现代生产测试系统所处的运行环境与计量实验室截然不同。测量精度固然重要，但必须与可重复操作、受控的测试时间和可靠的合格判定同时实现。Metrology News 采访了独立研究员兼测量工程师 Tatiana Krasik，她的工作涉及自动测试设备、射频与微波测量、校准以及频率高达 200 GHz 的生产测试。
问：将实验室测量方法转移到生产环境中时，会发生哪些变化？
答：实验室方法通常是围绕测量本身来开发的。而在生产中，测量只是更大流程中的一道工序，因此测试时间、设备可用性和可重复性会与不确定度一样成为设计参数。对十台器件行之有效的流程，当需要对数千台器件执行同样操作时可能就不适用了。长时间的稳定等待、反复重连或不必要的平均，累积起来都会显著增加生产耗时。因此，首要任务是明确真正可能影响合格判定的不确定度，然后确定维持该不确定度可控所需的操作。如果一个测量只需两秒就能获得足够的置信度，那就没有理由花十秒去得到一个不会改变通过/失效判定的结果。生产方法必须围绕所需的决策来设计，而不是直接从实验室流程复制过来。
问：您认为在未经修改的情况下将实验室流程自动化会带来哪些问题？
答：常见的结果是测试序列过于冗长。实验室流程中的每一个测量、检查和校准步骤都被转写到软件中，仅仅因为它们是现成的，而非生产所需。测试时间增加，系统更难维护，而额外的开关切换或重连操作本身也会引入误差。我通常从产品规范出发，逆向推演。对于每个参数，我需要知道合格限值、预期的工艺波动、所需的测量不确定度，以及错误判定所带来的代价。之后，可以将序列精简为实际对判定有贡献的操作。某些参数可能需要多次测量，另一些只需一次。验证测量可能只在接近规格限时才有意义。校准应应用于路径中那些对显著误差源起到控制作用的部分。将流程自动化，并不等同于设计一套自动测试方案。
问：在通过/失效判定系统中，测量不确定度为何重要？
答：测试系统将测量值与限值进行比较，但测量值并非参数的真值。若结果远在允许范围之内，不确定度对判定的影响可能很小。但接近规格限时，不确定度将决定判定是否可靠。例如，若上限为10.0，测得值为9.9，在不考虑该测量不确定度的情况下判定该单元合格，可能是不正确的。同样的效应也会朝反方向作用，导致合格单元被误判为不合格。在生产线上，这不是孤立的计量问题——它会改变良率、返工量，甚至可能影响不合格品流出的数量。因此，合格限值必须与测量不确定度一并考虑。当判定所伴随的风险要求合格边界必须不同于产品规范边界时，保护带（guard band）是有用的。
问：既然重复测量可以降低不确定度，为什么不简单地多测几次？
答：平均可以减少随机变化，但无法消除校准误差、夹具误差、残余路径损耗误差、参考标准不确定度或稳定的系统偏移。若随机变化占主导，最初的几次额外测量确实能明显改善重复性。但随着测量次数增加，这种改善越来越小，剩余的不确定度由平均无法削减的分量决定。此时更多测量主要只是增加测试时间。这一点从不确定度预算中可以直接看出：一旦重复性分量相比于其他贡献量已经很小，增加采样次数对总不确定度的改变微乎其微。因此，重复测量的次数应根据不确定度目标和测试时间要求来合理确定，而不是选取一个固定的保守值。
问：校准架构如何影响生产测试？
答：在射频测试系统中，校准是与测量路径相关联的，而不仅仅与仪器有关。该路径可能包含开关、电缆、适配器、夹具和连接器，其中任一元件都可能发生变化。如果系统仅作为一条完整路径进行校准，一旦出现偏差，几乎无法判断问题出在何处。工程师随后会花费时间对整个装置进行重新校准或更换部分可能仍然稳定的部件。在硬件允许的情况下，我更倾向于设置中间验证点，或采用其他方式将路径划分为若干段。这样，验证结果可以指示变化发生在某点之前还是之后。这能缩短故障排查时间，并避免局部变化后对整个系统进行重新校准。因此，校准架构应在测试系统设计时就被考虑，而不是在硬件已经建成后再补充。
问：在微波和毫米波频段，会有哪些不同？
答：测量路径对许多在低频下通常作为次要因素的元件变得愈发敏感。电缆损耗更高，连接器状态更为重要，夹具重复性更难维持，微小的机械变化也会产生可测得的电气变化。参考平面同样变得关键。如果系统在仪器端口校准，但被测器件（DUT）通过开关、电缆和夹具连接，则这些元件必须纳入误差分析，或单独进行补偿。重复插拔还会带来生产特有的问题，因为连接器和夹具的特性可能随着磨损而变化。在这些频率下，我将从校准参考平面到DUT接口的整个路径都视为测量系统的一部分。仅靠仪器精度并不能描述生产测量的实际精度。
问：测量工程师应在哪个阶段参与定义生产中的通过/失效规则？
答：测量工程师应在合格限值被写入测试软件之前就参与进来。通过/失效规则不仅仅取决于产品规范，因为测量系统自身具有不确定度、重复性和可能的偏倚。如果先定义合格规则，之后再评估测量能力，结果可能是在限值附近无法可靠区分合格与不合格单元。所需的不确定度、是否需要保护带、重复测量次数以及临界结果的处理方式，都应一并考虑。这也会影响硬件选择，因为所需的判定置信度可能决定了仪器、夹具、开关路径和校准方法。一旦生产开始运行，更改判定规则会影响良率和返工量，因此在测试开发阶段解决这些问题比发布之后更为经济。
问：在生产计量中，人工智能到底能在哪些方面发挥实际作用？
答：实际应用在于分析测试系统已经产生的数据。一台生产测试设备可以从同一测量路径收集数千条结果，连同校准检查、温度、工位标识和诊断数据。大多数传统软件仅利用单次结果做出通过/失效判定，而对历史数据几乎不做分析。统计模型或机器学习方法可以利用历史记录来检测漂移、分布变化，或特定工位/夹具下参数的异常组合。例如，如果多个射频测量值在工艺稳定的情况下逐步同向偏移，这可能表明在任意单次结果超限之前，测试路径已经发生了改变。模型可以标记这种状态，但它本身仍无法判定测量是否有效。从不稳定或校准不当的系统获取的训练数据，只会将同样的问题放大。溯源性、不确定度和验证仍然是计量的本职工作；AI可以帮助指明需要调查的方向。
问：生产测量系统未来应如何发展？
答：生产测量系统可以更好地利用测量路径状态的信息。测试设备通常只记录DUT是否合格，而校准检查、验证数据和长期稳定性往往被分开处理。将这些数据汇总起来，可以更容易地发现测试系统自身的变化。测试序列也可以变得更灵活——接近判定边界的结果可能需要额外测量，而对远离限值的结果重复相同操作则可能没有价值。同样的思路也适用于维护：局部验证失败应引导对受影响区段的调查，而非自动对整个系统重新校准。持续监测测量路径有助于在漂移影响良率之前就发现它。验证数据和历史趋势还能减少不必要的重新校准和重复测试。
Tatiana Krasik 是 IEEE 高级会员，拥有技术科学副博士学位（相当于博士），是测量工程及相关领域多篇技术及科学出版物的作者和合著者。
