KR100980603B1 - 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상검출 방법 - Google Patents

Abstract

본 발명은 순차적 사슬형태로 구성된 단일클래스 분류기를 이용하여 각종 산업용 설비의 공정 이상을 검출하는 방법으로서, 공정 진행 설비 내부의 상태를 모니터링 하는 센서 데이터를 사용하여, 특징 추출 알고리즘으로 데이터의 차원을 줄여 핵심 정보만을 뽑아내고 그 중 이상 공정 진단에 있어 중요한 역할을 하는 데이터를 선택한 후, 선택된 몇 그룹의 데이터를 각각 단일클래스 분류기 구성 알고리즘으로 학습하여 각 그룹별로 분류기를 구성한 뒤에 공정 진행 순서에 따라 시간적인 전후 관계를 고려하여 순차적으로 배치하여 사슬 형태의 공정이상 검출기를 구성한다.

공정이상 검출, 단일클래스 분류기, 특징 추출

Description

순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상 검출 방법{Fault detection method using sequential one class classifier chain}

본 발명은 산업용 설비에 부착하여 공정 진행을 모니터링 하는 센서의 데이터를 활용하여 공정 진행 중 발생하는 이상 상태를 찾아내는 공정이상 검출 방법에 관한 것으로서, 특히 공정이상 검출에 특별히 중요한 데이터만을 공정이상 검출 영역으로 설정하고 공정의 시간 정보를 추가로 사용하여 기존 방식의 문제점을 해결할 수 있도록 제안된 공정이상 검출 방법을 제공한다.

종래의 공정이상 검출 방법은 호텔링(Hotelling)의 T² 통계량 방식이다. 이 방식에서는 정상 공정 데이터를 사용하여 정상 공정과 비정상 공정의 구분을 위한 판단 기준을 학습한 후, 그것을 사용하여 추후에 정상/비정상 공정 판단을 수행한다. 특징 추출을 통해 학습 대상 데이터의 차원을 줄인 후 T² 통계량 값을 계산하여 정상/비정상 판정의 임계치를 설정하고 이를 이용하여 어떤 데이터가 정상 공정의 데이터인가 비정상 공정의 데이터 인가를 판정한다.

이와 같은 종래기술의 방식에는 다음과 같은 문제점이 있다.

첫째로, 데이터 분포가 가우시안(Gaussian)과 같이 단순하지 않은 경우에는 이상 검출의 정확도가 떨어질 소지가 있다. T² 통계량은 학습 대상인 정상 공정 데이터가 가우시안처럼 중심에 밀집되어 존재하는 경우에 한하여 판정의 기준으로 양호하게 사용될 수 있다.

그러나 실제 데이터 분포의 모양이 도 1과 같이 복잡한 분포일 경우에는 공정이상 검출오류가 발생할 수 있다. 도 1에 대해 종래 기술처럼 학습 대상 공정 데이터를 아우르는 통계량을 찾아내어 정상 공정의 임계치로 정하고 이를 통해 공정 이상 검출을 시도할 경우, 임계치가 표현하는 경계 외부에 공정 데이터가 있을 경우에만 비정상 공정으로 판정하게 된다.

하지만, 도 1에서 확인할 수 있듯이 임계치는 학습 대상 데이터인 정상 공정 데이터가 존재하는 영역에 비하여 상당히 넓게 설정되어 있다. 따라서 종래기술에 따른 검출기는 점선 표시 영역 안의 데이터에 대하여 비정상 공정 데이터임에도 불구하고 정상이라고 판단하는, 소위 '이상 상태 미진단 오류(missed fault)'를 발생하게 되는 문제점이 있다.

둘째로, 종래기술의 방식은 획득된 공정 진행 데이터를 시간 변화에 따라 특정한 패턴을 지니고서 반복되는 특징적인 시계열 데이터로 간주할 수 있음에도 불구하고 공정 진행 데이터의 시간 정보를 공정이상 검출에 활용하지 않음으로써, 공 간 정보만으로는 구분이 불가능한 공정 이상 상태(예컨대, 세부 공정별 진행 순서가 바뀐 경우)가 발생하는 때에 정확한 이상 검출 결과를 내지 못하는 문제점을 지니고 있다.

셋째로, 설비 진행과 데이터 측정 시점이 동기화되지 않은 공정 감시 센서 데이터를 사용하여 이상 공정 검출 작업을 수행할 경우, 공정 진행 구간에서 측정된 데이터와 공정 진행 외 구간에서 측정된 데이터를 구분할 수 없기 때문에 정확한 공정이상 검출을 수행할 수 없는 문제점을 가지고 있다.

그에 따라, 이와 같은 문제점을 해소할 수 있는 새로운 방식의 공정이상 검출 기술이 요구되어 왔다.

