Parametry Jakości Testu

Prezentacja na temat: "Parametry Jakości Testu"— Zapis prezentacji:

1 Parametry Jakości Testu
Bartłomiej Bochiński Olgierd Kiewlicz

2 Plan prezentacji Podstawowe pojęcia Parametry FC, DL ,Y Estymacja DL
Wnioski Przykłady

3 Problemy z testowaniem
Wynik testu nie musi być zgodny z prawdą Dobre urządzenie może zostać odrzucone w procesie testowania Złe urządzenie może przejść proces testowania

4 Prawdopodobieństwo Parametry jakości testu bazują na regułach prawdopodobieństwa Nie jesteśmy w stanie przetestować każdej możliwej usterki z osobna, ale możemy przy pomocy parametrów jakości testu ocenić przydatność testu

5 Usterki Zmiany w układzie mogą być częste, a test najlepiej żeby był uniwersalny Używa się danych statystycznych, aby określić najczęściej występujące usterki i najczęstsze ich problemy

6 Fault coverage (Pokrycie błędów)
Powszechnie przyjęta miara jakości testu, która oznacza procentowe prawdopodobieństwo wykrycia błędu w układzie przez dany test Liczba usterek jest nieskończona, ale rozpatrujemy wtedy tylko najbardziej prawdopodobne

7 Trzy, najważniejsze parametry ułatwiające dalszy opis
Y – Yield (uzysk) Prawdopodobieństwo, że układ jest bez wad gdzie: n - liczba potencjalnych usterek wykrytych przez test - prawdopodobieństwo wystąpienia usterki i

8 Test Yield (Uzysk z testu)
YT – Test Yield Prawdopodobieństwo, że urządzenie przejdzie test gdzie: m - liczba potencjalnych usterek wykrytych przez test - prawdopodobieństwo wystąpienia usterki j oraz jej wykrycia

9 GP GP – Good Pass Prawdopodobieństwo, że urządzenie jest dobre i przejdzie test gdzie: - prawdopodobieństwo wystąpienia usterki i - prawdopodobieństwo wystąpienia usterki j oraz jej wykrycia

10 Wybieramy ptest – wystąpienie i wykrycie usterki
Wybieramy pspec – wystąpienie usterki

11 GP – komentarz do wykresu
Prawdopodobieństwo, że urządzenie będzie dobre i przejdzie test zastępujemy tym, że urządzenie nie przejdzie testu Gdy Test jest „węższe” na wykresie to więcej urządzeń niż trzeba nie przejdzie testu, więc Ptest jest większe Gdy Specification jest „węższe” na wykresie to odwrotnie wybieramy Pspec jest większe

12 Yield Coverage (uzysk produkcyjny)
YC – Yield Coverage YL – Yield Loss GP – Good Pass, prawdopodobieństwo, że dobre urządzenie przejdzie test Y – prawdopodobieństwo, że urządzenie jest bez wad

13 Yield Coverage opisowo
Prawdopodobieństwo, że bezawaryjne, niewadliwe urządzenie przejdzie test Oznacza to, że parametr dotyczy urządzeń sprawnych i tylko takich Jest to bardzo ważny parametr z ekonomicznego punktu widzenia

14 Yield Coverage Jeśli Yield Coverage jest mniejszy od 100% oznacza to, że w pełni sprawny produkt nie przejdzie testu i zostanie odrzucony Raz, że stracimy dobry produkt, a dwa, że w jego miejsce trzeba będzie wyprodukować kolejny Ekologia i pieniądze

15 Yield Coverage, a Yield Yield Coverage nie powinno być mylone z Yield. Yield to stosunek niewadliwych urządzeń do całej populacji Żeby poznać Yield musimy testować urządzenie według każdego punktu specyfikacji, biorąc pod uwagę każdy warunek co oczywiście zajmuje mnóstwo czasu

16 Defect Level (Poziom usterek)
Estymacja parametru Defect Level jest bardzo istotna w testach jakości obwodów Parametr Defect Level wyrażamy zwykle w procentach, określa on nam ile spośród układów, które przeszły test produkcyjny jest wadliwych.

17 Defect Level Wymagane jest utworzenie odpowiednich modeli wyników testów by prawidłowo oszacować Defect Level By model był uznany za wystarczający do oszacowania parametru musi być kompletny oraz nie zawierać błędów.

18 Model LSA Jednym z modeli testów jest Line Stuck-At (LSA)
Model zakłada że każda pojedyncza linia może być zablokowana na stanie wysokim lub niskim. Gdy linia jest zablokowana test jest uważany za nieudany

19 Określanie Defect Level
Parametr Defect Level może być określany za pomocą równania Williams-Browna: D L = 1 - Y(1-T). Y – yield production T – fault coverage

20 Określanie Defect Level
Region A – prawdopodobieństwo, że układy są wolne od usterek Region B - prawdopodobieństwo, że układy są uszkodzone Region C – prawdopodobieństwo, że układy przeszły pomyślnie test na etapie produkcji

21 Przykłady szacowania Defect Level
By oszacować Parametr Defect Level przyjmujemy ważone Faut Coverage = 97% Uzyskujemy wtedy Y = 90.48% oraz DL = 2997 ppm (part per milion) W przypadku braku ważonego Falut Coverage = m/n = 90% uzyskujemy DL = ppm

22 Ważone i nieważone Falut Coverage
Fault Coverage może być wyrażone jako nieważone – zwykły procentowy udział wadliwych układów do ogółu (FC = m/n), lub też jako ważone obliczane na podstawie wzoru:

23 Wnioski Jest znaczna różnica w kalkulacji DL w przypadku ważonego FC i nieważonego FC Określanie DL przy modelu LSA może stracić sens w przypadku gdy otrzymamy 100% FC. DL w takim przypadku będzie wynosić 0.

24 Wnioski Błąd bezwzględny DL maleje wraz ze wzrostem FC, jednak relatywny błąd DL cały czas rośnie Estymacja DL jest bardziej czuła na zmiany FC niż Y

25 Przykłady DL jako funkcja Y dla FC = 90% oraz FC = 99%

26 Przykłady Na wykresie obok widać parametry D i YL po ustaleniu limitów testów. Limity najlepiej dobrać w ten sposób by D = YL.

27 Przykłady W teście brało udział 379 wadliwych układów z czego 122 zostały wykryte. Przy zbyt dużych limitach testu wykrywanych jest dużo wadliwych układów, ale większość z nich to wynik fałszywy wadliwy. Niskie Y Przy zaniżonych limitach dużo wadliwych układów jest przepuszczanych dalej

28 Przykłady Tu również widać wzrost parametru Defect Level przy zwiększaniu parametrów limitu testu SNDR i Idd

29 Bibliografia Defect Level estimation for digital ICs J.J.T. Sousa, J.P. Teixeira INESC, IST, CEAUTL Apartado 10105, 1017 Lisboa Codex, Portugal Test Development Through Defect and Test Escape Level Estimation for Data Converters CARSTEN WEGENER AND MICHAEL PETER KENNEDY Department of Microelectronic Engineering, University College Cork, Cork, Ireland Test Metrics for Analog Parametric Faults Stephen Sunter & Naveena Nagi* LogicVision, Inc., San Jose, California Estimation of test metrics for multiple analogue parametric deviations Ahc`ene Bounceur, Salvador Mir, Emmanuel Simeu and Luis Rol´ındez Evaluation of test measures for LNA production testing using a multinormal statistical model J. Tongbong, S. Mir1 and J.L. Carbonero

30 Dziękujemy