KR101581425B1 - 제품 제조 공정에서의 이상 감지 방법, 장치 및 기록매체 - Google Patents

Abstract

제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각에 대한 제 1 측정 데이터를 정규화하여 제 2 측정 데이터를 생성하고, 제 2 측정 데이터에 주성분 분석(principal components analysis)을 수행하여, 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정하고, 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하며, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)하여, 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터를 제조 조건에 따라 재분류하여 이상 제품을 예측하는 제품 제조 공정에서의 이상 감지 방법이 개시된다.

Description

제품 제조 공정에서의 이상 감지 방법, 장치 및 기록매체{METHOD AND APPARATUS FOR DETECTING FAULT IN THE PRODUCT MENUFACTURING PROCESS AND RECORDING MEDIUM THEREOF}

개시된 실시 예들은 제품 제조 공정에서 이상을 감지하는 방법, 제품 제조 공정에서 이상을 감지하는 장치 및 제품 제조 공정에서 이상을 감지하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체에 관한 것이다.

최근 센서 및 정보 기술의 발달로 제품 생산 설비, 주식 시장, 지구 대기 등 관리의 대상이 되는 시스템에서 전산화된 데이터를 획득하는 것이 가능해졌다. 각각의 시스템에서는 시스템의 목적에 따라 수행되는 일련의 프로세스가 종료된 후, 시스템의 프로세스 결과에 관한 전산화된 데이터를 획득할 수 있다. 사용자는 획득한 데이터를 이용하여, 시스템의 결과물이 의도한 대로 출력되었는지 여부를 확인할 수 있다.

종래에는 시스템에서 수행되는 일련의 프로세스들이 종료된 후에, 시스템의 프로세스 결과를 획득함으로써, 프로세스가 수행되는 과정에서 오류를 예측하기 어렵다는 문제가 있다.

개시된 일 실시 예는 제품 제조 공정에 포함되는 각 프로세스에서 측정되는 데이터를 이용하여, 제품의 제조 공정 중 실시간으로 각 프로세스에서 발생 가능한 이상을 감지하는 제품 제조 공정에서의 이상 감지 방법에 관한 것이다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법은 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 정규화한 제2 측정 데이터를 생성하는 단계; 상기 제 2 측정 데이터에 주성분 분석(principal components analysis)을 수행하여, 상기 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정하는 단계; 상기 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 상기 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하여, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)하는 단계; 및

상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터를 상기 제조 조건에 따라 재분류하여 이상 제품을 예측하는 단계를 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법에 있어서, 상기 이상 제품을 예측하는 단계는, 상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법을 포함하는 분류 기법들 중 어느 하나의 기법을 적용하여, 상기 이상 제품을 예측한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법에 있어서, 상기 이상 제품을 예측하는 단계는, 기설정된 주기마다 상기 분류 기법들 중 적용된 어느 하나의 기법을 다른 기법으로 변경하는 단계; 및 상기 변경된 기법을 상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 적용하여, 상기 이상 제품을 예측한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법은 상기 제품들의 제조 공정에 포함되는 소정 프로세스의 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득하는 단계; 및 상기 제 1 측정 데이터를 기초로 분석한 결과, 이상이 감지되지 않는 경우, 상기 소정 프로세스 이후의 프로세스를 수행하는 단계를 더 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법은, 상기 제품들 중에서, 적어도 하나의 상기 예측된 이상 제품을 모두 포함한 기설정된 개수의 제품들에 대해 이상 제품을 검출하기 위한 샘플링을 수행하는 단계를 더 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법은, 상기 예측된 이상 제품이 존재하는 경우 상기 예측된 이상 제품에 관한 식별 정보 및 알림을 제공하는 단계를 더 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법은, 사용자로부터 상기 예측된 이상 제품에 관한 식별 정보를 획득하는 경우, 상기 예측된 이상 제품과 관련된 상기 제 2 측정 데이터에 관한 정보를 출력하는 단계를 더 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 방법은 상기 예측된 이상 제품이 존재하는 경우 상기 예측된 이상 제품에 관한 제 2 측정 데이터 중에서 상기 제조 조건을 만족하지 못하는 제 2 측정 데이터에 관한 정보를 저장하는 단계를 더 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치는 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득하는 데이터 획득부; 상기 획득한 제 1 측정 데이터를 정규화한 제2 측정 데이터를 생성하는 데이터 전처리부; 상기 제 2 측정 데이터에 주성분 분석(principal components analysis)을 수행하여, 상기 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정하며 상기 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 상기 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하고, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)하는 데이터 처리부; 및 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터를 상기 제조 조건에 따라 재분류하여 이상 제품을 예측하는 제어부를 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 제어부는, 상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법을 포함하는 분류 기법들 중 어느 하나의 기법을 적용하여, 상기 이상 제품을 예측한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 이상 예측부는, 기설정된 주기마다 상기 분류 기법들 중 적용된 어느 하나의 기법을 다른 기법으로 변경하고, 상기 변경된 기법을 상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 적용하여, 상기 이상 제품을 예측한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 제어부는, 상기 제 1 측정 데이터를 기초로 분석한 결과, 이상이 감지되지 않는 경우, 상기 프로세스 이후의 프로세스를 수행한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 제어부는, 상기 제품들 중에서, 적어도 하나의 상기 예측된 이상 제품을 모두 포함한 기설정된 개수의 제품들에 대해 이상 제품을 검출하기 위한 샘플링을 수행한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 예측된 이상 제품이 존재하는 경우 상기 예측된 이상 제품에 관한 식별 정보 및 알림을 제공하는 출력부를 더 포함한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 출력부는, 사용자로부터 상기 예측된 이상 제품에 관한 식별 정보를 획득하는 경우, 상기 예측된 이상 제품과 관련된 상기 제 2 측정 데이터에 관한 정보를 출력한다.