본 발명의 목적은 기존의 공정이상 검출 방법이 가지고 있었던 문제점을 개선하는 새로운 공정이상 검출 방법을 제안하는 것으로서, 산업용 설비에 부착하여 공정 진행을 모니터링 하는 센서의 데이터를 활용하여 공정 진행 중 발생하는 이상 상태를 찾아내는 공정이상 검출 방법에 관한 것으로, 특히 공정이상 검출에 특별히 중요한 데이터만을 공정이상 검출 영역으로 설정하고 공정의 시간 정보를 추가적으로 사용하여 기존의 방식이 가지고 있는 문제점을 해결할 수 있도록 제안된 공정이상 검출 방법을 제공하고자 한다.

본 발명은 순차적 사슬형태의 단일클래스 분류기를 이용하여 각종 산업용 설비의 공정 이상을 검출하는 방법으로서, 설비의 정상 공정을 모니터링한 센서 데이터의 학습 전처리 단계(ST110)와, 전처리된 센서 데이터의 차원을 줄이는 학습 특징추출 단계(ST120)와, 중요 그룹의 데이터의 선택을 제공받는 중요데이터 그룹 선정 단계(ST130)와, 선택된 데이터 그룹별로 학습을 수행하여 세부 공정별로 분류기를 구성하는 세부분류기 구성 단계(ST140)와, 구성된 세부 공정별의 분류기를 공정 진행상의 시간 순서에 따라 배치하여 순차적 사슬형태의 단일클래스 분류기를 구성하는 순차적 단일클래스 분류기 구성 단계(ST150)를 포함하는 공정이상 검출기 구성 과정(ST100); 및 설비의 공정 진행을 모니터링하는 센서 데이터에 대하여 공정 이상 검출기 구성과정(ST100)에서 획득한 정보를 사용하여 전처리를 수행하는 전처리 단계(ST210)와, 공정이상 검출기 구성 과정(ST100)에서 획득한 정보를 사용하여 전처리된 센서 데이터의 차원을 줄이는 특징추출 단계(ST220)와, 특징추출된 센서 데이터에 대하여 구성된 공정이상 검출기를 적용하여 공정이상 검출 결과를 출력하는 분류기 적용 단계(ST230)를 포함하는 공정이상 검출기 적용 과정(ST200);를 포함하여 구성되는 공정이상 검출 방법을 제공한다.

본 발명에 따른 순차적 사슬형태로 구성된 단일클래스 분류기를 이용한 공정이상 검출 방법에 따르면, 검출기의 이상 검출 영역을 중요 부분에 집중시킴으로써 이상상태 미진단 오류의 발생가능성을 줄였으며 추가로 순차적인 공정 진행 정보를 검출기에 반영하여 검출성능을 향상시켰다. 또한 설비 진행과 데이터 측정시점이 동기화되어 있는 않은 센서의 데이터를 사용한 공정이상 검출 작업의 진행이 가능하도록 하였다.

본 발명에 따른 바람직한 실시예를 상세히 설명한다. 본 설명에서는 구체적인 구현 예시와 같은 특정 사항이 나타나고 있는데 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐 이러한 특정 사항이 본 발명의 범위 내에서 변형 내지 변경이 이루어질 수 있음은 이 기술 분야에서 통상의 지식을 가진 자에게 는 자명하다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략한다.

본 발명에서는 새로운 공정이상 검출기를 구성하기 위한 다음과 같은 방식을 제안하였다. 다차원의 정상 공정 데이터를 특징 추출법을 사용하여 낮은 차원으로 사영(projection)한 후, 그래프의 형태를 확인하면서 전체적인 공정 흐름 정보를 담은 데이터 가운데 정상/비정상을 가려내는 데 중요한 기준이 되는 몇 부분에 해당하는 데이터를 선택하였다.

그리고 선택된 몇 그룹의 데이터를 각각 단일클래스 분류기 구성 알고리즘을 이용하여 학습하여 각 데이터 그룹별로 분류기를 만들었다. 이후에 개별 분류기를 통합하여 공정이상 검출기를 구성하였다. 몇 개의 중요한 세부 공정의 이상 여부를 판단하는 개개의 검출기를 조합하여 통합 검출기를 구성하는 방식을 통해, 기존의 공정이상 검출에서와 같이 전 공정의 이상여부를 판단하는 검출기 하나만을 사용할 때 발생할 수 있는 문제를 개선할 수 있다.

부가적으로, 공정 진행 데이터가 일반적으로 시계열 데이터임에 착안하여 센서 데이터의 시간 정보를 활용하도록 공정이상 검출기를 구성함으로써, 종래기술에 비해 시간 정보를 공정이상 검출 과정에서 추가로 이용할 수 있어 공정이상 검출 조건을 명확하게 할 수 있다. 구성된 분류기를 공정의 흐름에 따라 시간 순서대로 배치함으로써, 시간 정보를 고려하지 않고 개별 분류기의 조합으로 공정 진행을 감시할 경우 발생할 수 있는 문제를 해결하였다. 이를 통해 전체 공정 흐름을 고려한 공정이상 검출이 가능하게 하였다.

본 발명은 설비에 장비 상태 모니터링 등의 용도로 추가 부착되어 설비 가동 시점에 동기화된 측정 데이터를 얻을 수 없는 센서 데이터를 사용하여 공정이상 검출 작업이 가능하도록 하는 방식이다.

센서를 사용하여 측정한 데이터는 시간의 흐름에 따라 설비 내부의 공정 상태를 상시 모니터링하는 센서 값이며, 이러한 센서 데이터 내에는 정상 공정 진행 구간, 공정 휴지 구간, 비정상 공정 진행 구간 등 여러 가지 데이터가 구분없이 섞여 있다. 이러한 측정 데이터를 어떠한 데이터 구분 작업이 없이 사용한다면 하기의 문제 상황이 발생할 수 있다.

산업 현장에서는 공정이 정상적으로 진행되고 있는 중에도 다양한 이유로 한 작업물에 대한 작업 이후 다음 작업물에 대한 작업까지 공정 진행이 잠시 지연될 수 있다. 이때, 설비 진행과 데이터 측정이 동기화되어 있지 않은 센서의 경우 이러한 공정 휴지 구간의 공정 상태까지 모든 데이터를 측정하여 공정이상 검출기에 넘겨 준다. 그러면 공정이상 검출기는 현재 진행되고 있는 공정이 정상임에도 불구하고 공정 휴지 구간의 데이터를 공정 진행중의 데이터와 구분할 수 없으므로 이상 공정으로 판정하게 된다.

따라서 설비 진행과 데이터 측정이 동기화되지 않은 공정 감시 센서 데이터를 사용하여 이상 공정 검출 작업을 수행하기 위해서는 각 작업물에 대한 공정 시작/종료 지점을 검출할 수 있어야 하며 또한 이상 공정 검출 대상이 아닌 데이터 구간을 구분할 수 있어야 한다. 본 발명에서는 제안한 순차적 사슬형태의 단일클래 스 분류기를 사용하여 이 문제를 해결하였다.

이하 본 발명에 따른 바람직한 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

도 2는 본 발명에 따른 공정이상 검출 방법이 적용된 시스템의 실시예를 나타내는 도면으로, 산업용 설비로서 반도체 제조설비(5)를 나타내었다. 이 시스템에서는 반도체 제조설비(5)에 부착된 SPOES(Self-Plasma Optical Emission Spectrometer) 센서(15)로부터 데이터를 받아 장비(5)의 정상/비정상 진행 여부를 예컨대 웨이퍼 한 장 단위로 판단하는 기능을 수행할 수 있도록 구성되었다.

이를 위해서는 정상 공정 진행 데이터를 이용하여 정상/비정상 진행을 판별할 수 있는 판단 기준을 설정해 두어야 하는데, 본 명세서에서는 이러한 사전 진행 과정을 학습 과정(ST10)이라 정의하고, 이러한 학습 과정에서 나온 결과물을 활용하여 정상/비정상 진행을 판별하는 과정을 테스트 과정(ST20)이라 정의한다. 예를 들어 학습 과정이 처음 1번 진행된 후, 결과물을 이용하여 이후로는 테스트 과정이 반복 진행되도록 구성할 수 있다.

선택에 따라서는, 테스트 과정에서 SPOES(Self-Plasma Optical Emission Spectrometer) 센서(15)로부터 센서 데이터를 파일 형태로 제공받아 정상/비정상 진행을 판별하도록 구성할 수도 있고, SPOES(Self-Plasma Optical Emission Spectrometer) 센서(15)로부터 센서 데이터를 실시간으로 제공받아 즉시즉시 정상/비정상 판별을 진행하도록 구성할 수도 있다.

도 3은 본 발명의 실시예에 따른 공정이상 검출 방법의 개념을 나타내는 도면이다. 도시된 바와 같이, 본 발명에 따른 공정이상 검출 방법은 크게 정상 공정 데이터를 이용하여 공정이상 검출기의 각종 내부 조건을 설정하는 공정이상 검출기 구성 과정(ST100)과; 공정에서 획득되는 센서 데이터에 위 공정이상 검출기 구성 과정(ST100)의 결과물을 적용함으로써 공정이상 검출 작업을 수행하는 공정이상 검출기 적용 과정(ST200)를 포함하여 구성된다.

공정이상 검출기 구성 과정(ST100)과 공정이상 검출기 적용 과정(ST200)에서 필요한 입력 데이터는 다양한 종류의 공정 모니터링 센서를 사용하여 획득할 수 있으며, 본 명세서에서는 이에 대한 자세한 설명은 생략한다.

공정이상 검출기 구성 과정(ST100)는 입력된 정상 공정 데이터에 대하여 평균 중심화(mean centering) 및 데이터의 크기를 0~1사이에 위치하도록 크기를 조정하는 스케일링(scaling) 등의 작업을 수행하는 학습 전처리 단계(ST110)와, 데이터가 가진 정보를 유지하면서 데이터의 차원을 줄이는 학습 특징추출 단계(ST120)와, 공정 진행 내용 가운데 중요한 정보를 포함하고 있어 이상 공정 진단에 결정적인 역할을 수행하는 데이터를 선택하는 중요데이터 그룹 선정 단계(ST130)와, 단일클래스 분류기 구성 알고리즘을 사용하여 선택된 중요 데이터를 그룹별 학습하여 세부 공정별로 분류기를 구성하는 세부분류기 구성 단계(ST140)와, 이들 분류기를 공정 진행 순서에 따라 순차적으로 배치하여 공정이상 검출기를 구성하는 순차적 사슬형태의 순차적 단일클래스 분류기 구성 단계(ST150)를 포함하여 구성된다.

공정이상 검출기 적용 과정(ST200)은 입력된 공정 데이터에 대하여 평균 중 심화 및 데이터의 크기를 0~1사이에 위치하도록 크기를 조정하는 스케일링 등의 작업을 수행하는 전처리 단계(ST210)와, 데이터가 가진 정보를 유지하면서 데이터의 차원을 줄이는 특징추출 단계(ST220)와, 공정 데이터에 대해 공정이상 검출기 구성 과정(ST100)을 통해 구성한 공정이상 검출기를 적용함으로써 공정이상 검출 작업을 수행하는 분류기 적용 단계(ST230)를 포함하여 구성된다.

그러면 본 발명의 실시예에 따른 공정이상 검출 장치의 전체적인 동작 흐름을 도 3을 참조하여 살펴보기로 한다. 본 발명에 따른 전체적인 동작흐름은 크게 공정이상 검출기 구성 과정(ST100)과 공정이상 검출기를 이용한 공정이상 검출기 적용 과정(ST200)으로 나눌 수 있다.

■ 공정이상 검출기 구성 과정( ST100 )

공정이상 검출기를 구성하는 과정(ST100)를 위해 공정 모니터링 센서로부터 수집된 공정 데이터 중에서 정상 공정의 데이터를 수집한다. 정상/비정상 판단의 기준으로 쓰일 데이터이므로 다양한 환경에서 얻어낸 정상 데이터(예컨대, 동일 장비에서 며칠 간격으로 측정된 데이터)를 사용하는 것이 바람직하다. '정상' 이라는 판단이 보장되는 범위 안에서 환경에 따른 데이터의 변동 정도를 잘 반영하는 데이터를 사용하여 검출기를 학습할수록 공정이상 검출 결과의 신뢰도는 증가하게 된다.

(1) 학습 전처리 단계( ST110 ) : 학습 전처리 단계(ST110)에서는 검출기를 학습하기 위해 제공되는 공정 데이터에 대하여 데이터 평균 중심화 및 데이터 스케일 링 등의 작업을 수행한다. 센서 데이터에 대한 전처리 방식으로는 다양한 알고리즘이 사용될 수 있다.

프로세스 드리프트(process drift)가 발생하거나 설비 클리어링 또는 설비 유지보수가 시행된 이후에는 정상적으로 진행된 공정에서 나온 센서 데이터라도 기존의 것과 상이하게 나올 수 있기 때문에 센서 데이터에 대한 적절한 전처리 작업이 중요하다. 일반적으로는 입력되는 모든 센서 데이터에 대하여 값이 0 내지 1 사이에 있도록 크기를 조정하는 스케일링 작업과, 센서 데이터의 평균값을 이용하여 평균 중심화 작업을 수행한다.

(2) 학습 특징추출 단계( ST120 ) : 학습 특징추출 단계(ST120)에서는 데이터의 특성은 최대한 유지하면서 데이터의 차원을 줄이는 작업을 수행한다. 이때, 데이터의 최종차원은 특별히 지정되어 있지 않으나 2차원 또는 3차원으로 하여 시각적으로 공정 진행의 흐름 정보를 관찰할 수 있도록 하며, 본 명세서에서는 편의상 2차원으로 가정하고 기술한다.

설명의 편이상, 산업용 설비로서 반도체 제조설비(5)를 사용하는 경우를 가정하여 설명한다. 반도체 각 공정에서는 관련 공정에 따라 화학 반응에 필요한 몇 가지 지정된 가스가 사용된다. 이러한 가스들은 플라즈마 상태에서 빛을 방출할 때 자신의 고유파장 대역 성분의 빛을 방출한다는 사실이 밝혀져 있다. 따라서 SPOES(Self-Plasma Optical Emission Spectrometer) 센서(15)를 통해 측정된 가스 정보는 몇 가지 고유한 파장 대역의 값에만 나타나게 되며, 따라서 모든 파장대역(대략 200nm~950nm)에 대하여 얻어진 센서 데이터 모두를 사용하지 않고 그 중에서 중요한 파장성분의 데이터만을 선별해 사용하면 프로세스가 간편해진다.

이러한 파장 선별과정을 통해 골라낸 파장의 수는 대개 수백 개 이상이며, 이러한 수백 개 파장의 변화를 동시에 모두 관찰하여 공정이상 여부를 분석한다는 것은 비현실적이다. 따라서 데이터가 가진 정보를 유지하면서 그 차원을 줄이는 특징 추출(feature extraction) 기법이 양호하게 사용된다.

특징 추출 기법으로는 주성분 분석(Principal Component Analysis : PCA)이나 선형 판별 분석(Linear Discrimination Analysis : LDA)와 같은 공지의 차원 변환 알고리듬을 활용할 수 있다. 본 명세서에서는 센서 데이터에 대해 통계적 분석을 수행한 후, 분산의 크기를 특징으로 삼는 PCA 기법를 사용하여 데이터의 차원을 줄이는 작업을 가정하여 기술한다.

이때, 상대적으로 작은 분산값을 갖는 영역에 중요 정보가 포함되어 있을 가능성을 고려하는 것이 바람직한데, 중요 정보가 차원을 줄이는 과정에서 손실되어 분석 과정이 무의미할 수 있기 때문이다. 이러한 문제는 PCA 방식의 기법을 사용할 때 발생할 가능성이 있다. 그러나 공정 이상은 대개 해당 공정 진행을 주도하기 위해 투입되었던 중요한 가스, 그 변화의 폭이 커서 큰 분산도를 지닌 가스의 상태변화 여부를 통해 판단할 수 있다. 큰 분산도를 지닌 가스의 상태변화 성분은 PCA 이후에도 적절한 주축(principal component) 개수의 선정에 따라 대부분이 보존되므로 공정 이상 판단에는 일반적으로 문제가 없다.

차원 감소시킬 때에는 원래 데이터가 가지고 있던 정보의 몇 퍼센트까지 정보를 유지해야 하는지를 고려해야 한다. 이는 곧 주축의 개수를 몇 개로 제한할 것 이냐에 관한 문제이다. 차원을 줄인 데이터가 원래 데이터의 몇 퍼센트까지 정보를 유지해야 한다는 것에 대하여 정해진 규칙은 없다. 따라서 주축의 개수를 조정해 가면서 줄어든 차원의 데이터를 이용하여 원하는 목적에 합당한지 반복 실험을 거쳐 적당한 주축의 개수를 결정할 수도 있다. 주축의 개수를 과도하게 적게 선택하면 데이터 차원을 줄이는 과정에서 중요 정보가 유실될 수 있고, 불필요하게 많이 선택하면 데이터가 많아져서 연산량 증가를 가져올 수 있다.

한편, 앞서 설명한 학습 전처리 단계(ST110) 및 학습 특징추출 단계(ST120)에서 얻어지는 센서 데이터의 파장 별 평균값과 로딩 행렬(loading matrix)은 이후 테스트 과정의 데이터 전처리 단계(ST210) 및 특징추출 단계(ST220)에서 바람직하게는 동일하게 사용되므로 저장해 둔다.

(3) 중요데이터 그룹 선정 단계( ST130 ) : 학습 특징추출 단계(ST120)에서 차원이 감소된 공정 데이터 가운데 정상/비정상 판단에 중요한 단서가 되는 데이터를 선택하는 중요데이터 그룹 선정 단계(ST130)를 수행한다.

초기 수집된 다차원 데이터는 앞서 기술한 특징추출(ST120) 과정 이후 선택된 2개의 주축 위로 사영(projection)되어 주성분 2개를 가진 2차원 데이터로 변환 된다.

여기서 중요 데이터 그룹 선정 작업(ST130)은 이중에서 정상/비정상 판단에 중요한 단서가 되는 데이터들을 선택하는 작업이다. 이들 데이터는 해당 공정 진행에 대한 이해를 바탕으로 공정 진행 중 반드시 거쳐가야 할 지점(예컨대, 공정의 시작/종료 시점을 나타내는 데이터 영역; 공정의 시작 시점과 종료 시점을 나타내 는 데이터는 통상적으로 유사하게 측정되었기 때문에 각각을 표현하지 않고 시작/종료 시점이라고 함께 사용하였다)의 것이거나, 비정상 발생 여부를 파악하고자 하는 세부 공정 지점의 것이다.

중요 데이터 그룹의 개수는 공정 엔지니어의 판단에 따라 자유롭게 정할 수 있지만, 일반적으로 포함되는 것은 공정의 시작/종료 시점을 나타내는 데이터 그룹이다. 본 발명에 따른 공정이상 검출 기법에서 사용하는 측정 데이터는 설비(5)와 동기화되어 있지 않아 데이터에 담긴 정보만으로는 공정의 시작/종료 시점을 알 수 없다. 따라서 공정의 시작/종료 시점을 찾아 주는 검출작업이 필요하며, 이러한 검출작업을 수행하는 분류기를 구성하기 위하여 시작/종료 시점 데이터들을 선택하는 과정은 일반적으로 필요하다.

(4) 세부분류기 구성 단계( ST140 ) : 세부분류기 구성 단계(ST140)에서는 위 중요데이터 그룹 선정 단계(ST130)에서 선택된 중요 데이터 그룹에 대하여 개별적으로 분류기의 학습을 수행한다. 2차원 데이터를 사용한 경우 학습의 결과 주어지는 단일클래스 분류기도 2차원 폐곡선 형태로 주어지며, 이 경우 바람직하게는 학습 결과를 시각적으로 확인하면서 학습에 관련된 파라미터를 조정할 수 있다. 학습된 분류기의 경계선이 데이터 그룹 둘레로 약간의 여유를 두고 둘러싸도록 학습을 진행하는 것이 바람직하다. 관측 시점의 데이터 특성으로 인한 판단 여유를 두기 위해서이다.

중요 데이터 그룹별로 단일클래스 분류기를 학습한 결과는 도 4를 통해 확인할 수 있다. 도 4에서 파선은 세부분류기를 나타내고, 짙게 표시된 영역은 선택된 데이터 그룹을 나타낸다. 단일클래스 분류기를 사용하여 학습된 경계선(단일클래스 분류기로 구성한 분류기)은 정상 공정이라면 공정 진행 중 반드시 데이터가 관찰되어야 하는 중요한 영역을 나타낸다. 공정 진행 중 특정 세부 공정 진행 시점에 해당 분류기 내부에 데이터가 위치하는지 아닌지를 알아봄으로써 공정의 정상/비정상 여부를 판단할 수 있다.

한편, 데이터에 대해 분류기를 학습하는 방법으로는 지지벡터기반의 영역묘사(Support Vector Data Description : SVDD) 알고리듬, K-근접 이웃(K-Nearest Neighborhood : KNN) 알고리듬, 신경회로망(Neural Networks)과 같은 공지 기술의 단일클래스의 데이터 영역을 묘사할 수 있는 단일 클래스 분류기법을 바람직하게 적용할 수 있다.

반도체 제조설비(5)와 같은 산업용 설비에서 장비이상 검출 시스템을 학습하는데에 가장 곤란한 부분은, 정상 상태의 데이터는 많고 구하기 용이한 데 반해 비정상 상태의 데이터는 그 수가 적고 구하기도 어렵다는 것이다. 이러한 상황에서 학습을 시행하는 경우에 양호하게 적용될 수 있다고 판단되는 SVDD 알고리즘의 상세한 기술적 사항에 대해서는 선행문헌 D.M.J. Tax and R.P.W. Duin, "Support Vector Data Description" Machine Learning, vol.54, pp.45-66, 2004 내지 선행문헌 D.M.J. Tax, A. Ypma and R.P.W. Duin, "Support vector data description applied to machine vibration analysis" in Proc. of 5th Annual Conference of the Advanced School for Computing and Imaging ,Heijen, Netherlands, June 15-17, 1999, pp.398-405을 참조하고, 본 명세서에서는 그에 관한 상세한 설명은 생략 한다.

(5) 순차적 단일클래스 분류기 구성 단계( ST150 ) : 순차적 사슬형태의 단일클래스 분류기 구성 단계(ST150)에서는 다음의 세 가지 조건을 통하여 시간특성을 고려한 분류기를 구성하였다.

첫째, 각 분류기의 내부에 일정 개수 이상의 데이터가 위치했는지를 고려하였다. 일정 개수 이상의 데이터가 위치했다는 것은 공정 진행 중에 분류기가 의미하는 공정상의 어떤 세부 공정 구간에 일정 시간이상 머물렀다는 것을 의미한다.

둘째, 한 개 이상 학습된 단일클래스 분류기를 공정의 진행 순서에 따라 시간순서대로 순차적으로 배열하고, 그 배열된 분류기가 순서대로 순차적으로 진행되는지 파악하였다. 이는 데이터가 단순히 다수의 단일클래스 분류기 내부에 위치하는지 여부를 확인하는 것에 그치지 않고 추가로 데이터의 시간 정보에 따라 정해진 순서대로 단일클래스 분류기를 거쳐 가는지를 함께 고려하도록 하는 것이다. 이것은 앞에서 분류기 내부에 위치한 데이터의 개수를 고려하는 것이 일부 구간의 데이터의 시간 특성을 고려한 것이라고 할 때, 전체 구간에서 데이터의 시간 특성을 고려한 것이라고 할 수 있다.

셋째, 한 공정의 시작시점을 나타낸 단일클래스 분류기로부터 다음 공정의 시작 시점을 나타낸 단일클래스 분류기를 통과할 때까지 소요된 총 시간정보를 고려하였다. 이것은 위의 두 조건을 만족했을지라도 순차적으로 배열된 단일클래스 분류기를 통과하는 데 소요된 시간이 통상적으로 정해져 있는 공정소요 시간을 넘어선 경우를 찾아내는 역할을 한다. 따라서 중요구간에 대하여 학습되었던 단일클 래스 분류기가 순차적으로 배열되어 공정이상 검출기를 구성하게 되므로, 이를 가리켜 순차적 사슬형태의 단일클래스 분류기(sequential one class classifier chain)이라고 명명하였다.

도 5A는 시간특성을 고려하지 않은 단일클래스 분류기를 이용한 공정이상 검출예시 파형도를 나타내는 도면이고, 도 5B는 본 발명에서 기술한 시간특성을 고려한 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상 검출예시 파형도를 나타내는 도면이다. 도 5B에 본 발명에서 사용하는 '시간특성을 고려한 순차적 사슬형태'라는 용어의 개념이 잘 나타나 있다.

■ 공정이상 검출기 적용 과정( ST200 )

전술하였던 공정이상 검출기 구성 과정(ST100)을 통해 구성된 공정이상 검출기를 공정에서 획득하는 센서 데이터에 적용함으로써 공정이상을 검출해내는 과정에 대해 살펴본다.

(1) 전처리 단계( ST210 ) : 공정 모니터링용 센서로부터 공정 진행 데이터를 넘겨받아, 학습 전처리 단계(ST110)에서 얻어낸 평균값을 사용하여 공정 데이터에 대하여 데이터 평균 중심화, 데이터 크기 조정 등의 전처리 작업을 수행한다. 바람직하게는 학습 전처리 단계(ST110)에서 사용하였던 전처리 방식과 동일한 알고리듬을 사용한다.

(2) 특징추출 단계( ST220 ) : 특징추출 단계(ST220)에서 데이터의 특성은 최대한 유지하면서 데이터의 차원을 줄이는 작업을 수행한다. 이때, 학습 특징추출 단계(ST120)에서 얻어낸 특징 공간으로의 사영을 위한 변환행렬값(즉, 로딩 행렬)을 사용하여 특징추출 단계(ST220)의 작업을 수행하는 것이 바람직하다.

(3) 분류기 적용 단계( ST230 ) : 이어서, 분류기 적용 단계(ST230)에서 이상공정 검출 작업이 다음과 같이 진행된다. 이상공정 검출은 아래와 같은 순서로 진행되며, 최소 검출 단위는 하나의 작업물이다.

먼저 데이터가 구성된 세부분류기 가운데 어느 것에 속하는 데이터 인지를 확인한다. 이때, 공정 진행 중 중요 지점에 해당하지 않는 데이터는 어느 분류기에도 속하지 않으므로 공정이상 검출 판단을 내리는 데에서 제외된다. 그리고 어떤 분류기가 시작되는 시점, 그 분류기 안에 속한 데이터의 개수로 구성된 중간 결과를 생성한다.

다음으로, 순차적 사슬형태의 단일클래스 분류기 구성 단계(250)에서 생성된 공정이상 검출기에 생성된 중간 결과를 입력으로 넣어 이상 공정 검출 작업을 수행한다. 이 과정에서 수행하는 핵심 검사는 다음의 세 가지 항목이다. 첫째, 공정 데이터는 정의된 순서대로 세부분류기를 통과하고 있는가? 둘째, 각각의 세부분류기 안에 위치한 공정 데이터의 수는 사전에 설정해 둔 최소 개수 이상인가? 셋째, 작업물 하나에 해당하는 공정 진행을 나타내는 데이터 구간의 길이는 사전에 설정해 둔 최소 개수 이상인가?

이상의 세 가지 항목을 모두 만족하는 공정 데이터 구간은 정상적으로 공정이 진행된 작업물 하나로 판정하며 한 가지라도 조건을 만족하지 않는 경우에는 비정상적으로 공정이 진행된 작업물로 판정한다.

■ 공정의 시작/종료 지점 검출 작업

도 6은 순차적 사슬형태의 단일클래스 분류기와 공정 데이터와의 관계를 나타낸 것으로, 정상 공정 데이터에 대한 공정이상 검출 수행결과(a)와 비정상 공정 데이터에 대한 공정이상 검출 수행결과(b)이다. 도면에서 파선은 공정이상 검출기를 구성하는 각각의 세부분류기를 나타내고, 짙게 표시된 영역은 공정 데이터를 나타낸다.

공정이상 검출기 구성 과정(ST100)은 공정이상 검출기를 구성할 때 단 한 번 수행한 후에 공정이상 검출 작업을 진행할 때에는 다시 수행할 필요가 없으며 공정이상 검출기 적용 과정(ST200)은 매회 공정이상 검출 작업 진행시마다 수행된다. 본 발명의 일 실시예에 따른 공정이상 검출 장치는 이와 같은 동작흐름을 따라서 전체적인 동작을 수행하게 된다.

공정 모니터링 및 공정이상 검출용으로 추가 부착하여 사용하는 센서의 경우 데이터 측정 시점이 공정 설비와 진행과 동기화되어 있지 않아서 센서 데이터 상에서는 공정의 시작 시점이나 종료 시점에 대한 정보를 파악할 수 없다. 따라서 작업물 단위별로 구분없이 측정값이 기록되어 있는 센서 데이터를 작업물 하나 단위로 구분하여 주는 기능이 필요하다.

이 문제를 해결하기 위하여 공정의 시작/종료 지점을 나타내는 데이터를 선택하여 공정의 시작/종료 지점을 검출하는 단일클래스 분류기를 구성한 후, 제안한 순차적인 단일클래스 분류기 사슬의 맨 처음과 맨 끝에 배치함으로써 공정의 시작/ 종료 지점을 검출하도록 하였다. 또한 공정의 종료 지점을 통과한 후 다음 공정의 시작 지점을 통과하기까지 그 사이에 위치한 데이터는 공정이상 검출 대상 구간의 데이터가 아닌 것으로 간주하였다. 이와 같이 이상 공정 검출기의 구성 시, 공정 시작 지점 검출과 공정 휴지 구간 데이터로 인한 영향 배제 기능을 함께 포함하였다.

