单通道，不计算 AV）与 跨通道交叉（当所有测试通道皆完整测试过相同晶粒时，将站点视为评估者）。

%GRR 判定准则与 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	自动判定	工程解读与处置建议
小于 10%	good	测量系统非常优良。若 ndc ≥ 5 则测量分辨率亦完全充裕。
10% ～ 30%	marginal	条件式接受。视测试项目的关键程度与改善成本决定是否采用。
大于 30%	poor	测量误差已主导测试判定。必须优先检查探针接触、测试座磨损或负载板杂讯。

自动判定（RESULT）由 %GRR（占总变异比率） 决定；同时建议查看相对于规格公差幅度的 %P/T（单边规格显示为 N/A）。ndc（数据分级数）建议在 5 以上，若小于 2 则该测量系统无法区分芯片制程差异。所有测试值完全相同的项目因变异为 0 无法进行评估。点击 Export CSV 可储存完整分析列表。

Multi-Site Variation

5. 多通道测试硬件偏差分析

在平行多通道（Multi-Site）测试中，常因探针卡针压不均、测试座接触电阻偏高或继电器微弱漏电，导致 特定通道产生系统性偏差。SITE 视图通过跨通道比对良率、BIN 结构及测试值平均，帮助工程师迅速锁定硬件异常通道。

点击放大查看

图 5. SITE 界面 PASS / FAIL 标签页 — 摘要卡片（OVERALL YIELD · BEST SITE · WORST SITE · SITE SPREAD）及各通道良率长条图。长条上的刻度代表全批平均良率，右侧数值为其差异（例如 Site 3 比总体低 -1.6%p）。

查核目标	对应界面	查看方式
良率异常落后通道	SITE > PASS / FAIL	长度最短的长条；亦直接标记于 WORST SITE 卡片中
特定不良集中通道	SITE > BIN	确认特定 Fail BIN 是否高度集中在某个测试通道
数值发生偏移通道	SITE > TEST DATA	检查各通道 PASS 晶粒平均值相较总体平均值的偏离幅度（Δ vs overall）
通道效应显著项目	SITE > TEST MATRIX	查看 η²（总变异中由通道差异所解释之比率）。低于 5% 视为影响微弱并标记为 `-`
统计显著性验证	Group Analysis (Group by: Site)	查看 One-way ANOVA 之 p-value 及 Tukey HSD 多重比较检验结果
通道间测量再现性	Gauge R&R (跨通道模式)	通过全通道测量相同晶粒的数据，量化评估 AV 再现性变异

在 STDF 惯例中，通道编号 255 通常代表「所有通道汇总（ALL SITE）」。您可在 Main Option 的 SITE 255 on part records 中切换 Auto / All Site / Physical site 的解析逻辑。

Process Capability

6. Cpk · Cp · Est ppm · 正态性检验

过程能力指数代表实测参数分布相较于规格界限（LL/HL）具备多少裕度。DLOG 在 Chart 视图的 Test Item Statistics、Tests (Cpk) 侧边列表以及 Dashboard 过程能力摘要中，即时计算并呈现 Cpk 与 Cp。

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

其中 $\mu$ 与 $\sigma$ 代表目前选定筛选范围（Scope）内样本的平均值与样本标准差，Est ppm 则是 假设正态分布时推算的双尾不良率（单边规格仅推算对应单侧）。在 Dashboard 中，过程能力默认分为 Critical（< 1.00）、Marginal（1.00～1.33）与 Good（≥ 1.33），阈值可于设定中调整。

Cpk	西格玛水准	正态假设双尾预期不良率	业界参考基准
`1.00`	$3\sigma$	约 2,700 ppm	平均值居中时距规格界限有 3σ 裕度
`1.33`	$4\sigma$	约 63 ppm	一般工业量产的通用合格基准
`1.50`	$4.5\sigma$	约 6.8 ppm	高度受控生产线的品管目标
`1.67`	$5\sigma$	约 0.57 ppm	车用半导体与高可靠度应用常见的严格标准
`2.00`	$6\sigma$	约 0.002 ppm	六西格玛零缺陷目标水准

上表数值为平均值完美居中且数据完全符合正态分布时的理论推估。正式合格判定请严格遵循产品规格书与客户合约标准。

正态性检验与 CDF / 概率分布图

Cpk 与 Est ppm 仅在数据真实服从正态分布时方具参考价值。DLOG 通过对分布尾端极其敏感的 Anderson-Darling 检验，将 p-value 标示为 Normality (AD)。一般当 p < 0.05 时，即表示数据显著偏离正态分布。

点击放大查看

图 6. CDF / Probability — 实测累积概率曲线（蓝色实线）若与理论正态曲线（灰色虚线）大幅偏离，即是不能盲目采信正态 Cpk 的明确警讯。右侧长尾分布越严重，超标不良数将远高于正态理论之预测值。

图 1 IDDQ_STANDBY 测试案例警示： 虽然软件显示 Cpk 0.749、Est ppm 12,602（约 1.3%），但实测 591 颗中有 18 颗超标（实测不良率高达 3.0%），且 Normality (AD) 的 p-value 实质为 0。由于存在严重的右偏长尾，正态分布假设大幅低估了真实不良风险。针对此类参数，应搭配箱线图与 CDF / Probability 等分位数图表，并于 Group Analysis 的 Distribution Fit（自动拟合正态、对数正态、威布尔分布并按 Anderson-Darling 评分排序）中查看非正态警告。

Correlation, ANOVA & Test Time

7. 相关分析 · ANOVA · TTO

在半导体测试中，不良原因鲜少局限於单一测试项目，往往隐藏于多参数交互作用或特定分组条件（通道、温度、批次、测试文件）中。Correlation 视图能揭示测试项目间的共变关联，而 Group Analysis 则能验证群组平均值差异是否具备统计显著性。

点击放大查看

图 7-1. Correlation — 相关性矩阵热图（红/粉＝正相关，蓝＝负相关）、两测试项目的散点图（含回归直线、r、R²）以及高相关性配对排行 Top correlations

点击放大查看

图 7-2. Group Analysis — 通道别箱线图（Box Plot）与底部 One-way ANOVA 汇总列（Groups · N · Eta² · F · Tukey HSD · p-value）

皮尔逊 (Pearson) 与斯皮尔曼 (Spearman) 相关系数

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

Pearson（默认）衡量线性关系强度，而基于等级排序的 Spearman 对极端离群值不敏感，能有效捕捉非线性的单调关系。启用 Cluster 排序可将高度相关的测试项目相邻排列，使相关区块一目了然。Parameters 设定中的 Auto 可自动筛选出参与强相关（|r| ≥ 0.70）的核心测试。

冗余测试与 TTO： 相对系数 |r| ≥ 0.95 的配对通常代表重复测量了完全相同的硬件特性，系统会将其标记为 重复测试候选。TTO Engine（测试时间优化）将 |r| ≥ 0.95 的配对进行分组，在各群组中保留不良品拦截率最高的测试，并给出建议删除的 剔除候选项目。若列表中的 Only Drop Fails（仅由该测试独自拦截的不良品数）大于 0，删除该项目将导致缺陷流出，因此修改测试程序前请务必确认电路规格与客户要求。

单因素方差分析 (One-way ANOVA)

Group Analysis 可将任一测试项目依据 Site、File、Corner、Temp、Process、Node、Program-Rev 或 Product 分组，计算各组平均值之间是否存在统计学上的显著差异：

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

p-value < 0.05： 在各组平均值均相等的假设下，目前观测到的组间差异纯属随机抽样误差的概率低于 5%。可判定至少有一组的平均值存在显著差异。
Eta² (η²)： 总变异中由分组因素所解释的比例（效应量）。接近 0 代表无组间差异，若达 0.40 则表示 40% 的数值分散来自群组差异。
Tukey HSD： 进行事后两两成对比较，标示出具备显著差异的配对数（例如 "0 of 6 pairs differ"）。

图 7-2 示例中 Eta² 为 0.001、p-value 为 0.6772，证明通道间不存在显著差异。上方绿色芯片 No difference 给出了直观提示。

Practical Field Guide

8. 制程异常 vs 测量异常快速辨识

当 Cpk 下滑或良率暴跌时，晶圆厂常怀疑测试端机台接触不良，而测试工程师则怀疑晶圆前段制程偏移。通过 DLOG 提供的各项统计分析功能，您可以基于客观数据快速判断问题根因：

查核面向	前段制程（Fab）异常特征	测试机 / 测量系统异常特征
晶圆空间分布 (Wafer > Signature)	同心圆环状、晶圆外缘效应、中心热点、局部缺陷聚集等明显几何形貌	良率虽低但 Cluster 群聚分数接近 0（完全随机分布）、出现曝光视场或测试通道的周期性
通道偏差 (SITE, Group Analysis)	所有测试通道平均受影响，分布一致	特定单一通道严重偏移，Group ANOVA p-value 具高度显著性
测量可靠度 (Gauge R&R)	%GRR 数值优良，零件变异（PV）占总变异主导地位	%GRR 严重超标，设备重复性（EV）或通道再现性（AV）主导变异
测试顺序走势 (Chart > Trend)	晶圆片与批次边界呈现阶梯式跃迁	随测试时长出现连续性微幅漂移，或在清洁探针卡/更换测试座前后产生剧变
改善行动	检验晶圆制造机台与制程参数（黄光微影、蚀刻、CMP 等）	清洁或更换探针卡/测试座、校正针压与接触水平、排除治具接地杂讯

新产品量产初期的 PAT 设定建议： 量产初期因样本数有限，边界计算相对敏感，建议先由较宽裕的 k 值起步，在 Yield Loss vs Quality Risk 中审视良率损失与风险指标的平衡点，随著投片量增加再逐步收紧。当批次累积数据充足后，建议同时启用 DPAT vs lot baseline 与晶圆别 DPAT 进行交错比对。

FAQ & Report Export

9. 常见问题 (FAQ) 与报表导出

常见问题 (FAQ)

Q1. 为什么测试项目的 Cpk 明明很高，终端客户却依然收到客退（RMA）不良品？
Cpk 是基於单一测试项目且假设数据符合标准正态分布。若数据呈现双峰或厚尾等非正态分布，或者芯片个别项目皆合格但在多参数组合上违反了物理常规，传统 Cpk 是完全无法拦截的。建议结合 PAT+（DPAT · SPAT）与 MVA（MVA Explorer、Wafer MVA-PAT）进行深度筛选，将潜伏在合格规格内的可疑芯片彻底过滤。

Q2. Gauge R&R 检验结果 %GRR 高达 35%，我该优先排查 EV 还是 AV？
请在 Gauge R&R 的 Detail 页面查看变异成分拆解。若 EV（重复性）占绝大比例，请重点排查测试机仪器底噪、接地回路、电源涟波及屏蔽效果；若 AV（再现性）占主导，则应优先检查各测试通道接触状况、测试座磨损程度、机台载台机械对位与校正差异。

Q3. 执行 Gauge R&R 需要提供哪些测试数据？
您需要至少 2 个针对同一片晶圆重复测试的 STDF 文件，且文件内必须完整记录晶粒的 (X, Y) 坐标信息。请使用 Append... 加载复测数据。缺少坐标信息的封装成品测试（FT）数据因无法在空间上对齐相同芯片，无法进行分析。

Q4. 分析结果是否能导出至 Excel 或工程品质报告？
可以。各界面均提供 Export CSV 可储存分析表格；在 Export > Save Report 中可一键生成 PDF、Excel (.xlsx)、Word (.docx) 及高分辨率图片报表。若需 PAT 极限走势图，选择 PAT (PDF) 即可输出各测试项目每页一张的专属 PDF 报告。

报表功能使用指南： 欲了解如何将各项统计图表、数据汇总表与晶圆图排版导出为正式品质文件，请参阅报表功能说明页面 →。

立即使用 DLOG 掌握过程能力与测量系统可靠度

PAT+ 离群值筛选、多变量 MVA 探索、Gauge R&R 测量分析、多通道偏差分析与 Cpk 统计。
在 100% 离线安全环境下，免费体验 6 个月 STDF 深度分析功能。

下载 6 个月免费试用版 (Windows 64-bit)