일 실시예에 따른 제품 제조 공정에서의 이상 감지 장치에 있어서, 상기 제어부는,상기 예측된 이상 제품이 존재하는 경우 상기 예측된 이상 제품에 관한 제 2 측정 데이터 중에서 상기 제조 조건을 만족하지 못하는 제 2 측정 데이터에 관한 정보를 저장한다.

일 실시 예에 따른 제품 제조 공정에서의 이상 감지 방법은 제품 제조 공정에서 수행되어야 하는 일련의 프로세스들 각각에 대해 제품의 품질 및 성능에 영향을 미치는 측정 데이터를 획득하여, 제품의 이상 여부를 예측함으로써 제품 제조 공정에서의 이상 발생 여부를 보다 효율적으로 감지할 수 있다.

도 1은 일 실시예에 따른 제품 제조 공정에서 이상을 감지하는 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 제품 제조 공정에서 이상을 감지하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 이상 감지 장치가 제품 제조 공정에 포함된 프로세스에서 제 1 측정 데이터에 관한 정보를 표시하는 제 1 사용자 인터페이스를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 이상 감지 장치가 이진 분류 기법을 이용하여 이상 제품을 예측하는 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 이상 감지 장치가 예측된 이상 제품에 관한 제 2 측정 데이터를 사용자에게 제공하는 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시예에 따른 이상 감지 장치가 획득한 제 2 측정 데이터에 기초하여 제품의 이상을 예측한 결과를 출력하는 제 2 사용자 인터페이스를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 이상 감지 장치가 예측된 이상 제품에 실제 검사를 수행하여 출력되는 결과에 관한 정보를 표시하는 제 3 사용자 인터페이스를 도시한 도면이다.
도 8 및 도 9는 일 실시예에 따른 이상 감지 장치를 설명하기 위한 블록도이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 실시 예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 제품 제조 공정에서 이상을 감지하는 시스템(10)을 설명하기 위한 도면이다.

도 1에 도시된 제품 제조 공정에서 이상을 감지하는 시스템(10)에는 본 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

도 1을 참조하면, 제품 제조 공정에서 이상을 감지하는 시스템(10)은 제품 제조 장치(50) 및 제품 제조 공정에서 이상 감지 장치(100, 이하 이상 감지 장치)를 포함할 수 있다.

제품 제조 장치(50)는 시계열적인 프로세스를 거쳐 제품을 제조한다. 제품 제조 장치(50)에서 제조되는 제품은 예를 들어, 자동자 부품이 포함될 수 있다. 자동차 부품에는 통합형 안네나, 샤크핀 안테나, 블루투스 및 멀티 단자 등이 포함될 수 있다. 하기 위해 복수개의 프로세스를 수행해야 한다. 이하에서는 설명의 편의상 멀티 단자를 제품으로 제조하는 장치를 예로 들어 설명하도록 한다. 다만, 멀티 단자는 제품의 일 실시예일 뿐, 본 발명에서의 제품이 멀티 단자에 한정되는 것은 아니다.

멀티 단자를 제조하는데 필요한 프로세스에는 크림 솔더(Cream Solder)를 교반하는 프로세스, PCB(Printed Cirduit Border)에 크림 솔더를 도포하는 프로세스, PCB의 높이 체적 등과 같은 도포 상태를 확인하는 프로세스, 크림 솔더가 도포된 PCB 판에 부품을 부착하는 프로세스 및 부품이 부착된 PCB 판을 검사하는 프로세스 등이 포함될 수 있다. 도 1에 도시된 제품 제조 장치(50)에는 전술한 멀티 단자의 제조에 필요한 프로세스를 수행할 수 있는 복수개의 프로세스 수행부(52, 54, 56, 58)가 포함될 수 있다. 전술한 각각이 프로세스는 도 1에 도시된 프로세스 수행부(52, 54, 56, 58)에서 수행될 수 있다.

제품 제조 장치(50)에서 사용자가 의도한 제품이 생산되기 위해서는 각 프로세스가 기설정된 제조 조건하에서 수행되어야 한다. 여기에서 일련의 제품 제조 프로세스에서 제조되는 제품의 성능 및 품질 등에 영향을 미치는 변수 각각을 파라미터라고 할 수 있다. 예를 들어, 제 1 프로세스 수행부(52)에서 크림 솔더를 교반하는 경우, 크림 솔더의 냉장 보관 온도, 점도 및 메탈 마스크 텐션 등이 파라미터에 포함될 수 있다. 사용자가 의도한 바와 일치하는 정상적인 제품이 생산되기 위해서는 제 1 프로세스 수행부(52)의 공정을 수행하는 과정에서의 크림 솔더의 냉장 보관 온도, 점도 및 메탈 마스크 텐션 등이 기설정된 제조 조건범위에 포함되어야 한다.

이상 감지 장치(100)는 제품 제조 공정에 포함되는 각각의 프로세스를 모니터링 할 수 있다. 일 실시예에 따른 이상 감지 장치(100)는 각각의 프로세스가 수행되는 과정에서 제품 별로 측정 데이터를 획득할 수 있다. 여기에서, 제품은 완성된 제품 뿐만 아니라 제품을 제조하는 과정에서 미완성된 반제품, 제품이 완성되기 전의 조립품 및 부품을 포함할 수 있다. 이상 감지 장치(100)가 각각의 프로세스에서 모니터링 하는 대상은 완성되지 않은 반제품 또는 부품의 상태이지만 편의상 이를 제품으로 설명하도록 한다.

이상 감지 장치(100)에서는 제품을 제조하기 위해 수행되어야 하는 복수개의 프로세스들이 종료되기 전, 각각의 프로세스 별로 파라미터들 각각의 측정 데이터를 획득할 수 있다. 이상 감지 장치(100)는 제 1 프로세스와 관련된 파라미터들 각각의 측정 데이터를 획득하여, 제품들이 제조 조건을 만족하는지 여부를 판단한 결과 이상 제품이 존재한다고 예측되는 경우, 제 1 프로세스 다음의 프로세스인 제 2 프로세스를 수행하지 않을 수 있다. 이상 감지 장치(100)는 모든 프로세스들이 수행되기 전에, 소정 프로세스에서 이상 제품이 존재하는 것으로 예측되는 경우, 소정 프로세스 이후의 프로세스를 수행하지 않도록 제품 제조 장치(50)를 제어함으로써, 제품 제조에 이용되는 자원의 낭비를 줄일 수 있다.

또한, 이상 감지 장치(100)는 프로세스 별로 각각의 제품들에 관해 획득된 측정 데이터를 각각의 제품들에 관한 식별 정보와 함께 저장할 수 있다. 예를 들어, 식별 정보에는 각각의 제품들에 관한 바코드 정보가 포함될 수 있다. 이상 감지 장치(100)는 각각의 제품들 중에서 이상 제품들에 관한 식별 정보 및 측정 데이터를 출력할 수 있다. 또한, 이상 감지 장치(100)는 각각의 제품들 중에서 이상 제품이 존재한다고 예측되는 경우 이에 대한 알림을 제공할 수 있다.

이하에서는 도 2를 참조하여, 일 실시예에 따른 이상 감지 장치(100)가 제품 제조 공정에서 이상을 감지하는 방법을 설명하도록 한다.

도 2는 일 실시예에 따른 제품 제조 공정에서 이상을 감지하는 방법을 설명하기 위한 흐름도이다.

단계 210에서, 이상 감지 장치(100)는 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 정규화한다.

이상 감지 장치(100)는 프로세스에서 제품의 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득한다. 일 실시예에 다른 이상 감지 장치(10)는 제품 제조 공정에 포함되는 프로세스들을 수행하는 프로세스 수행부(52, 54, 56, 58)로부터 유선 또는 무선 네트워크를 통해 파라미터들 각각의 제 1 측정 데이터를 획득할 수 있다.

일 실시예에 따른 이상 감지 장치(100)는 복수개의 제품들 각각에 대해 제품 단위로 제 1 측정 데이터를 획득할 수 있다. 예를 들어, 이상 감지 장치(100)는 로트(LOT) 단위가 아닌 제품 키트(kit) 단위로 제 1 측정 데이터를 획득함으로써, 이상이 존재하는 제품 키트에 대한 추적 및 보완을 보다 효율적으로 수행할 수 잇다.

이상 감지 장치(100)는 획득한 제 1 측정 데이터를 정규화할 수 있다. 많은 양의 데이터를 처리하기 위해서는 데이터의 범위를 일치시키고 분포를 유사하게 만들어 주는 정규화 작업이 필요할 수 있다. 정규화는 데이터 분석에 가장 영향을 미치는 측정 단위를 선별하는 데 데이터 각각 서로에 대한 의존성을 없애고, 초기에 큰 범위를 갖는 속성이 작은 범위를 갖는 속성을 능가하는 것을 방지할 수 있다. 정규화는 표본데이터 값에서 표본평균값을 뺀 후 표준편차로 나누어 준다. 이와 같이 제품 제조 공정에 포함된 각각의 프로세스에서 수집된 제 1 측정 데이터를 Main PC (RQPMS)에서 실시간으로 정규화하고 이를 시각화 시켜준다.

단계 220에서, 이상 감지 장치(100)는 정규화된 제 2 측정 데이터에 주성분 분석(principal components analysis, PCA)을 수행하여, 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정한다.

예측모형에 많은 변수를 포함시킬 경우 데이터를 과 적합화 시킬 위험이 있고 모형이 수행되는데 소요되는 시간이 길다는 문제가 발생할 수 있다. 일 실시예에 따른 이상 감지 장치(100)는 PCA기법을 통하여 변수를 축소할 수 있다. PCA는 분산을 최대로 하는 방향(변량)을 찾아 그로부터 데이터를 축약하여 변수들이 가지고 있는 전체 데이터를 최대한 설명할 수 있는, 서로 독립적인 주성분 파라미터들을 유도하여 해석하는 분석 기법이다.

단계 230에서, 이상 감지 장치(100)는 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하여, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)한다. 여기에서. 제 1 그룹은 정상 제품들 각각의 주성분 파라미터에 관한 제 2 측정 데이터가 포함될 수 있고, 제 2 그룹은 이상 제품들 각각의 주성분 파라미터에 관한 제 2 측정 데이터가 포함될 수 있다.

