基于工業數據挖掘的ESD軟失效分析

摘" 要： 針對電子產品出貨后出現ESD軟失效而導致的退貨現象，文章通過機器學習算法分析產品ICT電性能測試參數、生產線ESD防護監控數據和產品ESD軟失效的相關性。集成算法模型經過優化，分類準確率達到0.88，可以用于量產電子產品的ESD軟失效的識別和出貨風險管控。同時，利用ESD防護監控點風險指數數據集可以提高產品ESD軟失效的識別準確率（8.6%）。安裝部署基于物聯網技術的靜電放電防護監控系統，對管控電子產品生產過程中的ESD軟失效風險以及控制出貨風險是很有幫助的，可以提高電子制造業防靜電管控的智慧化水平。

關鍵詞： ESD軟失效； 工業數據挖掘； 在線測試儀（ICT）； 電性能測試； 靜電放電； 監控系統

中圖分類號： TN911?34； TP277" " " " " " " " " "文獻標識碼： 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生的現象， 是靜止的或者相對靜止的電荷，其對電子產品的危害主要表現是靜電放電的高壓或者高能量導致器件受損。因此在電子產品生產制造過程，需要合適的靜電防護技術和防護措施[1?3]。為了進一步實時地監控所有防護措施是否有效，當前，很多電子制造企業部署了基于物聯網技術的靜電放電（Electro?Static Discharge， ESD）防護監控系統[4?5]，用于監控生產線的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，通常表現為短路、開路以及參數的嚴重衰變，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[5]。所以，一般情況下，一次ESD不足以引起器件立即完全失效，但元件內部會存在某種程度的輕微損傷，通常表現為器件的電性能參數值在規格限內的偏差或漂移，造成此類器件處于“亞健康”狀態，抗損傷的能力變弱。由于這種ESD輕微損傷并不明顯，不易在生產過程中被檢出，從而易被忽視，但這種元器件如果繼續工作，隨著工作時長帶來的老化作用，極易出現失效，本文稱此類現象為ESD軟失效（Soft ESD， S?ESD）。H?ESD一般能在產品出貨前的電學性能和功能檢測中及時發現；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，從而導致客戶退貨，其將帶來更高昂的客退成本和信譽損失。

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

從目前可查的文獻和行業資訊來看，對電子產品器件S?ESD管控預防的研究很少，沒有可參考的信息。為了研究S?ESD產線管控策略，本文從電子產品制造過程的ESD管控措施狀態數據、產品的電性能參數測試值以及產品出貨后的退貨返修數據入手，綜合分析返修產品在生產過程中遭受ESD損傷風險和出貨前的電性能參數值的偏移量，通過機器學習算法建立一種數學模型，用于篩選和管控ESD軟損傷器件或產品，降低出貨產品的風險。

1" 數據分析對象

1.1" S?ESD產品

由于發生ESD損傷主要是半導體類器件（二極管、三極管、場效應管、芯片等），且損傷現象表現為電性能方面（電壓和電流值）的漂移，所以S?ESD研究對象是產品中的半導體類器件相關測試點的電壓和電流測試結果。由于在生產過程遭受了ESD損傷，發生電性能參數漂移，導致偏離中心值較大。所以，本文以參數值偏離程度來表征器件遭受S?ESD的程度。

1.2" 產品經受S?ESD的風險

電子產品制造的過程中，產品需要經過眾多組裝工序，每個工序由設備、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，產品與工序的設備、工作臺面、人員等發生接觸時就會存在ESD損傷的風險，工序內防護措施同時失效的點越多，失效的時間越長，風險就越大。工程上認為風險與同時失效點數存在指數關系，且風險會隨著產品流經的工序逐漸累積。本文中表征ESD防護有效性的數據來源于ESD防護監控系統，其主要監控各防護點接地電阻是否在正常范圍。

2" 數據介紹

2.1" 在線電性能測試儀的測試數據

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，反映的是產品整體或者關鍵器件在完成組裝后電性能是否符合要求。測試內容包括開短路、電阻、電容、電感、二極管、三極管、電晶體、IC等元件關鍵參數[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偏離目標值（上下規格線中間值）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，防止小值數據的信息被掩蓋，需要對所有測試點數據做歸一化處理，公式如下：

[d=t-U-L2] （1）

[v=d-dmindmax-dmin]" " "（2）

式中：t表示某個產品的某測試點的測試結果；U表示該測試點規格上限；L表示該測試點規格下限；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表示測試結果與所有偏移水平中心之差的歸一化值。

2.2" ESD防護監控系統的監控數據

本文研究的產線部署了ESD防護監控系統，監控的對象包括生產設備的接地電阻（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。

