KR101661818B1 - Method for managing a process and quality improvement of manufacturing process - Google Patents
Method for managing a process and quality improvement of manufacturing process Download PDFInfo
- Publication number
- KR101661818B1 KR101661818B1 KR1020140186922A KR20140186922A KR101661818B1 KR 101661818 B1 KR101661818 B1 KR 101661818B1 KR 1020140186922 A KR1020140186922 A KR 1020140186922A KR 20140186922 A KR20140186922 A KR 20140186922A KR 101661818 B1 KR101661818 B1 KR 101661818B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- quality
- process condition
- model
- prediction function
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
본 발명은 빅데이터 분석이 가능하고, 빅데이터 분석 결과를 기반으로 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 하는 제조 공정 라인의 공정 및 품질 관리 방법 및 장치에 관한 것으로,
상기 방법은 공정 데이터와 품질 검사 결과 데이터를 수집 및 분석하는 단계; 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 단계; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악하는 단계; 및 상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계를 포함할 수 있다. The present invention relates to a process and quality control method and apparatus of a manufacturing process line capable of performing big data analysis and predicting and guiding optimum process conditions and possibility of failure based on results of big data analysis,
The method includes collecting and analyzing process data and quality inspection result data; Selecting major attributes by using at least one property selection method among the Chi-square statistics, information acquisition, decision tree, and correlation after grasping the entire properties based on the process data; Analyzing key attributes and quality relationships through at least one of data mining classification, association analysis, and cluster analysis to identify important process conditions; And applying a critical process condition to a Response Surface Methodology (RSM) model to derive a failure prediction function.
Description
본 발명은 제조 공정 라인의 공정 및 품질 관리 방법 및 장치에 관한 것으로, 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 하는 제조 공정 라인의 공정 및 품질 관리 방법 및 장치에 관한 것이다. BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a process and a quality control method and apparatus of a manufacturing process line, and relates to a process and a quality control method and apparatus of a manufacturing process line which can predict and guide an optimum process condition and a possibility of failure.
최근 고성능 모바일폰 카메라 개발이 지속적으로 이루어지고 있는 시점에서 모바일폰의 카메라 바디(Body)를 생산하기 위한 초정밀 사출성형 기술은 그 핵심 부분 중 하나이다. 모바일폰 카메라 바디는 일반 카메라와는 다르게 제품의 크기의 제약이 있어 정밀성에 따른 기술력이 요구되고 있다. 이에 고속 & 초정밀 사출성형에 대한 재현성 및 반복성의 중요성이 강조되고 있다. In recent years, the development of high-performance mobile phone cameras has been continuing, and ultra-precision injection molding technology for producing the camera body of mobile phones is one of the key parts. Unlike ordinary cameras, the size of mobile phone camera body is limited, so it is required to have technical ability according to precision. Therefore, the importance of reproducibility and repeatability for high-speed & ultra-precise injection molding is emphasized.
또한 최근 하이테크 기능이 겸비된 성형 설비들이 잇따라 보급되고 있는데 이 설비 들은 제품의 특성 상 실시간으로 제조 빅데이터(Manufacturing Big Data)를 생성하고 있다. 하지만 많은 정밀 성형업체들은 하이테크 설비를 과거의 구형 성형설비와 동일하게 활용함에 따라 기업의 생산성 및 효율이 저하되어 많은 손해를 안겨주고 있는 현실이다. In addition, recently, molding facilities having high-tech functions have been widely introduced, and these facilities are generating manufacturing big data in real time due to the characteristics of the products. However, many precision mold makers use high-tech equipments in the same way as old molding equipments, and the productivity and efficiency of the enterprises are lowered, resulting in a lot of damage.
이에 대부분의 정밀 성형업체는 품질향상을 위해 품질관리 및 공정관리를 통하여 주로 공정단계에서 원인분석을 통해 불량발생 예방활동을 중심으로 하는 기초적 통계적 공정관리(SPC : Statistic Process Control) 기법을 활용하며, 도1와 같은 관리도(Control Chart)을 이용하여 공정을 모니터링 하고 있다. 또한 회귀분석, 실험계획법등 다양한 통계적 기법이 공정관리에 사용되고 있다. 그러나 이와 같은 통계적 관리기법은 현 시점에서 발생하는 불량원인들을 분석하여 주로 예방활동에 치중하고 있으며, 불량이 발생하기 이전에 불량에 대한 예측은 수행하지 못하는 단점이 있다.In order to improve quality, most precision molding companies utilize basic statistical process control (SPC) technique, mainly focusing on defectiveness prevention activities through quality analysis and process control, And the process is monitored using a control chart as shown in FIG. In addition, various statistical techniques such as regression analysis and experimental design are used for process control. However, these statistical management techniques focus on prevention activities mainly by analyzing the causes of defects occurring at the present time, and there is a disadvantage in that prediction of defects can not be performed before defects occur.