주성분 파라미터의 제 2 측정 데이터로부터 직접적으로 이상 제품을 검출할 경우, 정상 제품과 이상 제품 간의 비율 차로 인해 불균형 이진 분류 (Unbalanced Binary Classification) 문제가 발생할 수 있다. 따라서, 이런 불균형 문제점을 해결하기 위해 이상 감지 장치(100)는 SMOTE(Synthetic Minority Oversampling Technique)기법을 주성분 파라미터의 제 2 측정 데이터에 적용할 수 있다. SMOTE는 소수 데이터가 포함된 제 2 그룹의 데이터를 KNN(K-Nearest Neighbors) 알고리즘으로 복원 추출하여 다수의 데이터가 포함된 제 1 그룹의 데이터만큼 제 2 그룹의 데이터를 오버 샘플링(over sampling)하는 방법이다.

예를 들어. 이상 감지 장치(100)는 제 2 그룹의 데이터 수인 T와 SMOTE의 비율 N%, 인접한 이웃 k개의 입력 값에 의해 인위적인 샘플링 데이터 T를 생성하게 된다. 이상 감지 장치(100)는 적절한 오버 샘플링 비율(N%)을 찾기 위한 실험을 하기 앞서 소수 분류집단과 다수 분류집단의 정확도를 모두 고려한 지오메트릭 평균(Geometric Mean)을 사용할 수 있다.

단계 240에서, 이상 감지 장치(100)는 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터를 제조 조건에 따라 재분류하여 이상 제품을 예측한다. 이상 감지 장치(100)는 이상 제품을 예측하기 위해, 이진 분류 기법인 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법 중 어느 하나를 적용할 수 있다. 이에 대해서는 도 4를 참조하여 구체적으로 후술하도록 한다.

한편, 이상 감지 장치(100)는 제 1 측정 데이터를 기초로 분석한 결과 이상이 감지되는 경우, 수행한 프로세스 이후의 프로세스를 중단할 수 있다.

도 3은 일 실시예에 따른 이상 감지 장치(100)가 제품 제조 공정에 포함된 프로세스에서 제 1 측정 데이터에 관한 정보를 표시하는 제 1 사용자 인터페이스(300)를 설명하기 위한 도면이다.

제 1 사용자 인터페이스(300)에는 프로세스에서 제조 조건과 관련된 복수의 파라미터들 중에서 어느 하나의 파라미터를 선택할 수 있는 메뉴 탭(310)이 표시될 수 있다. 사용자는 메뉴 탭(310)에서 입력 대상이 되는 파라미터를 선택하여, 파라미터에 대한 제 1 측정 데이터를 입력할 수 있다. 여기에서 파라미터는 냉장 보관 온도, 점도, 메탈 마스크 텐션 및 리플로우(reflow) 온도 등이 포함될 수 있다.

사용자는 메뉴 탭(310)을 선택하여 파라미터에 대한 제 1 측정 데이터를 입력한 후, 새로 고침 탭(320)을 선택하여 입력한 제 1 측정 데이터가 반영된 표(350)와 그래프(360)를 업데이트 할 수 있다. 표(350)와 그래프(360)에 표시되는 정보에 대해서는 하기에서 후술하도록 한다.

사용자는 히스토리 탭(330)을 선택하여, 파라미터들 각각에 대해 입력한 제 1 측정 데이터의 기록을 확인할 수 있다. 또한, 사용자는 알림 창(340)을 통해 파라미터들 중에서, 사용자가 기설정된 기간 동안 제 1 측정 데이터를 입력하지 않은 파라미터에 대한 알림을 제공할 수 있다. 예를 들어, 소정 파라미터에 대한 제 1 측정 데이터가 기설정된 주기에 따라 입력되지 않는 경우. 알립 창(340)의 색을 변경할 수 있다.

제 1 사용자 인터페이스(300)에 표시된 표(350)에는 제 1 측정 데이터가 기설정된 조건에 따라 정렬되어 표시될 수 있다. 예를 들어, 사용자가 메뉴 탭(310)을 이용하여, '냉장 보관 온도'를 선택한 경우, 냉장 보관 온도에 관해 측정된 제 1 측정 데이터가 최근 저장된 순서대로 정렬되어 표시될 수 있다.

제 1 사용자 인터페이스(300)에 표시된 그래프(360)에는 시간에 따른 제 1 측정 데이터의 변화가 표시될 수 있다. 예를 들어, 사용자가 메뉴 탭(310)을 이용하여, '냉장 보관 온도'를 선택한 경우, 냉장 보관 온도에 관해 기설정된 기간 동안 측정된 제 1 측정 데이터가 그래프로 표시될 수 있다.

도 4는 일 실시예에 따른 이상 감지 장치(100)가 이진 분류 기법을 이용하여 이상 제품을 예측하는 방법을 설명하기 위한 흐름도이다.

단계 410에서, 이상 감지 장치(100)는 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 정규화한다.

이상 감지 장치(100)는 프로세스에서 제품의 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득한다. 일 실시예에 따른 이상 감지 장치(100)는 복수개의 제품들 각각에 대해 제품 단위로 제 1 측정 데이터를 획득할 수 있다. 이상 감지 장치(100)는 획득한 제 1 측정 데이터를 정규화할 수 있다. 일 실시예에 따른 이상 감지 장치(100)는 각각의 프로세스에서 수집된 제 1 측정 데이터를 Main PC (RQPMS)에서 실시간으로 정규화하고 이를 시각화 시켜서 표시할 수 있다.

한편, 단계 410은 도 2를 참조하여 전술한 단계 210과 대응될 수 있다.

단계 420에서, 이상 감지 장치(100)는 정규화된 제 2 측정 데이터에 주성분 분석(principal components analysis, PCA)을 수행하여, 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정한다.

한편, 단계 420은 도 2를 참조하여 전술한 단계 220과 대응될 수 있다.

단계 430에서, 이상 감지 장치(100)는 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하여, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)한다. 여기에서. 제 1 그룹은 정상 제품들 각각의 주성분 파라미터에 관한 제 2 측정 데이터가 포함될 수 있고, 제 2 그룹은 이상 제품들 각각의 주성분 파라미터에 관한 제 2 측정 데이터가 포함될 수 있다.

한편, 단계 430은 도 2를 참조하여 전술한 단계 230과 대응될 수 있다.

단계 440에서, 이상 감지 장치(100)는 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터에 SVM 기법, KNN 기법 및 DA 기법을 분류하는 분류 기법들 중 어느 하나의 기법을 적용하여 이상 제품을 예측한다.

SVM 기법은 데이터가 주어졌을 때 점들을 분리할 수 있는 수많은 후보 평면들 가운데 마진이 최대가 되는(Maximum-margin) 초평면(Hyperplane)을 찾는 기법이다. 여기에서 마진이란 초평면으로부터 각 점들에 이르는 거리의 최소값을 의미한다. 마진을 최대로 하는 동시에 점들을 두 그룹으로 분류하려면, 그룹 1에 속하는 점들과의 거리 중 최소값과 그룹 -1에 속하는 점들과의 거리 중 최소값이 같도록 초평면이 위치해야 하며, 이러한 초평면을 최대 마진 초평면이라고 한다. 이상 감지 장치(100)는 SVM 기법에 다라 데이터의 분류성 증진을 위해　고차원 공간으로 점들을 투영하는 커널(Kernel) 함수를 결정하고, 이를 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터에 적용하여 정상 제품과 이상 제품을 분류할 수 있다.

KNN 기법은 기존에 갖고 있는 데이터를 바탕으로 새로운 점을 분류하는 알고리즘이다. 새로운 데이터를 중심으로 k를 원주로 갖는 원을 그려서 새로운 데이터를 그 원 안에 존재하는 데이터 들의 유형들 중 더 많은 유형의 데이터로 간주할 수 있다. KNN 기법을 적용하기 위해서는 각 점의 거리 계산 방법이 필요할 수 있다. 거리 계산 방식으로는 유클리디안 계산 방식과 맨하탄 계산 방식이 포함될 수 있다.

DA 기법은 간격척도 이상인 독립변수의 선형결합과 케이스가 속한 집단을 나타내는 명목척도인 종속변수와의 관계를 규명하고 독립변수 값을 이용하여 케이스가 속한 집단을 예측 및 집단별로 분류하는 기법이다. 이상 감지 장치(100)는 판별 분석을 하기 위해, 주성분 파라미터의 제 2 측정 데이터를 정상 제품과 이상 제품의 두 집단으로 구분하는데 기여할 수 있는 독립변수들을 찾는다. 이상 감지 장치(100)는 DA 기법에 따라 주성분 파라미터 중에서 독립 변수들을 찾고, 독립 변수에 기초하여, 제품들을 정상 제품과 이상 제품으로 분류할 수 있다.

단계 450에서, 이상 감지 장치(100)는 기설정된 주기마다 분류 기법들 중 적용된 어느 하나의 기법을 다른 기법을 변경하여 이상 제품을 예측한다. 예를 들어, 이상 감지 장치(100)는 제 1 기간 동안 SVM 기법을 적용하여 이상 제품을 예측한 경우, 제 1 기간이 종료된 후인 제 2 기간 동안에는 KNN 기법을 적용하여 이상 제품을 예측할 수 있다. 또한, 제 2 기간이 종료된 후인 제 3 기간 동안에는 DA 기법을 적용하여 이상 제품을 예측할 수 있다.

일 실시예에 따른 이상 감지 장치(100)는 전술한 기법들에 따라 이상 제품을 예측한 후, 예측된 이상 제품이 실제 이상 제품이었는지 여부를 판단할 수 있다. 이상 감지 장치(100)는 판단 결과 최적화된 이진 분류 기법을 선택하여, 복수개의 제품들 중에서 이상 제품을 예측할 수 있다.

한편, 이상 감지 장치(100)는 예측된 이상 제품을 포함한 제품들을 샘플링하여 제품의 이상 여부를 검사할 수 있다. 일 실시예에 따른 이상 감지 장치(100)는 주어진 자원에 따라 샘플링 가능한 제품의 수가 2N 개인 경우, 전체 제품들 중에서 예측된 이상 제품들 전부와 정상 제품으로 예측된 제품들 중 일부 제품들을 합한 2N개의 제품들을 샘플링 할 수 있다. 이러한 샘플링 방법은 기존에 전체 제품들 중에서, 랜덤하게 샘플링 할 제품을 결정하는 방법에 비해, 검사의 신뢰도를 높일 수 있다.

도 5는 일 실시예에 따른 이상 감지 장치(100)가 예측된 이상 제품에 관한 제 2 측정 데이터를 사용자에게 제공하는 방법을 설명하기 위한 흐름도이다.

단계 510에서, 이상 감지 장치(100)는 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 정규화한다.

이상 감지 장치(100)는 프로세스에서 제품의 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득한다. 일 실시예에 따른 이상 감지 장치(100)는 복수개의 제품들 각각에 대해 제품 단위로 제 1 측정 데이터를 획득할 수 있다. 이상 감지 장치(100)는 획득한 제 1 측정 데이터를 정규화할 수 있다. 일 실시예에 따른 이상 감지 장치(100)는 각각의 프로세스에서 수집된 제 1 측정 데이터를 Main PC (RQPMS)에서 실시간으로 정규화하고 이를 시각화 시켜서 표시할 수 있다.

한편, 단계 510은 도 2를 참조하여 전술한 단계 210과 대응될 수 있다.

단계 520에서, 이상 감지 장치(100)는 정규화된 제 2 측정 데이터에 주성분 분석(principal components analysis, PCA)을 수행하여, 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정한다.

한편, 단계 520은 도 2를 참조하여 전술한 단계 220과 대응될 수 있다.

단계 530에서, 이상 감지 장치(100)는 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하여, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)한다. 여기에서. 제 1 그룹은 정상 제품들 각각의 주성분 파라미터에 관한 제 2 측정 데이터가 포함될 수 있고, 제 2 그룹은 이상 제품들 각각의 주성분 파라미터에 관한 제 2 측정 데이터가 포함될 수 있다.

한편, 단계 530은 도 2를 참조하여 전술한 단계 230과 대응될 수 있다.

단계 540에서, 이상 감지 장치(100)는 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터를 제조 조건에 따라 재분류하여 이상 제품을 예측한다. 이상 감지 장치(100)는 이상 제품을 예측하기 위해, 이진 분류 기법인 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법 중 어느 하나를 적용할 수 있다.

한편, 단계 540은 도 2를 참조하여 전술한 단계 240과 대응될 수 있다.

단계 550에서, 이상 감지 장치(100)는 예측된 이상 제품과 관련된 제 2 측정 데이터에 관한 정보를 출력한다. 이상 감지 장치(100)는 이상 제품이 예측된 경우, 데이터 베이스에 저장되어 있는 예측된 이상 제품과 관련된 제 2 측정 데이터에 관한 정보를 측정 일자, 측정 시간 등에 관한 정보와 함께 출력할 수 있다.

이상 감지 장치(100)는 이상 제품으로 예측된 제품들이 제 2 측정 데이터를 기초로, 제품 제조 공정에 포함된 복수개의 프로세스들 중에서, 문제가 되는 프로세스를 결정할 수도 있다.

또한, 이상 감지 장치(100)는 예측된 이상 제품과 관련된 제 2 측정 데이터에 관한 정보를 사용자가 용이하게 확인할 수 있도록 표 또는 그래프의 형태로 출력할 수 있다. 이에 대해서는 다음에서 도 6 및 도 7을 참조하여 구체적으로 설명하도록 한다.

도 6은 일 실시예에 따른 이상 감지 장치(100)가 획득한 제 2 측정 데이터에 기초하여 제품의 이상을 예측한 결과를 출력하는 제 2 사용자 인터페이스(600)를 설명하기 위한 도면이다.

사용자는 제 2 사용자 인터페이스(600)에 표시된 식별 정보 탭(610)을 선택하여, 예측 결과를 확인하고자 하는 시간과 LOT 아이디를 선택할 수 있다. 사용자는 초기화 탭(620)을 선택하여, 식별 정보 탭(610)에서 선택한 내용을 초기화 시킬 수 있다. 또한, 사용자는 제 2 사용자 인터페이스(600)에 표시된 표(630)를 통해, 선택된 LOT에 포함된 제품 각각의 정보를 확인할 수 있다. 예를 들어, 표(630)에는 선택된 LOT 에 포함된 제품 키트에 관한 바코드 정보, 물리적 번호, 품질 예측 시간, 실제 이상 검사 결과 등이 표시될 수 있다. 또한, 표(630)에서 오류 제품 탭을 선택하는 경우, LOT에 포함되는 모든 제품들 중에서, 이상 제품에 관한 정보만이 표시될 수 있다. 또한, 이상 감지 장치(100)는 표(630)에 이상 제품의 색상을 정상 제품과 다르게 표시함으로써, 사용자에게 이상 제품에 관한 정보를 제공할 수도 있다.

제 2 사용자 인터페이스의 제 1 보조 창(640)에는 예측의 정확도, 민감도, 특이도, 지오메트릭 평균 값에 관한 정보가 표시될 수 있다. 또한, 제 2 보조 창(650)에는 제품들에 대해, 예측 검사를 수행한 결과 획득한 예측된 정상 제품 및 예측된 이상 제품의 비율과 실제 검사를 수행한 결과 획득한 실제 정상 제품 및 실제 이상 제품의 비율이 표시될 수 있다. 제 3 보조 창(660)에는 복수개의 이진 분류 기법들 중에서, 이전에 적용한 이진 분류 기법과 새롭게 변경된 이진 분류 기법을 적용한 결과 예측된 이상 제품의 정확도, 이진 분류 기법을 변경한 날짜, 이진 분류 기법을 변경하는 주기, 변경된 이진 분류 기법에 따라 예측의 정확도가 개선되었는지 여부 등에 관한 정보가 표시될 수 있다. .

도 7은 일 실시예에 따른 이상 감지 장치(100)가 예측된 이상 제품에 실제 검사를 수행하여 출력되는 결과에 관한 정보를 표시하는 제 3 사용자 인터페이스(700)를 도시한 도면이다.

제 3 사용자 인터페이스(700)는 검사를 수행하고자 하는 LOT를 선택할 수 있는 선택 탭(710)이 표시될 수 있다. 사용자가 선택 탭(710)을 통해, LOT 를 선택하면, 선택된 LOT에 포함된 제품들이 모두 선택될 수 있다. 또한, 사용자는 선택 탭(710)을 통해 검사자와 검사 장비에 관한 정보를 입력할 수 있다.

사용자가 시작 버튼(720)을 선택하는 경우, 이상 감지 장치(100)는 제품들에 관한 품질 검사를 시작할 수 있다. 사용자가 종료 버튼(730)을 선택하는 경우에는, 이상 감지 장치(100)는 제품들에 관한 품질 검사를 종료할 수 있다.

제 3 사용자 인터페이스의 제 1 보조창(740)에는 검사 대상이 되는 제품의 예측 결과가 표시될 수 있다. 예를 들어, 검사 대상이 되는 제품이 정상 제품으로 예측된 제품인 경우에는 OK라는 글씨화 함께 제 1 보조창(740)의 색상을 녹색으로 설정할 수 있다.

제 3 사용자 인터페이스의 제 2 보조창(750)에는 샘플링 된 제품에 대한 실제 검사 결과가 표시될 수 있다. 여기에서, 샘플링 대상은 이상 제품으로 예측된 제품들 전부와 일부 정상 제품으로 예측된 제품들일 수 있다. 예를 들어, 검사 대상이 되는 제품이 정상 제품으로 예측된 제품이고, 검사 결과 실제 정상 제품인 경우에는 OK라는 글씨화 함께 제 2 보조창(740)의 색상을 녹색으로 설정할 수 있다.

제 3 사용자 인터페이스(700)의 제 3 보조창(760)에는 검사 대상이 되는 제품의 바코드 정보가 표시될 수 있다. 제 3 사용자 인터페이스(700)의 제 1 검사 결과창(740)에는 샘플링 대상을 실제로 검사한 결과 검출된 이상 제품들에 관한 정보가 표시될 수 있다. 예를 들어, 제 1 검사 결과창(740)에는 샘플링 대상을 실제로 검사한 결과 검출된 이상 제품들의 개수에 관한 정보가 표시될 수 있다.

제 3 사용자 인터페이스(700)의 표(780)에는 선택한 LOT에 포함되는 제품에 관한 정보들이 나열되어 표시될 수 있다. 표(780)에는 선택된 LOT에 포함되는 제품들의 물리적 번호, 바코드, 품질 예측 시각 및 예측 결과 및 실제 검사 결과에 관한 정보를 확인할 수 있다.

제 3 사용자 인터페이스(700)는 제 2 검사 결과창(780)을 통해, LOT에 포함된 제품들에 관한 예측 결과의 정확도와, 현재 시간에 관한 정보가 표시될 수 있다. 여기에서, 예측 결과의 정확도는 전체 제품의 개수에 대한 올바르게 예측된 제품들의 비율로서 결정될 수 있다.

도 8 및 도 9는 일 실시예에 따른 이상 감지 장치(100)를 설명하기 위한 블록도이다.

도 8에 도시된 바와 같이, 본 발명의 일 실시예에 따른 이상 감지 장치(100)는 데이터 획득부(110), 데이터 전처리부(120), 데이터 처리부(130) 및 제어부(140)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 이상 감지 장치(100)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 이상 감지 장치(100)는 구현될 수 있다.

예를 들어 본 발명의 일 실시예에 따른 이상 감지 장치(100)는, 데이터 획득부(110), 데이터 전처리부(120), 데이터 처리부(130) 및 제어부(140) 이외에 출력부(150)를 더 포함할 수도 있다.

이하 상기 구성요소들에 대해 차례로 살펴본다.

데이터 획득부(110)는 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득한다. . 일 실시예에 데이터 획득부(110)는 복수개의 제품들 각각에 대해 제품 단위로 제 1 측정 데이터를 획득할 수 있다.

데이터 전처리부(120)는 이상 감지 장치(100)는 획득한 제 1 측정 데이터를 정규화할 수 있다. 일 실시예에 따른 데이터 전처리부(120)는 각각의 프로세스에서 수집된 제 1 측정 데이터를 Main PC (RQPMS)에서 실시간으로 정규화하고 이를 시각화 시켜서 표시할 수 있다.

데이터 처리부(130)는 정규화된 제 2 측정 데이터에 주성분 분석(principal components analysis)을 수행하여, 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정할 수 있다. 또한, 데이터 처리부(130)는 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류할 수 있다, 데이터 처리부(130)는 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)할 수 있다.

제어부(140)는 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터를 제조 조건에 따라 재분류하여 이상 제품을 예측한다. 제어부(140)는 제조 조건에 따라 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터에 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법을 포함하는 분류 기법들 중 어느 하나의 기법을 적용하여, 이상 제품을 예측할 수 있다.

또한, 제어부(140)는, 기설정된 주기마다 분류 기법들 중 적용된 어느 하나의 기법을 다른 기법으로 변경하고, 변경된 기법을 제조 조건에 따라 제 1 그룹의 주성분 데이터 및 오버 샘플링된 제 2 그룹의 주성분 데이터에 적용하여, 이상 제품을 예측할 수 있다.

제어부(140)는, 제 1 측정 데이터를 기초로 분석한 결과, 이상이 감지되지 않는 경우, 수행된 프로세스 이후의 프로세스를 수행할 수 있다. 제어부(140)는,

제품들 중에서, 적어도 하나의 상기 예측된 이상 제품을 모두 포함한 기설정된 개수의 제품들에 대해 이상 제품을 검출하기 위한 샘플링을 수행할 수 있다.

제어부(140)는 예측된 이상 제품이 존재하는 경우 예측된 이상 제품에 관한 제 2 측정 데이터 중에서 제조 조건을 만족하지 못하는 제 2 측정 데이터에 관한 정보를 저장할 수 있다.

출력부(150)는 예측된 이상 제품이 존재하는 경우 예측된 이상 제품에 관한 식별 정보 및 알림을 제공할 수 있다. 또한, 출력부(150)는 사용자로부터 예측된 이상 제품에 관한 식별 정보를 획득하는 경우, 예측된 이상 제품과 관련된 제 2 측정 데이터에 관한 정보를 출력할 수 있다.

실시 예에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.

도면에 도시된 실시 예들에서 참조 부호를 기재하였으며, 실시 예들을 설명하기 위하여 특정 용어들을 사용하였으나, 특정 용어에 의해 본 발명이 한정되는 것은 아니며, 실시 예는 당업자에 있어서 통상적으로 생각할 수 있는 모든 구성 요소들을 포함할 수 있다.

실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

실시 예에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 실시 예의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

실시 예의 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 실시 예에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 실시 예에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 실시 예들이 한정되는 것은 아니다. 실시 예에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 실시 예를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 실시 예의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

100: 이상 감지 장치
110: 데이터 획득부
120: 데이터 전처리부
130: 데이터 처리부
140: 제어부

Claims (10)

1. 이상 감지 장치에서, 제품 제조 공정에서의 이상을 감지하는 방법에 있어서,
   제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각에 대한 제 1 측정 데이터를 정규화한 제2 측정 데이터를 생성하는 단계;
   상기 제 2 측정 데이터에 주성분 분석(principal components analysis)을 수행하여, 상기 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정하는 단계;
   상기 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 상기 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하여, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)하는 단계; 및
   상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터를 상기 제조 조건에 따라 재분류하여 이상 제품을 예측하는 단계를 포함하는 제품 제조 공정에서의 이상 감지 방법.
2. 제 1항에 있어서, 상기 이상 제품을 예측하는 단계는,
   상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법을 포함하는 분류 기법들 중 어느 하나의 기법을 적용하여, 상기 이상 제품을 예측하는 제품 제조 공정에서의 이상 감지 방법.
3. 제 2항에 있어서, 상기 이상 제품을 예측하는 단계는,
   기설정된 주기마다 상기 분류 기법들 중 적용된 어느 하나의 기법을 다른 기법으로 변경하는 단계; 및
   상기 변경된 기법을 상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 적용하여, 상기 이상 제품을 예측하는 제품 제조 공정에서의 이상 감지 방법.
4. 제 1항에 있어서,
   상기 제품들의 제조 공정에 포함되는 소정 프로세스의 제조 조건과 관련된 파라미터들 각각의 제 1 측정 데이터를 획득하는 단계; 및
   상기 제 1 측정 데이터를 기초로 분석한 결과, 이상이 감지되지 않는 경우, 상기 소정 프로세스 이후의 프로세스를 수행하는 단계를 더 포함하는 이상 제품을 예측하는 제품 제조 공정에서의 이상 감지 방법.
5. 제 1항에 있어서,
   상기 제품들 중에서, 적어도 하나의 상기 예측된 이상 제품을 모두 포함한 기설정된 개수의 제품들에 대해 이상 제품을 검출하기 위한 샘플링을 수행하는 단계를 더 포함하는 제품 제조 공정에서의 이상 감지 방법.
6. 제 1항에 있어서,
   상기 예측된 이상 제품이 존재하는 경우 상기 예측된 이상 제품에 관한 식별 정보 및 알림을 제공하는 단계를 더 포함하는 제품 제조 공정에서의 이상 감지 방법.
7. 제 6항에 있어서,
   사용자로부터 상기 예측된 이상 제품에 관한 식별 정보를 획득하는 경우, 상기 예측된 이상 제품과 관련된 상기 제 2 측정 데이터에 관한 정보를 출력하는 단계를 더 포함하는 제품 제조 공정에서의 이상 감지 방법.
8. 제 1항에 있어서,
   상기 예측된 이상 제품이 존재하는 경우 상기 예측된 이상 제품에 관한 제 2 측정 데이터 중에서 상기 제조 조건을 만족하지 못하는 제 2 측정 데이터에 관한 정보를 저장하는 단계를 더 포함하는 제품 제조 공정에서의 이상 감지 방법.
9. 제품들의 제조 공정에 포함되는 프로세스에서 제조 조건과 관련된 파라미터들 각각에 대한 제 1 측정 데이터를 획득하는 데이터 획득부;
   상기 획득한 제 1 측정 데이터를 정규화한 제2 측정 데이터를 생성하는 데이터 전처리부;
   상기 제 2 측정 데이터에 주성분 분석(principal components analysis)을 수행하여, 상기 파라미터들 중에서 적어도 하나의 주성분 파라미터를 결정하며 상기 결정된 적어도 하나의 주성분 파라미터의 제 2 측정 데이터를 상기 제조 조건에 따라 제 1 그룹 및 제 2 그룹으로 분류하고, 상대적으로 적은 수의 제품들의 제 2 측정 데이터가 포함된 제 2 그룹의 주성분 데이터를 오버 샘플링(over sampling)하는 데이터 처리부; 및
   상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터를 상기 제조 조건에 따라 재분류하여 이상 제품을 예측하는 제어부를 포함하는 제품 제조 공정에서의 이상 감지 장치.
10. 제 9항에 있어서, 상기 제어부는,
    상기 제조 조건에 따라 상기 제 1 그룹의 주성분 데이터 및 상기 오버 샘플링된 제 2 그룹의 주성분 데이터에 SVM(Support Vector Machine) 기법, KNN(K-Nearest Neighbors) 기법 및 DA(Discriminant Analysis) 기법을 포함하는 분류 기법들 중 어느 하나의 기법을 적용하여, 상기 이상 제품을 예측하는 제품 제조 공정에서의 이상 감지 장치.

Images