상기와 같이 본 발명의 일 실시예에 따른 공정이상 검출 장치의 구성 및 동작이 이루어질 수 있으며, 한편 상기한 본 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나 여러 가지 변형이 본 발명의 범위를 벗어나지 않고 실시될 수 있다. 따라서 본 발명의 범위는 설명된 실시예에 의하여 정할 것이 아니고 청구범위와 청구범위의 균등한 것에 의하여 정하여져야 할 것이다.

도 1은 종래 기술에 따른 공정이상 검출 방법의 문제점을 나타내는 도면,

도 2는 본 발명에 따른 공정이상 검출 방법이 적용된 시스템의 실시예를 나타내는 도면,

도 3은 본 발명에 따른 공정이상 검출 방법의 개념을 나타내는 도면,

도 4는 본 발명의 공정이상 검출방법에서 중요 데이터 그룹 및 그룹별 세부분류기의 구성도,

도 5A 및 도 5B는 시간순서를 고려하지 않은 단일클래스 분류기 파형도(a) 및 순차적 사슬 형태의 단일클래스 분류기 파형도(b)를 도시하는 도면,

도 6A 및 도 6B는 본 발명에 따른 공정이상 검출 방법을 적용한 실시예로서, 정상 판정된 공정 데이터 파형도(a)와 비정상 판정된 공정 데이터 파형도(b)를 도시하는 도면이다.

Claims (5)

1. 순차적 사슬형태의 단일클래스 분류기를 이용하여 설비의 공정 이상을 검출하는 방법으로서,

   상기 설비의 정상 공정을 모니터링한 센서 데이터의 학습 전처리 단계(ST110)와, 상기 전처리된 센서 데이터의 차원을 줄이는 학습 특징추출 단계(ST120)와, 중요 그룹의 데이터에 대한 선택을 제공받는 중요데이터 그룹 선정 단계(ST130)와, 상기 선택된 데이터 그룹별로 학습을 수행하여 세부 공정별로 분류기를 구성하는 세부분류기 구성 단계(ST140)와, 상기 구성된 세부 공정별의 분류기를 공정 진행상의 시간 순서에 따라 배치하여 순차적 사슬형태의 단일클래스 분류기를 구성하는 순차적 단일클래스 분류기 구성 단계(ST150)를 포함하는 공정이상 검출기 구성 과정(ST100); 및

   상기 설비의 공정 진행을 모니터링하는 센서 데이터에 대하여 상기 공정이상 검출기 구성과정(ST100)에서 획득한 정보를 사용하여 전처리를 수행하는 전처리 단계(ST210)와, 상기 공정이상 검출기 구성 과정(ST100)에서 획득한 정보를 사용하여 상기 전처리된 센서 데이터의 차원을 줄이는 특징추출 단계(ST220)와, 상기 특징추출된 센서 데이터에 대하여 상기 구성된 공정이상 검출기를 적용하여 공정이상 검출 결과를 출력하는 분류기 적용 단계(ST230)를 포함하는 공정이상 검출기 적용 과정(ST200);

   를 포함하여 구성되는 순차적 사슬형태의 단일클래스 분류기를 이용한 공정 이상 검출 방법.
2. 청구항 1에 있어서,

   상기 학습 특징추출 단계(ST120) 및 상기 특징추출 단계(ST220)는 각각 상기 전처리된 센서 데이터에 대하여 주성분 분석 및 선형 판별 분석 중 어느 하나에 따른 차원 변환 알고리듬을 적용하여 센서 데이터의 차원을 줄이는 단계;를 포함하여 구성되는 것을 특징으로 하는 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상 검출 방법.
3. 청구항 1 또는 2에 있어서,

   상기 세부분류기 구성 단계(ST140)는 상기 선택된 데이터 그룹별로 SVDD 알고리듬, K-근접 이웃 알고리듬, 신경회로망 중 어느 하나에 따른 단일 클래스 분류 알고리듬을 적용하는 단계;를 포함하여 구성되는 것을 특징으로 하는 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상 검출 방법.
4. 청구항 1 또는 3에 있어서,

   상기 분류기 적용 단계(ST230)는,

   각 분류기의 내부에 일정 개수 이상의 데이터 존재 여부를 고려하는 단계;

   한 개 이상 학습된 단일클래스 분류기를 공정의 진행 순서에 따라 시간 순서대로 배열된 분류기가 순서대로 순차적으로 진행되는지 파악하는 단계; 및

   한 공정의 시작시점을 나타낸 단일클래스 분류기로부터 다음 공정의 시작 시점을 나타낸 단일클래스 분류기를 통과할 때까지 소요된 총 시간정보를 고려하는 단계;

   를 포함하여 구성되는 것을 특징으로 하는 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상 검출 방법
5. 청구항 1에 있어서,

   상기 공정이상 검출 방법은,

   상기 설비의 공정 진행과 데이터 측정시점이 동기화되는 않은 상태에서 상기 공정 진행을 모니터링하는 센서가 설치된 후, 시작점을 나타낸 분류기를 이용하여 시작점을 찾아내어 공정의 기본 작업 단위별로 공정 이상 진단을 수행하도록 설정하는 과정;을 더 포함하는 것을 특징으로 하는 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상 검출 방법.

Images