KR102222125B1 - 머신 러닝 기반의 수율 관리 장치 및 방법 - Google Patents

머신 러닝 기반의 수율 관리 장치 및 방법 Download PDF

Info

Publication number
KR102222125B1
KR102222125B1 KR1020200164052A KR20200164052A KR102222125B1 KR 102222125 B1 KR102222125 B1 KR 102222125B1 KR 1020200164052 A KR1020200164052 A KR 1020200164052A KR 20200164052 A KR20200164052 A KR 20200164052A KR 102222125 B1 KR102222125 B1 KR 102222125B1
Authority
KR
South Korea
Prior art keywords
temperature
machine learning
calorific value
polymerization reactor
cooling water
Prior art date
Application number
KR1020200164052A
Other languages
English (en)
Inventor
이승준
박동원
우혜민
Original Assignee
주식회사 애자일소다
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 애자일소다 filed Critical 주식회사 애자일소다
Priority to KR1020200164052A priority Critical patent/KR102222125B1/ko
Application granted granted Critical
Publication of KR102222125B1 publication Critical patent/KR102222125B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Polymerisation Methods In General (AREA)

Abstract

머신 러닝 기반의 수율 관리 장치 및 방법을 개시한다. 본 발명은 측정 가능한 데이터, 현장 데이터를 기반으로 하는 빅데이터, 머신 러닝을 이용한 생산 공정 관리를 통해 생산 시간의 지연 발생을 방지할 수 있다.