더하여, 사출성형기에서 생산된 제품 외관에 관한 여러 유형의 불량이 발생하고 있어 공정 조건 데이터를 다방면으로 분석해볼 필요가 있으나, 상기의 기초적 통계적 관리기법만으로는 최근 제조업에서 생성되고 있는 실시간 생산 공정 빅데이터 분석에 현실적인 한계가 있다. 즉, 전통적인 통계적 분석 방법은 몇 가지 품질 특성치와 수준의 한정된 데이터를 대상으로 이뤄지기 때문에, 빅데이터 분석에는 적합하지 않은 문제가 있다.In addition, there are various types of defects related to the appearance of the product produced by the injection molding machine. Therefore, it is necessary to analyze the process condition data from various perspectives. However, with the basic statistical management technique described above, There is a realistic limit on. In other words, traditional statistical methods are not suitable for big data analysis because they are based on limited data of several quality characteristics and levels.
이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명에서는 제품 제조 중에 발생하는 빅데이터의 분석이 가능하고, 빅데이터 분석 결과를 기반으로 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 하는 제조 공정 라인의 공정 및 품질 관리 방법 및 장치를 제공하고자 한다. In order to solve the problems as described above, it is possible to analyze big data generated during manufacturing of a product, and to predict and guide the optimum process conditions and possibility of failure based on the result of big data analysis And to provide a process and quality control method and apparatus of a manufacturing process line.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
The objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면, 공정 데이터와 품질 검사 결과 데이터를 수집 및 분석하는 단계; 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 단계; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악하는 단계; 및 상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계를 포함하는 제조 공정 라인의 공정 및 품질 관리 방법을 제공한다. According to one embodiment of the present invention, as means for solving the above-mentioned problems, there is provided a method of manufacturing a semiconductor device, comprising the steps of: collecting and analyzing process data and quality inspection result data; Selecting major attributes by using at least one property selection method among the Chi-square statistics, information acquisition, decision tree, and correlation after grasping the entire properties based on the process data; Analyzing key attributes and quality relationships through at least one of data mining classification, association analysis, and cluster analysis to identify important process conditions; And applying a critical process condition to a Response Surface Methodology (RSM) model to derive a failure prediction function.
상기 주요 속성을 선정하는 단계는 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 다수의 속성 선정 방법을 이용하는 경우, 상기 다수의 속성 선정 방법을 통해 공통 선정된 속성을 주요 속성으로 선정하는 것을 특징으로 한다. The step of selecting the main attributes may include selecting a common attribute to be a main attribute through the plurality of attribute selection methods when using a plurality of attribute selection methods such as a Chi square statistic, information acquisition, decision tree, and correlation .
상기 중요 공정 조건을 파악하는 단계는 데이터 마이닝 분류, 연관분석, 및 군집분석(Clustering) 중 적어도 하나의 방법을 통해 데이터마이닝 모델을 수립하는 단계; 상기 데이터마이닝 모델을 기반으로 주요 속성과 품질 검사 결과간의 연관 관계를 분석하고, 불량 종류별로 가장 많은 인스턴스의 비율을 차지하는 주요 속성과 품질 검사 결과간의 연관 관계를 중요 공정 조건으로 선별하는 단계를 포함하는 것을 특징으로 한다. The step of grasping the important process condition includes: establishing a data mining model through at least one of data mining classification, association analysis, and cluster analysis; Analyzing a correlation between a main attribute and a quality inspection result based on the data mining model and selecting a relation between a main attribute and a quality inspection result that occupy the largest proportion of instances by a defect type as an important process condition .
상기 불량 예측 함수를 도출하는 단계는 상기 주요 속성을 상기 RSM 모델의 독립 변수로 설정하고 상기 품질 검사 결과를 상기 RSM 모델의 종속 변수로 설정하여, 상기 불량 예측 함수를 도출하는 것을 특징으로 한다. The deriving the defective prediction function is characterized in that the main property is set as an independent variable of the RSM model and the quality inspection result is set as a dependent variable of the RSM model to derive the defective prediction function.
상기 방법은 상기 불량 예측 함수를 해독하여 불량 발생 가능성이 최소화되는 최적의 공정 조건을 탐색 및 저장하는 단계를 더 포함하는 것을 특징으로 하는 한다. The method may further include searching and storing optimal process conditions that minimize the probability of occurrence of defects by decoding the defective prediction function.
또한 상기 방법은 새로운 공정 조건을 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 단계를 더 포함하는 것을 특징으로 한다.
The method further includes the step of, when a new process condition is input, predicting and notifying the possibility of failure occurrence by substituting the new process condition with the failure prediction function.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면, 공정 데이터와 품질 검사 결과 데이터를 수집 및 정제하는 데이터 수집부; 상기 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 속성 선정부; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악한 후, 상기 중요 공정 조건을 RSM 모델에 적용하여 불량 예측 함수를 도출하는 불량 예측 함수 도출부; 상기 불량 예측 함수를 통해 최적의 공정 조건을 탐색 및 저장하는 최적 공정 조건 산출부; 및 새로운 공정 조건을 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 불량 예측부를 포함하는 제조 공정 최적화 장치를 제공한다. According to another aspect of the present invention, there is provided a data collecting unit for collecting and refining process data and quality inspection result data; An attribute selection unit for determining a main attribute based on at least one of an attribute selection method of a Chi square statistic, an information acquisition, a decision tree, and a correlation after determining overall attributes based on the process data; The critical process condition is analyzed by analyzing the main property and quality relation through at least one of the data mining classification, association analysis, and cluster analysis, and then the critical process condition is applied to the RSM model to determine the failure prediction function Function derivation unit; An optimum process condition calculating unit for searching and storing optimal process conditions through the failure prediction function; And a defect prediction unit for predicting and reporting a defect occurrence probability by substituting the defect prediction function with the new process condition when a new process condition is input.
본 발명에서는 제품 제조 중에 발생하는 빅데이터 분석이 가능하고, 빅데이터 분석 결과를 기반으로 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 한다. 특히, 데이터마이닝 분석을 통해 유효 데이터를 1차 선정한 후, 이를 이용하여 RSM 모델의 정확도를 향상시킴으로써, 분석 결과의 정확성 및 신뢰성이 극대화될 수 있도록 한다.
According to the present invention, it is possible to analyze big data occurring during product manufacturing, and to predict and guide the optimum process conditions and possibility of failure based on the results of the big data analysis. In particular, after valid data is firstly selected through data mining analysis, the accuracy of the RSM model is improved by using it, so that the accuracy and reliability of the analysis result can be maximized.
도1은 종래의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법에 따른 관리도를 도시한 도면이다.
도2는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법을 설명하기 위한 도면이다.
도3는 본 발명의 일 실시예에 따른 속성 선정 방법을 설명하기 위한 도면이다.
도4는 본 발명의 일 실시예에 따른 불량 예측 함수 추정 단계를 설명하기 위한 도면이다.
도5는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 장치를 설명하기 위한 도면이다. FIG. 1 is a view showing a control chart according to a process and a quality control method of a manufacturing process line according to a conventional example.
2 is a view for explaining a process and a quality control method of a manufacturing process line according to an embodiment of the present invention.
3 is a view for explaining an attribute selection method according to an embodiment of the present invention.
4 is a diagram for explaining a defective prediction function estimating step according to an embodiment of the present invention.
5 is a view for explaining a process and quality control apparatus of a manufacturing process line according to an embodiment of the present invention.
본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.BRIEF DESCRIPTION OF THE DRAWINGS The above and other objects, features and advantages of the present invention will be more apparent from the following detailed description taken in conjunction with the accompanying drawings, in which: FIG. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.The following terms are defined in consideration of the functions of the present invention, and these may be changed according to the intention of the user, the operator, or the like.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. These embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art to which the present invention pertains. Only. Therefore, the definition should be based on the contents throughout this specification.
도2는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법을 설명하기 위한 도면이다. 2 is a view for explaining a process and a quality control method of a manufacturing process line according to an embodiment of the present invention.
도2를 참고하면, 본 발명의 공정 최적화 방법은 공정 및 품질 데이터 수집 단계(S1), 데이터 전처리 단계(S2), 속성 선정 단계(S3), 공정 조건과 품질 검사 결과간 상관 한수 추정 단계(S4), 최적 공정 조건 산출 단계(S5) 및 불량 발생 가능성 예측 단계(S6) 등을 포함할 수 있다.
Referring to FIG. 2, the process optimization method of the present invention includes a process and quality data collection step S1, a data preprocessing step S2, an attribute selection step S3, a correlation number estimation step S4 , An optimum process condition calculating step S5, and a failure probability predicting step S6.
먼저, 데이터 수집 단계(S1)에서는, 제품 제조 라인에 설치된 제조 장치와 품질 검사 장치를 통해 제품 제조에 관련된 공정 조건과 제조 완료된 제품에 대한 품질 검사 결과에 관련된 데이터 모두를 수집한다.
First, in the data collection step (S1), all of the data related to the process conditions related to the manufacture of the product and the quality inspection result for the manufactured product are collected through the manufacturing apparatus and the quality inspection apparatus installed in the product manufacturing line.
데이터 정제 단계(S2)에서는, 단계 S1을 통해 수집된 데이터를 정제한 후, 정제된 데이터를 기반으로 제조 공정에 관련된 속성 모두를 파악하되 품질 검사 결과 영향을 미치는 속성만을 주요 속성으로 선정하도록 한다. In the data refinement step S2, after collecting the data collected through the step S1, all the attributes related to the manufacturing process are determined based on the refined data, but only the attributes that affect the quality inspection result are selected as the main attributes.
본 발명에서는 단계 S1을 통해 수집된 데이터에 존재하는 오류값이나 특이값을 보정하고, 결손값을 처리하며, 중복 데이터를 제거함으로써 데이터 정제 동작을 수행하도록 한다. 또한 데이터 각각에 대한 데이터 충실도를 평가한 후, 데이터 충실도가 기준치 이상인 데이터만을 선별하는 동작도 추가적으로 수행할 수 있도록 한다. 참고로, 데이터 충실도는 데이터의 정확도, 데이터의 양(레코드 수), 그리고 데이터의 깊이(항목의 수) 등을 기반으로 평가될 수 있다. In the present invention, an error value or singular value existing in the data collected through step S1 is corrected, a defect value is processed, and redundant data is removed to perform a data refinement operation. In addition, after the data fidelity of each data is evaluated, an operation of selecting only data having a data fidelity higher than a reference value can be additionally performed. For reference, data fidelity can be evaluated based on data accuracy, amount of data (number of records), and depth of data (number of items).
그리고 전체 속성에서 품질에 영향을 미치는 속성만을 선정하도록 하는 데, 이는 문제 해결에 불필요한 속성을 제거하고 문제해결에 적합한 주요 속성을 선정함으로써 문제해결의 효율성을 증가시키기 위함이다. 즉, 불량 예측 함수의 수립 시간을 단축시키고, 함수 해석을 보다 손쉽고 정확하게 수행하기 위함이다. In addition, only the attributes that affect the quality are selected in the overall property, which is to increase the efficiency of problem solving by removing unnecessary attributes for the problem solving and selecting the main properties suitable for the problem solving. That is, it is necessary to shorten the establishment time of the failure prediction function and to perform the function analysis more easily and accurately.
본 발명에서는 카이스퀘어 통계량과 정보 획득(Information Gain)을 이용한 속성 선정 방법, 및 래퍼(Wrapper) 모형의 속선 선정 기법인 의사결정나무와 상관관계를 이용한 속성 선정 방법 중 적어도 하나를 이용하여 주요 속성을 선정하도록 한다. 만약, 다수의 속성 선정 방법이 동시 이용된다면, 도3에 도시된 바와 같이 다수의 속성 선정 방법에 의해 공통으로 선정된 속성을 주요 속성으로 최종 선정하도록 한다.
In the present invention, at least one of the property selection method using the Chi square statistic and the information gain, and the attribute selection method using the decision tree and the correlation method, which is a method of selecting the wrapper model, . If a plurality of attribute selection methods are used at the same time, as shown in FIG. 3, the attributes selected in common by the plurality of attribute selection methods are finally selected as the main attributes.
불량 예측 함수 추정 단계(S3)는 크게 데이터마이닝 모델 수립 단계와 RSM(Response Surface Methodology) 모델 수립 단계로 구성된다. The failure prediction function estimating step S3 includes a data mining model establishment step and an RSM (Response Surface Methodology) model establishment step.
데이터마이닝 모델 수립 단계에서는, 데이터 마이닝 분류(Classification), 연관분석(Association), 및 군집분석(Clustering) 중 적어도 하나의 방법을 통해 의사 결정 나무 모델을 수립하고, 이를 기반으로 속성과 품질 검사 결과간의 연관 관계를 분석한다. 즉, 도4와 같이 데이터 마이닝 분류 방법을 통해 의사 결정 나무 모델을 수립한 후 이를 기반으로 주요 속성과 품질 검사 결과 사이의 연관관계를 파악하거나, 연관분석 모델을 이용하여 주요 속성과 품질 검사 결과 사이의 연결 관계를 파악하도록 한다. 그리고 이들 연관관계를 기반으로 불량 종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 변수 패턴(즉, 주요 속성과 품질 검사 결과간의 연관 관계)을 중요 공정 조건으로 선별하도록 한다. In the step of establishing a data mining model, a decision tree model is established through at least one of data mining classification, association analysis, and clustering, and based on this, Analyze the association. In other words, as shown in FIG. 4, a decision tree model is established through a data mining classification method, and the relationship between the main attribute and the quality test result is determined based on the decision tree model. And the like. Based on these associations, the process variable pattern that accounts for the largest number of instances for each defect type (ie, the relationship between the main attribute and the quality test result) is selected as an important process condition.
RSM 모델 수립 단계에서는, 데이터마이닝 모델 수립 단계를 통해 선별된 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 수학식1과 같은 불량 예측 함수를 도출하도록 한다. 즉, 데이터마이닝 모델 수립 단계를 통해 선별된 주요 속성들은 독립 변수로, 품질 검사 결과를 종속 변수로 하는 회귀 분석을 실시하는 불량 예측 함수를 도출하도록 한다. In the step of establishing the RSM model, important process conditions selected through the data mining model establishment step are applied to the RSM (Response Surface Methodology) model to derive a failure prediction function as shown in Equation (1). In other words, it is necessary to derive a bad prediction function that performs regression analysis with the main attributes selected through the data mining model establishment stage as independent variables and the quality test results as dependent variables.
[수학식 1][Equation 1]
이때, xi는 i번째 주요 속성, j는 주요 속성의 총 개수, β는 주요 속성별 회귀 계수, γ는 기 설정된 고유 상수이다. In this case, x i is the i-th main attribute, j is the total number of main attributes, β is the regression coefficient of the main attribute, and γ is a predetermined inherent constant.
즉, 본 발명에서는 데이터마이닝 모델인 의사결정 나무 및 연관분석에서 상호연관 모형이 없을 경우, 이를 RSM 모형에서 사전에 제거함으로써 RSM 모형을 단순화하고 정확도를 향상시키고자 하는데 목적이 있다.That is, the present invention aims to simplify the RSM model and improve the accuracy by eliminating the correlation model in the decision tree and association analysis, which is a data mining model, from the RSM model in advance.
예를 들어, 주요 속성 선정 과정을 통해 x1, x2, x3이 선정되었으나, 의사결정 나무 모델 생성시 x1와 x2의 주요 속성만이 불량품 발생에 영향을 미친다면, 상기의 불량 예측 함수에서 x2의 주요 속성은 제외시킬 수 있게 된다. 이에 RSM 회귀 모델이 간략화 할 수 있게 된다. For example, if x 1 , x 2 , and x 3 are selected through the main property selection process, but only the main attributes of x 1 and x 2 affect the generation of defective items when generating a decision tree model, In the function, the main attribute of x 2 can be excluded. Thus, the RSM regression model can be simplified.
따라서 데이터마이닝 모형과 RSM 모델을 동시에 이용함에 있어 데이터마이닝 모델의 역할은 첫째, 속성 선정 과정을 통해 주요 속성만을 선정함으로써 1차로 불량 예측 함수에서 불필요한 변수를 제거하는 것이고, 둘째, 주요 속성만으로 만든 RSM 모델을 위한 회귀식에서 의사결정나무 및 연관분석을 통해 추가적으로 불필요한 변수 및 상호작용 텀을 제거하여 2차로 불량 예측 함수을 간략화하고 모델의 정확성을 향상시킬 수 있도록 한다.
Therefore, the role of data mining model in using data mining model and RSM model at the same time is as follows. First, unnecessary variables are removed from the failure prediction function by selecting only main attributes through property selection process. Second, RSM In the regression equation for the model, additional unnecessary variables and interaction terms are removed through decision trees and association analysis, so that the second-order bad prediction function can be simplified and the accuracy of the model can be improved.
최적 공정 조건 산출 단계(S5)에서는, 불량 예측 함수를 해독하여 불량 발생 가능성이 "0"가 되는 최적의 공정 조건을 탐색하고, 탐색 결과를 제조 지식베이스에 저장함으로써, 차후에 제품 제조 라인에 설치된 제조 장치가 최적의 공정 조건에 따른 제품 제조 작업을 수행할 수 있도록 한다.
In the optimum process condition calculating step S5, the optimum process condition in which the probability of failure occurrence is "0" by decoding the failure prediction function is searched, and the search result is stored in the manufacturing knowledge base, So that the apparatus can perform a product manufacturing operation according to the optimum process conditions.
불량 발생 가능성 예측 단계(S6)에서는, 작업자에 의해 새로운 공정 조건이 입력되면, 불량 예측 함수를 통해 새로이 입력되는 공정 조건에 대한 불량 발생 가능성을 예측 및 통보하도록 한다.
In the failure occurrence probability predicting step (S6), when a new process condition is input by the operator, the possibility of failure occurrence with respect to the newly inputted process condition is predicted and notified through the failure prediction function.
도5는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 장치를 설명하기 위한 도면이다. 5 is a view for explaining a process and quality control apparatus of a manufacturing process line according to an embodiment of the present invention.
도5를 참고하면, 본 발명의 불량 발생 예측 장치는 데이터 수집부(10), 속성 선정부(20), 불량 예측 함수 추정부(30), 최적 공정 조건 산출부(40) 및 불량 예측부(50), 데이터베이스(60), 사용자 인터페이스(70) 및 통신부(80) 등을 포함하여 구성된다. 5, the defect occurrence prediction apparatus of the present invention includes a
데이터 수집부(10)는 통신부(80)를 통해 제조 장치와 품질 검사 장치와 통신하여 공정 데이터와 품질 검사 결과 데이터를 획득한 후 데이터베이스(50)에 저장하도록 한다. The
속성 선정부(20)는 공정 데이터를 기반으로 제조 공정에 관련된 속성 모두를 파악한 후, 카이스퀘어 통계량과 정보 획득(Information Gain)을 이용한 속성 선정 방법, 및 래퍼(Wrapper) 모형의 속선 선정 기법인 의사결정나무와 상관관계를 이용한 속성 선정 방법 중 하나를 이용하여 품질 검사 결과 영향을 미치는 속성만을 주요 속성으로 선정하도록 한다. The
불량 예측 함수 추정부(30)는 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 불량에 가장 많은 영향을 미치는 공정 변수 패턴을 선별한 후, 선별된 공정 변수 패턴을 RSM 모델에 적용하여 불량 예측 함수를 도출하도록 한다. The failure prediction
최적 공정 조건 산출부(40)는 불량 예측 함수를 해독하여 불량 발생 가능성이 "0"가 되는 최적의 공정 조건을 탐색한 후, 탐색 결과를 데이터베이스(50)에 저장하도록 한다. The optimal process
불량 예측부(50)는 작업자가 제조 장치 또는 사용자 인터페이스(70)를 통해 새로운 공정 조건을 입력하면, 새로운 공정 조건을 상기의 불량 예측 함수에 대입하여 불량 발생 가능성을 예측한 후 사용자에게 안내하도록 한다. When the operator inputs a new process condition through the manufacturing apparatus or the
사용자 인터페이스(70)는 모니터, 키패드, 제어 패널 등을 구비하고, 이를 통해 불량 발생 예측 장치의 동작 상태를 시청각적으로 안내받거나, 사용자에 의해 발생되는 각종 제어값을 입력받도록 한다. The
통신부(80)는 유선 또는 무선 통신 방식으로 제조 장치와 품질 검사 장치와의 통신 채널을 형성하고, 각종 데이터를 송수신하도록 한다. The
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The foregoing description is merely illustrative of the technical idea of the present invention, and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are intended to illustrate rather than limit the scope of the present invention, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents should be construed as falling within the scope of the present invention.
Claims (7)
공정 데이터와 품질 검사 결과 데이터를 수집하는 단계;
상기 수집된 공정 데이터를 정제하고, 상기 정제된 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량 및 정보 획득(Information Gain)을 이용한 속성 선정 방법을 이용하여, 상기 전체 속성 중 상기 품질 검사 결과 데이터를 변화시키는 주요 속성을 선정하는 단계;
데이터 마이닝 분류 방법, 연관분석 방법 및 군집분석 방법 중 적어도 하나의 방법을 통해, 상기 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 도출하는 단계; 및
상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계; 및
상기 불량 예측 함수를 해독하여 불량 발생 가능성이 “0”이 되는 공정조건을 탐색하고, 상기 탐색 결과를 제조 지식베이스에 저장하여 차후에 제품 제조 라인에 설치된 제조 장치의 공정 조건에 따른 제품 제조 작업을 수행하는 최적 공정 조건 산출 단계를 포함하며,
상기 중요 공정 조건을 파악하는 단계는,
데이터 마이닝 분류 방법, 연관분석 방법 및 군집분석 방법 중 적어도 하나의 방법을 통해 데이터마이닝 모델을 수립하는 단계;
상기 데이터 마이닝 모델을 기반으로 주요 속성과 품질 검사 결과간의 연관관계를 분석하고, 불량 종류별로 가장 많은 인스턴스의 비율을 차지하는 주요 속성과 품질 검사 결과간의 연관 관계를 중요 공정 조건으로 선별하는 단계를 포함하고,
상기 불량 예측 함수를 도출하는 단계는,
상기 데이터 마이닝 모델을 통해 선별된 상기 주요 속성을 상기 RSM 모델의 독립 변수로 설정하고 상기 품질 검사 결과를 상기 RSM 모델의 종속 변수로 설정하여
상기 수집된 데이터에 존재하는 오류값이나 특이값을 보정하고, 결손값을 처리하며, 중복 데이터를 제거하고, 상기 수집된 데이터에 각각에 대한 데이터 충실도를 평가한 후, 상기 데이터 충실도가 기준치 이상인 데이터만을 선별하는 단계를 더 포함하고, 상기 데이터 충실도는 데이터의 정확도, 데이터의 양, 및 데이터의 깊이 중 적어도 하나인 것을 특징으로 하는 공정 및 품질 관리 방법.1. A process and quality control method for an apparatus for managing process and quality of a manufacturing process line,
Collecting process data and quality inspection result data;
The collected process data is refined, and the entire property is grasped on the basis of the refined process data. Then, using the Chi-square statistic and an attribute selection method using information gain, Selecting key attributes that change data;
Analyzing the main property and the quality relation through at least one of a data mining classification method, an association analysis method, and a cluster analysis method to derive important process conditions; And
Applying the critical process condition to a Response Surface Methodology (RSM) model to derive a failure prediction function; And
The defect prediction function is decoded to search for a process condition in which the probability of occurrence of defect becomes " 0 ", and the search result is stored in a manufacturing knowledge base to perform a product manufacturing operation according to a process condition of a manufacturing apparatus installed in a product manufacturing line The optimum process condition calculating step,
The step of grasping the critical process condition comprises:
Establishing a data mining model through at least one of a data mining classification method, an association analysis method, and a cluster analysis method;
Analyzing a correlation between a main attribute and a quality inspection result based on the data mining model and selecting a correlation between a main attribute and a quality inspection result that occupies the largest number of instances in each defect category as an important process condition ,
Wherein deriving the poor prediction function comprises:
The main attribute selected through the data mining model is set as an independent variable of the RSM model and the quality test result is set as a dependent variable of the RSM model
Correcting an error value or a specific value existing in the collected data, processing a defect value, removing redundant data, evaluating data fidelity for each of the collected data, Wherein the data fidelity is at least one of an accuracy of data, an amount of data, and a depth of data.
새로운 공정 조건이 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 단계를 더 포함하는 것을 특징으로 하는 공정 및 품질 관리 방법.The method according to claim 1,
Further comprising the step of, when a new process condition is input, predicting and notifying the possibility of failure occurrence by substituting the new process condition with the failure prediction function.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140186922A KR101661818B1 (en) | 2014-12-23 | 2014-12-23 | Method for managing a process and quality improvement of manufacturing process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140186922A KR101661818B1 (en) | 2014-12-23 | 2014-12-23 | Method for managing a process and quality improvement of manufacturing process |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160076646A KR20160076646A (en) | 2016-07-01 |
| KR101661818B1 true KR101661818B1 (en) | 2016-09-30 |
Family
ID=56500288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140186922A KR101661818B1 (en) | 2014-12-23 | 2014-12-23 | Method for managing a process and quality improvement of manufacturing process |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101661818B1 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101888637B1 (en) | 2017-03-20 | 2018-08-14 | 한국생산기술연구원 | Analysis methodology and platform architecture system for big data based on manufacturing specialized algorithm template |
| KR20190050600A (en) * | 2017-11-03 | 2019-05-13 | 한림대학교 산학협력단 | Industrial iot based execution failure detection system and method for industrial machine |
| CN112214496A (en) * | 2020-10-24 | 2021-01-12 | 陈龙龙 | Cosmetic production line safety monitoring method based on big data analysis and cloud server |
| KR20210128713A (en) | 2020-04-17 | 2021-10-27 | 충북대학교 산학협력단 | Analysis and prediction method of manufacturing process quality using statistical analysis and deep learning, and recording medium thereof |
| KR20220138568A (en) | 2021-04-06 | 2022-10-13 | 주식회사 큐오티 | A method of analyzing the similarity of the product manufacturing process using a spectrogram |
| KR20230067395A (en) * | 2021-11-09 | 2023-05-16 | 재단법인대구경북과학기술원 | Apparatus and method for optimization of injection process parameter |
| KR20240051409A (en) | 2022-10-13 | 2024-04-22 | 주식회사 스누아이랩 | Apparatus for Disease Test Prediction and Driving Method Thereof |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563105B (en) * | 2017-10-19 | 2020-11-06 | 东北大学 | Method for determining surface subsidence position caused by goaf caving |
| KR102016812B1 (en) | 2017-11-24 | 2019-10-21 | 한국생산기술연구원 | Method of Deriving and Visualizing the Causes of Process Malfunctions Through Machine Learning Model In Data Imbalance Environment |
| KR101998972B1 (en) | 2017-11-24 | 2019-07-10 | 한국생산기술연구원 | Method of analyzing and visualizing the cause of process failure by deriving the defect occurrence index by variable sections |
| CN108304382B (en) * | 2018-01-25 | 2021-02-02 | 山东大学 | Quality analysis method and system based on text data mining in manufacturing process |
| CN110929952B (en) * | 2019-12-02 | 2022-05-03 | 中国人民解放军国防科技大学 | Optical cable fault probability prediction method based on circuit surrounding environment and laying type |
| JP7453853B2 (en) | 2020-05-27 | 2024-03-21 | 株式会社日立製作所 | Processing condition determination system and processing condition search method |
| KR102379259B1 (en) * | 2021-08-18 | 2022-03-28 | (주)사이버테크프랜드 | AIoT-based integrated management system of injection manufacturing facilities and its operating method |
| CN115203311B (en) * | 2022-07-05 | 2023-05-02 | 南京云创大数据科技股份有限公司 | Industry data analysis mining method and system based on data brain |
| CN117078281B (en) * | 2023-10-17 | 2024-01-09 | 肥城恒丰塑业有限公司 | Anti-counterfeiting traceability management method and system for production of soundproof cloth |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (en) | 2005-03-29 | 2006-10-12 | Toshiba Corp | Method and system for analyzing quality of circuit board |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101175396B1 (en) * | 2009-07-06 | 2012-08-23 | 부산대학교 산학협력단 | A System and a Method for Estimating Stevedoring Time of Container Ship |
| KR101530848B1 (en) * | 2012-09-20 | 2015-06-24 | 국립대학법인 울산과학기술대학교 산학협력단 | Apparatus and method for quality control using datamining in manufacturing process |
-
2014
- 2014-12-23 KR KR1020140186922A patent/KR101661818B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (en) | 2005-03-29 | 2006-10-12 | Toshiba Corp | Method and system for analyzing quality of circuit board |
Non-Patent Citations (1)
| Title |
|---|
| 민병현 외 2인. 반응표면분석법에 의한 사출공정 및 품질 모니터링에 관한 연구. 대한산업공학회 산업공학 (IE interfaces). 1996년 3월, 제9권, 제1호, pp.13-24 (1996.03.)* |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101888637B1 (en) | 2017-03-20 | 2018-08-14 | 한국생산기술연구원 | Analysis methodology and platform architecture system for big data based on manufacturing specialized algorithm template |
| KR20190050600A (en) * | 2017-11-03 | 2019-05-13 | 한림대학교 산학협력단 | Industrial iot based execution failure detection system and method for industrial machine |
| KR102044224B1 (en) * | 2017-11-03 | 2019-12-05 | 한림대학교 산학협력단 | Industrial iot based execution failure detection system and method for industrial machine |
| KR20210128713A (en) | 2020-04-17 | 2021-10-27 | 충북대학교 산학협력단 | Analysis and prediction method of manufacturing process quality using statistical analysis and deep learning, and recording medium thereof |
| CN112214496A (en) * | 2020-10-24 | 2021-01-12 | 陈龙龙 | Cosmetic production line safety monitoring method based on big data analysis and cloud server |
| KR20220138568A (en) | 2021-04-06 | 2022-10-13 | 주식회사 큐오티 | A method of analyzing the similarity of the product manufacturing process using a spectrogram |
| KR20230067395A (en) * | 2021-11-09 | 2023-05-16 | 재단법인대구경북과학기술원 | Apparatus and method for optimization of injection process parameter |
| KR102585970B1 (en) * | 2021-11-09 | 2023-10-06 | 재단법인대구경북과학기술원 | Apparatus and method for optimization of injection process parameter |
| KR20240051409A (en) | 2022-10-13 | 2024-04-22 | 주식회사 스누아이랩 | Apparatus for Disease Test Prediction and Driving Method Thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20160076646A (en) | 2016-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101661818B1 (en) | Method for managing a process and quality improvement of manufacturing process | |
| US10579026B2 (en) | Building a workpiece quality prediction model | |
| CN111275307B (en) | Quality control method for high-frequency continuous observation data of automatic online station for water quality | |
| JP2020500420A (en) | Yield prediction system and method for machine learning based semiconductor manufacturing | |
| US20060282189A1 (en) | Manufacturing control apparatus, manufacturing control method, and computer product | |
| CN111242464A (en) | Ceramic bathroom quality management method based on SPC | |
| CN107923731B (en) | Tool fault analysis system and method | |
| CN112702224B (en) | Method and device for analyzing quality difference of home broadband user | |
| CN104021248B (en) | A kind of airborne machinery product FMECA analysis methods | |
| CN105990170B (en) | Analytical method of wafer yield and device | |
| KR102003961B1 (en) | System and method for identifying root causes of yield loss | |
| CN110503288A (en) | Consider the System and method for of the interactive identification yield loss reason of board | |
| CN107122907B (en) | Method for analyzing symbolized quality characteristics of mechanical and electrical products and tracing fault reasons | |
| US10459933B2 (en) | Identification and elimination of non-essential statistics for query optimization | |
| US20190179867A1 (en) | Method and system for analyzing measurement-yield correlation | |
| CN113255222B (en) | Intelligent auxiliary debugging method and device for cavity filter | |
| CN109408772A (en) | To the restoration methods of the abnormal data in continuity data | |
| CN103365778B (en) | A kind of method and apparatus testing control | |
| CN116309471A (en) | Quality defect early warning method and device, electronic equipment and medium | |
| CN114995342A (en) | C3 wireless communication timeout analysis method and system based on big data technology | |
| CN113609698A (en) | Process reliability analysis method and system based on process fault database | |
| CN112506565A (en) | Method, medium, and apparatus for determining importance of processor micro-architectural event | |
| CN107392415B (en) | Telecommunication salesman portrait information processing method and device based on big data | |
| CN107908654A (en) | A kind of recommendation method, system and device in knowledge based storehouse | |
| CN113344918B (en) | Thermoforming mold detection method and system and readable storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190709 Year of fee payment: 4 |