超出以上規格限，監控系統就會啟動報警，并記錄報警開始和結束時間。根據前面介紹的S?ESD產生的原因，定義了產品流經某個工序時ESD風險指數，計算方式如公式（3）所示，其中指數系數2i-1主要是為了突出同時報警的風險，一個工序內的監控點同時報警的數量越多，ESD防護越差，發生ESD損傷風險越高。

式中：rnp表示第n個產品在經過第p個工序的風險指數；li表示工序內共i個監控點的同時報警時長；H表示產品過該工序的時長；j表示該工序內所有監控點的數量。

2.3" 退貨失效品的電性能偏移系數

客戶退回的產品中，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在當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，本文設計了失效電性能參數偏離系數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為所有產品該測試值的標準差。

收集和預處理所有數據后，根據產品編號關聯三類數據，即產品流經各工序的ESD風險指數、產品的ICT測試結果、依據不同k值所判定的是否為S?ESD結果。一共收集了2年約200萬產品的數據，數據集樣例如表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據模型，用于描述基于不同k值下所判定的S?ESD和產品在出貨時電性能測試值偏移表現（v），以及產品生產過程中在各工序的遭遇ESD風險指數（r）的關聯關系。通過對k值迭代優化，建立最優模型，進而用該模型開展后續生產產品的S?ESD風險預測，管控出貨風險。

分析過程如下：基于表1數據集，使用偏移系數k對產品重新進行S?ESD認定后，進行分類建模，準確率最高的模型對應的k就是最佳S?ESD判別閾值，同時模型也就是最優模型。

3.2" 模型算法

針對此類問題，項目組此前經過多種模型以及集成方式的效果比較（本文不再詳述）[8]，構建了基于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、神經網絡等算法[13]，分別進行分類分析，經過參數調優后，選擇分類效果最佳的模型。將預測準確和錯誤的數據分別標記為可準確預測和不可準確預測兩個標簽。如圖1所示，經過第1）步后，得到的最優算法（分類準確率最高）是Model_A。

2） 將第1）步劃分為可準確預測和不可準確預測標簽的數據再通過分層算法庫，找到最優分層算法模型。該步目的是找到分類準確和分類不準確的數據集。如圖1所示，經過第2）步后，Model_B為最優數據分層算法。

3） 提取第2）步分類準確的數據集，利用第1）步最優模型對數據進行是否S?ESD的分類預測。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，否則調整第1）、2）步最優模型參數，繼續優化模型。

4） 提取第2）步分類不準確的數據集，重復上述過程，其中第1）步中的算法庫剔除已選過的最優模型，直至分層模型分出的不易分類數據量小于設定值結束模型訓練，得到最后的集成模型。最佳k值優化過程為基于上述的模型結構迭代可能的閾值k（k取值2～9），根據模型準確率變化趨勢找到最佳閾值。

4" 分析結果

為了驗證ESD防護監控系統的有效性，在分析過程中，將原始數據集中包含和不包含ESD防護監控點風險指數（r）數據集的兩種情況分別進行了模型訓練和測試。模型預測準確率如表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先增大后減少的趨勢，在k為7時得到最大準確率。表明：當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k大于7時，篩選出失效品的電性能參數偏移量過大，接近于該參數的控制線，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作為該模型的最優閾值，該模型預測準確率最大可達到0.88，可以應用到產品的S?ESD識別和出貨風險管控。

2） 當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防護監控點風險指數（r）的數據集訓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" 論

本文通過機器學習算法分析了S?ESD相關的數據（ICT和ESD防護監控），得出基于ICT、ESD防護監控和S?ESD標簽數據的機器學習分類模型的準確率達到0.88，可以應用到量產電子產品的S?ESD識別和出貨風險管控，利用ESD防護監控點風險指數數據集可以使產品S?ESD的識別準確率提高8.6%，安裝部署基于物聯網技術的靜電放電防護監控系統對管控電子產品生產過程中的S?ESD風險以及控制出貨風險是很有幫助的。

參考文獻

[1] 王進.電子產品生產過程中的靜電防護技術[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的設計[J].國外電子測量技術，2020，39（3）：65?70.

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

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

[5] 熊肇武，申福陽，張帥，等.基于物聯網技術的ESD防靜電監測系統[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用[J].儀表技術，2005（3）：71?72.

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

[8] 汪中博.基于質量數據分析的產品質量風險預測方法研究[D].西安：西安電子科技大學，2021.

[9] 沈學華，周志華，吳建鑫，等.Boosting和Bagging綜述[J].計算機工程與應用，2000（12）：31?32.

[10] 于玲，吳鐵軍.集成學習：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算法的倉庫監控區域目標跟蹤研究[J].微型電腦應用，2020，36（5）：76?79.

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

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