当前位置：首页 > web >正文

WIP数据，有bad wafer/lot，追踪设备/机台问题

web 2025/6/16 7:19:43

在半导体制造过程中，WIP（Work In Process）数据用于追踪晶圆或批次（wafer/lot）在工艺流程中的状态。当出现 bad wafer/lot（缺陷晶圆或批次）时，需要进行根因分析（Root Cause Analysis, RCA），以识别可能存在问题的设备或机台（tool/chamber）。

下面是一个完整的追踪设备/机台问题的步骤方法，并附带 Python 分析示例代码。

一、分析流程（概览）

1. 明确异常标记

Bad lot/wafer 的判定标准（如测试失败、良率下降、缺陷数升高等）

2. 数据准备与关联

获取 WIP 流程数据：包含 lot_id, wafer_id, step_id, tool_id, chamber_id, process_time
获取测试数据：如 E-Test、CP Test、Final Test 的良率结果或 defect 分类
获取设备运行日志（可选）

3. 前后工序数据对比

正常 vs 异常 wafer 的流片路径（Route）分析
工艺段、设备分布、运行时间等信息比较

4. 统计分析

对每个设备/tool，统计其处理 bad lot/wafer 的频率
计算设备与异常的相关性（如异常率）

5. 时序分析

分析异常 wafer 前后处理的 wafer/lot 是否也异常（串扰）

6. 输出疑似问题设备/工艺段

可结合热力图、流向图等可视化工具

二、数据结构定义（样例）

# WIP 工艺流转数据（每行代表一次加工记录）
# step_id: 工艺步骤，tool_id: 机台，chamber_id: 腔室
import pandas as pdwip_df = pd.DataFrame([{"lot_id": "L001", "wafer_id": "W001", "step_id": "Etch01", "tool_id": "ToolA", "chamber_id": "C1", "process_time": "2024-06-01 10:00"},{"lot_id": "L001", "wafer_id": "W001", "step_id": "Etch02", "tool_id": "ToolB", "chamber_id": "C3", "process_time": "2024-06-01 12:00"},...
])# 测试结果数据（例：CP/FT）
test_df = pd.DataFrame([{"wafer_id": "W001", "lot_id": "L001", "test_type": "FT", "yield": 85, "defect_type": "Bridge"},{"wafer_id": "W002", "lot_id": "L001", "test_type": "FT", "yield": 95, "defect_type": "None"},...
])

三、Python 分析步骤

1. 识别 Bad Wafer

bad_threshold = 90  # 设置良率阈值
bad_wafers = test_df[test_df['yield'] < bad_threshold]
bad_wafer_ids = bad_wafers['wafer_id'].unique()

2. 关联工艺流程记录

# 获取 bad wafer 的流转记录
bad_routes = wip_df[wip_df['wafer_id'].isin(bad_wafer_ids)]# 获取 normal wafer 的流转记录
normal_wafer_ids = test_df[test_df['yield'] >= bad_threshold]['wafer_id'].unique()
normal_routes = wip_df[wip_df['wafer_id'].isin(normal_wafer_ids)]

3. 分设备分析异常比率

# 每台设备处理的 wafer 数 & 异常 wafer 数
bad_tool_stats = bad_routes.groupby('tool_id')['wafer_id'].nunique().rename("bad_count")
total_tool_stats = wip_df.groupby('tool_id')['wafer_id'].nunique().rename("total_count")tool_stats = pd.concat([bad_tool_stats, total_tool_stats], axis=1).fillna(0)
tool_stats['bad_ratio'] = tool_stats['bad_count'] / tool_stats['total_count']# 排序
tool_stats = tool_stats.sort_values('bad_ratio', ascending=False)
print(tool_stats)

4. 分工艺步骤识别问题段

bad_step_stats = bad_routes.groupby('step_id')['wafer_id'].nunique().rename("bad_count")
total_step_stats = wip_df.groupby('step_id')['wafer_id'].nunique().rename("total_count")step_stats = pd.concat([bad_step_stats, total_step_stats], axis=1).fillna(0)
step_stats['bad_ratio'] = step_stats['bad_count'] / step_stats['total_count']
step_stats = step_stats.sort_values('bad_ratio', ascending=False)

5. 可选：时间串扰分析

# 假设 bad wafer 是在某 tool 上 10:00 处理的，我们看看它之前或之后处理的 wafers
from datetime import timedeltabad_wafers_time = bad_routes.copy()
bad_wafers_time['process_time'] = pd.to_datetime(bad_wafers_time['process_time'])suspicious_wafers = []for _, row in bad_wafers_time.iterrows():time_window_start = row['process_time'] - timedelta(minutes=30)time_window_end = row['process_time'] + timedelta(minutes=30)candidates = wip_df[(wip_df['tool_id'] == row['tool_id']) &(pd.to_datetime(wip_df['process_time']) >= time_window_start) &(pd.to_datetime(wip_df['process_time']) <= time_window_end)]suspicious_wafers.extend(candidates['wafer_id'].unique())suspicious_wafers = list(set(suspicious_wafers))
print("潜在受影响 wafers:", suspicious_wafers)

四、可视化建议（可选）

import seaborn as sns
import matplotlib.pyplot as pltplt.figure(figsize=(10,6))
sns.barplot(x=tool_stats.index, y=tool_stats['bad_ratio'])
plt.xticks(rotation=45)
plt.title("每台设备异常比率")
plt.show()