Description

머신 러닝 기반의 수율 관리 장치 및 방법{APPARATUS AND METHOD FOR MANAGING YIELD BASED ON MACHINE LEARNING}
본 발명은 머신 러닝 기반의 수율 관리 장치 및 방법에 관한 발명으로서, 더욱 상세하게는 측정 가능한 데이터, 현장 데이터를 기반으로 하는 빅데이터, 머신 러닝을 이용한 생산 공정 관리를 통해 생산 시간의 지연 발생을 방지하는 머신 러닝 기반의 수율 관리 장치 및 방법에 관한 것이다.
제조공정과 같이 매우 복잡하고 수많은 장비들을 순서적으로 거쳐서 하나의 제품을 완성하는 제조공정의 경우, 각각의 공정장비의 인수(Parameter)들을 얼마나 적절한 범위(range)내에서 잘 관리하느냐에 따라 단위 공정의 결과나 제품의 최종수율은 크게 달라진다.
이러한 이유로 Shewart Chart, Xbar R Chart, Xbar S Chart등을 이용한 UCL(Upper Control Limit) 또는 LCL(Lower Control Limit)을 산정하여 인수들의 변동 값을 일정한 범위 내에서 관리하는 공정관리(SPC: Statistical Process Control)의 기법과, FDC(Fault Detection and Classification) 기능을 적절히 수행할 수 있는 다변량의 변동을 감지하는 방법 등이 사용되어 왔다.
그러나 기존의 공정 관리 방법이나 최근의 다변량 변동 감지방법은 모두 변수 자체의 변동의 크기만을 고려하여 통계적인 방법으로 UCL 또는 LCL을 계산하여 관리하는 방법이므로 그 변수를 일정 범위 내에서 관리는 하지만 어떠한 변동이 발생 하였을 때 그로 인하여 공정 결과(예를 들면 두께, 면 저항 등) 또는 수율(또는 수율과 연관된 전기적인 변수 포함)에 얼마나 영향을 미치는지를 알 수는 없다.
즉, 모든 변수를 동일한 기준으로 관리하여 그 기준을 벗어나면 이상으로 간주하지만, 이상 발생이 많이 감지되어도 실제로 공정 결과 또는 수율에 문제를 어느 정도 유발하는지를 알지 못하는 문제점이 있다.
또한, 종래의 방식으로는 공정의 주요 지표를 도출하는데 많은 시간과 경험을 요구하며, 공정 인수가 많은 경우에 공정관리의 운용이 현실적으로 매우 어렵기 때문에 공정 결과나 수율과 연계한 관리 한계선을 제대로 설정할 수 없는 문제점이 있다.
한국 등록특허 등록번호 제10-0676541호(발명의 명칭: 폴리염화비닐 중합공정)
이러한 문제점을 해결하기 위하여, 본 발명은 측정 가능한 데이터, 현장 데이터를 기반으로 하는 빅데이터, 머신 러닝을 이용한 생산 공정 관리를 통해 생산 시간의 지연 발생을 방지하는 머신 러닝 기반의 수율 관리 장치 및 방법을 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 머신 러닝 기반의 수율 관리 장치로서, 임의의 설비가 미리 설정된 조건에 기초한 공정을 수행함에 따라, 생산 관리부가 상기 설비의 동작을 모니터링한 측정 지표에 기반하여 말기 승온 시점을 추정하되, 머신 러닝을 통해 상기 말기 승온 시점이 지연(遲延)될 것으로 예측되면, 상기 설정된 조건을 조절하여 말기 승온 시점의 지연 발생을 방지하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 지연 발생의 예측은 공정의 시작 후 일정 시간 범위에서 모니터링한 측정 지표를 기반으로 하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 설정 조건은 제열 설정 온도인 것을 특징으로 한다.
또한, 상기 실시 예에 따른 설비는 하나 이상의 중합기를 포함하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 생산 관리부는 중합기의 자켓 입구에서의 냉각수 온도 및 상기 자켓 출구에서의 냉각수 온도와, 상기 중합기의 내부 온도를 기반으로 발열량을 산출하여 누적 발열량과 시간대별 발열량 변화 패턴을 추정하고, 머신 러닝을 통해 상기 발열량 변화 패턴에 기초한 말기 승온 시점이 지연(遲延)될 것으로 예측되면, 제열 설정 온도를 조절하여 말기 승온 시점의 지연 발생을 방지하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 생산 관리부는 중합기의 자켓 입구에서의 냉각수 온도와, 상기 중합기의 자켓 출구에서의 냉각수 온도와 상기 중합기의 내부 온도를 감지하는 온도 분석부; 상기 자켓 입구의 냉각수 온도, 자켓 출구의 냉각수 온도, 중합기의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 상기 시간대별로 발열량을 누적 계산한 시간대별 누적 발열량에 기반하여 발열량 변화 패턴을 추정하는 발열량 분석부; 및 상기 발열량 변화 패턴에 기초한 머신 러닝을 수행하여 말기 승온 시점이 지연될 것으로 예측되면, 제열 설정 온도의 조절 제어 신호를 출력하여 말기 승온 시점의 지연 발생을 방지하는 예측 모형 분석부;를 포함하는 것을 특징으로 한다.
또한, 본 발명의 일 실시 예는 머신 러닝 기반의 수율 관리 방법으로서, a) 생산 관리부가 중합기의 자켓 입구에서의 냉각수 온도와, 상기 중합기의 자켓 출구에서의 냉각수 온도와 상기 중합기(200)의 내부 온도를 감지하는 단계; b) 상기 생산 관리부가 자켓 입구 냉각수 온도, 자켓 출구 냉각수 온도, 중합기의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 상기 시간대별로 발열량을 누적한 누적 발열량에 기반하여 발열량 변화 패턴을 추정하는 단계; c) 상기 생산 관리부가 머신 러닝을 통해 발열량 변화 패턴에 기초한 말기 승온 시점의 지연 발생을 판단하는 단계; 및 d) 상기 말기 승온 시점이 지연될 것으로 예측되면, 상기 생산 관리부가 설정 조건을 조절하는 단계;를 포함한다.
또한, 상기 실시 예에 따른 d) 단계의 말기 승온 시점의 지연 발생 예측은 공정의 시작 후 일정 시간 범위에서 모니터링한 발열량 변화 패턴을 기반으로 예측하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 d) 단계의 설정 조건은 제열 설정 온도인 것을 특징으로 한다.
본 발명은 측정 가능한 데이터, 현장 데이터를 기반으로 하는 빅데이터, 머신 러닝을 이용한 생산 공정 관리를 통해 생산 시간의 지연 발생을 방지할 수 있는 장점이 있다.
또한, 본 발명은 생산 시간을 균일하게 유지할 수 있는 장점이 있다.
또한, 본 발명은 예측 모델을 이용하여 공정 설비 및 조업 현황을 관리함으로써, 배치 공정 운영 시간 편차를 감소시킬 수 있는 장점이 있다.
또한, 본 발명은 주요 공정 인자 및 중합 초반 발열 정보를 모니터링하여 중합 진행 중 말기 승온 시점을 실시간으로 예측할 수 있는 장점이 있다.
도1은 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 장치의 구성을 나타낸 블록도.
도2는 도1의 실시 예에 따른 머신 러닝 기반의 수율 관리 장치의 생산성 측정부 구성을 나타낸 블록도.
도3은 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 방법을 나타낸 흐름도.
도4는 도3의 실시 예에 따른 머신 러닝 기반의 수율 관리 방법에서 중합기 및 냉각수의 온도 변화를 나타낸 그래프.
도5는 도3의 실시 예에 따른 머신 러닝 기반의 수율 관리 방법에서 시간대별 발열량 추정치를 나타낸 그래프.
도6은 도3의 실시 예에 따른 머신 러닝 기반의 수율 관리 방법에서 모델링을 통한 말기 승온 발생 시점 예측과 단축과정을 설명하기 위해 나타낸 그래프.
이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.
본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다.
또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.
본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.
또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다.
또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시 예에 따라 변경가능하다 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 장치 및 방법의 바람직한 실시예를 상세하게 설명한다.
도1은 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 장치의 구성을 나타낸 블록도이고, 도2는 도1의 실시 예에 따른 머신 러닝 기반의 수율 관리 장치의 생산성 측정부 구성을 나타낸 블록도이다.
도1 및 도2를 참조하면, 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 장치는 임의의 설비가 미리 설정된 조건에 기초한 공정을 수행함에 따라, 설비의 동작을 모니터링한 측정 지표에 기반하여 말기 승온 시점을 추정하고, 머신 러닝을 통해 말기 승온 시점이 지연(遲延)될 것으로 예측되면, 설정된 조건을 조절하여 말기 승온 시점의 지연 발생을 방지하도록 제어하는 생산 관리부(100)를 포함하여 구성된다.
여기서, 설비는 단위체를 두 개 이상 결합하여 큰 분자량의 화합물로 생성하는 장치로서, 본 실시 예에서는 설명의 편의를 위해 중합기(200)를 실시 예로 설명하지만, 이에 한정되는 것은 아니다.
또한, 설정 조건은 온도, 압력, 교반 속도, 첨가물 함량, 밸브 개폐도 등 중합 공정을 수행하기 위해 미리 설정된 중합기(200)의 동작 조건이다.
또한, 중합기(200), 중합기 1(200a) 내지 중합기 n(200b)과 같이 복수의 설비로 구성할 수도 있다.
또한, 측정 지표는 센서를 이용하여 측정 가능한 계측 데이터인 공정 지표와, 센서의 설치가 불가능하거나 고비용의 센서를 대체해서 기존의 운전 데이터와 이론적 지식을 결합하여 생성한 추정 데이터인 평가 지표로 구성될 수 있다.
즉, 공정 지표는 하나 이상의 중합기(200), 중합기 1(200a) 내지 중합기 n(200b)과, 개별 중합기(200, 200a, 200b)의 자켓에 각각 설치되어 데이터 또는 신호를 감지하는 센서부(210), 센서부 1(210a) 내지 센서부 n(200b)으로부터 감지한 데이터이다.
여기서, 센서부(210), 센서부 1(210a) 내지 센서부 n(200b)은 개별 중합기(200, 200a, 200b)의 내부 온도와, 개별 중합기(200, 200a, 200b)의 자켓으로 입수되는 냉각수의 온도와 자켓으로부터 출수되는 냉각수의 온도를 감지한다.
또한, 평가 지표는 개별 중합기(200, 200a, 200b)로부터 감지한 내부 온도, 자켓으로부터 입수 및 출수되는 냉각수 온도 등의 측정 데이터와, 데이터 베이스(300)에 저장된 중합 반응의 이론적 배경 데이터와, 열전달 메커니즘인 LMTD(Logarithmic Mean Temperature Difference)를 이용하여 계산한 값을 기반으로 하는 발열 데이터이다.
즉, 평가 지표는 중합기의 자켓으로 입수되는 냉각수의 입구 온도와, 자켓으로부터 출수되는 냉각수의 출구 온도 및 중합기의 내부 온도를 이용해서 개별 중합기별 발열량을 추정하여 산출한 데이터로서, 발열량을 시간대 별로 추정하여 누적 발열량과 시간대별 발열량 변화 패턴을 추정한 데이터이다.
여기서, 중합기는 재료가 가열 등을 통해 반응하는 구성이고, 자켓은 중합기의 외부에 설치되어 온수 또는 냉각수 투입을 통해 중합기를 제열하는 구성이다.
또한, 평가 지표는 시간대별 발열량 변화 패턴을 기반으로 중합 공정 말기에 나타나는 말기 승온 시점이 중합 종료를 간접적으로 판단할 수 있는 지표로 사용될 수 있다.
즉, 말기 승온 시점은 누적 발열량과 함께 시간 단축 및 생산성을 고려할 수 있는 지표로서, 어떤 중합기의 중합 공정이 빨리 끝나는지 또는 늦게 끝나는지 판단할 수 있다.
한편, 생산 관리부(100)는 중합기(200)의 자켓으로 입수되는 냉각수의 입구 온도와, 자켓으로부터 출수되는 냉각수의 출구 온도와 상기 중합기(200)의 내부 온도를 기반으로 발열량 산출을 통해 누적 발열량과 시간대별 발열량 변화 패턴을 추정한다.
또한, 생산 관리부(100)는 머신 러닝을 통해 발열량 변화 패턴에 기초한 말기 승온 시점을 예측하여 말기 승온 시점의 발생이 지연(遲延)될 것으로 예측되면, 온도를 조절하여 말기 승온 시점의 지연 발생을 방지할 수 있도록 구성되고, 온도 분석부(110)와, 발열량 분석부(120)와, 예측 모형 분석부(130)를 포함하여 구성된다.
온도 분석부(110)는 도4에 나타낸 바와 같이, 중합기(200)의 내부 온도와, 중합기(200)의 자켓으로 입수되는 자켓 입구에서의 냉각수 온도와, 자켓으로부터 출수되는 자켓 출구에서의 냉각수 온도를 감지를 감지하여 개별 온도의 차이를 분석한다.
즉, 온도 분석부(110)는 개별 중합기(200, 200a, 200b)에 각각 설치되어 온도를 감지하는 센서부(210), 센서부 1(210a) 내지 센서부 n(200b)으로부터 중합기 내부의 온도와 자켓 입구에서의 냉각수 온도 및 자켓 출구에서의 냉각수 온도를 수신하여 변화를 분석한다.
발열량 분석부(120)는 온도 분석부(110)에서 분석된 자켓 입구에서의 냉각수 입구 온도, 자켓 출구에서의 냉각수 출구 온도 및 중합기(200)의 내부 온도와 그 온도들의 변화를 기반으로 시간대별로 발열량을 추정한다.
또한, 발열량 분석부(120)는 도5와 같이 시간대별로 발열량을 누적하여 누적 발열량을 추정하고, 추정된 누적 발열량에 기반하여 발열량 변화 패턴(500)을 추정한다.
예측 모형 분석부(130)는 누적 발열량에 따른 발열량 변화 패턴에 기초하여 말기 승온 시점을 예측 알고리즘을 이용하여 발열량 변화 패턴을 포함한 데이터로부터 말기 승온 시점을 예측한다.
여기서 예측 알고리즘은 머신 러닝을 이용하여 만들어진 예측 모델이고, 머신 러닝은 복잡한 시스템이 명시적으로 프로그래밍되지 않고서, 경험으로부터 자동으로 학습하고 개선할 수 있게 하는 인공 지능의 응용이다.
또한, 머신 러닝 모델들의 정확도 및 유효성은 그들 모델들을 훈련시키는 데 사용되는 데이터에 부분적으로 의존할 수 있다.
또한, 예측 모형 분석부(130)는 예측 모델을 통해 분석한 결과, 말기 승온 시점이 지연될 것으로 예측되면, 말기 승온 시점의 지연 발생을 방지하기 위한 선제적 조치로서 제열 설정 온도를 조절하기 위한 조절 제어 신호를 출력하여 말기 승온 시점의 지연 발생이 방지될 수 있도록 한다.
또한, 예측 모형 분석부(130)는 예측 모델을 통해 발열량 변화 패턴을 기반으로 공정 말기에 발생되는 승온 발생 시점을 분석하여 복수의 중합기(200, 200a, 200b) 중에서 어떤 중합기의 중합이 빨리 끝나는지 또는 늦게 끝나는지 예측하고, 공정 말기 승온 발생 시점의 예측을 통해 시간 지연이 예상되는 중합기에 대한 선제적 조치, 예를 들어 제열 설정 온도 조절이 공정 중간에 이루어질 수 있도록 제어함으로써, 말기 승온 시점의 지연 발생을 차단할 수 있도록 한다.
또한, 예측 모형 분석부(130)는 말기 승온 시점의 지연 발생 예측을 공정 시작 후 일정 시간 범위에서 모니터링한 측정 지표를 기반으로 예측한다.
즉, 예측 모형 분석부(130)는 예측 모델을 통해 주요 공정 인자 및 중합 초반 발열 정보에 기반하여 중합 진행 중 말기 승온 시점을 실시간으로 예측한다.
이는 중합 시작 전 데이터만을 사용할 경우, 예측 모델의 성능에 한계가 발생하므로, 공정 지표와 평가 지표를 이용하여 말기 승온 시점을 예측한다.
또한, 예측 모형 분석부(130)는 도6과 같이, 예측된 말기 승온 시점(600)을 초기 발열 패턴 데이터 영역(610) 즉, 중합 시작 후 일정 시간(예를 들어, 중합 시작후 120분)까지의 누적 발열량을 이용하여 발열량 패턴 변화를 추정한다.
또한, 예측 모형 분석부(130)가 예측 모델의 분석을 통해 말기 승온 시점의 지연 발생을 예측하면, 예측된 말기 승온 시점(600)이 개선된 말기 승온 시점(600a)으로 앞당겨지거나 또는 단축될 수 있도록 제열 설정 온도 조절 제어 신호를 출력하여 종료 시점의 지연 발생이 방지되도록 한다.
다음은 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 방법을 설명한다.
도3은 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 방법을 나타낸 흐름도이다.
우선, 본 실시 예에서는 설명의 편의를 위해 하나의 중합기(200)를 제어하는 과정을 설명하지만, 이에 한정되는 것은 아니다.
도1 내지 도3을 참조하면, 본 발명의 일 실시 예에 따른 머신 러닝 기반의 수율 관리 방법은 생산 관리부(100)가 센서부(210)를 통해 중합기(200)의 자켓으로 공급되는 자켓 입구에서의 냉각수 온도와, 중합기(200)의 자켓으로부터 배출되는 자켓 출구에서의 냉각수 온도와, 중합기(200)의 내부 온도를 감지(S100)한다.
생산 관리부(100)는 자켓 입구에서의 냉각수 온도, 자켓 출구에서의 냉각수 온도, 중합기(200)의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 추정된 시간대별 발열량을 누적한 누적 발열량에 기반하여 발열량 변화 패턴을 추정(S200)한다.
또한, 생산 관리부(100)는 머신 러닝에 기반한 예측 모델을 이용하여 발열량 변화 패턴에 기초한 말기 승온 시점의 예측을 수행(S300)하고, 말기 승온 시점의 지연 발생 여부를 판단(S400)한다.
S300 단계에서, 생산 관리부(100)는 공정 시작 후 일정 시간 범위에서 모니터링한 누적 발열량과 그에 따른 발열량 변화 패턴을 기반으로 중합 진행 중 말기 승온 시점을 실시간으로 예측한다.
한편, S400 단계의 판단 결과, 말기 승온 시점의 지연이 예측되면 생산 관리부(100)는 설정 값인 제열 설정 온도 조절(S500)을 수행하고, 제열 설정 온도가 조절된 상태에서 중합기(200)의 중합 공정이 수행(S600)되도록 한다.
또한, S400 단계의 판단 결과, 말기 승온 시점의 지연이 예측되지 않으면, 현재 설정된 상태에서 중합기(200)의 중합 공정이 수행(S600)되도록 한다.
따라서, 측정 가능한 데이터, 현장 데이터를 기반으로 하는 빅데이터, 머신 러닝을 이용한 생산 공정 관리를 통해 생산 시간의 지연 발생을 방지할 수 있다.
또한, 중합기별 설비 상태의 차이로 인한 편차를 중합기별 운전 조건의 관리를 통해 균일화 시켜 조업의 평준화가 가능하게 된다.
또한, 예측 모델을 이용하여 공정 설비 및 조업 현황을 관리함으로써, 배치 공정 시간의 편차를 감소시킬 수 있고, 주요 공정 인자 및 중합 초반 발열 정보를 모니터링하여 중합 진행 중 말기 승온 시점을 실시간으로 예측할 수 있다.
이상에서는 복수개의 중합기가 미리 설정된 조건에 기초한 공정을 수행함에 따라, 생산 관리부가 각 중합기의 동작을 모니터링한 측정 지표에 기반하여 말기 승온 시점을 추정하되, 머신 러닝을 통해 말기 승온 시점이 지연(遲延)될 것으로 예측되면, 미리 설정된 조건을 조절하여 말기 승온 시점의 지연 발생을 방지하는 머신 러닝 기반의 수율 관리 장치에 대하여 설명하였다.
그러나, 본 발명은 이에 제한되지 않는다. 본 발명의 다른 실시예에서는 하나의 중합기가 미리 설정된 조건에 기초한 공정을 수행함에 따라, 생산 관리부가 해당 중합기의 동작을 모니터링한 측정 지표에 기반하여 말기 승온 시점을 추정하되, 머신 러닝을 통해 말기 승온 시점이 지연(遲延)될 것으로 예측되면, 미리 설정된 조건을 조절하여 말기 승온 시점의 지연 발생을 방지하는 머신 러닝 기반의 수율 관리 장치에 대하여 설명하였다.
즉, 하나의 중합기 운영에 있어서도 설비 상태의 차이로 인한 공정의 편차를 중합기 운전 조건의 관리를 통해 균일화 시켜 조업의 평준화가 가능하게 된다.
또한, 예측 모델을 이용하여 공정 설비 및 조업 현황을 관리함으로써, 하나의 중합기를 이용한 전체 배치 공정 시간의 편차를 감소시킬 수 있고, 주요 공정 인자 및 중합 초반 발열 정보를 모니터링하여 중합 진행 중 말기 승온 시점을 실시간으로 예측할 수 있다.
하나의 중합기를 운영하는 경우에도 지연 발생의 예측은 공정의 시작 후 일정 시간 범위에서 모니터링한 측정 지표를 기반으로 할 수 있다. 여기에서도 제열 설정 온도를 설정 조건으로 할 수 있다.
마찬가지로, 하나의 중합기를 운영하는 경우에도 생산 관리부가 중합기의 자켓 입구에서의 냉각수 온도 및 자켓 출구에서의 냉각수 온도와, 중합기의 내부 온도를 기반으로 발열량을 산출하여 누적 발열량과 시간대별 발열량 변화 패턴을 추정하고, 머신 러닝을 통해 발열량 변화 패턴에 기초한 말기 승온 시점이 지연(遲延)될 것으로 예측되면, 제열 설정 온도를 조절하여 말기 승온 시점의 지연 발생을 방지할 수 있다.
또한, 하나의 중합기를 운영하는 경우에도 생산 관리부를 중합기의 자켓 입구에서의 냉각수 온도와, 상기 중합기의 자켓 출구에서의 냉각수 온도와 중합기의 내부 온도를 감지하는 온도 분석부; 자켓 입구 냉각수 온도, 자켓 출구 냉각수 온도, 중합기의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 시간대별로 발열량을 누적 계산한 시간대별 누적 발열량에 기반하여 발열량 변화 패턴을 추정하는 발열량 분석부; 및 발열량 변화 패턴에 기초한 머신 러닝을 수행하여 말기 승온 시점이 지연될 것으로 예측되면, 제열 설정 온도의 조절 제어 신호를 출력하여 말기 승온 시점의 지연 발생을 방지하는 예측 모형 분석부;를 포함하여 구현할 수 있다.
또한, 본 발명의 다른 일 실시 예에 따른 머신 러닝 기반의 수율 관리 방법으로서, 하나의 중합기를 운영하는 경우에 a) 생산 관리부가 중합기의 자켓 입구에서의 냉각수 온도와, 중합기의 자켓 출구에서의 냉각수의 온도와 중합기의 내부 온도를 감지하는 단계; b) 생산 관리부가 자켓 입구 냉각수 온도, 자켓 출구 냉각수 온도, 중합기의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 시간대별로 발열량을 누적한 누적 발열량에 기반하여 발열량 변화 패턴을 추정하는 단계; c) 생산 관리부가 머신 러닝을 통해 발열량 변화 패턴에 기초한 말기 승온 시점의 지연 발생을 판단하는 단계; 및 d) 상기 말기 승온 시점이 지연될 것으로 예측되면, 상기 생산 관리부가 설정 조건을 조절하는 단계;를 포함할 수 있다.
또한, d) 단계의 말기 승온 시점의 지연 발생 예측은 공정의 시작 후 일정 시간 범위에서 모니터링한 발열량 변화 패턴을 기반으로 예측할 수 있다.
또한, d) 단계의 설정 조건은 제열 설정 온도로 할 수 있다.
이상의 다양한 실시예에서는 하나 또는 복수의 중합기에 대하여 머신러닝 기반의 수율관리에 대하여 설명하였다.
그러나, 본 발명은 단지 중합기에만 제한되는 것은 아니고, 다양한 화학 반응이 수반되는 산업설비, 산업 분야, 산업 적용 기술, 도메인에 적절하게 변형하여 적용될 수 있다.
또한, 본 발명은 화학 반응시에 반응공정에 따른 발열특성을 주안점으로 하여 화학 반응에 필요한 다양한 온도 조절을 하는 경우라도 화학 반응이 종료되기 전에 특정한 발열 특성 또는 발열 패턴을 나타내는 것을 착안하여 그 특정한 발열 특성 및 발열 패턴을 화학 반응 공정의 초반에 일정 시점까지의 발열 패턴을 기반으로 화학 반응이 종료 되기 전의 특정한 발열 특성 또는 발열 패턴을 미리 예측하여 제열을 수행함으로써 화학 반응 공정을 원하는 기준치에 도달하도록 하고 있다.
이를 위해 본 발명은 제열의 대상이 되는 설비에 대한 제열의 효과를 측정할 수 있는 다양한 측정 데이터를 머신러닝 기법에 의해 학습하여 예측 모형을 개발하였다.
또한, 본 발명은 머신러닝중에 지도 학습 기법을 우선적으로 적용하였으며, 본 발명의 목적을 달성하기 위한 다양한 머신 기법이 필요에 따라 적절하게 채택될 수 있다.
아울러, 본 발명의 일 실시 예들에서는 화학 반응이 종료 되기 전의 특정한 발열 특성 또는 발열 패턴을 말기 승온 시점으로 설정하였으나, 본 발명은 이에 제한되지 않는다.
즉, 본 발명의 다른 실시예에서는 말기 승온 시점이 아닌 다른 반응 특성을 나타내는 화학 반응의 경우에 해당 반응 특성이 나타나는 시점을 특정한 발열 특성 및 발열 패턴으로 설정하고, 화학 반응 공정의 초반에 일정 시점까지의 발열 패턴을 기반으로 미리 예측하여 제열을 수행할 수 있다.
상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다.
또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.
100 : 생산 관리부 110 : 온도 분석부
120 : 발열량 분석부 130 : 예측 모형 분석부
200 : 중합기 200a : 중합기 1
200b : 중합기 n 210 : 센서부
210a : 센서부 1 210b : 센서부 n
300 : 데이터 베이스 400 : 중합기 내부 온도
410 : 자켓 입구 온도 420 : 자켓 출구 온도
500 : 발열량 변화 패턴 600 : 예측된 말기 승온 시점
600a : 개선된 말기 승온 시점 610 : 초기 발열 패턴 데이터 영역

Claims (9)

  1. 임의의 설비가 미리 설정된 조건에 기초한 공정을 수행함에 따라,
    생산 관리부(100)가 상기 설비의 동작을 모니터링한 측정 지표에 기반하여 말기 승온 시점을 추정하되,
    머신 러닝을 통해 상기 말기 승온 시점이 지연(遲延)될 것으로 예측되면,
    상기 설정된 조건을 조절하여 말기 승온 시점의 지연 발생을 방지하는 것을 특징으로 하는 머신 러닝 기반의 수율 관리 장치.
  2. 제 1 항에 있어서,
    상기 지연 발생의 예측은 공정의 시작 후 일정 시간 범위에서 모니터링한 측정 지표를 기반으로 하는 것을 특징으로 하는 머신 러닝 기반의 수율 관리 장치.
  3. 제 1 항에 있어서,
    상기 설정 조건은 제열 설정 온도인 것을 특징으로 하는 머신 러닝 기반의 수율 관리 장치.
  4. 제 1 항에 있어서,
    상기 설비는 하나 이상의 중합기(200, 200a, 200b)를 포함하는 것을 특징으로 하는 머신 러닝 기반의 수율 관리 장치.
  5. 제 4 항에 있어서,
    상기 생산 관리부(100)는 중합기(200)의 자켓 입구에서의 냉각수 온도 및 상기 자켓 출구에서의 냉각수 온도와, 상기 중합기(200)의 내부 온도를 기반으로 발열량을 산출하여 누적 발열량과 시간대별 발열량 변화 패턴을 추정하고,
    머신 러닝을 통해 상기 발열량 변화 패턴에 기초한 말기 승온 시점이 지연(遲延)될 것으로 예측되면,
    제열 설정 온도를 조절하여 말기 승온 시점의 지연 발생을 방지하는 것을 특징으로 하는 머신 러닝 기반의 수율 관리 장치.
  6. 제 5 항에 있어서,
    상기 생산 관리부(100)는 중합기(200)의 자켓 입구에서의 냉각수 온도와, 상기 중합기(200)의 자켓 출구에서의 냉각수 온도와 상기 중합기(200)의 내부 온도를 감지하는 온도 분석부(110);
    상기 자켓 입구 냉각수 온도, 자켓 출구 냉각수 온도, 중합기(200)의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 상기 시간대별로 발열량을 누적 계산한 시간대별 누적 발열량에 기반하여 발열량 변화 패턴을 추정하는 발열량 분석부(120); 및
    상기 발열량 변화 패턴에 기초한 머신 러닝을 수행하여 말기 승온 시점이 지연될 것으로 예측되면, 제열 설정 온도의 조절 제어 신호를 출력하여 말기 승온 시점의 지연 발생을 방지하는 예측 모형 분석부(130);를 포함하는 것을 특징으로 하는 머신 러닝 기반의 수율 관리 장치.
  7. a) 생산 관리부(100)가 중합기(200)의 자켓 입구에서의 냉각수 온도와, 상기 중합기(200)의 자켓 출구에서의 냉각수 온도와 상기 중합기(200)의 내부 온도를 감지하는 단계;
    b) 상기 생산 관리부(100)가 자켓 입구 냉각수 온도, 자켓 출구 냉각수 출구 온도, 중합기(200)의 내부 온도를 기반으로 발열량을 시간대별로 추정하고, 상기 시간대별로 발열량을 누적한 누적 발열량에 기반하여 발열량 변화 패턴을 추정하는 단계;
    c) 상기 생산 관리부(100)가 머신 러닝을 통해 발열량 변화 패턴에 기초한 말기 승온 시점의 지연 발생을 판단하는 단계; 및
    d) 상기 말기 승온 시점이 지연될 것으로 예측되면, 상기 생산 관리부(100)가 설정 조건을 조절하는 단계;를 포함하는 머신 러닝 기반의 수율 관리 방법.
  8. 제 7 항에 있어서,
    상기 d) 단계의 말기 승온 시점의 지연 발생 예측은 공정의 시작 후 일정 시간 범위에서 모니터링한 발열량 변화 패턴을 기반으로 예측하는 것을 특징으로 하는 머신 러닝 기반의 수율 관리 방법.
  9. 제 7 항에 있어서,
    상기 d) 단계의 설정 조건은 제열 설정 온도인 것을 특징으로 하는 머신 러닝 기반의 수율 관리 방법.
KR1020200164052A 2020-11-30 2020-11-30 머신 러닝 기반의 수율 관리 장치 및 방법 KR102222125B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200164052A KR102222125B1 (ko) 2020-11-30 2020-11-30 머신 러닝 기반의 수율 관리 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200164052A KR102222125B1 (ko) 2020-11-30 2020-11-30 머신 러닝 기반의 수율 관리 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102222125B1 true KR102222125B1 (ko) 2021-03-03

Family

ID=75151338

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200164052A KR102222125B1 (ko) 2020-11-30 2020-11-30 머신 러닝 기반의 수율 관리 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102222125B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911621A (zh) * 2023-09-13 2023-10-20 山东尚儒弘毅精细化工有限公司 基于数据驱动的树脂生产安全风险智能评估方法及系统
KR20240021642A (ko) 2022-08-10 2024-02-19 에스케이가스 주식회사 화학공정의 수율 예측 시뮬레이션 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990036918A (ko) * 1997-10-03 1999-05-25 사또 아끼오 유동상 중합 장치와 올레핀 중합 방법
JP2002248340A (ja) * 2001-02-27 2002-09-03 Todoroki Industry Co Ltd 化学反応装置における反応温度の最適制御システム
KR100676541B1 (ko) 2001-06-15 2007-01-30 사우디 베이식 인더스트리즈 코포레이션 폴리염화비닐 중합공정

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990036918A (ko) * 1997-10-03 1999-05-25 사또 아끼오 유동상 중합 장치와 올레핀 중합 방법
JP2002248340A (ja) * 2001-02-27 2002-09-03 Todoroki Industry Co Ltd 化学反応装置における反応温度の最適制御システム
KR100676541B1 (ko) 2001-06-15 2007-01-30 사우디 베이식 인더스트리즈 코포레이션 폴리염화비닐 중합공정

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240021642A (ko) 2022-08-10 2024-02-19 에스케이가스 주식회사 화학공정의 수율 예측 시뮬레이션 시스템 및 방법
CN116911621A (zh) * 2023-09-13 2023-10-20 山东尚儒弘毅精细化工有限公司 基于数据驱动的树脂生产安全风险智能评估方法及系统
CN116911621B (zh) * 2023-09-13 2023-12-05 山东尚儒弘毅精细化工有限公司 基于数据驱动的树脂生产安全风险智能评估方法及系统

Similar Documents

Publication Publication Date Title
KR102222125B1 (ko) 머신 러닝 기반의 수율 관리 장치 및 방법
US9110452B2 (en) Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
JP2010522942A (ja) 改良型プロセス制御用のモデルメンテナンスアーキテクチャ
CN105758661B (zh) 一种锅炉受热面寿命评估系统和方法
WO2021026462A1 (en) Heat exchanger fouling determination using thermography combined with machine learning methods
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
US11449044B2 (en) Successive maximum error reduction
CN117134040A (zh) 一种液冷储能系统的智慧运维方法与装置
US6862562B1 (en) Computer method and apparatus for determining state of physical properties in a chemical process
US20220026881A1 (en) Systems and methods for using intermediate data to improve system control and diagnostics
CN116179840A (zh) 一种激光表面热处理温度监控控制系统及控制方法
US11966217B2 (en) Faulty variable identification technique for data-driven fault detection within a process plant
JP3020072B2 (ja) プラント監視装置および方法
US10635522B2 (en) Processor-fault reproduction method, information processing apparatus, and recording medium recording execution-time reporting program
US20220413480A1 (en) Time series data processing method
Petersen et al. A methodology for robust fault detection in dynamic systems
JP7232028B2 (ja) 運転監視装置および方法
US20220179407A1 (en) Monitoring method, monitoring apparatus, and program
US11669058B1 (en) Dynamic monitoring and securing of factory processes, equipment and automated systems
WO2001025863A1 (en) Computer method and apparatus for determining state of physical properties in a chemical process
CN117927873B (zh) 用于平衡管路中氮气的气量控制方法及系统
Soroush et al. Model-Predictive Safety System for Predictive Detection of Operation Hazards
KR20240044126A (ko) 예지 보전을 위한 장치 및 이의 동작 방법
CN118262833A (zh) 优化烷烃脱氢操作的方法和系统
CN116447913A (zh) 一种换热器监测控制器

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant