KR102417769B1 - 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템 - Google Patents
적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템 Download PDFInfo
- Publication number
- KR102417769B1 KR102417769B1 KR1020210086413A KR20210086413A KR102417769B1 KR 102417769 B1 KR102417769 B1 KR 102417769B1 KR 1020210086413 A KR1020210086413 A KR 1020210086413A KR 20210086413 A KR20210086413 A KR 20210086413A KR 102417769 B1 KR102417769 B1 KR 102417769B1
- Authority
- KR
- South Korea
- Prior art keywords
- facility
- processing unit
- operating conditions
- information
- time interval
- Prior art date
Links
- 238000009825 accumulation Methods 0.000 title claims abstract description 14
- 239000000843 powder Substances 0.000 title abstract description 16
- 238000013528 artificial neural network Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 230000003449 preventive effect Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 239000006227 byproduct Substances 0.000 claims abstract description 8
- 239000004065 semiconductor Substances 0.000 claims abstract description 6
- 230000003197 catalytic effect Effects 0.000 claims abstract description 5
- 238000013400 design of experiment Methods 0.000 claims description 53
- 239000007789 gas Substances 0.000 claims description 45
- 238000013461 design Methods 0.000 claims description 18
- 238000009434 installation Methods 0.000 claims description 4
- 238000003050 experimental design method Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011112 process operation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- SEQDDYPDSLOBDC-UHFFFAOYSA-N Temazepam Chemical compound N=1C(O)C(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 SEQDDYPDSLOBDC-UHFFFAOYSA-N 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004512 die casting Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- RVTZCBVAJQQJTK-UHFFFAOYSA-N oxygen(2-);zirconium(4+) Chemical compound [O-2].[O-2].[Zr+4] RVTZCBVAJQQJTK-UHFFFAOYSA-N 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 238000000623 plasma-assisted chemical vapour deposition Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002636 symptomatic treatment Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910001928 zirconium oxide Inorganic materials 0.000 description 1
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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based 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
- 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
- G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- 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
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템은 반도체 또는 디스플레이 장치를 포함하는 전자부품의 제조공정에서 사용되는 부산물 집적설비, 플라즈마 사이클론 설비, 촉매 사이클론 설비의 설비기본정보와, 각 설비의 운영조건을 근간으로 각 설비에서 수집되는 신호데이터를 1차로 학습하여 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출하는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부와, 각 설비의 공정진행 상태를 실시간 수신하면서 미리 설정된 관리한계치와 패턴을 비교하여 실제 예방정비가 필요한 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출하는 생성 실험계획법(Generator Design Of Experiments) 처리부와, 상기 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부에서 산출된 각 설비의 최적운영조건과, 상기 생성 실험계획법(Generator Design Of Experiments) 처리부에서 산출된 각 설비의 최적운영조건을 비교하여 평균고장 시간간격(Mean Time Between Failure)을 자동예측하는 판별자를 포함하는 것을 특징으로 한다.
Description
본 발명은 전자부품의 제조공정의 유해가스 배출장치의 예방정비 기술에 관한 것으로서, 더 상세하게는 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템에 관한 것이다.
기존의 연구개발에 적용되는 황산화물, 질소산화물, 아황산가스, 등의 산성의 기체에서 생성되는 기체, 파우더 집진장치 및 배기장치는 발전은 하고 있으나 사용자 관점에서 기인되는 문제의 근본원인 추구보다는 나타나는 현상연구에만 치중하고 현상에 대한 대증요법과 개선방법에 치중하여 적용되어 공정과 설비의 고질고장/공정수율저하, 안전 재해사고, 환경파괴 등 계속되는 고질로 전이되는 추세이다.
종사하는 설비 엔지니어(Engineer)의 기본역량 부족(3년 내 정착율이 30%이내)하고 작업환경의 열악(3교대 작업)으로 만성피로에 지쳐 있어 설비 예방정비(Preventive Maintenance)시 대충대충 하고 작업결과 관리와 감독도 제대로 이루어지지 않고 있는 현실로 실수가 빈발하여 설비고장/배관파열 및 폭발사고로 진행되는 상황이 발생한다.
정기 예방정비(Preventive Maintenance) 관리하는 시스템이 있으나 전 공정에서 배출하는 양이 다양하고 각종가스의 양과 속도는 설비의 특성에 따라 산포가 시스템적으로 제어되지 못하고 제품개발이 주로 야간에 이루어져 설비능력 초과하는 경우가 발생하고 주간에 양산시 설비는 이미 강제열화가 진행되어 내구성 저하와 관리외의 사람에 의해 발견하는 불량 또는 이상 징후로 돌발하는 예방정비(Preventive Maintenance) 주기가 조기에 도래하고 동시 다발적으로 도래 공정사고로 이어지는 경우가 간헐적으로 나타나고 있다.
예방정비(Preventive Maintenance) 시기를 놓치거나 운영(Maintenance) 실수로 제조공정 내외 부분에 완전 정제 되지 않은 파우더, 가스는 지금까지 연구 개발된 방법으로 개선은 되었지만 예방정비(Preventive Maintenance) 시기, 방법 문제로 챔버에서 극미량이 유출되어 상시 독한 가스냄새가 상존 하여 근무자는 여러 형태의 통증 및 병을 호소하고 있으나 통계관리가 되지 않고 있다.
전 공정(증착, 세정, 에치)의 효율은 30%가 적용되고 70%가 배출된다고 하지만 유해가스를 제일 많이 배출하는 증착공정(ALD, PECVD, CVD)에서는 증착, 배출 과정을 거치면서 불량의 원인이 되는 잔류가스를 배출하면 90%를 상회하는 경우가 빈번하다.(공정수율 우선 정책 및 야간을 이용 기종변경 및 제품개발)
가동율(생산활동)추이를 보면 월초는 낮고 월말 집중 생산되어 설비부하가 최고조로 도달하여 시스템적으로 어떤 피해가 다가올지 모르고 관리자의 판단만으로 예방정비(Preventive Maintenance)를 지시하거나 예방정비(Preventive Maintenance)의 기회가 제공되지 않아 파국고장 및 공정사고로 이어지는 경우가 허다하다.
파우더 대책 미흡으로 발생하는 대형사건의 예시로서, 진공펌프 흡입 측 배관에 틈새가 발생하여 외부 공기가 배관으로 유입되어 미 반응 TEMAZ의 산화반응에 의한 폭발이 있다. 또한, 히터자켓으로 가열된 배기배관은 미 반응된 TEMAZ 및 반응 부산물인 지르코늄 산화물의 산화반응으로 폭발이 있다. 또한, 상대적으로 압력에 취약한 벨로우즈(신축이음)가 파열로 유해가스가 유출되는 사고가 있다. 정상운전조건인 180℃ 이하로 배관내부가 유지되고 배관의 막힘 등으로 밀폐가 형성되지 않았다면 배관의 파열은 발생하지 않았을 것으로 추정된다.
또한, 배관 내 목표운전온도가 180℃이고 히터자켓 최대운전 가능온도가 200℃ 미만 인데 설비 엔지니어의 아차실수(작업미스,PM시기 놓침)로 인하여 배관 내부의 온도가 200 ℃ 이상으로 급상승하여, 미반응 TEMAZ가 분해되고 밀폐계가 형성된 배관 내부에 과압발생시켜 취약한 벨로우즈 부분이 파열되어 사고로 이어지는 경우가 많았다.
종래에는 전자제품 제조공정 내에 설비자동화를 기반으로 한 ERP/MRP/MES를 가동했으나 단순한 시퀀스(Sequence)에 의한 추측으로 실제 예방정비(Preventive Maintenance)시 정상 상태가 반복되어 늑대와 소년의 우화처럼 점점 믿지 못하고 엔지니어(Engineer)의 촉감에 의해 의존하고 이로 인해서 방치되거나 4M환경영향으로 원하는 방향으로 가지 않아(여전히 공정사고는 상존함) 최근 유행하는 스마트 팩토리 형식(AEGIS)을 몇 십 년 전부터 자체설계 하여 도입 운영하였으나 지시정보와 현장정보의 괴리로 여전히 그 효과는 미미한 실정이다.
설비 엔지니어의 일하는 방법과 관련 시스템을 혁신을 하여 운영 하였지만 근본적인 문제(알면서도 대처를 못 함)는 여전히 상존하여 공정품질 사고로 이어지고 주위 작업자에게 심각한 피해를 주는 일들이 나타나고 있다
종래 시스템(AEGIS)에 따라 예방정비(Preventive Maintenance) 정보를 제공하지만 거짓(Fake)인 경우가 많고 신뢰하지 않아 여전히 수기로 감각적으로 관리하는 일이 많으며 공정사고는 초발보다는 재발이 월등히 많고 원인을 거의 알고 있는 경우가 많다.
본 발명은 상기와 같은 기술적 과제를 해결하기 위해 제안된 것으로, 공정운영하면서 발생하는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 정보와, 생성 실험계획법(Generator Design Of Experiments) 처리부의 정보를 적대적 신경망의 판별자로 판정하여 최적화하는 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템을 제공한다.
또한, 외부대기로 방출하는 유해가스의 농도 데이터를 피드백 받아 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 정보와 비교분석하여 심화 학습한 모델을 다시 무한궤도 식으로 학습하는 머신러닝을 포함하는 유해가스 배출장치 평균고장 시간간격 예측제어 시스템을 제공한다.
상기 문제점을 해결하기 위한 본 발명의 일 실시예에 따르면, 반도체 또는 디스플레이 장치를 포함하는 전자부품의 제조공정에서 사용되는 부산물 집적설비, 플라즈마 사이클론 설비, 촉매 사이클론 설비의 설비기본정보와, 각 설비의 운영조건을 근간으로 각 설비에서 수집되는 신호데이터를 1차로 학습하여 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출하는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부와, 각 설비의 공정진행 상태를 실시간 수신하면서 미리 설정된 관리한계치와 패턴을 비교하여 실제 예방정비가 필요한 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출하는 생성 실험계획법(Generator Design Of Experiments) 처리부와, 상기 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부에서 산출된 각 설비의 최적운영조건과, 상기 생성 실험계획법(Generator Design Of Experiments) 처리부에서 산출된 각 설비의 최적운영조건을 비교하여 평균고장 시간간격(Mean Time Between Failure)을 자동예측하는 판별자를 포함하는 유해가스 배출장치 평균고장 시간간격 예측제어 시스템이 제공된다.
또한, 본 발명에서 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부는, 외부대기로 방출되는 유해가스 농도 데이터를 추가로 피드백 받아 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 재산출하는 것을 특징으로 한다.
또한, 본 발명에서 상기 각 설비의 운영조건은, 설계정보, 설치정보, 운전정보, 프로세스 정보 및 보전 정보를 포함하는 것을 특징으로 한다.
또한, 본 발명에서 각 설비에서 수집되는 신호데이터는, 온도정보, 습도정보, 압력정보를 포함하는 것을 특징으로 한다.
본 발명의 실시예에 따른 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템은, 공정운영하면서 발생하는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 정보와, 생성 실험계획법(Generator Design Of Experiments) 처리부의 정보를 적대적 신경망의 판별자로 판정하여 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출할 수 있다.
또한, 외부대기로 방출하는 유해가스의 농도 데이터를 피드백 받아 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 정보와 비교분석하여 심화 학습한 모델을 다시 무한궤도 식으로 학습할 수 있다.
제안된 시스템은 반도체 및 디스플레이 후공정, 알루미늄 합금 및 다이캐스팅 공정에서 무방비로 배출되는 가스, 납 성분을 주로 본딩(Bonding) 하면서 발생하는 PBA라인 및 설비, 인쇄회로기판 또는 전지를 만드는 제조공정, 기타 화학성분을 다루는 장치 및 라인 등에도 적용될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 유해가스 배출장치 평균고장 시간간격 예측제어 시스템(1)의 구성도
도 2는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 데이터 처리 예시도
도 3은 생성 실험계획법(Generator Design Of Experiments) 처리부의 데이터 처리 예시도
도 4 내지 도 18은 실제사항 시험계획법(Real Specification Design Of Experiments) 처리부에서 처리되는 과정을 나타낸 예시도
도 19 내지 도 25는 생성 실험계획법(Generator Design Of Experiments) 처리부에서 처리되는 과정을 나타낸 예시도
도 2는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 데이터 처리 예시도
도 3은 생성 실험계획법(Generator Design Of Experiments) 처리부의 데이터 처리 예시도
도 4 내지 도 18은 실제사항 시험계획법(Real Specification Design Of Experiments) 처리부에서 처리되는 과정을 나타낸 예시도
도 19 내지 도 25는 생성 실험계획법(Generator Design Of Experiments) 처리부에서 처리되는 과정을 나타낸 예시도
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시예를 첨부한 도면을 참조하여 설명하기로 한다.
첨단전자 제품을 제조공정에서 만드는 과정에서 필연적으로 배출되는 유해가스는 배출장치를 통해 철저히 포집하고 세정은 하지만 배출 위험성은 여전히 잔존해 있어 아차사고로 연결될 가능성이 있다. 이는 양산라인에서 제품개발을 주로 야간에 함으로서 설비 조건이 틀어져 설비관리 시스템의 예방정비(Preventive Maintenance) 거짓 정보로 설비 엔지니어업무가 가중되어 예방정비(Preventive Maintenance)의 시기를 놓치거나 회피하게 되고, 충분히 교육훈련 되지 않은 엔지니어의 스킬 부족으로 발생하는 배출 가스 대형사고를 유발할 수 있다.
본 발명은 이러한 사고의 연결고리를 차단하기 위한 것으로, 각 설비에서 올라오는 각종 특성 신호 데이터를 1차 심화학습하여 마이닝(Mining) 하고 2차로 GAN(Generative Adversarial Network)으로 2차 심화학습해서 거짓정보(Fake)와 참정보(Thru)를 판정하여 각 설비장치의 평균고장 시간간격(Mean Time Between Failure)을 자동예측 및 제어하고 학습된 모델을 다시 학습하는 무한궤도식 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템이다.
즉, 제안된 시스템은 배출된 가스를 최대한 장치에서 파우더(Powder)화 시키고 집적 배출하여 유해가스의 오염물질을 경감시키며 장치 내 파우더(Powder)축적으로 인한 파손으로 공정 내 유해가스 유출사고와 품질수율저하 방지 및 외부 유해 가스를 배출량을 극소화시키기 위한 적대적 신경망(Generative Adversarial Network) 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템을 구축한다.
일반적으로 시스템에 속한 장치는 직접 분해하여 브러시로 불식하거나, 고압수를 사용하여 부착물을 제거하고 있는데 이 과정에서 설비 엔지니어 또는 공정과정을 관리하는 작업여성은 화학물질에 중독되어 두통을 호소하거나 불쾌한 냄새가 주위로 퍼져 나가는 경우가 많은데 예방정비(Preventive Maintenance) 시기를 예측하여 늦추거나 하지 않는 것으로 하고 파국고장이전에 내부 통계적 기법인 미니탭(Minitap)을 이용하여 데이터 마이닝(Data mining)으로 심화학습하고 학습화된 패턴(Pattern)으로 분석 및 발견하고 예방정비(Preventive Maintenance)를 적기에 하는 것을 목표로 한다.
즉, 제안된 시스템은 공정진행 상태를 주시하면서 Generator D.O.E (Design Of Experiments)기법으로 최적화하고 운영된다. 공정을 진행하면서 학습되고 최적화된 Real Specification D.O.E (Design Of Experiments)법으로 최적화하고 운영된다.
또한, 공정운영하면서 발생하는 Generator D.O.E 정보와 Real Specification D.O.E와 내장된 GAN 알고리즘으로 비교하면서 판별자(Discriminate)로 판정하고 최적화 한다.
또한, 외부대기에 방출하는 유해가스의 농도 데이터를 피드백 받아 Real Specification D.O.E 와 비교분석하여 심화학습한 모델을 다시 무한궤도 식으로 학습하는 머신 러닝 시스템(Machine Learning System)을 포함한다.
도 1은 본 발명의 실시예에 따른 유해가스 배출장치 평균고장 시간간격 예측제어 시스템(1)의 구성도이고, 도 2는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 데이터 처리 예시도이고, 도 3은 생성 실험계획법(Generator Design Of Experiments) 처리부의 데이터 처리 예시도이다.
본 실시예에 따른 유해가스 배출장치 평균고장 시간간격 예측제어 시스템(1)은 제안하고자 하는 기술적인 사상을 명확하게 설명하기 위한 간략한 구성만을 포함하고 있다.
도 1 내지 도 3을 참조하면, 유해가스 배출장치 평균고장 시간간격 예측제어 시스템(1)은 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부(100)와, 생성 실험계획법(Generator Design Of Experiments) 처리부(200)와, 판별자(300)를 포함하여 구성된다.
상기와 같이 구성되는 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템(1)의 주요동작을 살펴보면 다음과 같다.
표준조건 시험계획법(Real Specification Design Of Experiments) 처리부(100)는,
반도체 또는 디스플레이 장치를 포함하는 전자부품의 제조공정에서 사용되는 부산물 집적설비, 플라즈마 사이클론 설비, 촉매 사이클론 설비의 설비기본정보와, 각 설비의 운영조건을 근간으로 각 설비에서 수집되는 신호데이터를 1차로 학습하여 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출한다.
여기에서 각 설비의 운영조건은, 설계정보, 설치정보, 운전정보, 프로세스 정보 및 보전 정보를 포함한다.
또한, 각 설비에서 수집되는 신호데이터는, 온도정보, 습도정보, 압력정보를 포함한다.
한편, 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부(100)는, 외부대기로 방출되는 유해가스 농도 데이터를 추가로 피드백 받아 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 재산출할 수도 있다.
생성 실험계획법(Generator Design Of Experiments) 처리부(200)는,
각 설비의 공정진행 상태를 실시간 수신하면서 미리 설정된 관리한계치와 패턴을 비교하여 실제 예방정비가 필요한 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출한다.
판별자(300)는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부(100)에서 산출된 각 설비의 최적운영조건과, 생성 실험계획법(Generator Design Of Experiments) 처리부(200)에서 산출된 각 설비의 최적운영조건을 비교하여 평균고장 시간간격(Mean Time Between Failure)을 자동 예측한다.
<수식 1>
Mc : Machine Signal (정규성 검증)
Pkn : Control & Adjusted Data(품질 운영조건 검증)
Pm : 최적조건(D.O.E) 검증
Ms : 최적상태(Andon) 검증(Ref Data 및 Out Gas 판정 결과
xi : 어떤 복잡 상황이 전개되는 분포
도 2는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 데이터 처리 예시도이고, 수식 1은 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부에서 처리되는 머신러닝 모델의 예시이다.
도 2 및 수식 1을 참조하면, 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 데이터 처리의 하나의 예시로서, 우선, 각 장비 및 공정에서 올라오는 로우 데이터(Raw Data)의 설비,공정 다섯 가지 조건의 검증여부 확인하는 단계를 진행한다.
다음으로, 각 장비 및 공정에서 올라오는 머신 데이터(Machine Data)의 워크 샘플링(Work Sampling) - 표본 오차 항 검증 포함 - 을 진행한다.
다음으로, 로우 데이터(Raw Data)를 디파인(Define)하고 확률 분포 정규성과 최적 조건 미분하여 나타나는 함수를 처리한다.
다음으로, 최적조건을 Design(D.O.E)으로 도출하는 표준 공정 및 설비 레시피(Recipe)와 결과함수를 처리한다.
다음으로, Real Value(數)를 도출하는 함수 R을 처리한다.
도 3은 생성 실험계획법(Generator Design Of Experiments) 처리부의 데이터 처리 예시도이다.
도 3을 참조하면, 생성 실험계획법(Generator Design Of Experiments) 처리부의 데이터 처리의 하나의 예시로서, 우선 각 장비 및 공정에서 계속성으로 생성되는 데이터를 수집(Data Gathering)한다.
다음으로, 각 장비 및 공정에서 생성되는 실제의 로우 데이터(Raw Data)의 생성 함수 G를 처리한다.
다음으로, 각 장비 및 공정에서 올라오는 머신 데이터(Machine Data)의 워크 샘플링(Work Sampling) - 표본 오차항 검증 포함 - 을 진행한다.
다음으로, 로우 데이터(Raw Data)를 디파인(Define)하고 확률 분포 정규성과 최적 조건 미분하여 나타나는 함수 F를 처리한다.
다음으로 Fake Value(數)를 도출하는 하는 함수 F를 처리한다.
한편, 생성 실험계획법(Generator Design Of Experiments) 처리부(200) 및 판별자(300)에서 판별되는 과정 예시는 수식 2 및 수식 3과 같다.
<수식 2>
<수식 3>
∑vi : 장비의 작용과 반작용 중심 값 합
∑hi : 각 장비 검출과 Out Gas 중심 값 합
∑ck ; : 유해가스 배출 사회적 기회비용의 합
P : 어떤 일이 일어날 개연성이 있는 일
xi: 어떤 복잡상황이 전개되는 분포
도 4 내지 도 18은 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부에서 처리되는 과정을 나타낸 예시도이다.
도 4는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부에서 진단정보를 통하여 사전진단 미래 통찰력을 제시하고 장기간 자산관리에 관한 결정사항을 스스로 보충하는 과정을 요약적으로 나타낸다.
Real Specification 생성 알고리즘 및 프로세서(Process)는 도 5에 도시된 바와 같이 설비별 기본정보 및 상태진단 필드(Field)로 특성치를 입력하는 과정이 진행된다.
도 6과 같이 , 필드(Field)에 입력된 데이터(Data)는 “Mini tap”을 이용하여 사용 가능한 데이터(Data)인지 정규성을 검증하는 과정이 진행된다.
또한, 도 7과 같이, 데이터(Data)의 R & R(Data와의 선형성, 정확도, 반복성의 검증)을 자동시행 판단하는 과정이 진행된다.
또한, 도 8과 같이, “Mini Tap”을 활용한 최적조건의 설정에서 D.O.E 완전 요인실험으로 최적화(Real World Fields)하고, Powder생성(효과)에 영향을 주는 관로내의 환경(온도,압력,농도)을 확인하여 최적조건의 설정을 진행한다.
또한, 도 9와 같이 순서를 랜덤화 하고 실험 최적조건 수행하고, 도 10 및 11과 같이 완전모형(Full Model)에 대한 ANOVA표 입력을 진행한다.
또한, 도 12와 같이 분석결과와 주효과 그래프를 확인하는데, 주 효과는 양의 관계가 형성되지 않으면 데이터는 “Failure”로 취급하며, 도 13과 같이 잔차를 확인하고, 도 14와 같이 ANOVA표에서 유의한 주효과의 확인(p값 < 0.05)을 진행하고, 도 15와 같이 ANOVA표에서 유의한 교효 효과를 분석한다 (p값 < 0.05). 또한, 도 16 및 도 17과 같이 결과로 나온 수학적 모형을 세팅하고 결론을 도출한다. 마지막으로, 도 18과 같이 최적조건의 설정 및 조정을 진행한다.
도 19 내지 도 25는 생성 실험계획법(Generator Design Of Experiments) 처리부에서 처리되는 과정을 나타낸 예시도이다.
도 19는 생성 실험계획법(Generator Design Of Experiments) 처리부에서 처리되는 과정을 요약적으로 나타낸다.
각 설비별 “Run Data Screening” 순서는 도 20과 같이 각 설비로부터 수신 데이터를 필드(Field)에 생성하여 “Minitap”에 자동 입력되고 마찬가지로 사용가능한 데이터인지 정규성 검증을 실시한다.
또한, 도 21과 같이 “Minitap” 자동입력을 진행하고, 도 22와 같이 결과 창으로 상태를 진단한다.
또한, 도 23과 같이 각 설비별 “Run data”가 정해진 관리한계 8가지 특성을 초과하는지 자동 스크리닝(Screening )하고, 도 24와 같이 패턴(Pattern)의 랜덤(Random)화- Recognition -를 진행하며, 도 25와 같이 결과를 도출한다.
상술한 바와 같이 유해가스 배출장치 평균고장 시간간격 예측제어 시스템(1)은 부산물 (Powder)집적, 플라즈마 사이클론, 촉매사이클론 설비 기본정보와 입력된 설비운영 5조건(설계, 설치, 운전, Process, 보전)을 근간으로 설비에서 올라오는 신호와, 각종특성 신호 데이터(온도, 습도, 압력)를 1차 심화학습 하여 통계도구 Mnitap으로 데이터 정규성 검증을 통하여 P-value로 가용여부를 판단하며, 2차로 품질운영조건을 검증 위한 Process Trace사실에 대한 5M 1E(사람, 설비, 측정방법, 자재, Recipe표준, 환경)의 측정 데이터 유동결과에 따른 결과가 수시로 바뀌는 특성을 검지하여 정확한 이해와 분석과 판단을 위하여 R&R(정확도, 반복, 재현성)검증하고 설계 최적조건(D.O.E)으로 Real Specification(표준조건)을 설정하고 외부로 대기 방출하는 가스성분을 검지하여 기준(Reference)값으로 설정하고 보정하는 프로세스(Process) 및 관련 시스템으로 정의된다.
또한, 제안된 시스템은 부산물 (Powder)집적, 플라즈마 사이클론, 촉매 사이클론 설비에서 올라오는 로우 데이터(raw Data)인 설비별 “Run Data“를 마이닝(Mining) 및 계속 스크리닝(Screening)하고 설정된 이상조건 8가지 패턴(Pattern)에 저촉되는지 폴링(Pooling)하고 이상 패턴(Pattern)을 랜덤(Random)화하여 운영 최적조건(D.O.E)을 설정한다.
또한, 제안된 시스템은 기간 시스템 “Hany Legacy” 플렛폼에서 GAN(Generative Adversarial Network)기반을 응용한 알고리즘으로 알려준 공정 PM시기에 따라 파국고장이전에 통계적기법인 Minitap으로 데이터 마이닝(Data mining)하여 학습된 패턴(Pattern)으로 분석, 발견하여 판정(Discriminate)하고 예측(Predict)하여 늦추거나, 하지 않는 것으로 결정하거나 적기에 하는 것으로 하며 학습된 데이터를 관리하는 방법과 부산물(Powder)집적, 플라즈마 사이클론, 촉매사이클론 설비의 MTBF(Mean Time Between Failure)를 자동예측 및 제어한다.
또한, 제안된 시스템은 공정진행 상태를 주시하면서 Generator D.O.E (Design Of Experiments)기법으로 최적화하고 운영됨과 동시에 공정을 진행하면서 학습되고 최적화된 Real Specification D.O.E (Design Of Experiments)기법으로 최적화하여 공정운영하면서 Real Specification D.O.E와 내장된 알려진 GAN알고리즘으로 비교하면서 판별자(Discriminate)로 판정하고 최적된 데이터는 피드백하여 관리한다.
또한, 제안된 시스템은 외부대기 방출하는 유해가스의 농도 데이터를 피드백 Feed Back받아 Real Specification D.O.E와 비교분석 하여 심화학습한 모델을 다시 무한궤도식으로 학습하는 머신러닝 시스템을 포함한다.
또한, 제안된 시스템은 신규 학습용 데이터를 취득하는 단계 즉, 학습된 1차 모델을 이용하여 신규 학습하는 테스트 단계 및 그 결과를 라벨링하고 그 정보를 추출하여 선형성, 정확도, 반복성을 검증하여 확정하는 단계를 진행한다.
본 발명의 실시예에 따른 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템은, 공정운영하면서 발생하는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 정보와, 생성 실험계획법(Generator Design Of Experiments) 처리부의 정보를 적대적 신경망의 판별자로 판정하여 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출할 수 있다.
또한, 외부대기로 방출하는 유해가스의 농도 데이터를 피드백 받아 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부의 정보와 비교분석하여 심화 학습한 모델을 다시 무한궤도 식으로 학습할 수 있다.
제안된 시스템은 반도체 및 디스플레이 후공정, 알루미늄 합금 및 다이캐스팅 공정에서 무방비로 배출되는 가스, 납 성분을 주로 본딩(Bonding) 하면서 발생하는 PBA라인 및 설비, 인쇄회로기판 또는 전지를 만드는 제조공정, 기타 화학성분을 다루는 장치 및 라인 등에도 적용될 수 있을 것이다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부
200 : 생성 실험계획법(Generator Design Of Experiments) 처리부
300 : 판별자
200 : 생성 실험계획법(Generator Design Of Experiments) 처리부
300 : 판별자
Claims (4)
- 반도체 또는 디스플레이 장치를 포함하는 전자부품의 제조공정에서 사용되는 부산물 집적설비, 플라즈마 사이클론 설비, 촉매 사이클론 설비의 설비기본정보와, 각 설비의 운영조건을 근간으로 각 설비에서 수집되는 신호데이터를 1차로 학습하여 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출하는 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부;
각 설비의 공정진행 상태를 실시간 수신하면서 미리 설정된 관리한계치와 패턴을 비교하여 실제 예방정비가 필요한 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 산출하는 생성 실험계획법(Generator Design Of Experiments) 처리부; 및
상기 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부에서 산출된 각 설비의 최적운영조건과, 상기 생성 실험계획법(Generator Design Of Experiments) 처리부에서 산출된 각 설비의 최적운영조건을 비교하여 평균고장 시간간격(Mean Time Between Failure)을 자동예측하는 판별자;
를 포함하는 유해가스 배출장치 평균고장 시간간격 예측제어 시스템.
- 제1항에 있어서,
상기 표준조건 시험계획법(Real Specification Design Of Experiments) 처리부는,
외부대기로 방출되는 유해가스 농도 데이터를 추가로 피드백 받아 평균고장 시간간격(Mean Time Between Failure)을 포함하는 각 설비의 최적운영조건을 재산출하는 것을 특징으로 하는 유해가스 배출장치 평균고장 시간간격 예측제어 시스템.
- 제1항에 있어서,
상기 각 설비의 운영조건은, 설계정보, 설치정보, 운전정보, 프로세스 정보 및 보전 정보를 포함하는 것을 특징으로 하는 유해가스 배출장치 평균고장 시간간격 예측제어 시스템.
- 제1항에 있어서,
각 설비에서 수집되는 신호데이터는, 온도정보, 습도정보, 압력정보를 포함하는 것을 특징으로 하는 유해가스 배출장치 평균고장 시간간격 예측제어 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210086413A KR102417769B1 (ko) | 2021-07-01 | 2021-07-01 | 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210086413A KR102417769B1 (ko) | 2021-07-01 | 2021-07-01 | 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102417769B1 true KR102417769B1 (ko) | 2022-07-05 |
Family
ID=82402213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210086413A KR102417769B1 (ko) | 2021-07-01 | 2021-07-01 | 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102417769B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102589094B1 (ko) * | 2022-10-26 | 2023-10-16 | (재)대구기계부품연구원 | 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130065800A (ko) * | 2011-11-30 | 2013-06-20 | 주식회사 엑센솔루션 | 예지 보전 기반의 실시간 협업 기업 자산 관리 시스템 및 방법 |
| KR20150065457A (ko) | 2013-12-05 | 2015-06-15 | 주식회사 썬닉스 | 스크러버 장치용 챔버 |
-
2021
- 2021-07-01 KR KR1020210086413A patent/KR102417769B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130065800A (ko) * | 2011-11-30 | 2013-06-20 | 주식회사 엑센솔루션 | 예지 보전 기반의 실시간 협업 기업 자산 관리 시스템 및 방법 |
| KR20150065457A (ko) | 2013-12-05 | 2015-06-15 | 주식회사 썬닉스 | 스크러버 장치용 챔버 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102589094B1 (ko) * | 2022-10-26 | 2023-10-16 | (재)대구기계부품연구원 | 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7058470B2 (en) | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor | |
| EP3403152B1 (en) | Smart embedded control system for a field device of an automation system | |
| EP2442288A1 (en) | Device abnormality monitoring method and system | |
| US11152126B2 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
| CN111541640B (zh) | 在具有确定特性的网络物理系统中检测异常的系统和方法 | |
| KR102417769B1 (ko) | 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템 | |
| CN113075065A (zh) | 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统 | |
| Iturbe et al. | On the feasibility of distinguishing between process disturbances and intrusions in process control systems using multivariate statistical process control | |
| EP3674946A1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
| WO2021064144A1 (en) | Method and system for continuous estimation and representation of risk | |
| CN115056228A (zh) | 一种机器人的异常监控和处理系统及方法 | |
| CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
| KR20230104951A (ko) | 센서 맵핑 및 트리거링된 데이터로깅을 포함한 건전성 (health) 에 기초한 모니터링, 평가 및 응답하기 위한 기판 프로세싱 시스템 툴들 | |
| Moyne et al. | Deploying an equipment health monitoring dashboard and assessing predictive maintenance | |
| KR102483210B1 (ko) | Xai를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법 | |
| D'Emilia et al. | Prediction of the remaining useful life of mechatronic systems, using internal sensors | |
| CN113112024B (zh) | 一种随机多裂纹随机扩展的预测与控制方法及系统 | |
| US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
| US10955829B2 (en) | System and a method to enable zero defect production | |
| KR102051289B1 (ko) | 자동화 설비 유틸리티 효율 모니터링 시스템 | |
| JP6799594B2 (ja) | 選択的触媒還元システム管理装置及びその制御方法 | |
| RU2749252C1 (ru) | Способ определения источников аномалии в кибер-физической системе | |
| RU2800740C1 (ru) | Система и способ выявления аномалий в киберфизической системе | |
| Lawrence et al. | Harnessing industry 4.0 to optimise performance in the aluminum industry | |
| Raj | An Improved Accuracy and Efficiency Based Defect Detection Method for Industrial Signal Processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |