BinMap 良率帕累托 实际怎么用｜良率与缺陷分析·6 个典型工况逐个拆解（附源码）

（复制到编辑器，段落间距保持一致）

场景引入：BinMap 良率帕累托到底解决什么

缺陷分布看不出规律、改善资源压不到关键少数、良率趋势断档。 很多人以为买一套系统或写一段脚本就能解决，结果是工具用起来了，数据口径还是各说各话。BinMap 良率帕累托 真正要解决的是：把「良率与缺陷分析」里那件重复又易错的事，固化成一条能重复跑、结果能复现的流程。

本文从实际怎么用的角度，把这条流程拆到可以照着做。

真实场景是什么

工况 1：某批次良率突然掉了 3 个点，要判断是随机还是系统性

• 关键点：Bin 级良率损失排序与关键少数识别；
• 配套能力：Bin柱状图+良率趋势图、良率损失分解；

工况 2：改善专案立项，需要把缺陷聚集形态说清楚

• 关键点：空间聚集性指标（边缘 / 中心 / 径向）量化；
• 配套能力：Bin柱状图+良率趋势图、良率损失分解；

工况 3：换了一台检测机后缺陷数变多，先排除量测因素

• 关键点：跨设备基线对齐与量测一致性确认；
• 配套能力：Bin柱状图+良率趋势图、良率损失分解；

工况 4：客户问「这片良率低在哪一环」，需要给可解释结论

• 关键点：良率损失树逐级拆解到工艺环节；
• 配套能力：Bin柱状图+良率趋势图、良率损失分解；

工况 5：工艺改版前后对比，判断改动是否真的有效

• 关键点：多批次对比与批次间漂移识别；
• 配套能力：Bin柱状图+良率趋势图、良率损失分解；

工况 6：高价值客户要求提供晶圆级缺陷证据链

• 关键点：缺陷坐标导出与可视化留痕；
• 配套能力：Bin柱状图+良率趋势图、良率损失分解；

怎么准备数据

数据准备这一步决定了后面所有结论的可信度，顺序不能反：

1. 先确认口径：量测口径、时间窗口、单位、命名规则，先跟数据源方对齐再动手；
2. 先跑内置演示数据：确认 BinMap 良率帕累托 本身装得上、跑得通、结果格式符合预期；
3. 再导真实数据：先导一小段（几十行）验证解析是否正确，不要一上来就导全量；
4. 保留原始副本：所有清洗动作写进脚本，不要在 Excel 里手改，否则无法复现。

依赖：pip install numpy matplotlib pandas tkinter。解压后按 README 走一遍演示数据，再替换成真实数据。

参数怎么定

参数不是照抄默认值，而是按下面三条线定：

• 物理/工艺约束线：由工艺本身决定，不能突破；
• 数据量约束线：由样本量决定，样本不够时先扩样本而不是调参数；
• 习惯线：现场长期形成的经验，作为起点而不是结论。

配套参数细节见同系列的「BinMap 良率帕累托 参数怎么设」页。

结果怎么判读

结果出来之后，先做三件事再看数字：

1. 看数据量：样本数不够时，所有结论都只是趋势；
2. 看基线对比：和上一版参数、上一台设备、上一批产品的基线比；
3. 看反向证据：有没有与结论矛盾的点，矛盾点通常比一致点更值钱。

• 先看数据来源的时点：不同来源的时点不一致，结论必然打架。
• 工况要成组看：单条样本的结论不具备推广性。
• 凡涉及参数调整的结论，都要留验证批次。
• 工具输出的是线索，落地动作仍需现场确认。

三个最容易踩的坑

坑 1：某批次良率突然掉了 3 个点，要判断是随机还是系统性

• Bin 级良率损失排序与关键少数识别。

坑 2：改善专案立项，需要把缺陷聚集形态说清楚

• 空间聚集性指标（边缘 / 中心 / 径向）量化。

坑 3：换了一台检测机后缺陷数变多，先排除量测因素

• 跨设备基线对齐与量测一致性确认。

相关工具

同一系列的相关工具：

• 柏拉图分析工具｜过程质量管控·缺陷关键少数快速定位（附源码）
• 良率损失分解工具｜良率与缺陷分析·良率损失树逐级拆解（附源码）
• 缺陷密度关联分析工具｜良率与缺陷分析·缺陷与工艺参数的相关性定位（附源码）
• 批次良率趋势工具｜良率与缺陷分析·多批次良率走势与拐点识别（附源码）

使用边界

本工具基于仿真/演示数据开发，可直接用于教学、方案验证与算法预演；接入真实工厂数据前请做二次验证，商用授权请联系作者。

下载入口