KR102367597B1 - 인공지능 기반의 제조공정 품질검사 시스템 - Google Patents

인공지능 기반의 제조공정 품질검사 시스템 Download PDF

Info

Publication number
KR102367597B1
KR102367597B1 KR1020210037416A KR20210037416A KR102367597B1 KR 102367597 B1 KR102367597 B1 KR 102367597B1 KR 1020210037416 A KR1020210037416 A KR 1020210037416A KR 20210037416 A KR20210037416 A KR 20210037416A KR 102367597 B1 KR102367597 B1 KR 102367597B1
Authority
KR
South Korea
Prior art keywords
data
learning
value
manufacturing process
sensor
Prior art date
Application number
KR1020210037416A
Other languages
English (en)
Inventor
하승재
Original Assignee
주식회사 에이아이비즈
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 에이아이비즈 filed Critical 주식회사 에이아이비즈
Priority to KR1020210037416A priority Critical patent/KR102367597B1/ko
Application granted granted Critical
Publication of KR102367597B1 publication Critical patent/KR102367597B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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], computer integrated manufacturing [CIM]
    • G05B19/41875—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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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]

Abstract

본 발명의 인공지능 기반의 제조공정 품질검사 시스템에 따르면, 제조장비의 제조공정에서 사용되는 센서로부터 기 획득된 학습데이터를 준비하는 (a)단계; 상기 학습데이터를 뉴럴 네트워크 모델 기반의 오토인코더로 학습시키는 (b)단계; 상기 학습데이터와 상기 오토인코더로 학습한 결과데이터를 비교하여 학습결과를 확인하는 (c)단계; 상기 학습결과가 정상인 경우, 상기 학습데이터와 결과데이터의 값을 분석하여 문턱값을 추출하는 (d)단계; 및 상기 제조장비를 통한 제조공정 시, 상기 센서로부터 실시간 획득되는 센서값이 상기 문턱값 이상일 경우 비정상 공정으로 판단하고, 상기 문턱값 미만일 경우 정상 공정으로 판단하는 (e)단계;를 포함한다.

Description

인공지능 기반의 제조공정 품질검사 시스템{AI based Manufacturing quality inspection system}
본 발명은 인공지능 기반의 제조공정 품질검사 시스템에 관한 것으로서, 보다 상세하게는 제조장비의 제조공정에서 사용되는 센서로부터 기 획득된 학습데이터와 학습데이터를 오토인코더로 학습한 결과데이터를 이용하여 기 공정에서의 문턱값을 추출하고, 실제 제조공정 상에서 센서로부터 획득된 센서값과 결과데이터의 비교함으로써, 문턱값을 기준으로 제조공정의 정상공정 또는 비정상 공정을 객관적이며 정확하게 판단할 수 있는 인공지능 기반의 제조공정 품질검사 시스템에 관한 것이다.
반도체는 순수한 상태에서는 부도체와 비슷한 특성을 보이나, 불순물의 첨가에 의해 전기전도도가 늘어나거나, 빛 또는 열에너지에 의해 일시적으로 전기전도성을 가지는 물질이다.
순수한 반도체는 14족 원소로 이루어져 모든 전자가 공유결합을 이룬다. 여기에 15족 원소를 첨가하면 잉여전자가 발생하여 n형 반도체가 되며, 13족 원소를 첨가하면 반대로 전자가 부족하게 되어 정공으로 이루어진 p형 반도체가 된다.
이때 n형 반도체와 p형 반도체를 붙여 놓으면 p형반도체에서 n형반도체 방향으로는 전류가 잘 흐르며 반대방향으로는 거의 흐르지 않는 정류작용이 일어난다. 이러한 소자를 다이오드(Diode)라고 하며 이것이 반도체 소자의 기본이 된다.
이와 같은 반도체 소자를 제조하는 과정에서는 웨이퍼와 같은 기판 상에 전기적인 회로를 형성하는 FAB(fabrication) 공정을 거치게 되며, 또한 FAB 공정은 세부적인 다양한 하위 공정을 포함한다.
종래에는 FAB 공정의 하위 공정들을 수행하는 과정에 있어서, 불량 공정의 발생을 예측하기 위해 단순한 통계에 기반한 예측 방법이 사용되었으며, 이와 같은 통계는 엔지니어가 직접 설정하였다.
이는 단순히 각 공정에서 사용되는 센서의 데이터 값이 상한선 및 하한선을 넘을 경우 불량으로 판단하는 단순한 알고리즘을 가지며, 특히 불량 공정의 판단 과정에 있어 엔지니어의 주관적인 의사가 반영되는 문제가 있다.
따라서 이와 같은 문제점들을 해결하기 위한 방법이 요구된다.
대한민국 등록특허 10-1744194
본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 안출된 발명으로서, 제조장비의 제조공정에서 정상과 비정상의 공정을 정확하게 판단하기 위하여, 제조 공정 상의 센서로부터 획득된 학습데이터와 학습데이터를 오토인코더로 학습한 결과데이터를 이용하여 기 제조 공정에서의 문턱값을 추출하고, 실제 제조공정 상에서 센서로부터 획득된 센서값과 결과데이터의 비교함으로써, 문턱값을 기준으로 제조공정의 정상공정 또는 비정상 공정을 판단할 수 있을 뿐만 아니라, 비정상 공정으로 판단되는 경우 역추적을 통하여 비정상 공정을 일으킨 원인을 확인할 수 있으며, 원인 확인을 통해 제조장비의 관리를 용이하게 할 수 있을 뿐만 아니라 관리를 통한 비정상 공정 발생을 낮춰 생산 수율을 크게 증대시키기 위한 목적을 가진다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 인공지능 기반의 제조공정 품질검사 시스템에 따르면, 제조장비의 제조공정에서 사용되는 센서로부터 기 획득된 학습데이터를 준비하는 (a)단계; 상기 학습데이터를 뉴럴 네트워크 모델 기반의 오토인코더로 학습시키는 (b)단계; 상기 학습데이터와 상기 오토인코더로 학습한 결과데이터를 비교하여 학습결과를 확인하는 (c)단계; 상기 학습결과가 정상인 경우, 상기 학습데이터와 결과데이터의 값을 분석하여 문턱값을 추출하는 (d)단계; 및 상기 제조장비를 통한 제조공정 시, 상기 센서로부터 실시간 획득되는 센서값이 상기 문턱값 이상일 경우 비정상 공정으로 판단하고, 상기 문턱값 미만일 경우 공정으로 판단하는 (e)단계;를 포함한다.
또한, 상기 학습데이터는, 상기 제조장비가 일정기간 동안 이루어진 제조공정 중, 정상 공정일 때, 획득된 센서의 센서값으로 이루어진다.
또한, 상기 학습데이터는, 시간에 따라 적어도 둘 이상으로 세분화하여 이루어진다.
또한, 상기 학습데이터는, 상기 제조공정이 이루어지기 전인 공정전 데이터, 상기 제조공정이 이루어지는 동안의 공정중 데이터 및 상기 제조공정이 이루어지는 후인 공정후 데이터를 포함하고, 상기 오토인코더의 학습은, 세분화된 공정전 데이터, 공정중 데이터 및 공정후 데이터를 각각 학습한다.
또한, 상기 공정중 데이터는, 상기 센서값이 일정하지 않을 경우, 둘 이상으로 세분화된 데이터로 이루어진다.
또한, 상기 학습데이터와 결과데이터 값의 분석은, 상기 학습데이터와 결과데이터 값의 차이를 분석한 차이값과 상기 차이값의 빈도수를 통해 히스토그램으로 분석 및 가시화한다.
또한, 상기 학습데이터의 정상 학습은, 상기 오토인코더의 입력값과 출력값을 비용함수로 도출되는 손실값을 통해 결정된다.
상기한 과제를 해결하기 위한 본 발명의 인공지능 기반의 제조공정 품질검사 시스템은, 제조장비의 제조공정에서 정상과 비정상의 공정을 정확하게 판단하기 위하여, 제조공정 상의 센서로부터 획득된 학습데이터와 학습데이터를 오토인코더로 학습한 결과데이터를 이용하여 기 공정에서의 문턱값을 추출하고, 실제 제조공정 상에서 센서로부터 획득된 센서값과 결과데이터의 비교함으로써, 문턱값을 기준으로 제조공정의 정상공정 또는 비정상 공정을 판단할 수 있을 뿐만 아니라, 비정상 공정으로 판단되는 경우 역추적을 통하여 비정상 공정을 일으킨 원인을 확인할 수 있으며, 원인 확인을 통해 제조장비의 관리를 용이하게 할 수 있을 뿐만 아니라 관리를 통한 비공정 공정 발생을 낮춰 생산 수율을 크게 증대시킬 수 있는 장점을 가진다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템을 나타낸 순서도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 학습데이터를 세분화한 상태를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 오토인코더 구조를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 손실값을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 결과데이터와 결과데이터를 비교한 도면이다.
도 6은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 학습데이터와 결과데이터의 차이값과 빈도수의 관계를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 검증데스트에 따른 결과데이터와 테스트데이터를 비교한 도면이다.
도 8은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 검증데스트에 따른 결과데이터와 테스트데이터의 차이값과 빈도수의 관계를 나타낸 도면이다.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템을 나타낸 순서도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템은 제조장비의 제조공정에서 사용되는 센서로부터 기 획득된 학습데이터를 준비하는 (a)단계와, 학습데이터를 뉴럴 네트워크 모델 기반의 오토인코더로 학습시키는 (b)단계와, 학습데이터와 오토인코더로 학습한 결과데이터를 비교하여 학습결과를 확인하는 (c)단계와, 학습결과가 정상인 경우, 학습데이터와 결과데이터의 값을 분석하여 문턱값을 추출하는 (d)단계 및 제조장비를 통한 제조공정 시, 센서로부터 실시간 획득되는 센서값이 문턱값 이상일 경우 비정상 공정으로 판단하고, 문턱값 미만일 경우 정상 공정으로 판단하는 (e)단계를 포함한다.
이들 각 단계에 대해 자세히 설명하면, 먼저 (a)단계에서는 반도체의 제조 공정에서 사용되는 하나 이상의 센서로부터 획득한 다수의 학습데이터(training data)를 준비한다.
여기서, 반도체의 제조공정에 사용되는 센서는 압력, HF전력, LF전력, 아르곤 유입속도, 산소 유입 속도, 실란가스 유입 속도, UPC 유입 속도, 전압, 전류, 박막 두께를 측정할 수 있다.
또한, 상술한 센서는 반도체의 제조공정 외에도 다른 제조설비에 구비될 수 있으므로, 본 발명에 따른 인공지능 기반의 제조공정 품질검사 시스템은 다양한 제조설비에서 활용될 수 있다.
한편, 학습데이터를 준비하기 전에는, 일정기간 동안 제조공정에서 획득되는 로우데이터(raw data)를 수집한다. 그리고, 로우데이터는 후술할 오토인코더로 학습이 이루어질 수 있도록 로우데이터의 구조 및 값 등을 변환하는 전처리 단계를 거치게 된다.
이때, 학습데이터는, 정상 공정 상에서의 센서값으로써, 오토인코더 학습이 이루어질 수 있도록, 로우데이터에서 제조장비가 일정기간 동안 이루어진 제조공정 중, 정상 공정일 때, 획득된 센서의 센서값을 갖는 데이터로 이루어진다.
그리고, 하나의 학습데이터는, 하나의 센서로 제조공정의 1회 사이클마다 획득된 데이터이다.
이때, 학습데이터가 일정한 값으로 이루어진 경우, 그렇지 못한 경우가 있다.
즉, 학습데이터가 시간에 따라 값의 변화를 갖는 경우에는, 학습데이터를 시간에 따라 적어도 둘 이상으로 세분화하여 구분할 수 있다. 특히, 센서값이 변화하는 경우는, 제조공정의 전, 중, 후이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 학습데이터를 세분화한 상태를 나타낸 도면이다.
도 2에 도시된 바와 같이, 센서값이 변화하는 학습데이터는, 제조공정이 이루어지기 전인 공정전 데이터, 제조공정이 이루어지는 동안의 공정중 데이터 및 제조공정이 이루어지는 후인 공정후 데이터로 세분화할 수 있다.
그리고, 후술할 (b)단계에서 오토인코더의 학습은, 세분화된 공정전 데이터, 공정중 데이터 및 공정후 데이터를 각각 학습한다.
또한, 공정이 복잡하여, 공정중 데이터의 값이 시간에 따라 변화할 수 있다. 이때, 공정중 데이터 값이 변화함에 따라, 세분화시킬 수 있다. 즉, 공정중 데이터는, 센서값이 일정하지 않을 경우, 둘 이상으로 세분화된 데이터로 이루어질 수 있다.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 오토인코더 구조를 나타낸 도면이다.
도 3에 도시된 바와 같이, (b)단계에서는, 학습데이터를 뉴럴 네트워크(neural network) 모델 기반의 오토인코더(autoencoder)로 학습시킨다.
이때, 학습데이터를 공정전 데이터, 공정중 데이터, 공정후 데이터로 세분화한 것은, 오토인코더의 학습에 있어서, 안정적인 학습이 이루어지도록 정규화(normalization)한 것이다.
다음으로, (c)단계는, 학습데이터와 오토인코더로 학습한 결과데이터를 비교하여 학습결과를 확인하는 단계로, 학습데이터의 학습이 정상적인지를 확인한다.
이때, 학습데이터의 학습이 정상임을 확인하는 것은, 비용함수(costfunction)를 통해 구한 손실값(Loss)을 통해 확인할 수 있다.
비용함수는 [수학식 1]과 같다. 이때, 도 3에 도시된 입력값(input)이 X이고, 출력값(output)이 X'이다. 이에 따라, 손실값을 구할 수 있다.
Figure 112021034070236-pat00001
학습이 이루어질 때, 손실값이 감소 즉, 마지막 손실값이 초기 손실값보다 작으면 정상적인 학습이 이루어짐을 확인할 수 있다. 반대로, 손실값이 감소하지 않는 경우에는 비정상 학습이 이루어짐을 확인할 수 있으며, 비정상 학습이면 정상학습이 이루어질 수 있도록 오토인코더의 구조를 변경할 수 있다.
여기서, 오토인코더의 구조 변경은 Latent space의 크기를 조절하는 것이다. Latent space에는 불량탐지에 필요한 정보(feature)가 압축되는데, 정보량에 비해 Latent space가 작으면 Latent space의 크기를 키워야 한다. 반대로, Latent space의 크기가 정보량에 비해 너무 크다면 Latent space의 크기를 줄이는 작업이 필요하다.
Latent space의 크기가 정보량에 비해 크거나 작을 때 모두 학습이 잘 되지 않음으로, Latent space를 키워서 학습시키고, 그래도 학습이 되지 않는다면 Latent space를 줄이게 된다. 이후에도 학습이 잘 되지 않는다면, 더 큰 space로 키워 학습시킨다.
이와 같이, Latent space의 크기를 조절함에 따라, 학습이 잘 이루어지도록 할 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 손실값을 나타낸 도면이다.
도 4에 도시된 바와 같이, 비용함수를 통해 학습이 이루어질수록 학습데이터의 손실값(Training Loss)이 감소하고 있으므로, 학습이 정상적으로 이루어짐을 확인할 수 있다.
또한, 학습데이터를 무작위(random)로 섞고, 그 중 10 내지 20% 데이터를 평가(Validation)데이터로 추출한 다음, 평가데이터의 손실값(Validation Loss)을 확인하면, 감소하고 있음을 확인할 수 있다. 이때, 학습데이터를 무작위로 섞는 것은 순서에 따른 편차(Bias)를 줄이기 위함이다.
즉, 학습데이터와 평가데이터의 손실값이 감소하였으므로, 오토인코더를 통한 학습이 정상적으로 이루어짐을 확인할 수 있다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 학습데이터와 결과데이터를 비교한 도면이다. 도 6은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 학습데이터와 결과데이터의 차이값과 빈도수의 관계를 나타낸 도면이다.
다음으로, (d)단계는 학습결과가 정상인 경우, 학습데이터와 결과데이터의 값을 분석하여 문턱값을 추출하는 단계이다.
도 5에 도시된 바와 같이, 학습데이터(Training data)와 결과데이터(Predicted)를 겹쳐보면, 차이를 분석할 수 있다. 여기서, 학습데이터와 결과데이터가 차이가 나타나지 않을 경우에는, 학습데이터의 학습이 정상으로 이루어짐을 재확인할 수 있다.
이때, 학습데이터와 결과데이터 값의 분석은, 학습데이터와 결과데이터 값의 차이를 분석한 차이값과 차이값의 빈도수를 통해 히스토그램으로 분석 및 가시화하여 분석할 수 있다.
여기서, 차이값은, 학습데이터와 결과데이터의 평균 절대 오차 (Mean Absolute Error : MAE)이다.
즉, 도 6에 도시된 바와 같이, 차이값(x축)과 차이값의 빈도수(y축)를 확인할 수 있으며, 차이값이 발생하지 않는 0.0001을 문턱값(threshhold)로 추출할 수 있다.
이때, 차이값이 발생하지 않을 때는, 학습데이터가 모두 정상 공정일 때이다. 여기서, 학습데이터에 비정상 공정의 데이터가 포함되거나, 정상 공정인지 비정상 공정인지를 모를 경우에는 최대 빈도수에 해당하는 차이값을 평균값(m)으로 하는 정규분포(Normal distribution)를 도 6에 표시하고, m+3σ(99.73%)가 되는 지점을 문턱값으로 추출할 수 있다. 그리고 문턱값은 관리자가 신뢰도를 정함에 따라 조정될 수 있다.
마지막 단계로, (e)단계는, 제조장비를 통한 제조공정 시, 센서로부터 실시간 획득되는 센서값이 문턱값 이상일 경우 비정상 공정으로 판단하고, 문턱값 미만일 경우 정상 공정으로 판단한다.
즉, 기준으로 결과데이터와 실제로 이루어지는 제조공정의 데이터의 차이값을 비교하여 문턱값 미만이면 실제 제조공정이 정상이고, 문턱값 이상이면 실제 제조공정이 비정상으로 판단하게 된다.
이와 같이, 본 발명은 제조장비의 제조공정에서 정상과 비정상의 공정을 정확하게 판단하기 위하여, 제조공정 상의 센서로부터 획득된 학습데이터와 학습데이터를 오토인코더로 학습한 결과데이터를 이용하여 기 공정에서의 문턱값을 추출하고, 실제 제조공정 상에서 센서로부터 획득된 센서값과 결과데이터의 비교함으로써, 문턱값을 기준으로 제조공정의 정상공정 또는 비정상 공정을 판단할 수 있을 뿐만 아니라, 비정상 공정으로 판단되는 경우 역추적을 통하여 비정상 공정을 일으킨 원인을 확인할 수 있으며, 원인 확인을 통해 제조장비의 관리를 용이하게 할 수 있을 뿐만 아니라 관리를 통한 비정상 공정 발생을 낮춰 생산 수율을 크게 증대시킬 수 있다.
이하, 본 발명에 따른 인공지능 기반의 제조공정 품질검사 시스템을 이용하여, 반도체 제조장비의 압력센서로부터 획득된 로우데이터를 테스트하고, 본 발명의 인공지능 기반의 제조공정 품질검사 시스템에 대한 유의함을 확인하는 검증테트스에 대해 설명한다.
또한, 본 발명의 인공지능 기반의 제조공정 품질검사 시스템의 검증테스트를 실시하기 위해 프로그래밍 언어를 이용하여 코딩하였다.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 검증데스트에 따른 결과데이터와 테스트데이터를 비교한 도면이다. 도 8은 본 발명의 일 실시예에 따른 인공지능 기반의 제조공정 품질검사 시스템의 검증데스트에 따른 결과데이터와 테스트데이터의 차이값과 빈도수의 관계를 나타낸 도면이다.
먼저, 1년의 기간 동안 반도체 제조장비의 정상 공정에 해당하는 압력센서의 로우데이터를 수집한 후, 오토인코더로 학습이 이루어질 수 있도록 로우데이터의 구조 및 값 등을 변환하는 전처리과정을 수행하였다. 이때, 오토인코더의 학습결과가 정상적인지를 확인하고 실제로 학습이 잘 진행되었는지 확인하기 위하여 로우데이터를 학습데이터와 평가데이터로 분류하였다.
또한, 도 2와 같이, 학습데이터의 안정적인 학습이 이루어질 수 있도록, 학습데이터를 공정 전, 중, 후의 스텝별로 세분화하였다.
이후, 학습데이터 28,000개를 세분화한 데이터별 각각 오토인코더로 학습하였다. 그리고 학습데이터의 20회 이상 학습한 결과, 도 4와 같이 학습데이터와 평가데이터의 손실값(loss)의 추이를 살펴볼 수 있다. 이를 통해, 학습이 정상적으로 이루어짐을 확인하였다.
오토인코더의 학습이 완료된 후, 학습데이터와 예측데이터를 비교하면, 도 5와 같이 일치함을 확인할 수 있다. 이는 학습이 정상적으로 이루어짐을 확인할 수 있다.
그리고, 학습데이터와 결과데이터의 값 차이를 분석하면, 3σ의 신뢰도에 따라, 도 6과 같이, 문턱값 0.0001을 확인할 수 있다.
다음으로, 결과데이터의 테스트를 확인하기 위하여, 불량 품질을 발생시키는 결함데이터를 포함하는 7개의 테스트데이터를 결과데이터와 비교하였다.
비교결과, 도 7과 같이 2건은 정상공정에 해당하였고, 5건은 비정상공정에 해당하였다. 도 8에 도시된 바와 같이, 문턱값인 0.0001을 기준으로 이상인 경우와, 이하인 경우를 확인할 수 있었다.
그리고, 문턱값 이상일 때의 테스트데이터는 실제 제조공정에서 FDC방법에 의한 알람이 울린 것으로, 본 발명의 인공지능 기반의 제조공정 품질검사 시스템은 검증테스트를 통하여, 문턱값 0.0001 이상일 때는 비정상 공정에 해당함을 확인함으로써, 본 발명의 인공지능 기반의 제조공정 품질검사 시스템은 유의함을 확인할 수 있었다.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.

Claims (7)

  1. 제조장비의 제조공정에서 사용되는 센서로부터 기 획득된 학습데이터를 준비하는 (a)단계;
    상기 학습데이터를 뉴럴 네트워크 모델 기반의 오토인코더로 학습시키는 (b)단계;
    상기 학습데이터와 상기 오토인코더로 학습한 결과데이터를 비교하여 학습결과를 확인하는 (c)단계;
    상기 학습결과가 정상인 경우, 상기 학습데이터와 상기 결과데이터의 값을 분석하여 문턱값을 추출하는 (d)단계; 및
    상기 제조장비를 통한 제조공정 시, 상기 센서로부터 실시간 획득되는 센서값이 상기 문턱값 이상일 경우 비정상 공정으로 판단하고, 상기 문턱값 미만일 경우 정상 공정으로 판단하는 (e)단계;를 포함하며,
    상기 (d)단계에서의 상기 학습데이터와 상기 결과데이터의 값의 분석은,
    상기 학습데이터와 상기 결과데이터의 값의 차이를 분석한 차이값 - 상기 차이값은, 상기 학습데이터와 상기 결과데이터의 평균 절대 오차임 - 과 상기 차이값에 대한 빈도수를 히스토그램으로 가시화하여 진행되며,
    상기 문턱값은,
    상기 빈도수 중 최대 빈도수에 해당하는 차이값을 평균값으로 하는 정규분포 상의 z 값으로 설정되며,
    상기 z 값은,
    상기 평균값에 표준편차의 3배 값을 더하여 도출되는 값이며,
    상기 학습데이터는,
    상기 제조공정이 이루어지기 전인 공정전 데이터, 상기 제조공정이 이루어지는 동안의 공정중 데이터 및 상기 제조공정이 이루어지는 후인 공정후 데이터로 세분화되어 제공되고,
    상기 공정중 데이터는, 상기 센서값이 일정하지 않을 경우, 둘 이상으로 세분화된 데이터로 이루어지며,
    상기 오토인코더의 학습은, 세분화된 상기 공정전 데이터, 상기 공정중 데이터 및 상기 공정후 데이터를 각각 학습하는 것을 특징으로 하는 인공지능 기반의 제조공정 품질검사 시스템.
  2. 제1항에 있어서,
    상기 학습데이터는, 상기 제조장비가 일정기간 동안 이루어진 제조공정 중, 정상 공정일 때, 획득된 센서의 센서값으로 이루어지는,
    인공지능 기반의 제조공정 품질검사 시스템.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 학습데이터의 정상 학습은, 상기 오토인코더의 입력값과 출력값을 비용함수로 도출되는 손실값을 통해 결정되는,
    인공지능 기반의 제조공정 품질검사 시스템.
KR1020210037416A 2021-03-23 2021-03-23 인공지능 기반의 제조공정 품질검사 시스템 KR102367597B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210037416A KR102367597B1 (ko) 2021-03-23 2021-03-23 인공지능 기반의 제조공정 품질검사 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210037416A KR102367597B1 (ko) 2021-03-23 2021-03-23 인공지능 기반의 제조공정 품질검사 시스템

Publications (1)

Publication Number Publication Date
KR102367597B1 true KR102367597B1 (ko) 2022-02-25

Family

ID=80490102

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210037416A KR102367597B1 (ko) 2021-03-23 2021-03-23 인공지능 기반의 제조공정 품질검사 시스템

Country Status (1)

Country Link
KR (1) KR102367597B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
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
US20200073778A1 (en) * 2017-05-17 2020-03-05 Nippon Telegraph And Telephone Corporation Apparatus and method for estimating anomaly information, and program
KR20210017651A (ko) * 2019-08-09 2021-02-17 연세대학교 산학협력단 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
US20200073778A1 (en) * 2017-05-17 2020-03-05 Nippon Telegraph And Telephone Corporation Apparatus and method for estimating anomaly information, and program
KR20210017651A (ko) * 2019-08-09 2021-02-17 연세대학교 산학협력단 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법

Similar Documents

Publication Publication Date Title
US7356430B2 (en) Methods and apparatus for data analysis
US20180293500A1 (en) Methods and apparatus for data analysis
CN100442295C (zh) 确定半导体ic可靠性可比性的方法
US20080189575A1 (en) Methods and apparatus for data analysis
CN105225979A (zh) 一种半导体器件制程预测系统和方法
US20110178967A1 (en) Methods and apparatus for data analysis
US11022642B2 (en) Semiconductor yield prediction
CN113330463A (zh) 在半导体设备工具中利用神经网络进行腔室匹配
KR102362159B1 (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
JP5080526B2 (ja) データ解析のための方法および装置
US20140278234A1 (en) Method and a system for a statistical equivalence test
CN101118422A (zh) 半导体制造的虚拟量测预估与建立预估模型的方法与系统
US6618632B1 (en) Process for monitoring processing plants
KR102367597B1 (ko) 인공지능 기반의 제조공정 품질검사 시스템
KR102623389B1 (ko) 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램
TW200411197A (en) Method for analyzing final test parameters
CN115280334A (zh) 错误原因的推定装置以及推定方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
KR102438656B1 (ko) 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법
Bassetto et al. Operational methods for improving manufacturing control plans: case study in a semiconductor industry
Busch et al. Yield prediction with machine learning and parameter limits in semiconductor production
KR20070018880A (ko) 데이터 분석을 위한 방법 및 장치
TW202213191A (zh) 錯誤因素之推定裝置及推定方法
KR20230028830A (ko) 웨이퍼 불량 검사 장치, 웨이퍼 불량 검사 시스템, 웨이퍼 검사 방법 및 웨이퍼 제조 방법
US11954615B2 (en) Model management for non-stationary systems

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant