KR102245813B1 - 칠러의 고장 예지 시스템과 방법 - Google Patents

칠러의 고장 예지 시스템과 방법 Download PDF

Info

Publication number
KR102245813B1
KR102245813B1 KR1020190082339A KR20190082339A KR102245813B1 KR 102245813 B1 KR102245813 B1 KR 102245813B1 KR 1020190082339 A KR1020190082339 A KR 1020190082339A KR 20190082339 A KR20190082339 A KR 20190082339A KR 102245813 B1 KR102245813 B1 KR 102245813B1
Authority
KR
South Korea
Prior art keywords
waveform
chiller
main facility
reference waveform
failure
Prior art date
Application number
KR1020190082339A
Other languages
English (en)
Other versions
KR20210006254A (ko
Inventor
권진한
남정욱
반윤식
김학구
이상우
Original Assignee
유니셈 주식회사
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 유니셈 주식회사 filed Critical 유니셈 주식회사
Priority to KR1020190082339A priority Critical patent/KR102245813B1/ko
Publication of KR20210006254A publication Critical patent/KR20210006254A/ko
Application granted granted Critical
Publication of KR102245813B1 publication Critical patent/KR102245813B1/ko

Links

Images

Classifications

    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005Apparatus not specifically provided for elsewhere
    • H01L21/67242Apparatus for monitoring, sorting or marking
    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605Workpiece metrology
    • G03F7/70616Monitoring the printed patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005Apparatus not specifically provided for elsewhere
    • H01L21/67011Apparatus for manufacture or treatment
    • H01L21/67098Apparatus for thermal treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

반도체 및 디스플레이 패널 제조 공정에서 수집할 수 있는 정형화된 파형을 머신러닝 기술인 적응형 슬라이딩 데이터 분석 기법을 통해 수집된 파형에 대해 패턴인식을 바탕으로 기준 파형을 설정하고 칠러에서 수집된 데이터를 데이터베이스에 저장 후 기준 파형과 수집된 파형이 고안된 분석기법으로 분석해 파형의 형태가 상이한지 판단해 칠러의 고장 추이를 알아낼 수 있다.

Description

칠러의 고장 예지 시스템과 방법{System and Method for predicting chiller trouble}
본 발명은 칠러의 고장 예지 시스템과 방법에 관한 것으로, 공정별 기준 파형과 현재 파형을 실시간으로 분석하여 칠러의 고장 여부를 미리 판정하는 기술에 관련한다.
반도체나 디스플레이 패널 제조공정에서 사용되는 칠러 시스템은 매우 중요하며 칠러의 고장은 제조공정을 중단시키므로 고장으로 인한 파급력은 매우 크기 때문에 칠러의 가동상태를 학습을 통해 찾아내 기준 파형을 바탕으로 현재 수집된 데이터들의 파형과 비교하면서 칠러의 성능이 떨어졌거나 외부 환경이 변한 것을 인식할 수 있는 컨디션 매니지먼트 솔루션과 고장제어 기술은 반도체 및 디스플레이 제조 공정에서 절대적으로 필요한 기술이다.
칠러의 성능 저하 형태는 주요 구성부품의 성능 저하와 주변 환경이 변하는 것으로부터 기인하기 때문에, 칠러의 성능 저하는 급격하게 발생하지 않고 장시간 조금씩 누적되는 형태가 대부분이며 단시간에 이런 특징을 파악하는데 한계가 있다.
따라서, 고장이 진행되는 동안 반도체 및 디스플레이 제조공정의 수율 저하가 일어나며 이 문제를 해결하려면 초기 기동 데이터를 기준으로 성능 저하를 판별할 수 있는 기준이 필요하다.
그런데 종래 반도체 및 디스플레이 패널 제조공정에서 머신러닝 기술을 이용한 사례가 적으며 구체적인 방법을 제시하지 않다.
따라서, 본 발명의 목적은 칠러의 영향으로 제조 공정이 중단되는 사고를 최소화하고 같은 컨디션으로 유지해 반도체 및 디스플레이 패널 생산 수율을 높일 수 있는 칠러의 고장 예지 시스템과 방법을 제공하는 것이다.
본 발명의 다른 목적은 고장 형태와 발생 시점 그리고 발생 형태를 모두 시각화하여 표현하여 근본적인 고장 분석과 진단이 가능하도록 하는 고장 예지 시스템과 방법을 제공하는 것이다.
상기의 목적은, 구동유닛, 상기 구동유닛의 동작 중에 발생하는 요소별 데이터를 측정하는 측정유닛을 구비한 칠러의 고장을 예지하는 시스템으로서, 상기 측정유닛이 계측한 데이터를 수집하여 저장하고 분석 및 비교하는 제어유닛을 구비하고, 상기 제어유닛은, 구동 드라이브를 통하여 상기 구동유닛의 동작을 제어하는 제어부; 상기 제어부의 제어에 의해 데이터를 저장하는 대용량 데이터베이스; 및 머신 러닝(Machine Learning) 기술을 바탕으로 한 적응형 슬라이딩 데이터 분석 기법 알고리즘을 탑재한 패턴인식모듈을 구비하고, 상기 패턴인식모듈은, 메인 설비가 요청에 대응하는 상기 칠러의 요소별 현재 파형과 상기 데이터베이스에 저장된 요소별 기준 파형을 실시간으로 비교하고, 상기 현재 파형이 상기 기준 파형과 비슷한 추이를 보이며 범위를 벗어난 것이면 고장 상황으로 판단하고 상기 제어부에 전달하여 알람을 발생하는 것을 특징으로 하는 칠러의 고장 예지 시스템에 의해 달성된다.
바람직하게, 상기 패턴인식모듈은 상기 현재 파형이 상기 기준 파형과 다른 전혀 새로운 파형이면 새로운 공정으로 인식해 기준 파형을 새로 설정하는 단계를 수행할 수 있다.
바람직하게, 상기 패턴인식모듈은 운영체제에서 실행 가능한 프로그램 형태로 설치되고, 상기 측정유닛으로부터 수집하여 상기 데이터베이스에 저장된 데이터를 적응형 슬라이딩 데이터 분석 기법이 적용된 알고리즘을 통해 분석하여 파형을 생성하는 패턴분석부; 상기 생성된 파형을 상기 패턴분석부로부터 수신하여 저장하는 버퍼부; 상기 저장된 파형을 순차 비교하는 패턴비교부; 및 상기 패턴비교부에 의한 파형의 비교 결과를 검토하여 고장 여부를 판정하는 판정부를 포함한다.
상기의 목적은, 칠러의 고장을 예지하는 방법으로서, 메인 설비가 수행하는 공정에 적용되는 기준 파형을 설정하는 단계; 상기 기준 파형을 중심으로 일정 범위 내의 상한과 하한을 설정하는 단계; 상기 설정된 기준 파형과 상기 메인 설비의 요청에 대응하는 현재 파형을 실시간으로 비교하는 단계; 및 비교 결과, 상기 현재 파형이 상기 기준 파형과 유사한 추이를 보이며 상기 범위를 벗어난 것이면 고장 상황으로 판단하고 알람을 발생시켜 점검을 유도하고, 전혀 새로운 파형이면 새로운 공정으로 인식해 기준 파형을 새로 설정하는 단계를 포함하는 것을 특징으로 하는 칠러의 고장 예지 방법에 의해 달성된다.
바람직하게, 상기 기준 파형을 설정하는 단계는 상기 칠러를 상기 메인 설비에 최초 연결시 수행되며, 상기 메인 설비에 투입되는 제1웨이퍼에 대해 상기 메인 설비가 요청하는 제1파형을 수신하여 저장하는 제1단계; 및 연속하여 상기 메인 설비에 투입되는 제2웨이퍼에 대해 상기 메인 설비가 요청하는 제1파형을 수신하고, 이를 기저장된 상기 제1파형과 비교하여 일치하면 상기 수신한 제1파형을 확정하고 제2파형을 수신하여 저장하는 제2단계를 포함하며, 상기 제2단계를 상기 메인 설비에서의 공정이 종료될 때까지 수행하여 다수의 확정된 파형으로 구성된 기준 파형으로 설정한다.
바람직하게, 상기 기준 파형은 같은 요소에 대해 다수 개가 설정되며, 상기 메인 설비에서 수행되는 같은 공정에서도, 온도, 유량, 압력, 비저항, 전력의 요소별로 적어도 하나 이상의 기준 파형이 설정될 수 있다.
본 발명에 의하면, 칠러의 컨디션 매니지먼트가 가능해지며 이를 통해 칠러가 공정마다 동일한 상태로 운전할 수 있도록 관리할 수 있어 제조 수율을 크게 향상시킬 수 있다.
또한, 정형화된 파형 변화를 감지해 고장에 의해 칠러가 정지되어 제조공정이 중단되는 심각한 사고를 미리 방지할 수 있다.
또한, ICT 기술을 접목할 수 있는 시스템을 사용하면서 칠러에서 대용량 데이터베이스를 탑재할 수 있어 수집된 많은 데이터를 저장시킬 수 있어 저장된 데이터를 기반하여 고장 형태와 발생 시점 그리고 발생 형태를 모두 시각화하여 표현할 수 있기 때문에 근본적인 고장 분석과 진단이 가능해진다.
도 1은 본 발명에 적용되는 칠러의 구성도이다.
도 2는 패턴인식모듈의 기능적 구성을 보여주는 블록도이다.
도 3은 적응형 슬라이딩 분석에 의해 기준 파형을 설정하는 과정을 보여준다.
도 4는 현재 파형에 의한 고장점 판정을 설명한다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 구체적인 실시 예를 상세하게 설명한다.
도 1은 본 발명에 적용되는 칠러의 구성도이다.
칠러는 구동유닛(10), 구동유닛(10)의 동작 중에 발생하는 데이터를 측정하는 측정유닛(20), 및 측정유닛(20)이 계측한 데이터를 수집하여 저장하고 분석 및 비교하는 제어유닛(100)을 구비한다.
구동유닛(10)은, 열 매체를 순환시키는 순환 펌프, 열 매체를 가열하는 히터, 냉각 장치인 압축기, 그리고 열 매체의 흐름을 제어하는 전자 밸브 등이 있다.
측정유닛(20)은 구동유닛(10)이 동작하면서 변화하는 온도, 유량, 압력, 비저항, 전력 등을 계측한다.
제어유닛(100)은 SSR, 인버터 또는 인터페이스 보드 등의 구동 드라이브를 통하여 구동유닛(10)의 동작을 제어하는 제어부(110), 대용량 데이터베이스(120), 및 머신 러닝(Machine Learning) 기술을 바탕으로 한 적응형 슬라이딩 데이터 분석 기법 알고리즘을 탑재한 패턴인식모듈(130)으로 구성된다.
본 발명에 적용되는 적응형 슬라이딩 데이터 분석 기법 알고리즘은 머신 러닝 기술의 전반적인 곳에 사용되는데, 예를 들어, "그래프 스트림에서 슬라이딩 윈도우 기반의 점진적 빈발 패턴 검출 기법" (한국콘텐츠학회논문지 '18 Vol. 18 No. 2 참조), "Quantifying Efficiency of Sliding-Window Based Aggregation Technique by Using Predictive Modeling on Landform Attributes Derived from DEM and NDVI" (ISPRS Int. J. Geo-Inf. 2019, 8, 196 참조), "Real Time Pattern Matching with Dynamic Normalization" (Conference '17, July 2017, Washington, DC, USA 참조) 등에 데이터 비교에 대한 적용 예가 개시되어 있다.
제어유닛(100)은 종래 터치 스크린과 PLC(Programmable Logic Controller)가 아닌 ICT 기술을 접목할 수 있는 리눅스(Linux) 또는 윈도즈(Windows) 기반의 운영체제를 탑재하면서 대용량 데이터베이스(120)를 장착하고 SQL(Structured Query Language)을 이용해 측정유닛(20)을 통해 입력된 많은 데이터를 데이터베이스(120)에 저장하는 구조를 지닌다.
패턴인식모듈(130)은 제어부(110)가 측정유닛(20)으로부터 수집한 데이터를 적응형 슬라이딩 데이터 분석 기법이 적용된 알고리즘을 통해 데이터의 정형화된 파형을 분석하고 기저장된 기준 파형과 비교한다.
즉, 칠러는 부품의 수명 및 성능에 의해 기인하기 때문에 부품의 수명 저하에 의한 고장 형태는 장시간에 거쳐 조금씩 진행되며, 고장 형태는 온도, 유량, 압력, 비저항, 전력 등의 요소별로 정형화된 파형 변화로 나타나는 것이 특징이다.
패턴인식모듈(130)은, 가령 운영체제에서 실행 가능한 프로그램 형태로 설치될 수 있다.
도 2는 패턴인식모듈의 기능적 구성을 보여주는 블록도이다.
패턴분석부(131)는 측정유닛(20)으로부터 수집하여 데이터베이스(120)에 저장된 데이터를 적응형 슬라이딩 데이터 분석 기법이 적용된 알고리즘을 통해 분석하여 파형을 생성한다.
버퍼부(132)는 생성된 파형을 패턴분석부(131)로부터 수신하여 저장하고, 패턴비교부(133)는 저장된 파형을 순차 비교한다.
또한, 판정부(124)는 패턴비교부(133)에 의한 파형의 비교 결과를 검토하여 고장 여부를 판정한다.
반도체 및 디스플레이 제조 과정에서 온도, 유량, 압력, 비저항, 전력 등 요소별 그리고 웨이퍼 공정별로 많은 데이터가 정형화된 파형으로 표현되는데 이런 데이터를 데이터베이스(120)에 저장함과 동시에 패턴인식모듈(130)을 이용하여 기준 파형과 비교할 수 있다.
여기서, 기준 파형은 칠러의 초기 가동 시 머신 러닝 기술을 이용한 패턴인식기법을 통해 찾아낼 수 있으며, 이때 사용되는 알고리즘은 슬라이딩 데이터 분석기법을 이용하여 공정을 진행하며 패턴인식모듈 스스로 입력되는 데이터를 분석해 기준 파형을 찾아내 규정할 수 있다.
또한, 수학적 계산을 통해 패턴인식 기술을 탑재해 정형화된 파형을 기준으로 현재 측정된 파형과 실시간으로 비교해 패턴의 유사성을 비교할 수 있어 칠러의 성능 저하 및 설정 오류로 인한 파형 변화를 인식할 수 있다.
도 3은 적응형 슬라이딩 분석에 의해 기준 파형을 설정하는 과정을 보여준다.
임의의 웨이퍼 공정에서 칠러의 온도제어와 관련한 기준 파형을 설정하는 경우, 칠러를 해당 웨이퍼 공정을 수행하는 메인 설비에 최초 연결한 상태에서 메인 설비가 요청하는 온도제어에 대응하는 기준 파형을 설정한다.
여기서, 해당 웨이퍼 공정은 모두 10단계의 온도제어를 통하여 완료되는 것으로 가정한다.
패턴인식모듈(130)은, 도 3(a)과 같이, 메인 설비에 투입되는 웨이퍼 N1의 공정 처리를 위해 메인 설비가 요청하는 첫 번째 온도 파형 W1을 수신하여 저장한다.
여기서, 일치 여부를 판정하기 위한 온도 파형의 밴드 폭은 동일한 것으로 가정한다.
도 3(b)과 같이, 연속하여 메인 설비에 투입되는 웨이퍼 N2의 공정 처리를 위해 메인 설비가 요청하는 첫 번째 온도 파형 W1을 수신하고, 이를 기저장된 첫 번째 온도 파형과 비교하여 일치하면 이를 확정하고 두 번째 온도 파형 W2을 수신하여 저장한다.
마찬가지로, 도 3(c)과 같이, 연속하여 메인 설비에 투입되는 웨이퍼 N3의 공정 처리를 위해 메인 설비가 요청하는 첫 번째 및 두 번째 온도 파형 W1, W2을 수신하고, 이를 기저장된 첫 번째 및 두 번째 온도 파형과 비교하여 일치하면 이들을 확정하고 세 번째 온도 파형 W3을 수신하여 저장한다.
이와 같은 방법으로 열 번째 온도 파형 W10까지 수신하여 확정하고 저장함으로써, 도 3(d)과 같은 기준 파형을 얻을 수 있다.
이러한 기준 파형은 같은 요소에 대해 다수 개가 설정될 수 있는데, 칠러를 설치한 초기에 상기의 과정을 여러 차례에 걸쳐 수행하여 얻을 수 있다. 또한, 기준 파형을 얻는 과정에서, 파형의 형태와 폭 그리고 정밀도를 다르게 설정하여 다수 개의 기준 파형을 설정할 수 있다.
예를 들어, 메인 설비가 요청하는 온도 파형을 기저장된 온도 파형과 비교할 때, 밴드 폭의 크기를 조정하여 일치하는 파형의 개수를 조정할 수 있다. 다시 말해, 밴드 폭의 크기를, 가령 '0'에서 '±1' 또는 '±2'로 늘림으로써 파형이 일치하더라도 해당 밴드에 들어오지 못하여 검출되지 않는 파형을 검출할 수 있다.
또한, 같은 웨이퍼 공정에서도, 온도, 유량, 압력, 비저항, 전력 등 요소별로 적어도 하나 이상의 기준 파형이 설정된다.
도 4는 현재 파형에 의한 고장점 판정을 설명한다.
기준 파형이 설정되면, 이후 웨이퍼 공정을 진행할 때, 패턴인식모듈(130)은 메인 설비의 요청에 대응하는, 다시 말해 메인 설비의 요청에 대응하여 칠러가 제공하는 요소별 현재 파형과 데이터베이스(120)에 저장된 기준 파형을 실시간으로 비교한다.
기준 파형과 현재 파형과 다른데, 현재 파형이 기준 파형과 비슷한 추이를 보이며 범위를 벗어난 것이면 고장 상황으로 판단하고 알람을 발생시켜 점검을 유도하고, 전혀 새로운 파형이면 새로운 공정으로 인식해 새로운 공정에 맞는 기준 파형을 새로 설정하는 단계를 수행한다.
도 4를 보면, 기준 파형과 같은 패턴으로 일정한 범위의 상한과 하한이 설정되, 현재 파형이 해당 범위 내에서 기준 파형과 비슷한 추이를 보이며 진행하는 경우 칠러가 성능 저하 없이 정상이라고 판정할 수 있다.
반면, 고장점 구간과 같이 현재 파형이 기준 파형과 전혀 다른 패턴으로 전개되어 하한을 벗어난 경우 고장 상황으로 판단하고, 이를 제어부(110)에 전달함으로써 알람을 발생시켜 관리자에게 통보할 수 있다.
본 발명의 고장 예지 시스템은 머신 러닝 기술을 응용하는 패턴인식모듈을 구비하고 대용량 데이터베이스가 구축되고 SQL을 통해 접근하는 구조로 설계되어야 하며, 칠러 내부에 존재하거나 전용 장치로 구성될 수 있다.
데이터베이스를 구축하려면 리눅스나 윈도즈 등의 운영체제가 설치되어 있는 환경이 일반적이라 이를 지원하는 터치 스크린, PLC, 임베드 보드 형태를 가진다. 또한, 별도 임베드 보드 형태라면 칠러의 제어유닛과 네트워크로 연결되어 운용할 수도 있다.
상기한 것처럼, 본 발명의 고장 예지 시스템은, 칠러 스스로 기계학습, 즉 머신 러닝 기술을 바탕으로 적응형 슬라이딩 데이터 분석기법을 적용한 상태 진단 시스템으로 반도체 및 디스플레이 패널 제조공정에 사용되는 칠러의 고장 예지, 고장 진단, 및 고장분석을 가능하게 한다.
이상에서는 본 발명의 실시 예를 중심으로 설명하였지만, 당업자의 수준에서 다양한 변경을 가할 수 있음은 물론이다. 따라서, 본 발명의 권리범위는 상기한 실시 예에 한정되어 해석될 수 없으며, 이하에 기재되는 청구범위에 의해 해석되어야 한다.
10: 구동부
20: 측정부
100: 제어유닛
110: 제어부
120: 데이터베이스
130: 패턴인식모듈

Claims (6)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 구동유닛, 상기 구동유닛의 동작 중에 발생하는 요소별 데이터를 측정하는 측정유닛, 및 상기 측정유닛이 계측한 데이터를 수집하여 저장하고 분석 및 비교하는 제어유닛을 구비한 칠러의 고장 예지 시스템에 적용되는 칠러의 고장 예지 방법으로서,
    상기 제어유닛은, 구동 드라이브를 통하여 상기 구동유닛의 동작을 제어하는 제어부, 상기 제어부의 제어에 의해 데이터를 저장하는 대용량 데이터베이스, 및 패턴인식모듈을 구비하고,
    상기 칠러의 고장 예지 방법은,
    메인 설비가 수행하는 공정에 적용되는 기준 파형을, 상기 칠러가 상기 메인 설비에 최초 연결시 상기 패턴인식모듈이 다수의 확정된 파형으로 구성하여 설정하는 단계;
    여기서, 상기 패턴인식모듈은, 상기 메인 설비에 투입되는 최초 웨이퍼에 대해 공정 처리를 위해 상기 메인 설비가 요청하는 제1파형을 수신하여 저장하고, 연속하여 상기 메인 설비에 투입되는 연속하는 웨이퍼에 대해 제1파형을 수신하고 이를 기저장된 상기 제1파형과 비교하여 일치하면 상기 수신한 제1파형을 확정한 후 제2파형을 수신하여 저장하는 순서로 상기 메인 설비에서의 공정이 종료될 때까지 수행하여 상기 기준 파형으로 설정하고,
    상기 기준 파형을 중심으로 상기 기준 파형과 같은 패턴으로 일정한 범위의 상한과 하한을 설정하는 단계;
    상기 설정된 기준 파형과 상기 메인 설비의 요청에 대응하는 현재 파형을 실시간으로 비교하는 단계; 및
    비교 결과, 상기 현재 파형이 상기 기준 파형과 유사한 추이를 보이며 상기 범위를 벗어난 것이면 고장 상황으로 판단하고 알람을 발생시켜 점검을 유도하고, 전혀 새로운 파형이면 새로운 공정으로 인식해 기준 파형을 새로 설정하는 단계를 포함하는 것을 특징으로 하는 칠러의 고장 예지 방법.
  5. 삭제
  6. 청구항 4에서,
    상기 기준 파형은 같은 요소에 대해 다수 개가 설정되며,
    상기 메인 설비에서 수행되는 같은 공정에서도, 온도, 유량, 압력, 비저항, 전력의 요소별로 적어도 하나 이상의 기준 파형이 설정되는 것을 특징으로 하는 칠러의 고장 예지 방법.
KR1020190082339A 2019-07-08 2019-07-08 칠러의 고장 예지 시스템과 방법 KR102245813B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190082339A KR102245813B1 (ko) 2019-07-08 2019-07-08 칠러의 고장 예지 시스템과 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190082339A KR102245813B1 (ko) 2019-07-08 2019-07-08 칠러의 고장 예지 시스템과 방법

Publications (2)

Publication Number Publication Date
KR20210006254A KR20210006254A (ko) 2021-01-18
KR102245813B1 true KR102245813B1 (ko) 2021-04-28

Family

ID=74236990

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190082339A KR102245813B1 (ko) 2019-07-08 2019-07-08 칠러의 고장 예지 시스템과 방법

Country Status (1)

Country Link
KR (1) KR102245813B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016035187A1 (ja) * 2014-09-04 2016-03-10 三菱電機株式会社 異常検出装置及び異常検出方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190078685A (ko) * 2017-12-13 2019-07-05 (주) 엠투유테크널러지 점진적 군집화를 이용한 센서 데이터의 이상 패턴 감지 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016035187A1 (ja) * 2014-09-04 2016-03-10 三菱電機株式会社 異常検出装置及び異常検出方法

Also Published As

Publication number Publication date
KR20210006254A (ko) 2021-01-18

Similar Documents

Publication Publication Date Title
US20200328101A1 (en) Search apparatus and search method
KR102144373B1 (ko) 탐색 장치 및 탐색 방법
JP5026326B2 (ja) エッチング処理状態の判定方法、システム
US8452441B2 (en) Process quality predicting system and method thereof
TWI391840B (zh) 使用處理資料及良率資料之處理控制
CN107923731B (zh) 工具故障分析系统和方法
KR101894697B1 (ko) 고장 예지 장치 및 방법
KR101744194B1 (ko) 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법
US20130166243A1 (en) Test device and method for testing stability of electronic devices
US20190156226A1 (en) Equipment maintenance prediction system and operation method thereof
JP2012515984A (ja) 多変量モデルによる製造工程の制御
JP7566080B2 (ja) 予測モデルの改良
KR20170008251A (ko) 제조 프로세스를 모델링 및/또는 분석하기 위한 시스템 및 방법
US11126172B2 (en) Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
US20140278234A1 (en) Method and a system for a statistical equivalence test
Fan et al. An integrated advanced process control framework using run-to-run control, virtual metrology and fault detection
US11054815B2 (en) Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system
Song et al. Novel application of deep learning for adaptive testing based on long short-term memory
US10846067B2 (en) Software generation method and software generation system
KR102245813B1 (ko) 칠러의 고장 예지 시스템과 방법
US20130080372A1 (en) Architecture and methods for tool health prediction
US20230400508A1 (en) Substrate processing system tools for monitoring, assessing and responding based on health including sensor mapping and triggered datalogging
JP7563569B2 (ja) 分析装置、分析方法、及びプログラム
US20130030760A1 (en) Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
EP4024151A1 (en) Predicting end of life for industrial automation components

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant