KR102486460B1 - 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치 - Google Patents

시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치 Download PDF

Info

Publication number
KR102486460B1
KR102486460B1 KR1020200110112A KR20200110112A KR102486460B1 KR 102486460 B1 KR102486460 B1 KR 102486460B1 KR 1020200110112 A KR1020200110112 A KR 1020200110112A KR 20200110112 A KR20200110112 A KR 20200110112A KR 102486460 B1 KR102486460 B1 KR 102486460B1
Authority
KR
South Korea
Prior art keywords
value
virtual measurement
learning
series data
calculating
Prior art date
Application number
KR1020200110112A
Other languages
English (en)
Other versions
KR20220028724A (ko
Inventor
김도훈
이원석
정수근
한금찬
이승현
Original Assignee
(주)브릭
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 (주)브릭 filed Critical (주)브릭
Priority to KR1020200110112A priority Critical patent/KR102486460B1/ko
Publication of KR20220028724A publication Critical patent/KR20220028724A/ko
Application granted granted Critical
Publication of KR102486460B1 publication Critical patent/KR102486460B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus 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
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput

Abstract

시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치를 개시한다.
본 발명의 실시예에 따른 가상 계측 방법은, 시계열 형태의 변수를 포함하는 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 특징값을 추출하고, 상기 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 상기 학습 모델에 적용하여 가상 계측 결과를 산출하는 가상 계측 처리 단계; 및 상기 가상 계측 결과를 외부 장치로 제공하는 가상 계측 결과 출력 단계를 포함할 수 있다.

Description

시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치{Method and Apparatus for Virtual Measurement for Calculating Predicted Value and Feature Importance Based on Feature Values of Time Series Data}
본 발명은 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
반도체 또는 평판디스플레이(FPD: Flat panel display)등의 제품 생산은 수 많은 제조 공정으로 이루어져 있으며 생산 시간 단축을 위해 대부분 샘플링 계측을 진행하고 있다. 이로 인해 계측 데이터가 많이 부족하여 결함원인 분석 및 제품 품질 향상에 어려움이 있다.
이러한 계측 기반 공정 관리의 문제점을 해결하기 위하여 최근 가상 계측(VM: Virtual metrology)에 대한 관심이 집중되고 있다. 가상 계측은 제조 공정에서 발생하는 장비의 센서 데이터를 활용하여 실제로 계측 공정을 수행하지 않고서도 모든 웨이퍼에 대한 계측 값을 예측하는 것이다. 가상 계측을 통해 예측된 계측값을 공정제어 시스템과 연동하는 경우 제품의 품질 향상과 제조비용을 절감할 수 있다.
하지만, 가상 계측 처리의 예측 알고리즘을 학습하기 위해서는 사용자가 적절한 특징을 원 데이터(Raw Data)에서 가공하여 입력해야 한다. 일반적으로 신경망(Neural Network)는 원 데이터에서 스스로 특징을 추출하여 학습할 수 있는 장점이 있지만, 학계의 많은 노력해도 불구하고 높은 비선형성으로 인해 예측 결과에 대한 정확한 해석이 불가능하여 입력 데이터의 어떠한 특징을 얼만큼 반영하여 예측 결과로 도출했는지 알 수 없다. 이로 인해, 신경망 기술의 발전에도 불구하고 결과에 대한 원인 분석이 중요한 공정 및 제조 현장에서 사용을 기피하게 되었다. 이에, 전술한 문제점을 해결하기 위하여 원 데이터의 특징을 스스로 추출하며 해석이 가능한 신경망 기반의 가상 계측 기술이 필요하다.
본 발명은 시계열 데이터에서 특징값을 추출하여 예측하고, 각 특징값에 대한 중요도를 계산하는 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.
본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 가상 계측 방법은, 시계열 형태의 변수를 포함하는 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 특징값을 추출하고, 상기 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 상기 학습 모델에 적용하여 가상 계측 결과를 산출하는 가상 계측 처리 단계; 및 상기 가상 계측 결과를 외부 장치로 제공하는 가상 계측 결과 출력 단계를 포함할 수 있다.
또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 가상 계측 장치는, 적어도 하나 이상의 프로세서; 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하며, 상기 프로그램들은 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서들에서, 시계열 형태의 변수를 포함하는 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 특징값을 추출하고, 상기 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 상기 학습 모델에 적용하여 가상 계측 결과를 산출하는 가상 계측 처리 단계; 및 상기 가상 계측 결과를 외부 장치로 제공하는 가상 계측 결과 출력 단계를 포함하는 동작들을 수행하게 할 수 있다.
이상에서 설명한 바와 같이, 본 발명은 학습 모델을 통해 설명변수의 시계열 데이터에서 반응변수에 대한 설명력이 높은 특징값을 자동으로 추출하는 효과가 있다.
또한, 본 발명은 자동으로 추출된 특징값에 대한 중요도(기여도)를 계산하여 공정 및 실계측에 대한 예측과 원인 분석이 가능한 방법론을 제공하는 효과가 있다.
또한, 본 발명은 시계열 데이터에서 자동으로 특징값을 추출하고, 이에 따른 중요도를 산출하여 가상 계측 결과를 제공함으로써, 공정 제어에 따른 제품의 품질 향상과 제조비용을 절감하는 효과가 있다.
도 1은 본 발명의 실시예에 따른 가상 계측 기반의 공정 시스템을 개략적으로 나타낸 블록 구성도이다.
도 2는 본 발명의 실시예에 따른 가상 계측 장치를 개략적으로 나타낸 블록 구성도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 가상 계측 장치의 프로세서 동작을 설명하기 위한 블록 구성도이다.
도 5는 본 발명의 실시예에 따른 모델 학습 처리부를 개략적으로 나타낸 블록 구성도이다.
도 6은 본 발명의 실시예에 따른 모델 학습 처리를 위한 가상 계측 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 실시예에 따른 가상 계측 처리부를 개략적으로 나타낸 블록 구성도이다.
도 8은 본 발명의 실시예에 따른 학습 모델을 이용한 가상 계측 방법을 설명하기 위한 순서도이다.
도 9a 및 도 9b는 본 발명의 실시예에 따른 가상 계측 장치의 모델 학습 동작을 설명하기 위한 예시도이다.
도 10a 및 도 10b는 본 발명의 실시예에 따른 가상 계측 장치의 예측값 및 특징 중요도 산출 동작을 설명하기 위한 예시도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다. 이하에서는 도면들을 참조하여 본 발명에서 제안하는 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 가상 계측 기반의 공정 제어 시스템을 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 가상 계측 기반의 공정 제어 시스템(10)은 가상 계측 장치(100) 및 공정 및 계측 장치(200)를 포함한다. 도 1의 공정 제어 시스템(10)은 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 공정 제어 시스템(10)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 예를 들어, 공정 제어 시스템(10)은 입력 변수를 제공하는 입력 변수 제공장치(미도시)를 추가로 포함할 수 있으며, 공정 및 계측 장치(200)는 공정 장치 및 계측 장치와 같이 별도의 장치로 구현될 수 있다.
본 실시예에 따른 공정 제어 시스템(10)은 반도체 또는 평판디스플레이(FPD: Flat panel display)등의 제품을 생산하기 위한 적어도 하나의 공정을 수행하는 시스템인 것이 바람직하나 반드시 이에 한정되는 것은 아니며, 예측을 위한 학습 모델이 적용 가능한 다양한 분야의 공정 시스템 중 하나일 수 있다.
공정 제어 시스템(10)의 가상 계측 장치(100) 및 공정 및 계측 장치(200)는 입력 변수에 의해 동작할 수 있으며, 입력 변수는 시계열 데이터, 센서 데이터, 이전 시점의 공정 조건 데이터, 이전 시점의 실 계측 데이터 등일 수 있다.
가상 계측 장치(100)는 가상 계측을 위한 학습을 통해 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 예측값 및 특징 중요도를 포함하는 가상 계측 결과를 생성한다. 구체적으로, 가상 계측 장치(100)는 시계열 데이터에서 특징값을 추출하고, 특징값에 대한 예측값을 산출하는 동작을 통해 학습된 학습 모델을 이용하여 최종 예측값 및 각 특징값에 대한 중요도를 산출하여 가상 계측 결과를 생성하는 동작을 수행한다.
가상 계측 장치(100)는 생성된 가상 계측 결과를 공정 및 계측 장치(200)로 제공한다.
공정 및 계측 장치(200)는 공정이 진행될 때 주기적으로 실제 계측을 실시하며, 실 계측값이 기 설정된 기준값 이내이면 현재 공정 조건으로 공정이 진행되도록 하고, 실 계측값이 기 설정된 기준값을 벗어나거나 소정의 기준에 따라 공정 조건의 변화가 필요한 것으로 판단되면 공정 조건을 조정한다.
공정 및 계측 장치(200)는 가상 계측 장치(100)로부터 가상 계측 결과를 제공 받고, 가상 계측 결과를 기반으로 기준값 또는 공정 조건을 조정하여 공정을 진행한다.
공정 및 계측 장치(200)는 가상 계측 결과를 제공 받음에 따라 실 계측을 통한 샘플링 계측을 최소화할 수 있고, 공정 제어에 따른 제품의 품질 향상과 제조비용을 절감할 수 있다.
도 2는 본 발명의 실시예에 따른 가상 계측 장치를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 가상 계측 장치(100)는 입력부(110), 출력부(120), 프로세서(130), 메모리(140) 및 데이터 베이스(150)를 포함한다. 도 2의 가상 계측 장치(100)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 가상 계측 장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 가상 계측 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 가상 계측 장치(100)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
가상 계측 장치(100)는 시계열 데이터에서 특징값을 추출하고, 특징값에 대한 예측값을 산출하는 동작을 통해 학습된 학습 모델을 이용하여 최종 예측값 및 각 특징값에 대한 중요도를 산출하여 가상 계측 결과를 생성하는 동작을 수행한다.
입력부(110)는 가상 계측 장치(100)에서 가상 계측 동작을 수행하기 위한 신호 또는 데이터를 입력하거나 획득하는 수단을 의미한다. 입력부(110)는 프로세서(130)와 연동하여 다양한 형태의 신호 또는 데이터를 입력하거나, 외부 장치와의 연동을 통해 신호 또는 데이터를 획득하여 프로세서(130)로 전달할 수도 있다. 여기서, 입력부(110)는 입력 변수, 시계열 데이터, 학습 조건, 가상 계측 수행 조건 등을 입력하기 위한 모듈로 구현될 수 있으나 반드시 이에 한정되는 것은 아니다.
출력부(120)는 프로세서(130)와 연동하여 학습 결과, 가상 계측 결과 등의 다양한 정보를 출력할 수 있다. 출력부(120)는 가상 계측 장치(100)에 구비된 디스플레이(미도시)를 통해 다양한 정보를 출력할 수 있으나 반드시 이에 한정되는 것은 아니며, 공정 및 계측 장치(200) 또는 사용자 단말기와 연동하는 방식과 같이 다양한 형태의 방식으로 출력을 수행할 수 있다.
프로세서(130)는 메모리(140)에 포함된 적어도 하나의 명령어 또는 프로그램을 실행시키는 기능을 수행한다.
본 실시예에 따른 프로세서(130)는 입력부(110) 또는 데이터 베이스(150)로부터 획득한 시계열 데이터에 대한 특징값을 추출하고, 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성하는 동작을 수행한다.
또한, 프로세서(130)는 기 학습된 학습 모델을 이용하여 신규 시계열 데이터에 대한 특징값을 산출하고, 특징값을 기반으로 최종 예측값, 각 특징값에 대한 특징 중요도 등을 포함하는 가상 계측 결과를 산출하는 동작을 수행한다. 본 실시예에 따른 프로세서(130)의 자세한 동작은 도 3 내지 8을 통해 설명하도록 한다.
메모리(140)는 프로세서(130)에 의해 실행 가능한 적어도 하나의 명령어 또는 프로그램을 포함한다. 메모리(140)는 학습 모델을 생성하는 동작, 가상 계측 결과를 생성하는 동작 등을 위한 명령어 또는 프로그램을 포함할 수 있다.
데이터베이스(150)는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 의미하는 것으로, 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 뜻하는 것으로, 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 발명의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가지고 있다.
본 실시예에 따른 데이터베이스(150)는 입력 변수, 학습 모델 생성, 가상 계측 결과 산출 등과 관련된 데이터를 저장하고, 기 저장된 입력 변수, 학습 모델 생성, 가상 계측 결과 산출 등과 관련된 데이터를 제공할 수 있다.
데이터베이스(150)에 저장된 입력 변수는 시계열 데이터, 센서 데이터, 이전 시점의 공정 조건 데이터, 이전 시점의 실 계측 데이터 등일 수 있다. 데이터베이스(150)는 가상 계측 장치(100) 내에 구현되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 별도의 데이터 저장장치로 구현될 수도 있다.
도 3 및 도 4는 본 발명의 실시예에 따른 가상 계측 장치의 프로세서 동작을 설명하기 위한 블록 구성도이다.
가상 계측 장치(100)의 프로세서(130)는 가상 계측을 위한 학습 모델 생성 및 기 학습된 학습 모델을 기반으로 가상 계측을 수행한다. 도 3을 참고하면, 가상 계측 장치(100)의 프로세서(130)는 심층 신경망 구성(310), 화이트 박스 알고리즘 구성(320) 및 화이트 박스 해석 구성(330) 등을 이용하여 학습, 예측, 가상 계측 결과 산출 등의 동작을 수행한다.
심층 신경망 구성(310)은 컨볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 동작한다. 예를 들어, 심층 신경망 구성(310)은 컨볼루션 신경망에 시계열 데이터를 입력하여 특징값, 신경망 기반의 제1 예측값을 산출할 수 있다.
화이트 박스 알고리즘 구성(320) 및 화이트 박스 해석 구성(330)은 화이트 박스 알고리즘을 기반으로 분류 예측 모델, 회기 예측 모델을 기반으로 동작한다. 예를 들어, 화이트 박스 알고리즘 구성(320) 및 화이트 박스 해석 구성(330)은 회기 결정 트리(Regression decision tree) 방식을 기반으로 예측값, 특징 중요도 등을 산출할 수 있다.
도 4를 참고하면, 본 실시예에 따른 가상 계측 장치(100)의 프로세서(130)는 시계열 데이터 획득부(410), 모델 학습 처리부(420), 가상 계측 처리부(430), 가상 계측 결과 출력부(440)를 포함할 수 있다. 도 4에서 가상 계측 장치(100)의 프로세서(130)는 일 실시예에 따른 것으로서, 도 4에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 프로세서(130)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 가상 계측 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 가상 계측 장치(100)의 프로세서(130)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 장치로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
시계열 데이터 획득부(410)는 시계열 형태의 변수를 포함하는 시계열 데이터를 획득한다.
시계열 데이터 획득부(410)는 시계열 형태의 설명 변수 및 반응 변수를 포함하는 시계열 데이터를 획득할 수 있다.
시계열 데이터는 외부 장치(미도시), 별도의 저장부(미도시)로부터 획득하거나 사용자의 조작에 의해 획득할 수 있다. 시계열 데이터에 포함된 설명 변수는 단변량 또는 다변량에 대한 변수이며, 반응 변수는 연속형 또는 범주형에 대한 변수일 수 있다.
또한, 시계열 데이터는 학습 데이터 개수, 시계열 데이터 길이, 시계열 변수의 개수 등에 대한 정보를 포함할 수 있다.
모델 학습 처리부(420)는 가상 계측을 위한 학습 모델을 생성하는 동작을 수행한다. 구체적으로, 모델 학습 처리부(420)는 시계열 데이터에 대한 특징값을 추출하고, 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성한다.
모델 학습 처리부(420)에서 학습 모델을 생성하기 위한 일부 동작은 심층 신경망을 통해 처리되고, 다른 일부 동작은 화이트 박스 알고리즘을 통해 처리될 수 있다.
모델 학습 처리부(420)에 대한 구체적인 설명은 도 5에서 자세히 기재하도록 한다.
가상 계측 처리부(430)는 모델 학습 처리부(420)에서 학습된 학습 모델을 이용하여 가상 계측을 수행한다. 구체적으로, 가상 계측 처리부(430)는 신규 시계열 데이터를 학습 모델에 적용하여 가상 계측 결과를 산출한다.
가상 계측 처리부(430)에서 가상 계측을 위한 일부 동작은 심층 신경망을 통해 처리되고, 다른 일부 동작은 화이트 박스 알고리즘을 통해 처리될 수 있다.
가상 계측 처리부(430)에 대한 구체적인 설명은 도 7에서 자세히 기재하도록 한다.
가상 계측 결과 출력부(440)는 산출된 가상 계측 결과를 외부 장치로 제공하는 동작을 수행한다.
가상 계측 결과 출력부(440)는 가상 계측 결과를 공정 및 계측 장치(200)로 제공할 수 있으나 반드시 이에 한정되는 것은 아니며, 공정 및 계측 장치(200)와 연동하는 별도의 제어장치 또는 사용자 단말기로 가상 계측 결과를 제공할 수 있다.
도 5는 본 발명의 실시예에 따른 모델 학습 처리부를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 모델 학습 처리부(420)는 특징값 추출부(510), 제1 예측값 산출부(520), 제2 예측값 산출부(530), 학습용 예측값 산출부(540), 에러값 산출부(550) 및 학습 모델 생성부(560)을 포함한다. 도 5의 모델 학습 처리부(420)는 일 실시예에 따른 것으로서, 도 5에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 모델 학습 처리부(420)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 모델 학습 처리부(420)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
모델 학습 처리부(420)는 시계열 데이터에 대한 특징값을 추출하고, 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성한다. 이하, 모델 학습 처리부(420)에 포함된 구성요소 각각에 대해 설명하도록 한다.
특징값 추출부(510)는 신경망을 통해 시계열 데이터에 대한 특징값을 추출한다.
특징값 추출부(510)는 시계열 데이터를 신경망에 포함된 컨볼루션 레이어를 통과시켜 특징값을 추출한다. 여기서, 특징값은 벡터 형태인 것이 바람직하다.
예측값 산출부(520, 530, 540)는 특징값을 기반으로 학습용 예측값을 산출한다.
제1 예측값 산출부(520)는 신경망을 기반으로 특징값을 기반으로 제1 예측값을 산출하는 동작을 수행한다.
제2 예측값 산출부(530)는 특징값을 화이트 박스 알고리즘에 대입하여 제2 예측값을 산출한다.
학습용 예측값 산출부(540)는 제1 예측값과 제2 예측값을 비교하여 유사도를 산출하고, 유사도에 따른 가중치를 부여하여 학습용 예측값을 산출한다.
에러값 산출부(550)는 학습용 예측값에 대한 에러값을 산출하는 동작을 수행한다.
학습 모델 생성부(560)는 학습용 예측값을 기반으로 가상 계측을 위한 학습 모델을 생성한다.
학습 모델 생성부(560)는 학습용 예측값에 대한 에러값을 산출하는 과정이 생략되거나 미수행되는 경우 학습용 예측값을 기반으로 학습 모델을 생성할 수 있다.
한편, 학습 모델 생성부(560)는 학습용 예측값에 대한 에러값을 산출하는 과정이 수행된 경우, 에러값과 기 설정된 임계치를 비교하여 학습 모델을 생성한다.
학습 모델 생성부(560)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 상기 임계치 이상인 경우 특징값 추출을 위한 신경망을 업데이트하는 동작을 반복하여 수행한다.
학습 모델 생성부(560)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 임계치 미만인 경우 해당 학습용 예측값을 기반으로 학습 모델을 생성한다.
도 6은 본 발명의 실시예에 따른 모델 학습 처리를 위한 가상 계측 방법을 설명하기 위한 순서도이다.
가상 계측 장치(100)는 시계열 데이터를 획득한다(S610).
가상 계측 장치(100)는 신경망을 통해 시계열 데이터에 대한 특징값을 추출한다(S620).
가상 계측 장치(100)는 신경망을 기반으로 특징값을 기반으로 제1 예측값을 산출한다(S630).
가상 계측 장치(100)는 특징값을 화이트 박스 알고리즘에 적용하여 제2 예측값 산출한다(S640).
가상 계측 장치(100)는 제1 예측값 및 제2 예측값을 비교하여 학습용 예측값을 산출한다(S650). 가상 계측 장치(100)는 제1 예측값과 제2 예측값을 비교하여 유사도를 산출하고, 유사도에 따른 가중치를 부여하여 학습용 예측값을 산출한다.
가상 계측 장치(100)는 학습용 예측값에 대한 에러값을 산출한다(S660).
가상 계측 장치(100)는 산출된 에러값과 기 설정된 임계치를 비교한다(S670).
단계 S670에서, 가상 계측 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 상기 임계치 이상인 경우 특징값 추출을 위한 신경망을 업데이트하는 동작을 반복하여 수행한다(S672). 즉, 에러값이 임계값 이상인 경우, 가상 계측 장치(100)는 백프로파게이션을 수행하여 단계 S620로 돌아가 학습 동작을 반복한다.
단계 S670에서, 가상 계측 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 임계치 미만인 경우 학습을 종료하고, 해당 학습용 예측값을 기반으로 학습 모델을 생성한다(S680).
도 6에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 6에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 6은 시계열적인 순서로 한정되는 것은 아니다.
도 6에 기재된 본 실시예에 따른 모델 학습 처리를 위한 가상 계측 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 모델 학습 처리를 위한 가상 계측 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 7은 본 발명의 실시예에 따른 가상 계측 처리부를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 가상 계측 처리부(430)는 특징값 추출부(710), 학습 모델 처리부(720), 최종 예측값 산출부(730) 및 중요도 산출부(740)를 포함한다.
도 7의 가상 계측 처리부(430)는 일 실시예에 따른 것으로서, 도 7에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 가상 계측 처리부(430)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 가상 계측 처리부(430)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
가상 계측 처리부(430)는 신규 시계열 데이터를 학습 모델에 적용하여 가상 계측 결과를 산출한다. 이하, 가상 계측 처리부(430)에 포함된 구성요소 각각에 대해 설명하도록 한다.
특징값 추출부(710)는 신규 시계열 데이터를 획득하면, 신규 시계열 데이터에 대한 특징값을 추출한다.
가상 계측 결과 산출부(720, 730, 740)는 기 학습된 학습 모델을 이용하여 가상 계측 결과를 산출하는 동작을 수행한다.
학습 모델 처리부(720)는 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 상기 학습 모델에 적용하여 가상 계측 결과가 생성되도록 한다.
학습 모델 처리부(720)는 모델 학습 처리부(420)에서 학습된 학습 모델(422)를 저장하며, 신규 시계열 데이터에 대한 특징값을 입력값으로 적용하여 출력값을 생성한다. 여기서, 출력값은 최종 예측값 산출부(730) 및 중요도 산출부(740) 중 적어도 하나로 전송될 수 있다.
최종 예측값 산출부(730)는 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 학습 모델에 적용하여 최종 예측값을 산출하고, 산출된 최종 예측값을 포함하는 가상 계측 결과를 생성한다.
중요도 산출부(740)는 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 학습 모델에 적용하여 상기 특징값에 대한 오차 감소율에 따른 특징 중요도를 산출하고, 산출된 상기 특징 중요도를 포함하는 가상 계측 결과를 생성한다.
도 8은 본 발명의 실시예에 따른 학습 모델을 이용한 가상 계측 방법을 설명하기 위한 순서도이다.
가상 계측 장치(100)는 시계열 데이터를 획득한다(S810). 여기서, 시계열 데이터는 학습 과정의 시계열 데이터와 상이한 신규 시계열 데이터일 수 있다.
가상 계측 장치(100)는 시계열 데이터에 대한 특징값을 추출한다(S820). 여기서, 가상 계측 장치(100)는 기 학습된 학습 모델에 포함된 신경망을 통해 신규 시계열 데이터에 대한 특징값을 산출할 수 있다.
가상 계측 장치(100)는 기 학습된 학습 모델을 통해 최종 예측값을 산출한다(S830). 가상 계측 장치(100)는 산출된 최종 예측값을 포함하는 가상 계측 결과를 외부 장치로 전달할 수 있다.
가상 계측 장치(100)는 기 학습된 학습 모델을 통해 특징값의 특징 중요도를 산출한다(S840). 가상 계측 장치(100)는 산출된 특징 중요도를 포함하는 가상 계측 결과를 외부 장치로 전달할 수 있다.
단계 S830 및 단계 S840은 순차적으로 수행되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 단계 S830 및 단계 S840 중 하나의 단계만 수행하여 가상 계측 결과를 생성할 수도 있다.
도 8에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 8에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 8은 시계열적인 순서로 한정되는 것은 아니다.
도 8에 기재된 본 실시예에 따른 학습 모델을 이용한 가상 계측 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 학습 모델을 이용한 가상 계측 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 9a 및 도 9b는 본 발명의 실시예에 따른 가상 계측 장치의 모델 학습 동작을 설명하기 위한 예시도이다.
도 9a는 가상 계측 장치(100)에서 학습용 예측값을 산출하여 학습 모델을 생성하는 동작을 설명하기 위한 도면이다.
단계 S910에서, 가상 계측 장치(100)는 시계열 데이터를 획득한다. 단계 S910은 시계열 데이터 획득부(410)의 동작과 매칭될 수 있다.
단계 S910에서, 시계열 데이터는 (n × t × m) 형태의 설명 변수에 대한 로우 데이터(Raw data, 911), (n × 1) 형태의 반응변수에 대한 레이블 데이터(Lable data)를 포함할 수 있다. 여기서, n은 학습 데이터 개수, t는 시계열 데이터 길이, m은 시계열 변수의 개수를 의미한다. 예를 들어, 시계열 데이터는 (100 × 64 × 1) 형태의 로우 데이터, (100 × 1) 형태의 레이블 데이터를 포함할 수 있다.
단계 S920에서, 가상 계측 장치(100)는 신경망을 통해 시계열 데이터에 대한 특징값을 추출한다. 단계 S920는 특징값 추출부(510)의 동작과 매칭될 수 있다.
단계 S920에서, 신경망은 제1 컨볼루션 레이어(Convolution Layer), 제1 액티베이션 레이어(Activation Layer), 제1 풀링 레이어(Pooling Layer), 제2 컨볼루션 레이어, 제2 액티베이션 레이어, 제2 풀링 레이어 및 플래튼 레이어(Flatten layer)를 포함한다.
제1 액티베이션 레이어(블록 921)의 출력은 [수학식 1]과 같이 정의될 수 있다.
Figure 112020091620093-pat00001
(n: 학습 데이터 개수, in: 입력(input) 데이터 사이즈, k: 커널 사이즈, s: 스트라이드 사이즈, f: 필터 개수)
제1 풀링 레이어(블록 922)의 출력은 [수학식 2]과 같이 정의될 수 있다.
Figure 112020091620093-pat00002
(n: 학습 데이터 개수, in: 입력(input) 데이터 사이즈, p: 풀(pool) 사이즈, f: 필터 개수)
플래튼 레이어의 출력은 [수학식 3]과 같이 정의될 수 있다.
Figure 112020091620093-pat00003
(n: 학습 데이터 개수, o: 이전 노드의
Figure 112020091620093-pat00004
값, f: 필터 개수)
예를 들어, 신경망의 사용자 설정값은 stride=2, kernel size=2, filter size=8, pool size=2인 것으로 가정하면, 제1 액티베이션 레이어의 출력은 (100 × 32 × 8) 형태의 값이고, 제1 풀링 레이어의 출력은 (100 × 16 × 8) 형태의 값이고, 제2 액티베이션 레이어(블록 923)의 출력은 (100 × 4 × 8) 형태의 값이고, 제2 풀링 레이어(블록 924)의 출력은 (100 × 8 × 8) 형태의 값일 수 있다. 또한, 플래튼 레이어(블록 925)의 출력은 (100 × 64) 형태의 값(특징값)일 수 있다.
단계 S930에서, 가상 계측 장치(100)는 신경망을 기반으로 특징값을 기반으로 제1 예측값을 산출한다. 단계 S930은 제1 예측값 산출부(520)의 동작과 매칭될 수 있다.
단계 S930에서, 신경망은 풀리 커넥티드 레이어(Fully connected Layer), 출력 레이어를 추가로 포함한다. 출력 레이어는 제1 예측값을 출력하고, 제1 예측값은 (100 × 1) 형태의 값일 수 있다.
단계 S940에서, 가상 계측 장치(100)는 특징값을 화이트 박스 알고리즘에 적용하여 제2 예측값 산출한다. 단계 S940은 제2 예측값 산출부(530)의 동작과 매칭될 수 있다.
단계 S940에서, 가상 계측 장치(100)는 플래튼 레이어의 출력인 (100 × 64) 형태의 특징값을 입력 받고, 부트스트랩을 통해 샘플 데이터 셋을 생성하여 화이트 박스 알고리즘에 적용한다(블록 942, 블록 944). 여기서, 부트스트랩은 중복을 허용한 랜덤 샘플링을 통해 데이터 셋을 만드는 방식을 의미한다. 여기서, 데이터 셋은 (100 × 64) 형태의 값일 수 있다.
단계 S940에서, 화이트 박스 알고리즘을 통과한 출력은 화이트 박스 알고리즘의 종류에 따라 상이할 수 있다. 예를 들어, 화이트 박스 알고리즘을 통과한 출력은 대상 타입 데이터, 예측에 필요한 모델 정보 등을 포함할 수 있다.
단계 S940에서, 플래튼 레이어의 출력인 (100 × 64) 형태의 특징값을 학습된 화이트 박스 알고리즘에 대입하여 제2 예측값을 산출할 수 있다. 여기서, 제2 예측값은 (100 × 1) 형태의 값일 수 있다(블록 946).
단계 S950 및 단계 S960에서, 가상 계측 장치(100)는 제1 예측값 및 제2 예측값을 비교하여 학습용 예측값을 산출한다. 구체적으로, 가상 계측 장치(100)는 제1 예측값과 제2 예측값을 비교하여 유사도를 산출하고, 유사도에 따른 가중치를 부여하여 학습용 예측값을 산출한다. 단계 S950 및 단계 S960는 학습용 예측값 산출부(540)의 동작과 매칭될 수 있다.
단계 S950에서, 가상 계측 장치(100)는 피어슨 상관 계수(Pearson Correlation Coefficient)를 기반으로 제1 예측값과 제2 예측값을 비교하여 유사도를 산출할 수 있다(블록 952). 여기서, 단계 S950의 출력값은 (100 × 1) 형태의 값일 수 있다.
단계 S960에서, 가상 계측 장치(100)는 유사도에 따라 기 설정된 가중치(w)를 부여하고(블록 962), 학습용 예측값을 산출한다(블록 964). 여기서, 가중치(w)는 가중치(w)의 합이 1이 되도록 스케일을 조정한 값을 의미하며, 출력값은 (100 × 1) 형태의 값일 수 있다.
단계 S960에서, 가상 계측 장치(100)는 제1 예측값에 가중치를 부여하는 것이 바람직하나 반드시 이에 한정되는 것은 아니며, 제2 예측값에 가중치를 부여하거나, 제1 예측값 및 제2 예측값의 평균값에 가중치를 부여하여 학습용 예측값을 산출할 수도 있다.
도 9b는 가상 계측 장치(100)에서 학습용 예측값을 산출한 후 에러값을 산출하여 학습 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 9b의 S910 내지 S960의 동작은 도 9a의 동작과 동일함에 따라 중복되는 설명의 기재는 생략하도록 한다.
단계 S970에서, 가상 계측 장치(100)는 학습용 예측값에 대한 에러값을 산출한다. 단계 S970은 에러값 산출부(550)의 동작과 매칭될 수 있다.
단계 S970에서, 가상 계측 장치(100)는 학습용 예측값과 시계열 데이터에 포함된 레이블 데이터의 값(실제값)을 이용하여 손실 함수(Loss function)를 계산하여 에러값을 산출한다. 단계 S970에서는 에러값 산출을 위하여 손실 함수(Loss function)를 사용하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니며 회귀 방식에서는 평균 제곱근 오차(RMSE: Root mean square error) 등을 사용할 수도 있다.
단계 S980에서, 가상 계측 장치(100)는 산출된 에러값과 기 설정된 임계치(ε)를 비교하고, 비교 결과를 기반으로 학습 모델을 생성한다. 단계 S980은 학습 모델 생성부(560)의 동작과 매칭될 수 있다.
단계 S980에서, 가상 계측 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 상기 임계치 이상인 경우 특징값 추출을 위한 신경망을 업데이트하는 동작을 반복하여 수행한다. 즉, 에러값이 임계값 이상인 경우, 가상 계측 장치(100)는 백프로파게이션(Backpropagation)을 수행하여 단계 S930 및 단계 S920 순으로 신경망 업데이트를 수행한다. 여기서, 신경망을 업데이트하는 동작은 에러값이 임계치(ε)보다 작은 것으로 판단될 때까지 반복한다.
단계 S980에서, 가상 계측 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 임계치 미만인 경우 학습을 종료하고, 해당 학습용 예측값을 기반으로 학습 모델을 생성한다.
도 10a 및 도 10b는 본 발명의 실시예에 따른 가상 계측 장치의 예측값 및 특징 중요도 산출 동작을 설명하기 위한 예시도이다.
도 10a는 가상 계측 장치(100)에서 기 학습된 학습 모델을 이용하여 최종 예측값을 산출하는 동작을 설명하기 위한 도면이다.
단계 S1010에서, 가상 계측 장치(100)는 신규 시계열 데이터를 획득한다. 단계 S1010은 시계열 데이터 획득부(410)의 동작과 매칭될 수 있다.
단계 S1010에서, 시계열 데이터는 (n × t × m) 형태의 설명 변수에 대한 로우 데이터(Raw data), (n × 1) 형태의 반응변수에 대한 레이블 데이터(Lable data)를 포함할 수 있다. 여기서, n은 학습 데이터 개수, t는 시계열 데이터 길이, m은 시계열 변수의 개수를 의미한다. 예를 들어, 시계열 데이터는 (100 × 64 × 1) 형태의 로우 데이터, (100 × 1) 형태의 레이블 데이터를 포함할 수 있다.
단계 S1020에서, 가상 계측 장치(100)는 신경망을 통해 신규 시계열 데이터에 대한 특징값을 추출한다. 여기서, 가상 계측 장치(100)는 기 학습된 학습 모델에 포함된 신경망을 통해 신규 시계열 데이터에 대한 특징값을 산출할 수 있다. 단계 S1020는 특징값 추출부(710)의 동작과 매칭될 수 있다.
단계 S1030 및 단계 S1040에서, 가상 계측 장치(100)는 산출된 특징값을 기 학습된 학습 모델에 입력시키고, 기 학습된 학습 모델을 통해 최종 예측값을 산출한다. 단계 S1030 및 단계 S1040은 학습 모델 처리부(720), 최종 예측값 산출부(730)의 동작과 매칭될 수 있다.
단계 S1040에서, 가상 계측 장치(100)는 시계열 데이터의 레이블 데이터와 동일한 타입과 길이인 최종 예측값을 산출하여 출력한다 예를 들어, 단계 S1040에서, 가상 계측 장치(100)는 (100 × 1) 형태의 최종 예측값을 출력한다.
도 10b는 가상 계측 장치(100)에서 기 학습된 학습 모델을 이용하여 특징 중요도를 산출하는 동작을 설명하기 위한 도면이다.
도 10b의 S1010 내지 S1030의 동작은 도 10a의 동작과 동일함에 따라 중복되는 설명의 기재는 생략하도록 한다.
단계 S1030 및 단계 S1050에서, 가상 계측 장치(100)는 산출된 특징값을 기 학습된 학습 모델에 입력시키고, 기 학습된 학습 모델을 통해 특징값의 특징 중요도를 산출한다. 단계 S1030 및 단계 S1050은 학습 모델 처리부(720), 중요도 산출부(740)의 동작과 매칭될 수 있다.
단계 S1050에서, 가상 계측 장치(100)는 예측 시 해당 변수가 감소시킨 오차의 크기를 해당 변수 즉 특징값의 설명력으로 판단하고, 설명력에 따라 특징 중요도를 산출할 수 있다.
예를 들어, 단계 S1050에서, 가상 계측 장치(100)는 [표 1]과 같이, 특징값 및 특징 중요도를 산출할 수 있다.
Figure 112020091620093-pat00005
도 10b에서, 단계 S1050은 단계 S1030 이후에 처리되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 도 10a의 단계 S1040을 수행한 이후 추가로 수행될 수도 있다.
이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 공정 제어 시스템
100: 가상 계측 장치 200: 공정 및 계측 장치
110: 입력부 120: 출력부
130: 프로세서 140: 메모리
150: 데이터 베이스
410: 시계열 데이터 획득부 420: 모델 학습 처리부
430: 가상 계측 처리부 440: 가상 계측 결과 출력부

Claims (13)

  1. 가상 계측 장치에서 가상 계측을 수행하는 방법에 있어서,
    시계열 형태의 변수를 포함하는 시계열 데이터를 획득하는 시계열 데이터 획득 단계;
    상기 시계열 데이터에 대한 특징값을 추출하고, 상기 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성하는 모델 학습 처리 단계;
    신규 시계열 데이터를 상기 학습 모델에 적용하여 가상 계측 결과를 산출하는 가상 계측 처리 단계; 및
    상기 가상 계측 결과를 외부 장치로 제공하는 가상 계측 결과 출력 단계를 포함하되,
    상기 모델 학습 처리 단계는, 신경망을 통해 상기 시계열 데이터에 대한 특징값을 추출하는 특징값 추출 단계; 상기 특징값을 기반으로 학습용 예측값을 산출하는 예측값 산출 단계; 및 상기 학습용 예측값을 기반으로 가상 계측 처리를 위한 학습 모델을 생성하는 학습 모델 생성 단계를 포함하며,
    상기 예측값 산출 단계는, 상기 특징값을 기반으로 제1 예측값을 산출하는 제1 예측값 산출 단계; 상기 특징값을 화이트 박스 알고리즘에 대입하여 제2 예측값을 산출하는 제2 예측값 산출 단계; 및 상기 제1 예측값과 상기 제2 예측값을 비교하여 유사도를 산출하고, 상기 유사도에 따른 가중치를 부여하여 학습용 예측값을 산출하는 학습용 예측값 산출 단계를 포함하는 것을 특징으로 하는 가상 계측 방법.
  2. 제1항에 있어서,
    상기 시계열 데이터 획득 단계는,
    시계열 형태의 설명 변수 및 반응 변수를 포함하는 시계열 데이터를 획득하되, 상기 설명 변수는 단변량 또는 다변량에 대한 변수이며, 상기 반응 변수는 연속형 또는 범주형에 대한 변수이며,
    상기 시계열 데이터는 학습 데이터 개수, 시계열 데이터 길이 및 시계열 변수의 개수 중 적어도 하나의 정보를 포함하는 것을 특징으로 하는 가상 계측 방법.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 모델 학습 처리 단계는,
    상기 학습용 예측값에 대한 에러값을 산출하는 에러값 산출 단계를 추가로 포함하며,
    상기 학습 모델 생성 단계는,
    상기 에러값과 기 설정된 임계치를 비교하여, 상기 에러값이 상기 임계치 이상인 경우 상기 특징값 추출을 위한 상기 신경망을 업데이트하는 동작을 반복하고, 상기 에러값이 상기 임계치 미만인 경우 상기 학습 모델을 생성하는 것을 특징으로 하는 가상 계측 방법.
  6. 제1항에 있어서,
    상기 가상 계측 처리 단계는,
    신규 시계열 데이터를 획득하면, 상기 신규 시계열 데이터에 대한 특징값을 추출하는 특징값 추출 단계;
    상기 학습 모델을 이용하여 가상 계측 결과를 산출하는 가상 계측 결과 산출 단계
    를 포함하는 것을 특징으로 하는 가상 계측 방법.
  7. 제6항에 있어서,
    상기 가상 계측 결과 산출 단계는,
    상기 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 상기 학습 모델에 적용하여 최종 예측값을 산출하고, 산출된 상기 최종 예측값을 포함하는 상기 가상 계측 결과를 생성하는 것을 특징으로 하는 가상 계측 방법.
  8. 제6항에 있어서,
    상기 가상 계측 결과 산출 단계는,
    상기 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 상기 학습 모델에 적용하여 상기 특징값에 대한 오차 감소율에 따른 특징 중요도를 산출하고, 산출된 상기 특징 중요도를 포함하는 상기 가상 계측 결과를 생성하는 것을 특징으로 하는 가상 계측 방법.
  9. 가상 계측을 수행하는 장치로서,
    적어도 하나 이상의 프로세서; 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하며, 상기 프로그램들은 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서들에서,
    시계열 형태의 변수를 포함하는 시계열 데이터를 획득하는 시계열 데이터 획득 단계;
    상기 시계열 데이터에 대한 특징값을 추출하고, 상기 특징값을 기반으로 학습용 예측값을 산출하여 학습 모델을 생성하는 모델 학습 처리 단계;
    신규 시계열 데이터를 상기 학습 모델에 적용하여 가상 계측 결과를 산출하는 가상 계측 처리 단계; 및
    상기 가상 계측 결과를 외부 장치로 제공하는 가상 계측 결과 출력 단계를 포함하되,
    상기 모델 학습 처리 단계는, 신경망을 통해 상기 시계열 데이터에 대한 특징값을 추출하는 특징값 추출 단계; 상기 특징값을 기반으로 학습용 예측값을 산출하는 예측값 산출 단계; 및 상기 학습용 예측값을 기반으로 가상 계측 처리를 위한 학습 모델을 생성하는 학습 모델 생성 단계를 포함하며,
    상기 예측값 산출 단계는, 상기 특징값을 기반으로 제1 예측값을 산출하는 제1 예측값 산출 단계; 상기 특징값을 화이트 박스 알고리즘에 대입하여 제2 예측값을 산출하는 제2 예측값 산출 단계; 및 상기 제1 예측값과 상기 제2 예측값을 비교하여 유사도를 산출하고, 상기 유사도에 따른 가중치를 부여하여 학습용 예측값을 산출하는 학습용 예측값 산출 단계를 포함하는 동작들을 수행하게 하는 것을 특징으로 하는 가상 계측 장치.
  10. 제9항에 있어서,
    상기 모델 학습 처리 단계는,
    상기 학습용 예측값에 대한 에러값을 산출하는 에러값 산출 단계를 추가로 포함하며,
    상기 학습 모델 생성 단계는,
    상기 에러값과 기 설정된 임계치를 비교하여, 상기 에러값이 상기 임계치 이상인 경우 상기 특징값 추출을 위한 상기 신경망을 업데이트하는 동작을 반복하고, 상기 에러값이 상기 임계치 미만인 경우 상기 학습 모델을 생성하는 것을 특징으로 하는 가상 계측 장치.
  11. 삭제
  12. 제9항에 있어서,
    상기 가상 계측 처리 단계는,
    신규 시계열 데이터를 획득하면, 상기 신규 시계열 데이터에 대한 특징값을 추출하는 특징값 추출 단계;
    상기 학습 모델을 이용하여 가상 계측 결과를 산출하는 가상 계측 결과 산출 단계
    를 포함하는 것을 특징으로 하는 가상 계측 장치.
  13. 제12항에 있어서,
    상기 가상 계측 결과 산출 단계는,
    상기 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 상기 학습 모델에 적용하여 최종 예측값을 산출하는 동작 및 상기 신규 시계열 데이터에 대한 특징값을 화이트 박스 알고리즘 기반의 상기 학습 모델에 적용하여 상기 특징값에 대한 오차 감소율에 따른 특징 중요도를 산출하는 동작 중 적어도 하나의 동작을 수행하여 상기 최종 예측값 및 상기 특징 중요도 중 적어도 하나를 포함하는 상기 가상 계측 결과를 생성하는 것을 특징으로 하는 가상 계측 장치.
KR1020200110112A 2020-08-31 2020-08-31 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치 KR102486460B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200110112A KR102486460B1 (ko) 2020-08-31 2020-08-31 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200110112A KR102486460B1 (ko) 2020-08-31 2020-08-31 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치

Publications (2)

Publication Number Publication Date
KR20220028724A KR20220028724A (ko) 2022-03-08
KR102486460B1 true KR102486460B1 (ko) 2023-01-09

Family

ID=80812891

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200110112A KR102486460B1 (ko) 2020-08-31 2020-08-31 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치

Country Status (1)

Country Link
KR (1) KR102486460B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240039729A (ko) 2022-09-20 2024-03-27 고려대학교 산학협력단 Sacae와 tcn을 이용한 다변량 대 다변량 시계열 데이터 예측 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020111258A1 (ja) * 2018-11-30 2020-06-04 東京エレクトロン株式会社 仮想測定装置、仮想測定方法及び仮想測定プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001148A (ko) * 2007-06-29 2009-01-08 삼성전자주식회사 가상 계측 시스템 및 가상 계측 방법
KR20140011064A (ko) * 2012-07-17 2014-01-28 서울과학기술대학교 산학협력단 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020111258A1 (ja) * 2018-11-30 2020-06-04 東京エレクトロン株式会社 仮想測定装置、仮想測定方法及び仮想測定プログラム

Also Published As

Publication number Publication date
KR20220028724A (ko) 2022-03-08

Similar Documents

Publication Publication Date Title
Gauci et al. Horizon: Facebook's open source applied reinforcement learning platform
Corizzo et al. Scalable auto-encoders for gravitational waves detection from time series data
US20220164394A1 (en) System and methods for faster processor comparisons of visual graph features
CN113411216B (zh) 基于离散小波变换和fa-elm的网络流量预测方法
US20220121934A1 (en) Identifying neural networks that generate disentangled representations
TWI803659B (zh) 量子位元檢測系統及檢測方法
US20200387520A1 (en) Methods and Systems for Wavelet Based Representation
Iturbide et al. A comparison between LARS and LASSO for initialising the time-series forecasting auto-regressive equations
CN115238855A (zh) 基于图神经网络的时序知识图谱的补全方法及相关设备
Ristanto et al. Machine learning applied to multiphase production problems
KR102486460B1 (ko) 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
CN111060652A (zh) 基于长短期记忆网络的变压器油中溶解气体浓度预测方法
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
KR102486461B1 (ko) 시계열 데이터의 특징값을 기반으로 예측값 및 시계열 구간별 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
CN110045691B (zh) 一种多源异构大数据的多任务处理故障监测方法
CN117131452A (zh) 基于归一化流和贝叶斯网络的异常检测方法及系统
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
Matos et al. A comparison of machine learning approaches for predicting in-car display production quality
Wang et al. Novel SiameseAE network for industrial process slow feature extraction and soft sensing applications
US10983492B1 (en) Adaptive PMU missing data recovery method
CN114137915A (zh) 一种工业设备的故障诊断方法
Li et al. Research on recommendation algorithm based on e-commerce user behavior sequence
CN111695989A (zh) 一种风控信贷模型的建模方法和平台
CN113537637B (zh) 基于门控循环单元的地震破坏力预测方法及装置
KR102486462B1 (ko) 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치

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