KR102331991B1

KR102331991B1 - 세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Info

Publication number: KR102331991B1
Application number: KR1020190152366A
Authority: KR
Inventors: 조성범
Original assignee: 한국세라믹기술원
Priority date: 2019-11-25
Filing date: 2019-11-25
Publication date: 2021-11-26
Also published as: KR20210063812A

Abstract

세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체가 개시된다. 본 발명의 바람직한 일 실시예에 따르면, 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하고, 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하여, 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시한다.
본 발명에 따르면, 기계 학습을 통해 구현된 세라믹 필름의 제조 공정의 예측 결과에 문제점이 발생하는 경우 문제점을 용이하게 파악하는 것이 가능하고, 이로 인하여 기계 학습을 통한 세라믹 필름 제조 공정의 적용이 더욱 효용성을 가지게 되는 장점이 있다.

Description

세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체{Apparatus and method for analyzing ceramic film manufacturing process and record media recorded program for realizing the same}

본 발명은 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체에 관한 것으로서, 보다 상세하게는 기계 학습을 통해 구현된 세라믹 필름 제조 공정의 예측 결과를 분석하는 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체에 관한 것이다.

세라믹 필름 제조 공정은 세라믹 물질을 투입하여 분쇄, 결합 물질과의 혼합, 압착 등의 과정을 거쳐 세라믹 소재의 필름 형상을 제조하는 과정이다.

이러한 세라믹 필름 제조 공정은 일반적으로 세라믹 테이프 캐스팅이라 불리우는 방식으로 많이 이루어진다.

도 1은 일반적인 세라믹 필름 제조 공정 중 하나인 세라믹 테이프 캐스팅을 예시하여 도시한 도면으로서, 도 1에 도시된 바와 같이 필름 상태로 만들기 위해 재료 자체를 미세하게 분쇄하여 투입하더라도 세라믹 물질의 특성상 뭉침 등이 발생할 수 있어 블레이드 등을 통해 다시 한번 분쇄해주는 작업이 필요하다.

또한, 세라믹 물질을 필름 형태로 가공하기 위한 결합재가 투입되는데 이러한 결합재의 점성, 온도 등의 미세한 차이로 제조되는 세라믹 필름의 품질이 달라지게 된다.

뿐만 아니라 캐스팅 과정의 온도나 속도 등 다양한 원인과 이유 그리고 미세한 차이로 인하여 세라믹 필름의 품질이 달라지게 된다.

즉, 여러 가지 공정 변수를 고려하여 최적의 세라믹 필름 제조 공정을 구현하고 이를 통해 세라믹 필름을 제조하더라도 세라믹 물질의 특성과 여러 가지 공정 변수로 인하여 세라믹 필름의 두께가 일정하지 않거나 세라믹 필름에 미세공이 발생하는 등의 문제가 발생된다.

특히, 여러 가지 공정 변수를 고려하여 최적의 세라믹 필름 제조 공정을 구현함에 있어서 세라믹 필름 제조 공정의 여러 가지 변수가 지나치게 많아 이를 고려하여 기계 학습을 통해 최적의 세라믹 필름 제조 공정을 구현하기 위한 다양한 연구와 시도가 이루어지고 있다.

그러나 이러한 기계 학습을 통해 최적의 세라믹 필름 제조 공정을 구현하더라도 공정상의 변수가 너무 많아 그 결과를 미리 예측하기 어려운 문제점이 있다.

또한, 그 결과를 예측하였더라도 예측 결과에 문제가 있는 경우 그 원인을 파악하기 어려운 문제점이 있다.

특히, 기계 학습을 통해 최적의 세라믹 필름 제조 공정을 구현하는 경우 지나치게 복잡하고 고차원의 알고리즘과 관련 기술의 사용으로 예측 결과에 문제가 있는 경우라도 그 문제점 즉 원인을 파악하기 어려운 기계 학습의 도입한 장점이 사라지게 되는 문제점이 있다.

또한, 기계 학습을 통해 구현되는 예측 결과 즉 세라믹 필름의 품질에 문제가 있을 것으로 예상되는 경우라도 공정상의 문제점을 파악하기 어려워서 기계 학습을 통해 적용된 세라믹 필름 제조 공정을 개선하기 어려운 문제점이 있다.

(특허문헌 1) KR 10-2017-0136992 A

상기한 바와 같은 종래의 문제점을 해결하기 위해, 본 발명은 기계 학습을 통해 구현된 세라믹 필름의 제조 공정의 예측 결과에 문제점이 발생하는 경우 문제점을 용이하게 파악하는 것이 가능한 세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체를 제안하는 것이다.

또한, 기계 학습을 통해 구현된 세라믹 필름의 제조 공정의 예측 결과에 문제점이 발생하는 경우 문제점을 용이하게 파악하는 것이 가능하여 기계 학습을 통한 세라믹 필름 제조 공정의 적용이 더욱 효용성을 가지게 하는 세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체를 제안하는 것이다.

본 발명의 또 다른 목적들은 이하의 실시예에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.

상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일 측면에 따르면 세라믹 필름 제조 공정 분석 방법이 제공된다.

본 발명의 바람직한 일 실시예에 따르면, 기계 학습에 의해 구현된 세라믹 필름 제조 공정을 분석하는 방법에 있어서, 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하는 단계; 상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계; 및 상기 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 단계를 포함하는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 방법이 제공된다.

상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 단계는, 상기 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하고, 상기 생성된 기계 학습 모델에 데이터 샘플을 대입하여, 대입된 데이터 샘플에 다른 예측 결과가 불량으로 예측되는 경우 수행될 수 있다.

상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 단계는, 상기 데이터 샘플을 기준으로 미리 설정된 범위까지 확장하여 Lasso 알고리즘을 이용하여 새로운 모델을 생성할 수 있다.

상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계는, 상기 Lasso 알고리즘에서의 최적화 결과로서 수치 최적화(numerical optimization) 기법을 활용해서 최적화된 결과를 이용하여 수행될 수 있다.

상기 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 단계에서, 상기 원인 변수는 세라믹 필름의 생성을 위한 결합물질의 점성, 상기 세라믹 필름 제조 공정의 속도, 습도 및 온도, 상기 세라믹 필름의 재료의 입도 중 적어도 하나 이상을 포함할 수 있다.

본 발명의 다른 일 측면에 따르면, 세라믹 필름 제조 공정 분석 장치가 제공된다.

본 발명의 바람직한 일 실시예에 따르면, 기계 학습에 의해 구현된 세라믹 필름 제조 공정을 분석하는 장치에 있어서, 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하는 Lasso 알고리즘 적용부; 상기 Lasso 알고리즘 적용부에서 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 원인 분석부; 및 상기 원인 분석부에서 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 원인 변수 판단부를 포함하는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 장치가 제공된다.

상기 세라믹 필름 제조 공정 분석 장치는, 상기 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하는 기계 학습 모델 생성부를 더 포함할 수 있다.

또한, 상기 Lasso 알고리즘 적용부에서 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 것은, 상기 기계 학습 모델 생성부에서 생성된 기계 학습 모델에 데이터 샘플을 대입하여, 대입된 데이터 샘플에 다른 예측 결과가 불량으로 예측되는 경우 수행할 수 있다.

그리고, 상기 Lasso 알고리즘 적용부에서 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 것은, 상기 데이터 샘플을 기준으로 미리 설정된 범위까지 확장하여 Lasso 알고리즘을 이용하여 새로운 모델을 생성할 수 있다.

상기 원인 분석부에서 상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 것은, 상기 Lasso 알고리즘에서의 최적화 결과로서 수치 최적화(numerical optimization) 기법을 활용해서 최적화된 결과를 이용하여 수행할 수 있다.

상기 원인 변수 판단부에서 상기 원인 분석부에서 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 것에서, 상기 원인 변수는 세라믹 필름의 생성을 위한 결합물질의 점성, 상기 세라믹 필름 제조 공정의 속도, 습도 및 온도, 상기 세라믹 필름의 재료의 입도 중 적어도 하나 이상을 포함할 수 있다.

본 발명의 또 다른 일 측면에 따르면 세라믹 필름 제조 공정 분석 방법을 구현하기 위한 프로그램을 기록한 기록매체가 제공된다.

본 발명의 바람직한 일 실시예에 따르면, 기계 학습에 의해 구현된 세라믹 필름 제조 공정을 분석하는 방법을 구현하기 위한 프로그램을 기록한 기록매체에 있어서, 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하는 단계; 상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계; 및 상기 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 단계를 포함하는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 방법을 구현하기 위한 프로그램을 기록한 기록매체가 제공된다.

이상에서 설명한 바와 같이, 본 발명에 의한 세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체에 의하면 기계 학습을 통해 구현된 세라믹 필름의 제조 공정의 예측 결과에 문제점이 발생하는 경우 문제점을 용이하게 파악하는 것이 가능한 장점이 있다.

또한, 기계 학습을 통해 구현된 세라믹 필름의 제조 공정의 예측 결과에 문제점이 발생하는 경우 문제점을 용이하게 파악하는 것이 가능하여 기계 학습을 통한 세라믹 필름 제조 공정의 적용이 더욱 효용성을 가지게 되는 장점이 있다.

도 1은 본 발명이 적용될 수 있는 세라믹 필름 공정을 예시하여 도시한 도면.
도 2는 본 발명의 바람직한 일 실시예에 의한 세라믹 필름 제조 공정 분석 방법이 구현되는 과정을 도시한 도면.
도 3은 본 발명의 바람직한 일 실시예에 따른 세라믹 필름 제조 공정 분석 장치의 구성을 도시한 도면.
도 4는 본 발명의 바람직한 일 실시예에 따른 세라믹 필름 제조 공정 분석 방법 또는 장치에 의해 기계 학습 방법에 의해 구현된 세라믹 필름 제조 공정을 분석한 결과를 도시한 도면.

본 발명은 다양한 변경을 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 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

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

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 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. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 2는 본 발명의 바람직한 일 실시예에 의한 세라믹 필름 제조 공정 분석 방법이 구현되는 과정을 도시한 도면이다.

먼저 전술한 바와 같이 본 발명에서 분석하는 대상은 기계 학습을 통해 구현된 세라믹 필름 제조 공정에서의 예측 결과 즉 예측값에 대한 분석을 수행하는 것이다.

따라서 실제 현장에서 실시하고 있는 세라믹 필름 제조 공정을 분석하는 것은 아니나, 그 예측 결과가 원하는 성능 즉 원하는 결과가 나온다면 실제 공정에 적용될 수 있음은 자명하며, 이에 따라 본 명세서에서는 세라믹 필름 제조 공정 분석이라는 용어를 사용하기로 한다.

한편, 도 2에 도시된 바와 같이, 본 발명의 바람직한 일 실시예에 의한 세라믹 필름 제조 공정 분석 방법은 먼저 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하고(S100), 데이터 샘플을 기계 학습 모델에 대입한다(S102).

이러한 과정은 전술한 바 같이 최적의 세라믹 필름 제조 공정을 구현하기 위한 다양한 연구와 시도로서 기계 학습 모델이 생성되고 적용되는 과정이다.

따라서, 본 발명이 적용될 수 있는 기계 학습은 최적의 세라믹 필름 제조 공정을 구현하기 위한 기계 학습 방법이라면 아무런 제한이 없다.

한편, 이러한 기계 학습 방법에 따른 기계 학습 모델에 데이터 샘플을 대입한 후, 데이터 샘플을 중심으로 하는 미리 설정된 범위 내에서 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성한다(S104).

일반적으로 기계 학습에서 적은 변수가 이용되는 경우 간단한 모델이 생성되고 해석이 쉽지만, 학습 효과의 오차는 높아진다.

반면, 많은 변수가 이용되는 경우 복잡한 모델이 생성되고 해석이 어렵지만, 낮은 학습 오차를 나타낸다.

본 발명이 적용되는 세라믹 필름 제조 공정은 많은 변수가 이용될 수 밖에 없기 때문에 복잡한 모델이 생성되고 해석이 어려운 문제점이 있는 것이다.

본 발명에서는 이로 인하여 기계 학습으로 생성된 세라믹 필름 제조 공정에서의 시뮬레이션 결과 오류가 발생하는 경우 이를 해석하기 위해 즉 원인을 알아 내기 쉽게 하기 위해 적은 변수가 이용되는 간단한 모델을 생성하는 것이며, 이를 위해 Lasso 알고리즘을 이용하는 것이다.

Lasso 알고리즘은 다양한 분야에서 예측을 위해 많이 사용되는 선형 회귀의 단점을 극복하기 위해 개발된 알고리즘의 하나로서 과대적합을 피하는 일반적인 모델을 만들어 낼 수 있고, 또한 데이터 특성 분석을 수행할 수 있다고 알려져 있다.

Lasso 알고리즘의 경우 제약이 절대값이므로 마름모꼴로 최적화 값이 생성되고 변수가 사라지는 효과를 나타낼 수 있다.

다만, 마름모꼴로 형성되어 미분 불가능하여 closed form solution을 얻을 수 없고 convex formulation을 띄고 있어 numerical optimization 기법을 활용해서 최적화게 된다.

한편, 데이터 샘플을 중심으로 하는 미리 설정된 범위 내에서 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 것은 전술한 바와 같이 적은 변수가 이용되는 간단한 모델을 생성하게 되는 것이므로 데이터의 범위를 확장하더라도 용이하고 빠르게 모델을 생성할 수 있기 때문이나 이에 한정되는 것은 아니다.

본 발명에서는 Lasso 알고리즘의 특성인 상대적으로 빠르게 새로운 모델을 생성할 수 있고, 과대적합을 피하는 일반적인 모델을 생성하는 점, 데이터 특성 분석이라는 특성을 이용하여 데이터 샘플에 대한 예측 결과의 원인 분석을 수행하는 것이다(S106).

이러한 데이터 샘플에 대한 예측 결과의 원인 분석을 수행하여 세라믹 필름 제공 공정의 여러 가지 변수들에 따른 예측값을 보고 이에 대한 원인 변수를 파악 즉 계산하여 표시하게 되는 것이다(S108).

한편, Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 것은 전술한 바와 같이 기계 학습 방법에 따른 생성된 모델 즉 세라믹 필름 제조 공정에서 제시된 값인 데이터 샘플을 대입한 후 그 예측 결과가 불량으로 판단되거나 또는 불량이 가능성이 높은 경우로 판단되는 경우 등에만 적용되도록 할 수 있다.

즉, 본 발명에서는 복잡하고 난해한 기계 학습을 통해 적용된 세라믹 필름 제조 방법을 적용한 예측 결과가 불량으로 예측되는 경우 그 원인을 찾기 어려웠던 점을 쉽게 찾는 것이 가능하게 하기 위해 원인 예측이 가능하게 하는 Lasso 알고리즘을 이용하여 새로운 모델을 생성함으로써 Lasso 알고리즘의 특성인 데이터 특성 분석을 통해 다시 예측 결과의 원인 분석을 수행하는 것이다.

이러한 방법에 의하면 종래의 기계 학습에 의해 생성된 세라믹 필름 제조 공정의 예측 결과에서 불량이 발생하는 경우 그 원인을 찾아내기 어려웠던 문제점을 해결할 수 있게 된다.

한편, 전술한 세라믹 필름 제조 공정 분석 방법은 컴퓨터와 같은 장치로 구현되어 본 발명에 의한 세라믹 필름 제조 공정 분석을 수행할 수 있다. 또한, 각각의 기능을 수행하는 부분들을 모듈로 구성하고 그 모듈들을 결합하여 하나의 장치로 구현할 수 있다.

이렇게 본 발명에 의한 세라믹 필름 제조 공정 분석을 장치로 구현하는 경우를 도 3을 참조하여 살펴보기로 한다.

도 3은 본 발명의 바람직한 일 실시예에 따른 세라믹 필름 제조 공정 분석 장치의 구성을 도시한 도면이다.

도 3에 도시된 바와 같이, 본 발명의 바람직한 일 실시예에 의한 세라믹 필름 제조 공정 분석 장치(200)는 기계 학습 모델 생성부(210), Lasso 알고리즘 적용부(220), 원인 분석부(230) 및 원인 변수 판단부(240)를 포함할 수 있다.

기계 학습 모델 생성부(210)는 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하며, 세라믹 필름 제공 공정의 기계 학습을 위한 데이터 샘플이 입력된다.

이러한 과정은 전술한 바 같이 최적의 세라믹 필름 제조 공정을 구현하기 위한 다양한 연구와 시도로서 기계 학습 모델이 생성되고 적용되는 과정임은 전술한 바와 같으며, 본 발명이 적용될 수 있는 기계 학습은 최적의 세라믹 필름 제조 공정을 구현하기 위한 기계 학습 방법이라면 아무런 제한이 없음은 자명하다.

Lasso 알고리즘 적용부(220)는 이러한 기계 학습 방법에 따른 기계 학습 모델에 데이터 샘플을 대입한 후 데이터 샘플을 중심으로 하는 미리 설정된 범위 내에서 Lasso 알고리즘을 이용하여 새로운 모델을 생성한다.

Lasso 알고리즘은 전술한 바와 같이 다양한 분야에서 예측을 위해 많이 사용되는 선형 회귀의 단점을 극복하기 위해 개발된 알고리즘의 하나로서 과대적합을 피하는 일반적인 모델을 만들어 낼 수 있고, 또한 데이터 특성 분석을 수행할 수 있어 본 발명에서 이를 이용하여 기계 학습에 의한 세라믹 필름 제조 공정의 적용 결과가 불량 판정이 난 경우 그 원인 분석에 이용하는 것이다.

그리고 Lasso 알고리즘 적용부(220)는 기계 학습 모델 생성부(210)에서 생성된 세라믹 필름 제조 공정의 적용 결과가 불량 판정이 난 경우에만 Lasso 알고리즘을 적용한 새로운 기계 학습 모델을 생성하도록 할 수 있다.

원인 분석부(230)는 Lasso 알고리즘의 특성인 과대적합을 피하는 일반적인 모델을 생성하는 점과 데이터 특성 분석이라는 특성을 이용하여 데이터 샘플에 대한 예측 결과의 원인 분석을 수행한다.

원인 변수 판단부(240)는 원인 분석부(230)에서 수행된 데이터 샘플에 대한 예측 결과의 원인 분석을 수행하여 세라믹 필름 제공 공정의 여러 가지 변수들에 따른 예측값을 이용하여 원인 변수를 파악한다.

즉, 기계 학습에 의한 세라믹 필름 제조 공정이 만들어지고, 그 결과를 확인해 본 결과 즉 시뮬레이션해 본 결과, 제조되는 세라믹 필름이 불량인 경우 그 원인을 알아내야 하는데 종래에는 기계 학습에 의한 세라믹 필름 제조 공정이 만들어지면 그 결과가 불량이더라도 그 원인을 찾아내기 어려웠던 것이다.

그러나 본 발명에서는 그 결과를 확인해 본 결과 또는 결과를 확인하는 과정에서 Lasso 알고리즘에 이용한 모델을 더 만들고 이를 이용하여 원인 변수들을 파악할 수 있도록 한 것이다.

이러한 방법에 의하면 복잡한 알고리즘과 수많은 변수를 이용하여 생성된 기계 학습에 의한 세라믹 필름 제조 공정에서 만약 그 예측 결과가 불량인 경우라도 그 원인을 파악하는 것이 쉽게 이루어질 수 있게 되는 것이다.

한편, 도 3에서는 미도시하였으나 이러한 원인 변수 파악부(240)에서 판단된 원인 변수를 표시하기 위해 본 발명에 의한 세라믹 필름 제조 공정 분석 장치(200)는 디스플레이 장치나 프린터 등과 같은 시각적 표시를 위한 장치 또는 이와 연결되도록 하기 출력부(미도시)를 더 포함할 수 있음은 자명하다.

이하에서는 도 4를 참조하여 본 발명의 바람직한 일 실시예에 따른 세라믹 필름 제조 공정 분석 방법 또는 장치에 의해 기계 학습 방법에 의해 구현된 세라믹 필름 제조 공정을 분석한 결과를 예시를 통해 살펴본다.

도 4는 본 발명의 바람직한 일 실시예에 따른 세라믹 필름 제조 공정 분석 방법 또는 장치에 의해 기계 학습 방법에 의해 구현된 세라믹 필름 제조 공정을 분석한 결과를 도시한 도면이다.

도 4에 예시된 바와 같이, 본 발명의 의한 세라믹 필름 제조 공정 분석 방법 또는 장치에 의해 기계 학습 방법에 의해 구현된 세라믹 필름 제조 공정을 분석한 결과는 예측 결과 즉 예측 확률(prediction probabilities)상 제조 공정상의 결과물이 정상일 때와 미세공(pore) 불량이 예측될 때 그 경우 원인으로서 점성(viscosity)가 원인이며 기타 다른 요소들의 항목과 값에 대해 표시할 수 있다.

즉, 기계 학습 모델에 의한 세라믹 필름 제조 공정의 적용 결과 불량이 발생할 가능성이 높다는 결과를 획득할 수 있게 되는 것뿐만 아니라 그 원인이 물질의 점성이라는 것까지 알 수 있게 되는 것이다.

그러나 종래에는 기계 학습 모델에 의한 세라믹 필름 제조 공정의 적용 결과 불량이 발생할 가능성이 높다는 결과까지만 획득할 수 있어서 기계 학습을 다시 수행하고 그 예측 결과를 기다려야만 했다.

즉, 기계 학습 모델에 의한 세라믹 필름 제조 공정의 적용 결과 불량이 발생할 가능성이 높다는 결과가 도출되었더라도 그 원인은 알 수 없어 기계 학습을 다시 수행하여만 하였던 것이다.

그러나 본 발명에서는 그 원인이 점성이 높아서라는 것까지 알 수 있게 되어 기계 학습을 수행함에 있어서 그 원인을 반영하도록 하거나 사용자가 점성의 범위를 미리 설정해주고 이를 통해 기계 학습을 통해 다시 한번 세라믹 필름 제조 공정을 생성하게 함으로써 보다 빠르고 정확하게 그리고 예측 결과도 불량이 현저하게 낮아질 수 밖에 없는 세라믹 필름 제조 공정을 생성할 수 있게 되는 것이다.

한편, 이상에서 살펴본 본 발명에 의한 세라믹 필름 제조 공정 분석 방법은 프로그램의 형태로 구현되어 컴퓨터나 서버 등과 같은 디지털 처리 장치에 설치되어 구현될 수 있다. 또한, 전술한 바와 같이 컴퓨터 장치나 별도의 장치 등으로 구현되는 것도 가능할 것이다.

상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims

기계 학습에 의해 구현된 세라믹 필름 제조 공정을 분석하는 방법에 있어서,
상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하는 단계;
상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계; 및
상기 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 단계를 포함하고,
상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 단계는,
상기 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하고, 상기 생성된 기계 학습 모델에 데이터 샘플을 대입하여, 대입된 데이터 샘플에 다른 예측 결과가 불량으로 예측되는 경우 수행되며, 상기 데이터 샘플을 기준으로 미리 설정된 범위까지 확장하여 Lasso 알고리즘을 이용하여 새로운 모델을 생성하고,
상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계는,
상기 Lasso 알고리즘에서의 최적화 결과로서 수치 최적화(numerical optimization) 기법을 활용해서 최적화된 결과를 이용하여 수행되는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 방법.
삭제
삭제
삭제
제1항에 있어서,
상기 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 단계에서,
상기 원인 변수는 세라믹 필름의 생성을 위한 결합물질의 점성, 상기 세라믹 필름 제조 공정의 속도, 습도 및 온도, 상기 세라믹 필름의 재료의 입도 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 방법.
기계 학습에 의해 구현된 세라믹 필름 제조 공정을 분석하는 장치에 있어서,
상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하는 Lasso 알고리즘 적용부;
상기 Lasso 알고리즘 적용부에서 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 원인 분석부; 및
상기 원인 분석부에서 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 원인 변수 판단부를 포함하고,
상기 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하는 기계 학습 모델 생성부를 더 포함하며,
상기 Lasso 알고리즘 적용부에서 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 것은,
상기 기계 학습 모델 생성부에서 생성된 기계 학습 모델에 데이터 샘플을 대입하여, 대입된 데이터 샘플에 다른 예측 결과가 불량으로 예측되는 경우 수행하고,
상기 Lasso 알고리즘 적용부에서 상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 것은,
상기 데이터 샘플을 기준으로 미리 설정된 범위까지 확장하여 Lasso 알고리즘을 이용하여 새로운 모델을 생성하며,
상기 원인 분석부에서 상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 것은,
상기 Lasso 알고리즘에서의 최적화 결과로서 수치 최적화(numerical optimization) 기법을 활용해서 최적화된 결과를 이용하여 수행하는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 장치.
삭제
삭제
삭제
삭제
제6항에 있어서,
상기 원인 변수 판단부에서 상기 원인 분석부에서 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 것에서,
상기 원인 변수는 세라믹 필름의 생성을 위한 결합물질의 점성, 상기 세라믹 필름 제조 공정의 속도, 습도 및 온도, 상기 세라믹 필름의 재료의 입도 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 장치.
기계 학습에 의해 구현된 세라믹 필름 제조 공정을 분석하는 방법을 구현하기 위한 프로그램을 기록한 기록매체에 있어서,
상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso(Least Absolute Shrinkage and Selection operator) 알고리즘을 이용하여 새로운 모델을 생성하는 단계;
상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계; 및
상기 수행된 원인 분석을 이용하여 예측 결과에 대한 원인 변수를 계산하여 표시하는 단계를 포함하고,
상기 기계 학습에 의해 구현된 세라믹 필름 제조 공정에 사용된 데이터 샘플을 기준으로 Lasso 알고리즘을 이용하여 새로운 모델을 생성하는 단계는,
상기 세라믹 필름 제조 공정을 위한 기계 학습 모델을 생성하고, 상기 생성된 기계 학습 모델에 데이터 샘플을 대입하여, 대입된 데이터 샘플에 다른 예측 결과가 불량으로 예측되는 경우 수행되며, 상기 데이터 샘플을 기준으로 미리 설정된 범위까지 확장하여 Lasso 알고리즘을 이용하여 새로운 모델을 생성하고,
상기 생성된 새로운 모델을 이용하여 데이터 특성 분석을 통해 데이터 샘플의 사용시 발생하는 불량의 원인 분석을 수행하는 단계는,
상기 Lasso 알고리즘에서의 최적화 결과로서 수치 최적화(numerical optimization) 기법을 활용해서 최적화된 결과를 이용하여 수행되는 것을 특징으로 하는 세라믹 필름 제조 공정 분석 방법을 구현하기 위한 프로그램을 기록한 기록매체.