KR102016812B1 - 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 - Google Patents
데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 Download PDFInfo
- Publication number
- KR102016812B1 KR102016812B1 KR1020170158862A KR20170158862A KR102016812B1 KR 102016812 B1 KR102016812 B1 KR 102016812B1 KR 1020170158862 A KR1020170158862 A KR 1020170158862A KR 20170158862 A KR20170158862 A KR 20170158862A KR 102016812 B1 KR102016812 B1 KR 102016812B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- cause
- failure
- deriving
- analysis
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 147
- 230000008569 process Effects 0.000 title claims abstract description 104
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 230000007257 malfunction Effects 0.000 title 1
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 230000002950 deficient Effects 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 7
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 239000012491 analyte Substances 0.000 claims 1
- 238000007794 visualization technique Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000006071 cream Substances 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007473 univariate analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102100024607 DNA topoisomerase 1 Human genes 0.000 description 1
- 101000830681 Homo sapiens DNA topoisomerase 1 Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- -1 automotive Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법이 개시된다. 이 방법은, 복수의 공정들에 각각 설치되는 적어도 하나 이상의 센서에서 측정된 품질 검사 결과 데이터를 포함하는 제1 데이터와 공정 데이터를 포함하는 제2 데이터를 획득하는 단계와, 제1 데이터 및 제2 데이터 각각의 개별 데이터를 전처리하는 단계와, 전처리된 개별 데이터를 통합하여 분석대상 데이터를 생성하는 단계와, 분석대상 데이터를 전처리하는 단계와, 전처리된 분석대상 데이터에 기초하여 불량 예측모델을 생성하는 단계와, 불량 원인을 복수의 변수기준으로 머신러닝 모델링 또는 의사결정나무를 통해 원인인자 또는 불량원인인자를 분석하는 단계와, 분석하는 단계의 분석 결과에 기초하여 불량 원인 지수를 도출하는 단계를 포함한다.
Description
본 발명의 실시예는 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법에 관한 것이다.
최근 전기전자제품이나 통신제품의 지능화 및 고성능화 추세에 따라 제품을 생산하는 제조 공정 라인이 복잡해지고 있다. 특히, 여러 공정들을 포함하는 제조 라인에서 불량을 예측하여 제품에 대한 신뢰성을 높이고 비용을 절감할 필요가 있다.
이와 같이, 제품 출하 후 품질문제 등에 대응하기 위하여 제조 상품에 대한 제조이력정보를 추적하고 품질원인 분석 또는 시뮬레이션을 효과적으로 수행하고 수행 결과를 최종 사용자가 가시적으로 혹은 직관적으로 제공할 수 있는 방안이 요구되고 있다.
본 발명은 종래 기술의 요구에 부응하기 위해 도출된 것으로, 그 목적은 제품 출하 후 품질문제 등에 대응하기 위하여 제조 상품에 대한 제조이력정보를 추적하고 품질원인 분석 또는 시뮬레이션을 효과적으로 수행하고 수행 결과를 최종 사용자가 가시적으로 혹은 직관적으로 제공할 수 있는, 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법을 제공하는 데 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법(이하 간략히 '공정 불량 원인 도출 방법'이라 함)은, 품질 원인 분석에 사용되는 다변량 분석 방법의 일종으로서, 양품 데이터에서 과소추출(undersampling)을 통해 양품 및 불량의 비율을 미리 설정된 비율로 맞춰 학습 데이터셋의 밸런스를 조정하는 단계; 상기 학습 데이터셋에 기초하여 불량원인인자를 파악하는 단계; 상기 과소추출 과정을 랜덤하게 반복하여 여러 개의 의사결정나무를 학습하는 단계; 및 상기 랜덤하게 반복된 과소추출 과정에 따른 불량원인인자 파악과 상기 불량원인인자 파악에 사용된 상기 여러 개의 의사결정나무의 결과를 종합하여 최종 불량원인인자를 추출하는 단계를 포함한다.
일실시예에서, 상기 불량 예측모델을 생성하는 단계와 분석하는 단계는 복수의 공정들 전체의 변수를 입력데이터로 하고, 양품 또는 불량 여부를 출력 데이터로 놓고, 예측 모델링하는 것을 포함할 수 있다.
일실시예에서, 상기 불량 예측모델을 생성하는 단계는 결정트리를 이용한 모델링 및 결과 해석이나 GA와 SVM을 이용한 모델링 및 결과 해석 등과 같이 머신러닝 모델을 활용한 원인인자를 파악하는 것을 포함할 수 있다.
일실시예에서, 상기 불량 예측모델을 생성하는 단계와 분석하는 단계는, 양품 데이터에서 과소추출(undersampling)을 통해 양품 및 불량의 비율을 미리 설정된 비율로 맞춰 학습 데이터셋의 밸런스를 조정하는 단계; 상기 학습 데이터셋에 기초하여 불량원인인자를 파악하는 단계; 상기 과소추출 과정을 랜덤하게 반복하여 여러 개의 의사결정나무를 학습하는 단계; 및 상기 랜덤하게 반복된 과소추출 과정에 따른 불량원인인자 파악과 상기 불량원인인자 파악에 사용된 상기 여러 개의 의사결정나무의 결과를 종합하여 최종 불량원인인자를 추출하는 단계를 포함할 수 있다.
일실시예에서, 상기 조정하는 단계에 입력되는 전처리된 데이터셋은 불량 개수가 적고 양품 개수가 압도적으로 많을 수 있다.
일실시예에서, 상기 학습하는 단계에서 상기 과소추출 과정은 불량의 발생율이 가장 큰 데이터 근처의 양품 데이터에게 큰 가중치를 주어 추출할 수 있다.
일실시예에서, 상기 학습하는 단계에서 램덤하게 수행되는 상기 과소추출 과정은 특정 과소추출 과정에서 샘플링된 데이터셋에 의해 학습된 모델 또는 불량원인인자 파악 결과가 종속되는 것을 방지할 수 있다.
일실시예에서, 공정 불량 원인 도출 방법은, 상기 도출하는 단계 후에 불량 원인 지수에 기초하여 품질 원인을 시각화하기 위한 정보를 출력하는 단계를 더 포함할 수 있다.
본 발명에 의하면, 다변량 분석에 기반하여 제조공정라인에서 생산되는 제품의 최종 품질 불량 원인을 분석하기 위한 품질문제 원인인자, 공정변수 및 영향력 지수를 효과적으로 도출할 수 있다.
또한, 도출된 품질문제 원인인자와 영향력 지수에 기초한 원인분석 결과에 따라 공정변수를 제어함으로써 공정 및 생산제품의 신뢰성을 높이고 불량 발생을 낮출 수 있으며, 원인인자, 공정변수 또는 영향력 지수에 대한 가시적 혹은 직관적 사용자 인터페이스를 제공하여 사용자 편의성을 극대화할 수 있다.
또한, 사용자 친화적 사용자 인터페이스(UI) 기반으로 상세 분석 시나리오를 설계하는데 기여할 수 있다.
도 1은 본 발명의 일실시예에 따른 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법(이하 간략히 '공정 불량 원인 도출 방법'이라 함)에 대한 흐름도이다.
도 2는 도 1의 공정 불량 원인 도출 방법을 적용할 수 있는 제조 공정에 대한 흐름도이다.
도 3은 도 1의 공정 불량 원인 도출 방법을 도 2의 제조 공정에 적용한 실시예를 설명하기 위한 도면이다.
도 4 내지 도 7은 도 1의 공정 불량 원인 도출 방법의 과정들 중에서 개별 데이터 전처리 과정을 설명하기 위한 도면들이다.
도 8은 도 1의 공정 불량 원인 도출 방법에서 데이터를 통합하고 불량 예측모델을 생성하는 과정을 설명하기 위한 도면이다.
도 9 및 도 10은 도 8의 불량 예측 모델의 작동 원리를 설명하기 위한 예시도들이다.
도 11은 도 1의 공정 불량 원인 도출 방법에서 원인인자를 도출하고 시각화하는 과정을 설명하기 위한 도면이다.
도 2는 도 1의 공정 불량 원인 도출 방법을 적용할 수 있는 제조 공정에 대한 흐름도이다.
도 3은 도 1의 공정 불량 원인 도출 방법을 도 2의 제조 공정에 적용한 실시예를 설명하기 위한 도면이다.
도 4 내지 도 7은 도 1의 공정 불량 원인 도출 방법의 과정들 중에서 개별 데이터 전처리 과정을 설명하기 위한 도면들이다.
도 8은 도 1의 공정 불량 원인 도출 방법에서 데이터를 통합하고 불량 예측모델을 생성하는 과정을 설명하기 위한 도면이다.
도 9 및 도 10은 도 8의 불량 예측 모델의 작동 원리를 설명하기 위한 예시도들이다.
도 11은 도 1의 공정 불량 원인 도출 방법에서 원인인자를 도출하고 시각화하는 과정을 설명하기 위한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, "특징으로 한다", "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, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법(이하 간략히 '공정 불량 원인 도출 방법'이라 함)에 대한 흐름도이다.
도 1을 참조하면, 본 실시예에 따른 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법(이하 간략히 '공정 불량 원인 도출 방법'이라 함)은, 데이터 수집 단계(S11), 개별 데이터 전처리 단계(S12), 데이터 통합 단계(S13), 분석대상 데이터 전처리 단계(S14), 불량 예측모델 생성 단계(S15), 원인인자 분석 단계(S16) 및 불량원인지수 도출 및 시각화 단계(S17)를 포함한다.
본 실시예의 공정 불량 원인 도출 방법은, 품질 원인 분석에 사용되는 다변량 분석 방법의 일종이다.
구체적으로 각 단계를 설명하면, 데이터 수집 단계(S11)와 개별 데이터 전처리 단계(S12)와 데이터 통합 단계(S13)에서는 양품 데이터에서 과소추출(undersampling)을 통해 양품 및 불량의 비율을 미리 설정된 비율로 맞춰 학습 데이터셋의 밸런스를 조정할 수 있다.
분석대상 데이터 전처리 단계(S14)와 불량 예측모델 생성 단계(S15)와 원인인자 분석 단계(S16)에서는, 학습 데이터셋에 기초하여 불량원인인자를 파악할 수 있다. 구체적으로, 분석대상 데이터 전처리 단계(S14)에서는 과소추출 과정을 랜덤하게 반복하여 여러 개의 의사결정나무를 학습할 수 있다. 불량 예측모델 생성 단계(S15)에서는 상기 랜덤하게 반복된 과소추출 과정에 따른 불량원인인자 파악과 상기 불량원인인자 파악에 사용된 여러 개의 의사결정나무를 수행할 수 있다. 그리고, 원인인자 분석 단계(S16)에서는 의사결정나무의 결과를 종합하여 최종 불량원인인자를 추출할 수 있다.
전술한 불량 예측모델을 생성하는 단계와 분석하는 단계는 복수의 공정들 전체의 변수를 입력데이터로 하고, 양품 또는 불량 여부를 출력 데이터로 놓고, 예측 모델링을 생성할 수 있다.
또한, 전술한 불량 예측모델을 생성하는 단계는 결정트리를 이용한 모델링 및 결과 해석이나 GA(genetic algorithm)와 SVM(support vector machine)을 이용한 모델링 및 결과 해석 등과 같이 머신러닝 모델을 활용하여 원인인자를 파악할 수 있다.
또한, 전술한 불량 예측모델을 생성하는 단계와 분석하는 단계는, 좀더 구체적으로, 양품 데이터에서 과소추출(undersampling)을 통해 양품 및 불량의 비율을 미리 설정된 비율로 맞춰 학습 데이터셋의 밸런스를 조정하고, 상기 학습 데이터셋에 기초하여 불량원인인자를 파악하고, 상기 과소추출 과정을 랜덤하게 반복하여 여러 개의 의사결정나무를 학습하고, 상기 랜덤하게 반복된 과소추출 과정에 따른 불량원인인자 파악과 상기 불량원인인자 파악에 사용된 여러 개의 의사결정나무의 결과를 종합하여 최종 불량원인인자를 추출할 수 있다.
또한, 전술한 조정하는 단계에 입력되는 전처리된 데이터셋은 불량 개수가 적고 양품 개수가 압도적으로 많을 수 있다.
또한, 전술한 학습하는 단계에서의 과소추출 과정은 불량의 발생율이 가장 큰 데이터 근처의 양품 데이터에게 큰 가중치를 주어 추출되도록 이루어질 수 있다.
또한, 전술한 학습하는 단계에서 램덤하게 수행되는 과소추출 과정은 특정 과소추출 과정에서 샘플링된 데이터셋에 의해 학습된 모델이나 불량원인인자 파악 결과가 종속되는 것을 방지하도록 설계될 수 있다.
또한, 본 실시예의 공정 불량 원인 도출 방법은, 상기의 도출하는 단계 후에 불량 원인 지수에 기초하여 품질 원인을 시각화하기 위한 정보를 출력하도록 구성될 수 있다.
도 2는 도 1의 공정 불량 원인 도출 방법을 적용할 수 있는 제조 공정에 대한 흐름도이다.
본 실시예에 따른 공정 불량 원인 분석 방법은, 도 2에 여러 단계들(S21 내지 S30)로 나타낸 바와 같이, 바코드를 인쇄하고, 도포크림을 인쇄하고, 납도포(SPI) 검사를 수행하고, 터미널을 삽입하고, 기판실장(SMD) 방식으로 소자를 배치하고, 리플로우, 솔러링 및 굽기(baking)를 수행하고, 자동광학검사(auto optical inspection, AOI) 검사를 수행하고, 전류 흐름 검사(in circuit tester, ICT)를 수행하고, 기능동작검사(in function tester, IFT)를 수행하는 등 여러 공정을 포함하는 적어도 하나의 특정 제품의 제조 공정에서 데이터 수집, 개별 데이터 전처리(벡터화), 데이터 통합, 분석대상 데이터 전처리, 단변량 분석(불량 원인 인자 분석), 불량 원인 지수 도출 및 불량 원인 지수 시각화의 일련의 과정을 수행하여 제품 출하 후 발생할 수 있는 품질 문제의 대응을 위한 제조정보를 추적관리하고 가시화할 수 있다.
전술한 제조 공정에 본 실시예에 따른 공정 불량 원인 분석 방법을 적용할 수 있다.
SPI 검사 공정에서 수집되는 데이터는 일례로 총 16,177개의 칼럼으로 생성될 수 있다(예컨대, 14,847*16,177 매트릭스). 매트릭스에는 식별자(ID), 공정 기계, 날짜, 시간, 카운트 수 등의 검사항목이 포함될 수 있다.
SPI 검사 공정에서의 데이터 전처리는 각 검사항목별 양품/불량 수, 양품/불량 여부 등에 수치화하고, 전체 검사 결과 등에 반영할 수 있다. 중복되는 데이터는 가장 나중에 수집되는 값 또는 실측값으로 선택될 수 있다.
리플로우(reflow) 공정에서의 데이터 전처리는 두 개의 차수(1, 2)에 대해서 각각 최상위값 13개, 최하위값 13개의 측정값을 이용하여 각 측정에 대한 결과와 변환값을 포함하도록 수행될 수 있다. 일례로, 리플로우 공정 데이터의 전처리에 의해 열 개수 1,130,863와 제품 수 606,451의 테이블을 생성할 수 있다.
또한, 리플로우(reflow) 공정에서의 데이터 전처리는 각 차수 데이터를 하나의 행으로 처리할 수 있다(14,847*63 매트릭스). 각 차수별 결과를 표기할 수 있다. 테이블에서 불량이 결합(join)되지 않으며 전부 OK만 남을 수 있다. 그리고, 테이블에는 작업자 정보를 표시할 수 있다.
또한, AOI 공정에서의 데이터 전처리는 헤더 테이블에 있는 OK 또는 불량(NG) 정보를 이용할 수 있다. AOI 공정은 보통 2대의 설비에서 각각 한번씩 검사하므로, 불량의 경우 각 설비에서 여러 번 검사하는 형태가 될 수 있다. 데이터 전처리는 AOI 공정의 각 검사설비 별로 양품과 불량 정보를 0과 1로 인덱스할 수 있다. 특정 검사설비 데이터값이 없는 경우, -9999 등의 더미값을 생성할 수 있다. 또한, 데이터 전처리에서는 여러 번 검사를 한 경우는 문제가 있는 가능성을 내포하므로 검사 횟수 컬럼을 생성하여 이용할 수 있다.
또한, ICT 검사 공정에서의 데이터 전처리는 ICT 검사 단계(예컨대, 1,533개)별로 측정 값(measure_value), 편차(deviation) 등을 행으로 표현하고, 헤더 테이블에서 최종 결과(양품/불량 또는 OK/NG)와 검사 횟수 변수를 생성할 수 있다. 이러한 데이터 전처리에 의하면, 일례로, 3068개의 변수를 생성할 수 있고, 마지막 두 열에 OK/NG 정보 및 검사 횟수를 생성한 테이블을 제공할 수 있다.
이와 같이, 본 실시예에 의하면, 리플로우/솔더링(굽기) 공정 프로세스에서 데이터를 수집하고, SPI 검사(도포크림), AOI 검사(정위치 검사), ICT 검사(전류 흐름) 및 IFT 검사(기능 동작)에서 검사 데이터를 수집하고, 정전기, 진동 센서 및 외부 날씨를 통해 기타 공정 환경 데이터를 수집할 수 있다. 그런 다음, 수집된 데이터에 대해 개별 데이터 전처리를 수행한 후, 데이터를 통합하고, 통합된 데이터를 분석대상 데이터로서 전처리한 후 단변량 분석을 통해 공정 불량 원인 인자를 분석할 수 있다. 그리고, 단변량 분석 결과를 이용하여 공정 불량 원인 지수를 도출하고 시각화하여 사용자, 관리자 등에게 직관적으로 보여주거나 미리 설정된 제어 단말 등에 공정 분석, 공정 관리, 공정 제어 등에 필요한 신호나 데이터를 전송할 수 있다.
도 3은 도 1의 공정 불량 원인 도출 방법을 도 2의 제조 공정에 적용한 실시예를 설명하기 위한 도면이다.
도 3을 참조하면, 본 실시예에 따른 공정 불량 원인 도출 방법은, 바코드를 인쇄하고 도포크림을 인쇄하고 터미널을 삽입하고 기판실장 방식으로 소자를 배치하고, 리플로우 또는 솔러링(굽기)의 일련의 프로세스 흐름을 가지는 공정에서 데이터 수집, 개별 데이터 전처리(벡터화), 데이터 통합, 데이터 전처리, 불량 예측모델 생성, 불량 원인분석 및 불량원인지수 도출 및 시각화의 일련의 과정을 수행하여 제품 출하 후 발생할 수 있는 품질 문제의 대응을 위한 제조정보를 추적관리하고 가시화할 수 있다.
본 실시예에서는 리플로우/솔더링(굽기) 공정 프로세스에서 데이터를 수집하고, SPI 검사(도포크림), AOI 검사(정위치 검사), ICT 검사(전류 흐름) 및 IFT 검사(기능 동작)에서 검사 데이터를 수집하고, 정전기, 진동 센서 및 외부 날씨를 통해 기타 공정 환경 데이터를 수집할 수 있다.
각각의 수집된 데이터는 개별 데이터 전처리 과정을 거친 후, 대부분의 데이터가 통합되고, 통합된 데이터를 전처리한 후 변수선택이 포함된 불량예측 모델이나 변수선택과 불량예측모델을 GA와 SVM를 통해 생성하고, 생성한 모델을 통해 불량 원인을 분석할 수 있다. 변수선택이 포함된 불량예측 모델을 이용하는 경우, 불량 원인 분석은 의사결정나무의 결과를 해석하는 방식으로 수행될 수 있다. 또한, GA와 SVM을 통한 변수선택과 불량예측모델을 이용하는 경우, 불량 원인 분석은 모델 결과를 해석하는 방식으로 수행될 수 있다. 그리고, 의사결정나무의 (결과) 해석 결과나 GA와 SVM에 의한 모델 결과는 시각화되어 사용자 등에게 보여지거나 전송될 수 있다.
도 4 내지 도 7은 도 1의 공정 불량 원인 도출 방법의 과정들 중에서 개별 데이터 전처리 과정을 설명하기 위한 도면들이다.
본 실시예에 따른 공정 불량 원인 분석 방법은 개별 데이터 전처리 과정으로서 변수 생성 과정, 숫자형 변수 변환 과정, 의미있는 변수 생성 과정 중 적어도 어느 하나의 과정을 포함할 수 있다.
구체적으로, 변수 생성 과정은 도 4의 (a)에 도시한 바와 같이 특정 제품(A)의 식별자(ID), 센서 번호에 대응하는 항목, 센싱값에 대응하는 값1, 값2 등과 같이 어느 한 제품에 대한 여러 공정들에서의 여러 개의 센서들에서 측정한 값이 수집 데이터 내에서 여러 개의 행(rows)에 존재하는 경우, 한 제품당 하나의 행(row)에 존재하도록 만들어주기 위해 열(column)을 확장하여 데이터 벡터화를 수행할 수 있다. 이와 같이 본 실시예에서는 4행 4열의 데이터를 2행 7열의 데이터로 벡터화하여 각 개별 데이터를 전처리할 수 있다.
숫자형 변수 변환 과정은 도 4의 (b)에 도시한 바와 같이 여러 제품들(A, B, C, D)에 대한 결과 및 원인가 명목형 변수들로 저장되어 있는 경우 각 명목에 대한 변수항목들을 생성하여 바이너리(binary)로 처리할 수 있다. 이와 같이 본 실시예에서는 결과 항목의 명목형 변수들인 OK 및 NG와 원인 항목의 명목형 변수들인 EE, AA, DD를 각 명목에 대한 변수항목들인 원인AA, 원인BB, 원인CC, 원인DD, 원인EE의 바이너리 값(0 또는 1)로 처리할 수 있다.
전술한 변수 생성 과정은 도 5에 도시한 바와 같이 하나의 제품에 패드 식별자(PADID) 별로 여러 개의 측정 값(raw data)이 있을 때(도 4의 (a) 참조), 측정 값을 패드 식별자별로 각각 개별 변수로 생성한 전처리 데이터를 생성할 수 있다(도 4의 (b) 참조). 전처리 데이터에서는 이상유형별 이상 개수를 변수로 추가 생성할 수 있다.
전술한 숫자형 변수 변환 과정은 도 6에 도시한 바와 같이 날씨 정보(a)가 명목형으로 존재하는 경우, 각 날씨 상태를 숫자형 변수로 전환하는 개별 데이터 전처리를 수행할 수 있다. 도 6의 (a)는 로우 데이터(raw data)가 되고 (b)는 전처리된 데이터의 예시가 된다.
한편, 의미있는 변수 생성 과정은 제조 공정에서 날씨가 중요한 인자로 반영되고 있는 경우, 개별 날씨와, 제조 공정 중 최고 온도, 습도, 비가 한번이라도 왔는지(IS_RAIN) 등과 같은 의미있는 변수를 생성하기 위한 것이다. 의미있는 변수 생성 과정에서는, 도 7에 도시한 바와 같이, 날씨 정보로부터 공정 진행 상황의 평균, 최대 또는 최소 값 변수를 생성할 수 있다.
도 8은 도 1의 공정 불량 원인 도출 방법에서 데이터를 통합하고 불량 예측모델을 생성하는 과정을 설명하기 위한 도면이다. 도 9 및 도 10은 도 8의 불량 예측 모델의 작동 원리를 설명하기 위한 예시도들이다. 그리고 도 11은 도 1의 공정 불량 원인 도출 방법에서 원인인자를 도출하고 시각화하는 과정을 설명하기 위한 도면이다.
전술한 과정들에서 데이터 통합 단계에서는, 도 8에 도시된 바와 같이, 소량의 불량 데이터 셋에서는 전체 데이터를 추출하고, 상대적으로 대량인 양품의 데이터 셋에서는 소량의 데이터만을 추출하여 통합 데이터 셋의 구성을 최적화하여 설계할 수 있다.
최적화된 통합 데이터 셋은 분석대상 데이터 전처리를 거쳐 불량 예측모델을 생성하는데 이용될 수 있다. 불량 예측모델 생성 단계에서는 랜덤 포레스트(random forest) 기반의 의사결정나무 모델링이나 GA 기반 SVM 모델링을 사용하여 불량 예측모델을 생성할 수 있다.
본 실시예의 불량 예측모델 생성 단계에 의하면, 도 9에 도시한 바와 같은 파일럿 분석 결과를 얻을 수 있다. 이 결과는 모든 생성 변수를 활용하여 결정 트리 모델링을 수행한 결과로서, 각 분기의 조건들이 양품과 불량에 영향을 미쳤음을 알 수 있다. 본 실시예에서, SPI 공정 결과 중 232 센서의 볼룸(volume)이 111.4보다 작으면 불량 가능성이 높은 것을 분석되었다.
또한, 본 실시예의 불량 예측모델 생성 단계에 의하면, 도 9에 도시한 바와 같은 파일럿 분석 결과를 얻을 수 있다. 이 결과는 동적인(actionalbe) 변수 위주로 결정 트리 모델링을 수행한 결과로서, 각 분기의 조건들이 양품과 불량에 영향을 미쳤음을 알 수 있다. 본 실시예에서, 조건 설정이 가능한 리플로우, 더스트, 습도 등의 변수가 큰 영향을 미치는 것을 확인하였다. 일례로, 리플로우 공정의 TOP1, CHASOO2 온도가 190.5℃보다 크면 불량이 발생하는 것으로 분석되었다.
생성된 불량 예측모델을 이용한 불량 원인분석 단계와 불량 원인 지수 도출 및 시각화 단계에서는, 구간별 양품 밀도와 불량 밀도에 대한 불량 원인분석 결과를 얻고, 이에 기초하여 불량원인지수를 도출하거나 도출된 불량원인지수를 도 11에 도시한 바와 같이 시각화할 수 있다.
본 실시예에 따른 공정 불량 원인 분석 방법은, 전술한 일련의 과정들을 통해 얻어진 단변량 분석 결과를 도 11에 도시한 바와 같이 테이블(table) 형태로 수치로 도출하고 시각화할 수 있다. 이러한 테이블 형태의 다변량 분석 결과는 필터(filter)와 정렬(sorting)이 가능하므로 예컨대 최소 출현률(불량 개수)의 조정 등으로 의미없는 결과를 제거하는데 매우 효과적이다.
또한, 도 11에 도시한 바와 같이, 분석 결과 테이블에서 각 변수명을 클릭하면, 변수의 양품별 및/또는 불량별 분포 그래프가 자동으로 생성되어 화면에 표시되도록 할 수 있다.
전술한 실시예들에 의하면, 반도체, 자동차, 철강 등 국가 주력 산업 분야의 스마트 제조기술과 관련하여 본 명세서에서 제공하는 공정 불량 원인 분석 기술을 활용하여 공정 내 품질 이상 원인을 효과적으로 파악하고 시각화할 수 있다.
한편, 전술한 공정 불량 원인 분석 방법은 제어부, 저장부 및 인터페이스를 포함하는 컴퓨팅 장치에 의해 구현될 수 있다. 제어부는 프로세서 또는 마이크로프로세서를 포함할 수 있고, 저장부는 메모리를 포함할 수 있으며, 인터페이스는 네트워크 및 입출력 장치와의 연결과 관리를 지원하는 통신서브시스템, 입출력 인터페이스 등을 포함할 수 있다. 입출력 장치는 표시장치를 포함할 수 있다.
제어부는 저장부에 저장되는 소프트웨어 모듈이나 프로그램을 수행하여 공정 불량 원인 분석 방법의 일련의 절차들을 수행할 수 있다.
제어부는 적어도 하나 이상의 중앙 처리 장치(CPU) 또는 코어를 포함할 수 있다. 중앙처리장치 또는 코어는 처리할 명령어를 저장하는 레지스터(register)와, 비교, 판단, 연산을 담당하는 산술논리연산장치(arithmetic logical unit, ALU)와, 명령어의 해석과 실행을 위해 CPU를 내부적으로 제어하는 제어유닛(control unit)과, 이들을 연결하는 내부 버스 등을 구비할 수 있다. 중앙처리장치 혹은 코어는 MCU(micro control unit)와 주변 장치(외부 확장 장치를 위한 집적회로)가 함께 배치되는 SOC(system on chip)로 구현될 수 있으며, 이에 한정되지 않는다.
또한, 제어부는 하나 이상의 데이터 프로세서, 이미지 프로세서 또는 코덱(CODEC)을 포함할 수 있으나, 이에 한정되지는 않는다. 제어부는 주변장치 인터페이스와 메모리 인터페이스를 구비할 수 있다. 주변장치 인터페이스는 제어부와 입출력장치나 다른 주변 장치를 연결하고, 메모리 인터페이스는 제어부와 메모리를 연결할 수 있다.
저장부는 공정 불량 원인 분석 방법의 과정들을 구현하기 위한 하나 이상의 소프트웨어 모듈을 저장할 수 있다. 소프트웨어 모듈은, 도 1의 각 단계를 수행하기 위한 모듈들을 포함할 수 있다.
저장부는 비휘발성 랜덤 액세스 메모리(non-volatile RAM, NVRAM), 대표적 휘발성 메모리인 DRAM(dynamic random access memory) 등의 반도체 메모리, 하드디스크 드라이브(hard disk drive, HDD), 광 저장 장치, 플래시 메모리 등으로 구현될 수 있다. 그리고 저장부는 공정 불량 원인 분석 방법을 수행하기 위한 소프트웨어 모듈 외에 제어부나 컴퓨팅 장치 등을 위한 운영체제, 프로그램, 명령어 집합 등을 저장할 수 있다.
한편, 전술한 실시예에 있어서, 공정 원인 불량 분석 방법의 과정들은 소정의 컴퓨팅 장치에서 일련의 기능을 구현하기 위한 소프트웨어 형태로 컴퓨터 판독 가능 매체(기록매체)에 저장되거나 혹은 캐리어 형태로 원격지에 저장되고 원격지의 컴퓨팅 장치에서 네트워크를 통해 다운로드되어 해당 기능을 수행하도록 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨팅 장치에서 읽어낼 수 있는 소프트웨어를 저장하는 장치를 포함하나, 이에 한정되지 않고, 네트워크를 통해 연결되는 복수의 컴퓨터 장치의 저장장치나 클라우드 시스템을 포함할 수 있다.
또한, 컴퓨터 판독 가능 매체는 공정 원인 불량 분석 방법과 직간접으로 연관되는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하는 형태를 더 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것을 포함할 수 있다.
또한, 컴퓨터 판독 가능 매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 여기서 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 하드웨어 장치는 본 실시예의 공정 불량 원인 분석 방법을 수행하기 위해 적어도 하나의 소프트웨어 모듈에 의해 동작하도록 구성될 수 있으며, 그 역도 마찬가지이다.
인터페이스는 제조 공정의 다수의 센서들과 신호 및 데이터를 송수신하는 장치와 이를 제어하거나 관리하는 수단 또는 그 구성부를 포함할 수 있다. 인터페이스는 인트라넷이나 인터넷, 이동 통신망, 위성망 등과의 연결을 위한 입력 포트, 유선 또는 무선 통신 라인 등을 포함할 수 있다. 이러한 인터페이스는 공정 불량 원인 분석 방법을 구현하는 컴퓨팅 장치의 구성요소들 중 입력장치, 데이터 수집부 혹은 데이터 획득부의 적어도 일부 기능부나 구성부에 대응할 수 있다. 즉, 이러한 인터페이스는 통신수단이나 통신 장치로서 하나 이상의 통신 프로토콜을 지원하는 하나 이상의 유선 및/또는 무선 통신 서브시스템을 포함할 수 있다.
유선 통신 서브시스템은, 무선 통신 서브시스템에 연결될 수 있으며, PSTN(public switched telephone network), ADSL(Asymmetric Digital Subscriber Line) 또는 VDSL(Very high-data rate Digital Subscriber Line) 네트워크, PES(PSTN Emulation Service)를 위한 서브시스템, IP(internet protocol) 멀티미디어 서브시스템(IMS) 등을 포함할 수 있다. 무선 통신 서브시스템은 무선 네트워크 연결을 위한 무선 주파수(radio frequency, RF) 수신기, RF 송신기, RF 송수신기, 광(예컨대, 적외선) 수신기, 광 송신기, 광 송수신기 또는 이들의 조합을 포함할 수 있다.
무선 네트워크는 기본적으로 인트라넷이나 Wi-Fi(Wireless Fidelity) 등의 근거리 네트워크를 지칭하나, 이에 한정되지 않는다. 본 실시예에서 인터페이스는 다양한 무선 네트워크를 지원하도록 구현될 수 있다. 무선 네트워크는, GSM(Global System for Mobile Communication), EDGE(Enhanced Data GSM Environment), CDMA(Code Division Multiple Access), W-CDMA(W-Code Division Multiple Access), LET-A(LET-Advanced), OFDMA(Orthogonal Frequency Division Multiple Access), WiMax, Bluetooth 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 청구범위에 의해서 정하여져야 할 것이다.
Claims (8)
- 데이터 불균형 환경에서 컴퓨팅 장치가 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법으로서, 상기 컴퓨팅 장치는 제어부, 저장부 및 인터페이스를 구비하고, 상기 제어부는 상기 저장부에 저장되는 소프트웨어 모듈이나 프로그램에 의해 일련의 절차를 수행하며, 상기 일련의 절차는,
양품 데이터에서 과소추출(undersampling)을 통해 양품 및 불량의 비율을 미리 설정된 비율로 맞춰 학습 데이터셋의 밸런스를 조정하는 단계;
상기 과소추출을 랜덤하게 반복하여 여러 개의 의사결정나무를 학습하는 단계;
상기 랜덤하게 반복된 과소추출 과정에 따른 불량원인인자 파악과 상기 불량원인인자 파악에 사용된 상기 여러 개의 의사결정나무의 결과를 종합하여 최종 불량원인인자를 추출하는 단계; 및
분석하는 단계의 분석 결과에 기초하여 불량 원인 지수를 도출하는 단계를 포함하며,
상기 조정하는 단계에 입력되는 전처리된 데이터셋은 상대적으로 소량의 불량 데이터 셋에서는 전체 데이터를 사용하고, 상대적으로 대량인 양품의 데이터 셋에서는 일부 데이터를 사용하며,
상기 과소추출 과정은 불량의 발생률이 가장 큰 데이터 근처의 양품 데이터에 상대적으로 큰 가중치를 주어 추출하며,
상기 학습하는 단계에서 램덤하게 반복 수행되는 상기 과소추출 과정은 특정 과소추출 과정에서 샘플링된 데이터셋에 의해 학습되는 모델이나 불량원인인자 파악 결과가 종속되는 것을 방지하는 공정 불량 원인 도출 및 시각화 방법. - 청구항 1에 있어서,
공정 불량 원인을 도출하고자 하는 복수의 공정들 전체의 변수를 상기 전처리된 데이터셋을 위한 입력데이터로 하고, 양품 또는 불량 여부를 상기 분석 결과의 출력 데이터로 놓고, 예측 모델링하는, 공정 불량 원인 도출 및 시각화 방법. - 청구항 2에 있어서,
상기 불량 원인 지수를 도출하는 단계는 결정트리를 이용한 모델링 및 결과 해석이나 GA(genetic algorithm)와 SVM(support vector machine)을 이용한 모델링 및 결과 해석을 포함한 머신러닝 모델을 활용하여 원인인자를 파악하는, 공정 불량 원인 도출 및 시각화 방법. - 청구항 2에 있어서,
상기 조정하는 단계 전에,
상기 복수의 공정들에 각각 설치되는 적어도 하나 이상의 센서에서 측정된 품질 검사 결과 데이터를 포함하는 제1 데이터와 공정 데이터를 포함하는 제2 데이터를 획득하는 단계; 상기 제1 데이터 및 상기 제2 데이터 각각의 개별 데이터를 전처리하는 단계; 상기 전처리된 개별 데이터를 통합하여 분석대상 데이터를 생성하는 단계; 및 상기 분석대상 데이터를 전처리하는 단계를 더 포함하는, 공정 불량 원인 도출 및 시각화 방법. - 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 도출하는 단계 후에 불량 원인 지수에 기초하여 품질 원인을 시각화하기 위한 정보를 출력하는 단계를 더 포함하는, 공정 불량 원인 도출 및 시각화 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170158862A KR102016812B1 (ko) | 2017-11-24 | 2017-11-24 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170158862A KR102016812B1 (ko) | 2017-11-24 | 2017-11-24 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190060547A KR20190060547A (ko) | 2019-06-03 |
| KR102016812B1 true KR102016812B1 (ko) | 2019-10-21 |
Family
ID=66849502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170158862A KR102016812B1 (ko) | 2017-11-24 | 2017-11-24 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102016812B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220036135A (ko) * | 2020-09-15 | 2022-03-22 | 현대오토에버 주식회사 | 인간행동분석 기반 스마트오피스 업무생산성 평가시스템 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021107661A2 (ko) * | 2019-11-29 | 2021-06-03 | 이화여자대학교 산학협력단 | 학습 모델을 이용한 데이터 처리 방법 |
| US20210334699A1 (en) * | 2020-04-24 | 2021-10-28 | Ul Llc | Using machine learning to virtualize product tests |
| KR102316034B1 (ko) * | 2020-11-19 | 2021-10-25 | 주식회사 유일로보틱스 | 사출 성형기의 취출 로봇장치 |
| KR102490281B1 (ko) | 2020-12-21 | 2023-01-19 | 부산대학교 산학협력단 | 제품 불량 원인 분석 방법 및 장치 |
| US20230222394A1 (en) * | 2022-01-07 | 2023-07-13 | Applied Materials, Inc. | Predictive modeling for chamber condition monitoring |
| KR102548849B1 (ko) * | 2022-04-07 | 2023-06-28 | 김재성 | 의사결정 최적화 시스템 |
| KR102647438B1 (ko) * | 2022-08-10 | 2024-03-12 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101744194B1 (ko) * | 2016-08-19 | 2017-06-09 | 인하대학교 산학협력단 | 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101530848B1 (ko) | 2012-09-20 | 2015-06-24 | 국립대학법인 울산과학기술대학교 산학협력단 | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 |
| US9953271B2 (en) * | 2013-11-22 | 2018-04-24 | California Institute Of Technology | Generation of weights in machine learning |
| KR102238648B1 (ko) * | 2014-06-03 | 2021-04-09 | 삼성전자주식회사 | 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법 |
| KR101661818B1 (ko) | 2014-12-23 | 2016-09-30 | (주)해인씨앤에스 | 제조 공정 라인의 공정 및 품질 관리 방법 |
-
2017
- 2017-11-24 KR KR1020170158862A patent/KR102016812B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101744194B1 (ko) * | 2016-08-19 | 2017-06-09 | 인하대학교 산학협력단 | 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220036135A (ko) * | 2020-09-15 | 2022-03-22 | 현대오토에버 주식회사 | 인간행동분석 기반 스마트오피스 업무생산성 평가시스템 |
| KR102457255B1 (ko) * | 2020-09-15 | 2022-10-20 | 현대오토에버 주식회사 | 인간행동분석 기반 스마트오피스 업무생산성 평가시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190060547A (ko) | 2019-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102016812B1 (ko) | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 | |
| JP7083379B2 (ja) | 製造セグメントとエンドユーザデバイス性能との間の相関 | |
| US10949338B1 (en) | Automated software bug discovery and assessment | |
| CN108563214B (zh) | 车辆诊断方法、装置及设备 | |
| US20210064518A1 (en) | Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing | |
| US10552390B2 (en) | Root cause analysis of performance problems | |
| CN111897724B (zh) | 一种适用于云平台的自动化测试方法及装置 | |
| CN110414242A (zh) | 用于检测业务逻辑漏洞的方法、装置、设备及介质 | |
| US20190050322A1 (en) | Method and system for automated testing of human machine interface (hmi) applications associated with vehicles | |
| JP2017531264A (ja) | プロセス制御システム分析のためのデータパイプライン | |
| US10459830B2 (en) | Executable code abnormality detection | |
| CN114840853B (zh) | 基于大数据的数字化业务分析方法及云服务器 | |
| KR101998972B1 (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
| EP3379436A1 (en) | Method and apparatus for testing design of satellite wiring harness and signal processing units | |
| US11681511B2 (en) | Systems and methods for building and deploying machine learning applications | |
| JPWO2019116418A1 (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
| US20170108856A1 (en) | Devices, methods, and systems for a distributed rule based automated fault detection | |
| KR102418796B1 (ko) | 고장형태 영향분석 기반 고장 분석의 고장 모드 추천 시스템 | |
| CN103729293A (zh) | 一种基于uml活动图的gui测试方法 | |
| US10719482B2 (en) | Data comparison | |
| CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
| CN105653455B (zh) | 一种程序漏洞的检测方法及检测系统 | |
| CN106569944A (zh) | 基于约束树的星载软件测试数据分析方法 | |
| US10228685B2 (en) | Use of multivariate models to control manufacturing operations | |
| CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |