KR102486463B1 - Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation - Google Patents

Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation Download PDF

Info

Publication number
KR102486463B1
KR102486463B1 KR1020200110115A KR20200110115A KR102486463B1 KR 102486463 B1 KR102486463 B1 KR 102486463B1 KR 1020200110115 A KR1020200110115 A KR 1020200110115A KR 20200110115 A KR20200110115 A KR 20200110115A KR 102486463 B1 KR102486463 B1 KR 102486463B1
Authority
KR
South Korea
Prior art keywords
time
series data
anomaly detection
data
real
Prior art date
Application number
KR1020200110115A
Other languages
Korean (ko)
Other versions
KR20220028727A (en
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 KR1020200110115A priority Critical patent/KR102486463B1/en
Publication of KR20220028727A publication Critical patent/KR20220028727A/en
Application granted granted Critical
Publication of KR102486463B1 publication Critical patent/KR102486463B1/en

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
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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

열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치를 개시한다.
본 발명의 실시예에 따른 이상 감지 방법은, 시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및 상기 이상 감지 결과를 외부 장치로 제공하는 이상 감지 결과 출력 단계를 포함할 수 있다. 를 포함할 수 있다. Disclosed is a real-time anomaly detection method using time-series data according to degradation and an apparatus therefor.
An anomaly detection method according to an embodiment of the present invention includes a time-series data acquisition step of acquiring time-series data arranged in chronological order; a model learning process step of extracting at least one feature value for the time-series data and generating a learning model for anomaly detection based on the at least one feature value; Acquire new time series data, apply the new time series data to the learning model to calculate predicted time series data for the next time point, and calculate anomaly detection results in real time based on the collected real-time anomaly detection data and the predicted time series data an anomaly detection processing step; and an abnormality detection result output step of providing the abnormality detection result to an external device. can include

Description

열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치{Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation}Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation

본 발명은 열화에 따른 시계열 데이터를 이용하여 실시간 이상 감지를 처리하는 방법 및 그를 위한 장치에 관한 것이다. The present invention relates to a method for processing real-time anomaly detection using time-series data according to degradation and an apparatus therefor.

이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The contents described in this section simply provide background information on the embodiments of the present invention and do not constitute prior art.

반도체 또는 평판디스플레이(FPD: Flat panel display)등의 제품 생산은 수 많은 제조 공정으로 이루어져 있으며, 최근에는 공정에서 발생하는 이상을 감지하기 위한 이상 감지(Fault Detection & Classification) 동작에 대한 연구가 활발히 진행되고 있다. 공정에서 발생하는 이상(Fault)은 외부적인 영향이나 내부적인 영향에 따라 화학적 및 물리적 성질이 나빠지는 열화 요소(degradation factor)에 의해 발생할 수 있다. The production of products such as semiconductors or flat panel displays (FPDs) consists of numerous manufacturing processes, and recently, studies on fault detection & classification operations to detect abnormalities occurring in the process have been actively conducted. It is becoming. Faults occurring in the process may be caused by degradation factors that deteriorate chemical and physical properties due to external or internal influences.

이상 감지 동작은 반도체 또는 평판디스플레이 제조산업에서 실시간으로 장비의 센서 데이터를 모니터링하고 분석함으로써 프로세스의 이상을 감지하고, 발생하는 이상을 식별하며, 결함의 근본 원인을 신속하게 분류하여 장비 활용을 극대화할 수 있다. The anomaly detection operation detects an anomaly in the process by monitoring and analyzing the sensor data of the equipment in real time in the semiconductor or flat panel display manufacturing industry, identifies the anomaly that occurs, and quickly classifies the root cause of the defect to maximize equipment utilization. can

일반적인 이상 감지는 공정에 대한 시계열 데이터의 패턴을 학습하여 정상일 경우 예상되는 영역을 산출하고 실제값이 이를 벗어났을 때 이상으로 판단한다. 시계열 데이터의 패턴을 학습할 때는 주로 과거의 정상 시계열 데이터 셋을 학습 모델에 대입하여 진행하며, 주로 통계 분포를 기반으로 한 알고리즘을 활용한다. General anomaly detection learns the pattern of time series data for a process, calculates an expected area when it is normal, and judges it as an anomaly when the actual value deviates from it. When learning the pattern of time series data, it is mainly performed by substituting the past stationary time series data set into the learning model, and an algorithm based on statistical distribution is mainly used.

하지만, 대부분 모델이 데이터 셋들의 변화 양상을 스스로 파악하여 이상 감지를 할 수 없다. 또한, 공정에서는 열화 현상이 흔히 나타나지만 열화 데이터 역시 정상(normal) 공정으로 판단되는 경우가 많으며, 열화 현상에 대해 이상 감지 모델이 학습하지 않은 경우 공정 이상으로 잘못된 감지를 할 수도 있다.However, most models cannot detect anomalies by identifying the changing patterns of data sets on their own. In addition, although deterioration often occurs in the process, degradation data is also often determined to be a normal process, and when the anomaly detection model has not learned about the deterioration, an erroneous detection of a process anomaly may occur.

본 발명은 과거 이상 감지 이력을 기반으로 열화에 따른 패턴 학습을 수행하여 학습 모델을 생성하고, 학습된 학습 모델을 기반으로 실시간으로 수집되는 시계열 데이터를 이용하여 이상을 감지하는 방법 및 그에 따른 장치를 제공하는 데 주된 목적이 있다.The present invention provides a method and apparatus for generating a learning model by performing pattern learning according to deterioration based on past anomaly detection history and detecting an anomaly using time-series data collected in real time based on the learned learning model. Its main purpose is to provide

본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 이상 감지 방법은, 시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및 상기 이상 감지 결과를 외부 장치로 제공하는 이상 감지 결과 출력 단계를 포함할 수 있다. According to one aspect of the present invention, an abnormality detection method for achieving the above object includes a time-series data acquisition step of obtaining time-series data arranged in chronological order; a model learning process step of extracting at least one feature value for the time-series data and generating a learning model for anomaly detection based on the at least one feature value; Acquire new time series data, apply the new time series data to the learning model to calculate predicted time series data for the next time point, and calculate anomaly detection results in real time based on the collected real-time anomaly detection data and the predicted time series data an anomaly detection processing step; and an abnormality detection result output step of providing the abnormality detection result to an external device.

또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 이상 감지 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, 시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및 상기 이상 감지 결과를 외부 장치로 제공하는 이상 감지 결과 출력 단계를 포함하는 동작들을 수행하게 할 수 있다. In addition, according to another aspect of the present invention, an abnormality detection device for achieving the above object includes at least one processor; and a memory for storing one or more programs executed by the processor, and when the programs are executed by the one or more processors, a time-series data acquisition step of acquiring time-series data arranged in chronological order in the one or more processors; a model learning process step of extracting at least one feature value for the time-series data and generating a learning model for anomaly detection based on the at least one feature value; Acquire new time series data, apply the new time series data to the learning model to calculate predicted time series data for the next time point, and calculate anomaly detection results in real time based on the collected real-time anomaly detection data and the predicted time series data an anomaly detection processing step; and an abnormality detection result output step of providing the abnormality detection result to an external device.

이상에서 설명한 바와 같이, 본 발명은 사용자의 개입 없이 시계열 데이터를 기반으로 공정에 대한 실시간 이상 감지를 수행할 수 있는 효과가 있다. As described above, the present invention has an effect of performing real-time anomaly detection for a process based on time-series data without user intervention.

또한, 본 발명은 시계열 데이터에 포함된 데이터 셋이 변화하는 추세를 알고리즘이 스스로 파악하고 변화 추세에 따라 조정한 정상 범위를 이용하여 실시간 이상감지를 수행할 수 있는 효과가 있다. In addition, the present invention has an effect of performing real-time anomaly detection using a normal range adjusted according to the changing trend of the data set included in the time-series data by the algorithm itself.

또한, 본 발명은 시간이 지남에 따라 열화 현상이 발생하는 장비의 데이터에 대한 정상 범위에 대응되도록 공정 범위를 조정하여 실시간 이상 감지의 성능을 향상시킬 수 있는 효과가 있다. In addition, the present invention has an effect of improving real-time abnormality detection performance by adjusting a process range to correspond to a normal range for data of equipment in which deterioration occurs over time.

도 1은 본 발명의 실시예에 따른 이상 감지 시스템을 개략적으로 나타낸 블록 구성도이다.
도 2는 본 발명의 실시예에 따른 이상 감지 장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 발명의 실시예에 따른 이상 감지 장치의 프로세서 동작을 설명하기 위한 블록 구성도이다.
도 4는 본 발명의 실시예에 따른 모델 학습 처리부를 개략적으로 나타낸 블록 구성도이다.
도 5는 본 발명의 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법을 설명하기 위한 순서도이다.
도 6은 본 발명의 실시예에 따른 이상 감지 처리부를 개략적으로 나타낸 블록 구성도이다.
도 7은 본 발명의 실시예에 따른 학습 모델을 이용한 이상 감지 방법을 설명하기 위한 순서도이다.
도 8은 본 발명의 실시예에 따른 이상 감지 결과 산출부를 개략적으로 나타낸 블록 구성도이다.
도 9는 본 발명의 실시예에 따른 실시간 이상 감지 방법을 설명하기 위한 순서도이다.
도 10a 및 도 10b는 종래의 문제점 및 본 발명의 실시예에 따른 이상 감지 동작을 설명하기 위한 예시도이다.
도 11는 본 발명의 실시예에 따른 이상 감지 장치의 이상 감지 동작을 설명하기 위한 예시도이다.
도 12는 본 발명의 실시예에 따른 이상 감지 장치의 실시간 이상 감지 동작을 설명하기 위한 예시도이다.1 is a schematic block diagram of an anomaly detection system according to an embodiment of the present invention.
2 is a schematic block diagram of an anomaly detection device according to an embodiment of the present invention.
3 is a block diagram illustrating a processor operation of an anomaly detection device according to an embodiment of the present invention.
4 is a block diagram schematically showing a model learning processing unit according to an embodiment of the present invention.
5 is a flowchart for explaining an anomaly detection method for model learning process according to an embodiment of the present invention.
6 is a schematic block diagram of an anomaly detection processing unit according to an embodiment of the present invention.
7 is a flowchart illustrating a method for detecting an anomaly using a learning model according to an embodiment of the present invention.
8 is a block diagram schematically illustrating an anomaly detection result calculation unit according to an embodiment of the present invention.
9 is a flowchart illustrating a real-time anomaly detection method according to an embodiment of the present invention.
10A and 10B are exemplary diagrams for explaining a conventional problem and an anomaly detection operation according to an embodiment of the present invention.
11 is an exemplary diagram for explaining an anomaly detection operation of an anomaly detection device according to an embodiment of the present invention.
12 is an exemplary diagram for explaining a real-time anomaly detection operation of an anomaly detection device according to an embodiment of the present invention.

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 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description will be omitted. In addition, although preferred embodiments of the present invention will be described below, the technical idea of the present invention is not limited or limited thereto and can be modified and implemented in various ways by those skilled in the art. Hereinafter, an anomaly detection method using pattern learning according to deterioration proposed in the present invention and an apparatus therefor will be described in detail with reference to the drawings.

도 1은 본 발명의 실시예에 따른 이상 감지 시스템을 개략적으로 나타낸 블록 구성도이다.1 is a schematic block diagram of an anomaly detection system according to an embodiment of the present invention.

본 실시예에 따른 이상 감지 시스템(10)은 이상 감지 장치(100) 및 공정 장치(200)를 포함한다. 도 1의 이상 감지 시스템(10)은 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 시스템(10)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 예를 들어, 이상 감지 시스템(10)은 시계열 데이터를 제공하는 데이터 제공장치(미도시) 또는 공정 장치(200)의 데이터를 센싱하여 시계열 데이터로 제공하는 장비 제어 어플리케이션 모듈(예: EAP(Equipment Automation Process)) 등을 추가로 포함할 수 있다. An anomaly detection system 10 according to the present embodiment includes an anomaly detection device 100 and a process device 200 . The anomaly detection system 10 of FIG. 1 is according to an embodiment, and all blocks shown in FIG. 1 are not essential components, and some blocks included in the anomaly detection system 10 in another embodiment are added or changed. or can be deleted. For example, the anomaly detection system 10 may sense a data providing device (not shown) providing time series data or an equipment control application module (e.g. EAP (Equipment Automation) that senses data of the process device 200 and provides time series data Process)) and the like may be additionally included.

본 실시예에 따른 이상 감지 시스템(10)은 반도체 또는 평판디스플레이(FPD: Flat panel display)등의 제품을 생산하기 위한 적어도 하나의 공정에 대한 이상 감지를 수행하는 시스템인 것이 바람직하나 반드시 이에 한정되는 것은 아니며, 시계열 데이터를 기반으로 이상 감지를 수행하기 위한 학습 모델이 적용 가능한 다양한 분야의 시스템 중 하나일 수 있다.The anomaly detection system 10 according to the present embodiment is preferably a system that detects anomalies in at least one process for producing products such as semiconductors or flat panel displays (FPDs), but is necessarily limited thereto. It is not, and a learning model for performing anomaly detection based on time-series data may be one of systems in various fields to which it is applicable.

이상 감지 시스템(10)의 이상 감지 장치(100) 및 공정 장치(200)는 시계열 데이터를 기반으로 동작할 수 있으며, 시계열 데이터는 공정 과정에서 생성 또는 센싱된 데이터일 수 있으며, 센서 데이터, 이전 시점의 공정 조건 데이터, 이전 시점의 실 계측 데이터 등일 수 있다. 여기서, 시계열 데이터는 복수의 데이터 셋을 포함하는 형태로 구현될 수 있다. The anomaly detection device 100 and the process device 200 of the anomaly detection system 10 may operate based on time-series data, and the time-series data may be data generated or sensed during a process, sensor data, a previous point in time. It may be process condition data of, actual measurement data at a previous point in time, and the like. Here, time series data may be implemented in a form including a plurality of data sets.

이상 감지 장치(100)는 과거 이상 감지 이력을 기반으로 열화에 따른 패턴 학습을 수행하여 학습 모델을 생성하고, 학습된 학습 모델을 기반으로 실시간으로 수집되는 시계열 데이터의 이상을 감지하는 동작을 수행한다. The anomaly detection device 100 generates a learning model by performing pattern learning according to deterioration based on past anomaly detection histories, and performs an operation of detecting anomalies in time-series data collected in real time based on the learned learning model. .

구체적으로, 이상 감지 장치(100)는 공정에 대한 시계열 데이터를 획득하고, 획득된 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성한다. Specifically, the anomaly detection apparatus 100 acquires time-series data for a process, extracts at least one feature value for the obtained time-series data, and generates a learning model for detecting anomaly based on the at least one feature value. do.

또한, 이상 감지 장치(100)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 기 생성된 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 산출된 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출하여 출력한다. In addition, the anomaly detection device 100 acquires new time series data, applies the new time series data to a pre-generated learning model to calculate predicted time series data of the next point in time, and generates an anomaly detection result based on the calculated predicted time series data. Calculate and output.

이상 감지 장치(100)는 생성된 이상 감지 결과를 공정 장치(200) 또는 공정 장치(200)과 연동하는 별도의 장치 또는 단말기로 제공한다. The abnormality detection device 100 provides the generated abnormality detection result to the process device 200 or a separate device or terminal interworking with the process device 200 .

공정 장치(200)는 반도체 또는 평판디스플레이 등의 제품을 생성하기 위한 공정을 수행하는 장치를 의미한다. 공정 장치(200)는 공정이 진행될 때 주기적으로 실제 계측을 실시할 수 있으며, 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 조정하여 공정을 처리한다. The process device 200 refers to a device that performs a process for producing products such as semiconductors or flat panel displays. The process device 200 may periodically perform actual measurement while the process is in progress, and if the actual measured value is within a preset reference value, the process is performed under the current process condition, and the actual measured value is outside the preset reference value or a predetermined value. If it is determined that a change in process conditions is necessary according to the criteria of, the process is processed by adjusting the process conditions.

공정 장치(200)는 외부적인 영향이나 내부적인 영향에 따라 화학적 및 물리적 성질이 나빠지는 열화 요소(degradation factor)에 의해 공정에서 이상(Fault)이 발생할 수 있으며, 이상 감지 장치(100)에서 생성된 이상 감지 결과에 근거하여 공정 조건이 조정될 수 있다. In the process device 200, a fault may occur in the process due to a degradation factor in which chemical and physical properties deteriorate due to external or internal influences, and the fault detection device 100 generates Process conditions may be adjusted based on anomaly detection results.

도 2는 본 발명의 실시예에 따른 이상 감지 장치를 개략적으로 나타낸 블록 구성도이다.2 is a schematic block diagram of an anomaly detection device according to an embodiment of the present invention.

본 실시예에 따른 이상 감지 장치(100)는 입력부(110), 출력부(120), 프로세서(130), 메모리(140) 및 데이터 베이스(150)를 포함한다. 도 2의 이상 감지 장치(100)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 이상 감지 장치(100)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.An abnormality detection device 100 according to the present embodiment includes an input unit 110, an output unit 120, a processor 130, a memory 140, and a database 150. The anomaly detection device 100 of FIG. 2 is according to an embodiment, and all blocks shown in FIG. 2 are not essential components, and some blocks included in the anomaly detection device 100 in another embodiment are added or changed. or can be deleted. Meanwhile, the anomaly detection device 100 may be implemented as a computing device, and each component included in the anomaly detection device 100 may be implemented as a separate software program or a separate hardware device combined with software. can

이상 감지 장치(100)는 과거 이상 감지 이력을 기반으로 열화에 따른 패턴 학습을 수행하여 학습 모델을 생성하고, 학습된 학습 모델을 기반으로 실시간으로 수집되는 시계열 데이터의 이상을 감지하는 동작을 수행한다.The anomaly detection device 100 generates a learning model by performing pattern learning according to deterioration based on past anomaly detection histories, and performs an operation of detecting anomalies in time-series data collected in real time based on the learned learning model. .

입력부(110)는 이상 감지 장치(100)에서 패턴 학습 및 이상 감지 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. The input unit 110 means means for inputting or acquiring signals or data for performing pattern learning and anomaly detection operations in the anomaly detection device 100 . The input unit 110 may interwork with the processor 130 to input various types of signals or data, or acquire signals or data through interworking with an external device and transmit them to the processor 130 . Here, the input unit 110 may be implemented as a module for inputting input variables, time-series data, learning conditions, virtual measurement performance conditions, etc., but is not necessarily limited thereto.

출력부(120)는 프로세서(130)와 연동하여 학습 결과, 이상 감지 결과 등의 다양한 정보를 출력할 수 있다. 출력부(120)는 이상 감지 장치(100)에 구비된 디스플레이(미도시)를 통해 다양한 정보를 출력할 수 있으나 반드시 이에 한정되는 것은 아니며, 공정 장치(200) 또는 사용자 단말기와 연동하는 방식과 같이 다양한 형태의 방식으로 출력을 수행할 수 있다. The output unit 120 may output various information such as learning results and abnormality detection results in conjunction with the processor 130 . The output unit 120 may output various information through a display (not shown) provided in the abnormality detection device 100, but is not necessarily limited thereto. Output can be performed in a variety of forms.

프로세서(130)는 메모리(140)에 포함된 적어도 하나의 명령어 또는 프로그램을 실행시키는 기능을 수행한다.The processor 130 performs a function of executing at least one instruction or program included in the memory 140 .

본 실시예에 따른 프로세서(130)는 입력부(110) 또는 데이터 베이스(150)로부터 획득된 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 동작을 수행한다. The processor 130 according to the present embodiment extracts at least one feature value for time-series data acquired from the input unit 110 or the database 150, and a learning model for anomaly detection based on the at least one feature value. perform an operation that creates

또한, 프로세서(130)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 기 생성된 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 산출된 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출하는 동작을 수행한다. 본 실시예에 따른 프로세서(130)의 자세한 동작은 도 3 내지 7을 통해 설명하도록 한다. In addition, the processor 130 obtains new time series data, applies the new time series data to a pre-generated learning model to calculate predicted time series data of the next time point, and calculates an anomaly detection result based on the calculated predicted time series data. perform the action Detailed operations of the processor 130 according to this embodiment will be described with reference to FIGS. 3 to 7 .

메모리(140)는 프로세서(130)에 의해 실행 가능한 적어도 하나의 명령어 또는 프로그램을 포함한다. 메모리(140)는 학습 모델을 생성하는 동작, 예측 시계열 데이터를 산출하는 동작, 이상 감지 결과를 생성하는 동작 등을 위한 명령어 또는 프로그램을 포함할 수 있다. The memory 140 includes at least one instruction or program executable by the processor 130 . The memory 140 may include commands or programs for an operation of generating a learning model, an operation of calculating predicted time-series data, an operation of generating an anomaly detection result, and the like.

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.The database 150 refers to a general data structure implemented in the storage space (hard disk or memory) of a computer system using a database management program (DBMS), and searches (extracts), deletes, edits, adds, etc. of data. It refers to a data storage format that can be freely operated, and is a relational database management system (RDBMS) such as Oracle, Informix, Sybase, and DB2, Gemston, Orion ), object-oriented database management systems (OODBMS) such as O2, and XML Native Databases such as Excelon, Tamino, and Sekaiju. It can be implemented according to , and has appropriate fields or elements to achieve its function.

본 실시예에 따른 데이터베이스(150)는 시계열 데이터, 학습 모델 생성, 이상 감지 결과 산출 등과 관련된 데이터를 저장하고, 기 저장된 시계열 데이터, 학습 모델 생성, 이상 감지 결과 산출 등과 관련된 데이터를 제공할 수 있다. The database 150 according to the present embodiment may store data related to time series data, generation of a learning model, calculation of anomaly detection results, etc., and may provide data related to previously stored time series data, creation of a learning model, calculation of anomaly detection results, etc.

데이터베이스(150)에 저장된 시계열 데이터는 센서 데이터, 이전 시점의 공정 조건 데이터, 이전 시점의 실 계측 데이터 등일 수 있다. 데이터베이스(150)는 이상 감지 장치(100) 내에 구현되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 별도의 데이터 저장장치로 구현될 수도 있다.The time series data stored in the database 150 may be sensor data, process condition data at a previous time point, actual measurement data at a previous time point, and the like. Although the database 150 is described as being implemented in the anomaly detection device 100, it is not necessarily limited thereto and may be implemented as a separate data storage device.

도 3은 본 발명의 실시예에 따른 이상 감지 장치의 프로세서 동작을 설명하기 위한 블록 구성도이다. 3 is a block diagram illustrating a processor operation of an anomaly detection device according to an embodiment of the present invention.

본 실시예에 따른 이상 감지 장치(100)의 프로세서(130)는 시계열 데이터 획득부(310), 모델 학습 처리부(320), 이상 감지 처리부(330), 이상 감지 결과 출력부(340)를 포함할 수 있다. 도 3에서 이상 감지 장치(100)의 프로세서(130)는 일 실시예에 따른 것으로서, 도 3에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 프로세서(130)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 이상 감지 장치(100)의 프로세서(130)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 장치로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.The processor 130 of the anomaly detection device 100 according to the present embodiment may include a time-series data acquisition unit 310, a model learning processing unit 320, an anomaly detection processing unit 330, and an anomaly detection result output unit 340. can In FIG. 3, the processor 130 of the anomaly detection device 100 is according to an embodiment, and all blocks shown in FIG. 3 are not essential components, and some blocks included in the processor 130 in another embodiment are may be added, changed or deleted. Meanwhile, the anomaly detection device 100 may be implemented as a computing device, and each component included in the processor 130 of the anomaly detection device 100 is implemented as a separate software device or a separate software device. It can be implemented as a hardware device.

시계열 데이터 획득부(310)는 시간순으로 정렬된 시계열 데이터를 획득하는 동작을 수행한다. 시계열 데이터 획득부(310)는 제조 공정과 관련된 정보가 과거 이력 순으로 정렬된 시계열 데이터를 획득한다. 여기서, 시계열 데이터는 서로 다른 시점에 대한 복수의 데이터 셋을 포함할 수 있다. The time series data acquiring unit 310 performs an operation of acquiring time series data sorted in chronological order. The time-series data acquisition unit 310 obtains time-series data in which information related to the manufacturing process is arranged in order of past history. Here, the time series data may include a plurality of data sets for different time points.

시계열 데이터는 외부 장치(미도시), 별도의 저장부(미도시)로부터 획득하거나 사용자의 조작에 의해 획득할 수 있다.Time-series data may be obtained from an external device (not shown), a separate storage unit (not shown), or may be obtained by a user's manipulation.

모델 학습 처리부(320)는 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성한다. The model learning processing unit 320 extracts at least one feature value for time series data and creates a learning model for anomaly detection based on the at least one feature value.

모델 학습 처리부(320)는 적어도 3 개의 서로 다른 형태의 신경망을 이용하여 학습 모델을 생성할 수 있으나 반드시 이에 한정되는 것은 아니다. The model learning processing unit 320 may generate a learning model using at least three different types of neural networks, but is not necessarily limited thereto.

모델 학습 처리부(320)에 대한 구체적인 설명은 도 4에서 자세히 기재하도록 한다.A detailed description of the model learning processing unit 320 will be described in detail in FIG. 4 .

이상 감지 처리부(330)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출한다. The anomaly detection processing unit 330 obtains new time series data, applies the new time series data to a learning model, calculates predicted time series data of the next time point, and calculates an anomaly detection result based on the predicted time series data.

이상 감지 처리부(330)는 적어도 3 개의 서로 다른 신경망을 포함하는 학습 모델을 이용하여 적어도 하나의 특징값 및 예측 시계열 데이터를 산출하여 이상 감지 결과를 생성할 수 있으나 반드시 이에 한정되는 것은 아니다. The anomaly detection processing unit 330 may generate an anomaly detection result by calculating at least one feature value and predicted time-series data using a learning model including at least three different neural networks, but is not limited thereto.

이상 감지 처리부(330)에 대한 구체적인 설명은 도 6에서 자세히 기재하도록 한다.A detailed description of the anomaly detection processing unit 330 will be described in detail in FIG. 6 .

이상 감지 결과 출력부(340)는 산출된 이상 감지 결과를 외부 장치로 제공하는 동작을 수행한다. The anomaly detection result output unit 340 performs an operation of providing the calculated anomaly detection result to an external device.

이상 감지 결과 출력부(340)는 이상 감지 결과를 공정 장치(200)로 제공할 수 있으나 반드시 이에 한정되는 것은 아니며, 공정 장치(200)와 연동하는 별도의 제어장치 또는 사용자 단말기로 이상 감지 결과를 제공할 수 있다.The abnormality detection result output unit 340 may provide the abnormality detection result to the process device 200, but is not necessarily limited thereto. can provide

도 4는 본 발명의 실시예에 따른 모델 학습 처리부를 개략적으로 나타낸 블록 구성도이다.4 is a block diagram schematically showing a model learning processing unit according to an embodiment of the present invention.

모델 학습 처리부(320)는 제1 특징값 산출부(410), 제2 특징값 산출부(420), 데이터 복원부(430) 및 학습 모델 생성부(440)를 포함한다. 도 4의 모델 학습 처리부(320)는 일 실시예에 따른 것으로서, 도 4에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 모델 학습 처리부(320)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 모델 학습 처리부(320)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.The model learning processing unit 320 includes a first feature value calculation unit 410, a second feature value calculation unit 420, a data restoration unit 430, and a learning model generation unit 440. The model learning processing unit 320 of FIG. 4 is according to an embodiment, and all blocks shown in FIG. 4 are not essential components, and in another embodiment, some blocks included in the model learning processing unit 320 are added or changed. or can be deleted. Meanwhile, each component included in the model learning processing unit 320 may be implemented as a separate software program or a separate hardware device combined with software.

모델 학습 처리부(320)는 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성한다. The model learning processing unit 320 extracts at least one feature value for time series data and creates a learning model for anomaly detection based on the at least one feature value.

제1 특징값 산출부(410)는 제1 신경망을 통해 시계열 데이터에 대한 제1 특징값을 산출한다. The first feature value calculating unit 410 calculates a first feature value for time series data through a first neural network.

제1 특징값 산출부(410)는 컨볼루션 신경망(CNN: convolutional neural network)을 포함하는 제1 신경망을 통해 시간에 따라 변화하는 제1 특징값을 산출할 수 있다. The first feature value calculation unit 410 may calculate a first feature value that changes over time through a first neural network including a convolutional neural network (CNN).

제2 특징값 산출부(420)는 제2 신경망을 통해 제1 특징값을 기반으로 제2 특징값을 산출한다. The second feature value calculator 420 calculates a second feature value based on the first feature value through a second neural network.

제2 특징값 산출부(420)는 순환 신경망(RNN: Recurrent Neural Network)을 포함하는 제2 신경망을 통해 시계열 데이터에 포함된 서로 다른 시점의 데이터 셋의 변화 양상에 대한 제2 특징값을 산출할 수 있다. The second feature value calculation unit 420 calculates second feature values for changes in the data set at different points in time included in the time series data through a second neural network including a recurrent neural network (RNN). can

데이터 복원부(430)는 제3 신경망을 통해 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 복원 시계열 데이터를 생성한다. The data restoration unit 430 restores the time-series data based on the second characteristic value through the third neural network to generate restored time-series data.

데이터 복원부(430)는 역컨볼루션 신경망(Deconvolutional Neural Network)을 포함하는 제3 신경망을 통해 제2 특징값을 기반으로 시계열 데이터와 동일한 형태의 복원 시계열 데이터를 생성할 수 있다. The data restoration unit 430 may generate restored time series data having the same form as the time series data based on the second feature value through a third neural network including a deconvolutional neural network.

학습 모델 생성부(440)는 시계열 데이터와 복원 시계열 데이터를 비교하고, 비교 결과에 근거하여 이상 감지를 위한 학습 모델을 생성한다. The learning model generating unit 440 compares the time series data with the restored time series data and creates a learning model for anomaly detection based on the comparison result.

학습 모델 생성부(440)는 시계열 데이터와 복원 시계열 데이터를 비교하여 에러값을 산출하고, 에러값이 임계치 이상인 경우 이상 감지를 위한 제1 신경망, 제2 신경망 및 제3 신경망을 업데이트하는 동작을 반복하여 수행한다. 즉, 학습 모델 생성부(440)는 에러값이 임계값 이상인 경우, 제1 신경망, 제2 신경망 및 제3 신경망에 대한 백프로파게이션(Backpropagation)을 수행한다. The learning model generating unit 440 compares the time series data with the restored time series data to calculate an error value, and if the error value is greater than a threshold value, repeats an operation of updating the first neural network, the second neural network, and the third neural network for anomaly detection. Do it. That is, the learning model generation unit 440 performs backpropagation on the first neural network, the second neural network, and the third neural network when the error value is greater than or equal to the threshold value.

한편, 학습 모델 생성부(440)는 에러값이 임계치 미만인 경우 제1 신경망, 제2 신경망 및 제3 신경망을 포함하는 학습 모델을 생성한다. Meanwhile, the learning model generating unit 440 generates a learning model including a first neural network, a second neural network, and a third neural network when the error value is less than the threshold value.

도 5는 본 발명의 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법을 설명하기 위한 순서도이다. 5 is a flowchart for explaining an anomaly detection method for model learning process according to an embodiment of the present invention.

이상 감지 장치(100)는 초기 시계열 데이터를 획득한다(S510).The anomaly detection device 100 acquires initial time-series data (S510).

이상 감지 장치(100)는 초기 시계열 데이터에 대한 제1 특징값을 산출한다(S520).The anomaly detection device 100 calculates first feature values for the initial time-series data (S520).

이상 감지 장치(100)는 제1 특징값을 기반으로 제2 특징값을 산출한다(S530).The anomaly detecting apparatus 100 calculates a second feature value based on the first feature value (S530).

이상 감지 장치(100)는 제2 특징값을 초기 시계열 데이터와 동일한 형태로 복원 처리하여 복원 시계열 데이터를 생성한다(S540).The anomaly detection apparatus 100 restores the second characteristic value to the same form as the initial time series data to generate restored time series data (S540).

이상 감지 장치(100)는 초기 시계열 데이터 및 복원 시계열 데이터를 비교하여 에러값 및 잔차값을 산출한다(S550).The anomaly detection apparatus 100 compares the initial time series data and the restored time series data to calculate an error value and a residual value (S550).

이상 감지 장치(100)는 산출된 에러값과 기 설정된 임계치를 비교한다(S560).The anomaly detection device 100 compares the calculated error value with a preset threshold (S560).

단계 S560에서, 이상 감지 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 상기 임계치 이상인 경우 이상 감지를 위한 제1 신경망, 제2 신경망 및 제3 신경망을 업데이트하는 동작을 반복하여 수행한다(S562). 즉, 에러값이 임계값 이상인 경우, 이상 감지 장치(100)는 백프로파게이션을 수행하여 단계 S520로 돌아가 학습 동작을 반복한다. In step S560, the anomaly detection apparatus 100 compares the error value with a preset threshold, and when the error value is greater than or equal to the threshold, repeats an operation of updating the first neural network, the second neural network, and the third neural network for detecting the anomaly. It is performed (S562). That is, when the error value is greater than or equal to the threshold value, the anomaly detection device 100 performs backpropagation and returns to step S520 to repeat the learning operation.

단계 S560에서, 이상 감지 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 임계치 미만인 경우 학습을 종료하고, 제1 신경망, 제2 신경망 및 제3 신경망을 포함하는 이상 감지를 위한 학습 모델을 생성한다(S570).In step S560, the anomaly detecting apparatus 100 compares the error value with a preset threshold, and ends learning when the error value is less than the threshold, and for anomaly detection including the first neural network, the second neural network, and the third neural network. A learning model is created (S570).

도 5에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 5에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 5는 시계열적인 순서로 한정되는 것은 아니다.In FIG. 5, each step is described as sequentially executed, but is not necessarily limited thereto. In other words, since it will be applicable to changing and executing the steps described in FIG. 5 or executing one or more steps in parallel, FIG. 5 is not limited to a time-series sequence.

도 5에 기재된 본 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 모델 학습 처리를 위한 이상 감지 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.The abnormality detection method for model learning processing according to the present embodiment described in FIG. 5 may be implemented as an application (or program) and recorded on a recording medium readable by a terminal device (or computer). An application (or program) for implementing the anomaly detection method for model learning processing according to this embodiment is recorded and a recording medium readable by a terminal device (or computer) stores all data that can be read by a computing system. Includes types of recording devices or media.

도 6은 본 발명의 실시예에 따른 이상 감지 처리부를 개략적으로 나타낸 블록 구성도이다.6 is a schematic block diagram of an anomaly detection processing unit according to an embodiment of the present invention.

본 실시예에 따른 이상 감지 처리부(330)는 학습 모델 처리부(610), 시계열 데이터 예측부(620) 및 이상 감지 결과 산출부(630)를 포함한다. 도 6의 이상 감지 처리부(330)는 일 실시예에 따른 것으로서, 도 6에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 처리부(330)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 처리부(330)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.The anomaly detection processing unit 330 according to the present embodiment includes a learning model processing unit 610, a time-series data prediction unit 620, and an anomaly detection result calculation unit 630. The anomaly detection processing unit 330 of FIG. 6 is according to an embodiment, and all blocks shown in FIG. 6 are not essential components, and some blocks included in the anomaly detection processing unit 330 in another embodiment are added or changed. or can be deleted. Meanwhile, each component included in the anomaly detection processing unit 330 may be implemented as a separate software program or as a separate hardware device combined with software.

이상 감지 처리부(330)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출한다. The anomaly detection processing unit 330 obtains new time series data, applies the new time series data to a learning model, calculates predicted time series data of the next time point, and calculates an anomaly detection result based on the predicted time series data.

학습 모델 처리부(610)는 기 학습된 학습 모델을 저장하고, 신규 시계열 데이터를 학습 모델에 대입하여 신규 시계열 데이터에 대한 적어도 하나의 특징값을 산출한다. 여기서, 학습 모델 처리부(610)는 시간에 따라 변화하는 제1 특징값 및 서로 다른 시점의 데이터 셋의 변화 양상에 대한 제2 특징값을 포함하는 적어도 하나의 특징값을 산출할 수 있다. The learning model processing unit 610 stores a pre-learned learning model, substitutes the new time series data into the learning model, and calculates at least one feature value for the new time series data. Here, the learning model processing unit 610 may calculate at least one feature value including a first feature value that changes over time and a second feature value for a change aspect of a data set at different points in time.

시계열 데이터 예측부(620)는 적어도 하나의 특징값을 기반으로 다음 시점의 예측 시계열 데이터를 산출한다. 시계열 데이터 예측부(620)는 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 예측 시계열 데이터를 생성할 수 있다. The time-series data prediction unit 620 calculates predicted time-series data of a next time point based on at least one feature value. The time series data prediction unit 620 may generate predicted time series data by restoring the time series data based on the second feature value.

학습 모델 처리부(610) 및 시계열 데이터 예측부(620)는 제1 신경망, 제2 신경망, 제3 신경망 등과 같이, 적어도 3 개의 서로 다른 신경망을 포함하는 학습 모델을 이용하여 적어도 하나의 특징값 및 예측 시계열 데이터를 산출할 수 있다. The learning model processing unit 610 and the time series data prediction unit 620 use a learning model including at least three different neural networks, such as a first neural network, a second neural network, and a third neural network, to predict at least one feature value and predict Time series data can be calculated.

이상 감지 결과 산출부(630)는 신규 시계열 데이터와 예측 시계열 데이터를 비교하여 산출된 잔차값을 기반으로 이상 감지 결과를 산출한다. The anomaly detection result calculation unit 630 compares the new time series data with the predicted time series data and calculates an anomaly detection result based on the calculated residual value.

이상 감지 결과 산출부(630)는 잔차값을 기 설정된 신뢰도 임계값과 비교하고, 잔차값이 신뢰도 임계값을 초과하는 경우 공정에서 이상이 발생한 것으로 판단하여 이상 감지 결과를 생성한다. The anomaly detection result calculation unit 630 compares the residual value with a preset reliability threshold value, and determines that an anomaly has occurred in the process when the residual value exceeds the reliability threshold value, and generates an anomaly detection result.

이상 감지 결과 산출부(630)는 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 시계열 데이터의 이상을 감지할 수 있다. The anomaly detection result calculation unit 630 may calculate a confidence interval using the residual value and detect anomaly in the time series data in real time.

이상 감지 결과 산출부(630)는 실시간 이상 감지에 적용하기 위한 실시간 이상 감지용 데이터를 수집한다. 실시간 이상 감지용 데이터는 시계열 데이터의 시점 단위인 매 i 시점마다 실시간으로 공정 장치(200)로부터 수집될 수 있다. The anomaly detection result calculation unit 630 collects data for real-time anomaly detection to be applied to real-time anomaly detection. Data for real-time anomaly detection may be collected from the process device 200 in real time at every i time point, which is a time point unit of time series data.

이상 감지 결과 산출부(630)는 i 시점에서 수집된 실시간 이상 감지용 데이터와 시계열 데이터 예측부(620)에서 산출된 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정한다. 구체적으로, 이상 감지 결과 산출부(630)는 실시간 이상 감지용 데이터와 예측 시계열 데이터와의 유사도를 산출하고, 유사도가 가장 높은 데이터 셋을 선정한다. The anomaly detection result calculation unit 630 compares real-time anomaly detection data collected at point i with predicted time series data calculated by the time series data prediction unit 620 to select a similar data set. Specifically, the anomaly detection result calculation unit 630 calculates the similarity between real-time anomaly detection data and predicted time-series data, and selects a data set having the highest similarity.

이상 감지 결과 산출부(630)는 예측 시계열 데이터에 포함된 복수의 데이터 셋 중 실시간 이상 감지용 데이터와 동일한 시점 또는 사용자가 지정한 현재 시점의 데이터 셋을 기준으로 기 설정된 시간(h) 전후 시점 이내에 존재하는 데이터 셋 각각과 유사도를 산출하고, 산출된 유사도가 가장 높은 데이터 셋을 선정한다. 이를 통해 시계열 데이터가 변화하는 양상을 정상 구간 계산에 반영할 수 있다. The anomaly detection result calculation unit 630 exists within a time before and after a predetermined time (h) based on the same time point as the data for real-time anomaly detection among a plurality of data sets included in the predicted time series data or the data set at the current time point specified by the user Calculate the degree of similarity with each data set, and select the data set with the highest calculated similarity. Through this, the changing aspect of the time series data can be reflected in the calculation of the normal interval.

이후, 이상 감지 결과 산출부(630)는 유사도가 가장 높은 데이터 셋의 다음 시점(i+1)의 예측 시계열 데이터와 잔차값을 계산하여 신뢰도 임계값을 산출한다. Thereafter, the anomaly detection result calculation unit 630 calculates a reliability threshold by calculating the predicted time series data of the next time point (i+1) of the data set having the highest similarity and a residual value.

이상 감지 결과 산출부(630)는 실시간 이상 감지용 데이터가 다음 시점에서 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지한다.The anomaly detection result calculating unit 630 detects that an anomaly has occurred in the process when the real-time anomaly detection data exceeds a reliability threshold at the next time point.

한편, 이상 감지 결과 산출부(630)는 실시간 이상 감지용 데이터를 수집하여 실시간으로 공정의 이상을 감지하는 동작을 기 설정된 주기마다 반복하여 수행할 수 있다. 여기서, 기 설정된 주기는 i 시점으로 설정될 수 있으나 반드시 이에 한정되는 것은 아니며, 소정의 주기마다 실시간 이상 감지를 수행하는 횟수가 설정될 수도 있다. Meanwhile, the anomaly detection result calculation unit 630 may collect data for real-time anomaly detection and repeatedly perform an operation of detecting an anomaly in a process in real time at predetermined intervals. Here, the preset period may be set to time point i, but is not necessarily limited thereto, and the number of times of performing real-time anomaly detection may be set for each predetermined period.

도 7은 본 발명의 실시예에 따른 학습 모델을 이용한 이상 감지 방법을 설명하기 위한 순서도이다.7 is a flowchart illustrating a method for detecting an anomaly using a learning model according to an embodiment of the present invention.

이상 감지 장치(100)는 시계열 데이터를 획득한다(S710). 여기서, 시계열 데이터는 학습 과정의 시계열 데이터와 상이한 신규 시계열 데이터일 수 있다.The anomaly detection device 100 acquires time-series data (S710). Here, the time series data may be new time series data different from the time series data of the learning process.

이상 감지 장치(100)는 기 생성된 학습 모델을 통해 시계열 데이터에 대한 적어도 하나의 특징값을 추출한다(S720). 여기서, 이상 감지 장치(100)는 시간에 따라 변화하는 제1 특징값 및 서로 다른 시점의 데이터 셋의 변화 양상에 대한 제2 특징값을 포함하는 적어도 하나의 특징값을 산출할 수 있다. The anomaly detection apparatus 100 extracts at least one feature value of the time-series data through a pre-generated learning model (S720). Here, the anomaly detection apparatus 100 may calculate at least one feature value including a first feature value that changes over time and a second feature value for a change aspect of a data set at different points in time.

이상 감지 장치(100)는 적어도 하나의 특징값을 기반으로 다음 시점의 시계열 데이터를 예측한다(S730). 이상 감지 장치(100)는 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 예측 시계열 데이터를 생성할 수 있다.The anomaly detection apparatus 100 predicts time-series data of the next time point based on at least one feature value (S730). The anomaly detection apparatus 100 may generate predicted time-series data by restoring the time-series data based on the second characteristic value.

이상 감지 장치(100)는 예측된 시계열 데이터를 기반으로 이상 감지 결과를 생성한다(S740). 이상 감지 장치(100)는 신규 시계열 데이터와 예측 시계열 데이터를 비교하여 산출된 잔차값을 기반으로 이상 감지 결과를 산출한다. The anomaly detection device 100 generates an anomaly detection result based on the predicted time-series data (S740). The anomaly detection device 100 compares the new time series data with the predicted time series data and calculates an anomaly detection result based on a calculated residual value.

도 7에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 7에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 7은 시계열적인 순서로 한정되는 것은 아니다.In FIG. 7, it is described that each step is sequentially executed, but is not necessarily limited thereto. In other words, since it will be applicable to changing and executing the steps described in FIG. 7 or executing one or more steps in parallel, FIG. 7 is not limited to a time-series sequence.

도 7에 기재된 본 실시예에 따른 학습 모델을 이용한 이상 감지 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 학습 모델을 이용한 이상 감지 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.The abnormal detection method using the learning model according to the present embodiment described in FIG. 7 may be implemented as an application (or program) and recorded on a recording medium readable by a terminal device (or computer). An application (or program) for implementing the anomaly detection method using the learning model according to the present embodiment is recorded and a storage medium readable by a terminal device (or computer) stores all types of data that can be read by a computing system. It includes a recording device or medium of

도 8은 본 발명의 실시예에 따른 이상 감지 결과 산출부를 개략적으로 나타낸 블록 구성도이다. 8 is a block diagram schematically illustrating an anomaly detection result calculation unit according to an embodiment of the present invention.

본 실시예에 따른 이상 감지 결과 산출부(630)는 데이터 수집부(810), 데이터 선택부(820) 및 이상 검출부(830)를 포함한다. 도 8의 이상 감지 결과 산출부(630)는 일 실시예에 따른 것으로서, 도 8에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 결과 산출부(630)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 결과 산출부(630)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.The anomaly detection result calculation unit 630 according to the present embodiment includes a data collection unit 810 , a data selection unit 820 and an anomaly detection unit 830 . The abnormality detection result calculating unit 630 of FIG. 8 is according to an exemplary embodiment, and all blocks shown in FIG. 8 are not essential components, and some blocks included in the abnormality detection result calculating unit 630 in another embodiment may be added, changed or deleted. Meanwhile, each component included in the abnormality detection result calculation unit 630 may be implemented as a separate software program or a separate hardware device combined with software.

이상 감지 결과 산출부(630)는 예측 시계열 데이터의 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 시계열 데이터의 이상을 감지할 수 있다. The anomaly detection result calculation unit 630 may calculate a confidence interval using residual values of the predicted time series data and detect anomalies in the time series data in real time.

데이터 수집부(810)는 기 설정된 시점 단위마다 실시간 이상 감지용 데이터를 수집한다. 여기서, 실시간 이상 감지용 데이터는 시계열 데이터의 시점 단위인 매 i 시점마다 실시간으로 공정 장치(200)로부터 수집될 수 있다.The data collection unit 810 collects real-time abnormality detection data for each preset time unit. Here, the real-time abnormality detection data may be collected from the process device 200 in real time at every i time point, which is a time point unit of time series data.

데이터 선택부(820)는 특정 시점에서 수집된 실시간 이상 감지용 데이터와 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정한다. 구체적으로, 데이터 선택부(820)는 실시간 이상 감지용 데이터와 예측 시계열 데이터와의 유사도를 산출하고, 유사도가 가장 높은 유사한 데이터 셋을 선정할 수 있다. The data selection unit 820 selects a similar data set by comparing real-time anomaly detection data collected at a specific point in time with predicted time-series data. Specifically, the data selector 820 may calculate a similarity between real-time anomaly detection data and predicted time-series data, and select a similar data set having the highest similarity.

데이터 선택부(820)는 예측 시계열 데이터에 포함된 복수의 데이터 셋 중 실시간 이상 감지용 데이터와 동일한 시점 또는 사용자가 지정한 현재 시점의 데이터 셋을 기준으로 기 설정된 시간(h) 전후 시점 이내에 존재하는 데이터 셋 각각과 유사도를 산출하고, 산출된 유사도가 가장 높은 데이터 셋을 선정할 수 있다. The data selector 820 selects data existing within a time point before or after a preset time (h) based on the data set at the same time point as the data for real-time anomaly detection among a plurality of data sets included in the predicted time series data or at the current time point specified by the user. A similarity with each of the three is calculated, and a data set having the highest calculated similarity may be selected.

이상 검출부(830)는 선정된 데이터 셋을 기반으로 신뢰도 임계값을 산출하고, 상기 신뢰도 임계값을 기준으로 실시간 이상을 감지한다. The anomaly detection unit 830 calculates a reliability threshold based on the selected data set, and detects an anomaly in real time based on the reliability threshold.

이상 검출부(830)는 유사한 데이터 셋의 다음 시점의 예측 시계열 데이터와의 잔차값을 계산하여 신뢰도 임계값을 산출하고, 실시간 이상 감지용 데이터가 다음 시점에서 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지하여 이상 감지 결과를 생성한다. The anomaly detection unit 830 calculates a reliability threshold value by calculating a residual value with predicted time series data of a similar data set at the next time point, and if the data for real-time anomaly detection exceeds the reliability threshold value at the next time point, an anomaly in the process is detected. It detects that it has occurred and generates an anomaly detection result.

도 9는 본 발명의 실시예에 따른 실시간 이상 감지 방법을 설명하기 위한 순서도이다. 9 is a flowchart illustrating a real-time anomaly detection method according to an embodiment of the present invention.

이상 감지 장치(100)는 이상 감지에 적용할 실시간 이상 감지용 데이터를 수집한다(S910). 여기서, 실시간 이상 감지용 데이터는 시계열 데이터의 시점 단위인 매 i 시점마다 실시간으로 공정 장치(200)로부터 수집될 수 있다.The anomaly detection device 100 collects real-time anomaly detection data to be applied to anomaly detection (S910). Here, the real-time abnormality detection data may be collected from the process device 200 in real time at every i time point, which is a time point unit of time series data.

이상 감지 장치(100)는 예측 시계열 데이터(예측값) 중 수집된 실시간 이상 감지용 데이터와 유사한 데이터 셋을 선택한다(S920)The anomaly detection device 100 selects a data set similar to the collected real-time anomaly detection data among predicted time series data (predicted values) (S920).

이상 감지 장치(100)는 선택된 데이터 셋을 이용하여 신뢰도 임계값을 산출한다(S930).The anomaly detection device 100 calculates a reliability threshold using the selected data set (S930).

이상 감지 장치(100)는 산출된 신뢰도 임계값을 기준으로 실시간 이상 감지용 데이터에 대한 이상을 감지하여 이상 감지 결과를 생성한다(S940)The anomaly detection device 100 detects an anomaly in data for real-time anomaly detection based on the calculated reliability threshold and generates an anomaly detection result (S940).

도 9에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 9에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 9는 시계열적인 순서로 한정되는 것은 아니다.In FIG. 9, it is described that each step is sequentially executed, but is not necessarily limited thereto. In other words, since it will be applicable to changing and executing the steps described in FIG. 9 or executing one or more steps in parallel, FIG. 9 is not limited to a time-series sequence.

도 10a 및 도 10b는 종래의 문제점 및 본 발명의 실시예에 따른 이상 감지 동작을 설명하기 위한 예시도이다. 10A and 10B are exemplary diagrams for explaining a conventional problem and an anomaly detection operation according to an embodiment of the present invention.

도 10a는 열화가 발생하여 공정에 대한 시계열 데이터가 기 설정된 목표값에서 벗어는 현상을 나타낸다. 도 10a의 (a)는 공정 장치의 열화로 인해 시계열 데이터의 공정값이 상승된 결과를 나타내고, 도 10a의 (b)는 공정 장치의 열화로 인해 시계열 데이터의 공정값이 쉬프트(shift)된 결과를 나타낸다. 10A shows a phenomenon in which time-series data for a process deviates from a preset target value due to degradation. Figure 10a (a) shows the result of the increase in the process value of the time-series data due to the deterioration of the process equipment, and Fig. 10a (b) shows the result of shifting the process value of the time-series data due to the degradation of the process equipment indicates

도 10b는 열화에 따른 패턴 학습을 통해 이상을 감지하고 이에 따른 공정 범위 조정되도록 이상 감지 결과 생성하여 공정 관리 범위를 조정하는 동작을 나타낸다. 10B shows an operation of adjusting a process management range by detecting an abnormality through pattern learning according to deterioration and generating an abnormality detection result so that the process range is adjusted accordingly.

도 10b의 (a)는 정상(normal) 공정일 때 시계열 데이터가 보일 수 있는 범위(신뢰구간)를 모델을 통해 정의하고, 이 범위를 벗어난 경우 이상(fault, abnormal)으로 감지하는 동작을 나타낸다. 10B (a) shows an operation in which the range (confidence interval) in which time series data can be seen in a normal process is defined through a model, and when it is out of this range, it is detected as a fault (abnormal).

도 10b의 (b)는 열화 현상 자체를 학습하여 여기에 맞는 공정 관리 범위를 새로 정의하여 잘못된 공정 이상 감지 현상을 줄인 결과를 나타낸다. (b) of FIG. 10B shows the result of reducing the erroneous process abnormality detection phenomenon by learning the deterioration phenomenon itself and newly defining a process management range suitable for this.

도 11는 본 발명의 실시예에 따른 이상 감지 장치의 이상 감지 동작을 설명하기 위한 예시도이다.11 is an exemplary diagram for explaining an anomaly detection operation of an anomaly detection device according to an embodiment of the present invention.

도 11의 (a)는 시계열 데이터를 획득하는 동작을 나타낸다. 11(a) shows an operation of obtaining time series data.

도 11의 (a)에서, 이상 감지 장치(100)는 과거 이력 순으로 기록된 시계열 데이터를 학습 데이터로 사용한다. 시계열 데이터에 포함된 데이터 각각을 데이터 셋이라고 정의하며, 시계열 데이터의 시점은 i로 표현하고, 데이터 셋의 시점은 t로 표현한다. In (a) of FIG. 11 , the anomaly detection device 100 uses time-series data recorded in the order of past history as learning data. Each data included in the time series data is defined as a data set, and the time point of the time series data is expressed as i, and the time point of the data set is expressed as t.

도 11의 (b-1)은 제1 신경망을 통해 제1 특징값을 산출하는 동작을 나타낸다. (b-1) of FIG. 11 shows an operation of calculating a first feature value through a first neural network.

도 11의 (b-2)는 제2 신경망을 통해 제1 특징값을 기반으로 제2 특징값을 산출하는 동작을 나타낸다.(b-2) of FIG. 11 shows an operation of calculating a second feature value based on a first feature value through a second neural network.

도 11의 (b-3)은 제3 신경망을 통해 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 복원 시계열 데이터를 생성하는 동작을 나타낸다.(b-3) of FIG. 11 shows an operation of generating restored time-series data by restoring time-series data based on a second feature value through a third neural network.

도 11의 (b)에서는 제1 신경망(Convolutional Neural Network)과 제2 신경망(Recurrent Neural Network) 및 제3 신경망(Deconvolutional Neural Network)을 순차적으로 이어 오차에 대한 프로파게이션이 전달되도록 한다.In (b) of FIG. 11, the first neural network (Convolutional Neural Network), the second neural network (Recurrent Neural Network), and the third neural network (Deconvolutional Neural Network) are sequentially connected so that the propagation of the error is transmitted.

1 차원 필터를 사용하는 제1 신경망은 시계열 데이터의 특징을 추출한다. 이 때 제2 신경망에 데이터 셋의 시간 순서대로 입력되어 이전 데이터 셋이 현재 시점의 데이터 셋에 미치는 특징을 영향을 학습하게 된다. The first neural network using a one-dimensional filter extracts features of time series data. At this time, the data sets are input to the second neural network in chronological order, and the effect of the characteristics of the previous data set on the current data set is learned.

제3 신경망은 제2 특징값을 사용하여 초기 시계열 데이터 형태로 복원한다. 그리고 복원된 복원 시계열 데이터와 초기 시계열 데이터를 비교하여 에러값와 잔차값을 계산한다. 시간에 따라 변하는 양상이 존재하여 정상적으로 학습된 경우 잔차값이 작고 열화로 인해 비정상적으로 학습된 경우 잔차가 커져 신뢰구간 영역이 넓어지게 된다. The third neural network restores the initial time-series data using the second feature. Then, an error value and a residual value are calculated by comparing the restored time series data with the initial time series data. When learning is normal because there is a pattern that changes over time, the residual value is small, and when it is learned abnormally due to deterioration, the residual is large and the confidence interval area widens.

도 11의 (c)는 제1 신경망, 제2 신경망 및 제3 신경망을 학습하여 얻은 심층 신경망(Deep Neural Network)에 대한 학습 모델을 활용하여 다음 시점의 시계열 데이터 셋을 예측한다. 이 때 얻은 잔차값을 신뢰구간 계산에 사용할 수 있다. In (c) of FIG. 11 , a time-series data set at the next point in time is predicted by using a learning model for a deep neural network obtained by learning the first, second, and third neural networks. The residual value obtained at this time can be used in the calculation of the confidence interval.

도 12는 본 발명의 실시예에 따른 이상 감지 장치의 실시간 이상 감지 동작을 설명하기 위한 예시도이다.12 is an exemplary diagram for explaining a real-time anomaly detection operation of an anomaly detection device according to an embodiment of the present invention.

도 12를 참고하면, 이상 감지 장치(100)는 i=1 시점에서 수집된 실시간 이상 감지용 데이터(1210)와 동일한 시점에 해당하는 예측 시계열 데이터(i=1)와의 유사도를 산출하고, 유사도가 가장 높은 데이터 셋을 선정한다.Referring to FIG. 12 , the anomaly detection device 100 calculates a similarity between real-time anomaly detection data 1210 collected at time i=1 and predicted time series data (i=1) corresponding to the same time point, and the similarity is Select the highest data set.

이상 감지 장치(100)는 예측 시계열 데이터에 포함된 복수의 데이터 셋 중 실시간 이상 감지용 데이터와 동일한 시점 또는 사용자가 지정한 현재 시점의 데이터 셋(1220, 1230)을 기준으로 기 설정된 시간(h) 전후 시점 이내에 존재하는 데이터 셋 각각과 유사도를 산출하고, 산출된 유사도가 가장 높은 데이터 셋을 선정한다. The anomaly detection device 100 detects data before and after a predetermined time (h) based on the data set (1220, 1230) at the same time as the data for real-time anomaly detection among a plurality of data sets included in the predicted time series data or at the current time point specified by the user. The similarity with each data set existing within the time point is calculated, and the data set with the highest calculated similarity is selected.

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.The above description is only illustrative of the technical idea of the embodiment of the present invention, and those skilled in the art to which the embodiment of the present invention pertains may make various modifications and modifications within the scope not departing from the essential characteristics of the embodiment of the present invention. transformation will be possible. Therefore, the embodiments of the present invention are not intended to limit the technical idea of the embodiment of the present invention, but to explain, and the scope of the technical idea of the embodiment of the present invention is not limited by these examples. The protection scope of the embodiments of the present invention should be construed according to the claims below, and all technical ideas within the equivalent range should be construed as being included in the scope of the embodiments of the present invention.

10: 이상 감지 시스템
100: 이상 감지 장치 200: 공정 장치
110: 입력부 120: 출력부
130: 프로세서 140: 메모리
150: 데이터 베이스
310: 시계열 데이터 획득부 320: 모델 학습 처리부
330: 이상 감지 처리부 340: 이상 감지 결과 출력부10: anomaly detection system
100: anomaly detection device 200: process device
110: input unit 120: output unit
130: processor 140: memory
150: database
310: time series data acquisition unit 320: model learning processing unit
330: anomaly detection processing unit 340: anomaly detection result output unit

Claims (12)

이상 감지 장치에서 실시간 이상 감지를 수행하는 방법에 있어서,
시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계;
상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계;
신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및
상기 이상 감지 결과를 외부 장치로 제공하는 이상 감지 결과 출력 단계를 포함하되,
상기 이상 감지 처리 단계는, 학습된 상기 학습 모델을 저장하고, 신규 시계열 데이터를 상기 학습 모델에 대입하여 신규 시계열 데이터에 대한 적어도 하나의 특징값을 산출하는 학습 모델 처리 단계; 상기 적어도 하나의 특징값을 기반으로 다음 시점의 상기 예측 시계열 데이터를 산출하는 시계열 데이터 예측 단계; 및 상기 예측 시계열 데이터의 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 상기 이상 감지 결과를 산출하는 이상 감지 결과 산출 단계를 포함하는 것을 특징으로 하는 이상 감지 방법.A method for performing real-time anomaly detection in an anomaly detection device,
a time-series data acquisition step of obtaining time-series data sorted in chronological order;
a model learning process step of extracting at least one feature value for the time-series data and generating a learning model for anomaly detection based on the at least one feature value;
Acquire new time series data, apply the new time series data to the learning model to calculate predicted time series data for the next time point, and calculate anomaly detection results in real time based on the collected real-time anomaly detection data and the predicted time series data an anomaly detection processing step; and
An abnormality detection result output step of providing the abnormality detection result to an external device,
The anomaly detection processing step may include a learning model processing step of storing the learned learning model and substituting new time series data into the learning model to calculate at least one feature value for the new time series data; a time-series data prediction step of calculating the predicted time-series data of a next time point based on the at least one feature value; and an anomaly detection result calculation step of calculating a confidence interval using residual values of the predicted time-series data and calculating the anomaly detection result in real time. 제1항에 있어서,
상기 시계열 데이터 획득 단계는,
공정과 관련된 정보가 과거 이력 순으로 정렬된 상기 시계열 데이터를 획득하되,
상기 시계열 데이터는 서로 다른 시점에 대한 복수의 데이터 셋을 포함하는 것을 특징으로 하는 이상 감지 방법.According to claim 1,
The time series data acquisition step,
Acquiring the time series data in which information related to the process is arranged in order of past history,
The anomaly detection method, characterized in that the time series data includes a plurality of data sets for different points in time. 제1항에 있어서,
상기 모델 학습 처리 단계는,
제1 신경망을 통해 상기 시계열 데이터에 대한 제1 특징값을 산출하는 제1 특징값 산출 단계;
제2 신경망을 통해 상기 제1 특징값을 기반으로 제2 특징값을 산출하는 제2 특징값 산출 단계;
제3 신경망을 통해 상기 제2 특징값을 기반으로 상기 시계열 데이터를 복원 처리하여 복원 시계열 데이터를 생성하는 데이터 복원 단계; 및
상기 시계열 데이터와 상기 복원 시계열 데이터를 비교하고, 비교 결과에 근거하여 이상 감지를 위한 상기 학습 모델을 생성하는 학습 모델 생성 단계
를 포함하는 것을 특징으로 하는 이상 감지 방법.According to claim 1,
The model learning process step,
a first feature value calculation step of calculating a first feature value for the time series data through a first neural network;
a second feature value calculating step of calculating a second feature value based on the first feature value through a second neural network;
a data restoration step of restoring the time-series data based on the second feature value through a third neural network to generate restored time-series data; and
A learning model creation step of comparing the time series data with the restored time series data and generating the learning model for anomaly detection based on the comparison result.
An anomaly detection method comprising a. 삭제delete 제1항에 있어서,
상기 이상 감지 결과 산출 단계는,
기 설정된 시점 단위마다 상기 실시간 이상 감지용 데이터를 수집하는 데이터 수집 단계;
특정 시점에서 수집된 상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정하는 데이터 선택 단계; 및
선정된 데이터 셋을 기반으로 신뢰도 임계값을 산출하고, 상기 신뢰도 임계값을 기준으로 실시간 이상을 감지하는 이상 검출 단계
를 포함하는 것을 특징으로 하는 이상 감지 방법.According to claim 1,
In the step of calculating the abnormality detection result,
a data collection step of collecting the real-time abnormality detection data for each preset time unit;
a data selection step of selecting a similar data set by comparing the real-time anomaly detection data collected at a specific point in time with the predicted time-series data; and
An anomaly detection step of calculating a reliability threshold based on the selected data set and detecting an anomaly in real time based on the reliability threshold
An anomaly detection method comprising a. 제5항에 있어서,
상기 데이터 선택 단계는,
상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터와의 유사도를 산출하고, 상기 유사도가 가장 높은 상기 유사한 데이터 셋을 선정하는 것을 특징으로 하는 이상 감지 방법.According to claim 5,
In the data selection step,
and calculating a similarity between the real-time anomaly detection data and the predicted time-series data, and selecting the similar data set having the highest similarity. 제6항에 있어서,
상기 이상 검출 단계는,
상기 유사한 데이터 셋의 다음 시점의 예측 시계열 데이터와의 잔차값을 계산하여 신뢰도 임계값을 산출하고, 상기 실시간 이상 감지용 데이터가 다음 시점에서 상기 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지하여 상기 이상 감지 결과를 생성하는 것을 특징으로 하는 이상 감지 방법.According to claim 6,
In the abnormal detection step,
A reliability threshold is calculated by calculating a residual value with the predicted time series data of the next time point of the similar data set, and if the data for real-time anomaly detection exceeds the reliability threshold value at the next time point, it is detected that an anomaly has occurred in the process An abnormality detection method characterized in that for generating the abnormality detection result by doing. 이상 감지를 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,
시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계;
상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계;
신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및
상기 이상 감지 결과를 외부 장치로 제공하는 이상 감지 결과 출력 단계를 포함하되,
상기 이상 감지 처리 단계는, 학습된 상기 학습 모델을 저장하고, 신규 시계열 데이터를 상기 학습 모델에 대입하여 신규 시계열 데이터에 대한 적어도 하나의 특징값을 산출하는 학습 모델 처리 단계; 상기 적어도 하나의 특징값을 기반으로 다음 시점의 상기 예측 시계열 데이터를 산출하는 시계열 데이터 예측 단계; 및 상기 예측 시계열 데이터의 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 상기 이상 감지 결과를 산출하는 이상 감지 결과 산출 단계를 포함하는 동작들을 수행하게 하는 것을 특징으로 하는 이상 감지 장치.As a device for performing abnormality detection,
at least one processor; and a memory storing one or more programs executed by the processor, wherein the programs, when executed by the one or more processors, in the one or more processors:
a time-series data acquisition step of obtaining time-series data sorted in chronological order;
a model learning process step of extracting at least one feature value for the time-series data and generating a learning model for anomaly detection based on the at least one feature value;
Acquire new time series data, apply the new time series data to the learning model to calculate predicted time series data for the next time point, and calculate anomaly detection results in real time based on the collected real-time anomaly detection data and the predicted time series data an abnormality detection processing step; and
An abnormality detection result output step of providing the abnormality detection result to an external device,
The anomaly detection processing step may include a learning model processing step of storing the learned learning model and substituting new time series data into the learning model to calculate at least one feature value for the new time series data; a time-series data prediction step of calculating the predicted time-series data of a next time point based on the at least one feature value; and an anomaly detection result calculation step of calculating a confidence interval using residual values of the predicted time-series data and calculating the anomaly detection result in real time. 삭제delete 제8항에 있어서,
상기 이상 감지 결과 산출 단계는,
기 설정된 시점 단위마다 상기 실시간 이상 감지용 데이터를 수집하는 데이터 수집 단계;
특정 시점에서 수집된 상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정하는 데이터 선택 단계; 및
선정된 데이터 셋을 기반으로 신뢰도 임계값을 산출하고, 상기 신뢰도 임계값을 기준으로 실시간 이상을 감지하는 이상 검출 단계
를 포함하는 것을 특징으로 하는 이상 감지 장치.According to claim 8,
In the step of calculating the abnormality detection result,
a data collection step of collecting the real-time abnormality detection data for each preset time unit;
a data selection step of selecting a similar data set by comparing the real-time anomaly detection data collected at a specific point in time with the predicted time-series data; and
An anomaly detection step of calculating a reliability threshold based on the selected data set and detecting an anomaly in real time based on the reliability threshold
Abnormality detection device comprising a. 제10항에 있어서,
상기 데이터 선택 단계는,
상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터와의 유사도를 산출하고, 상기 유사도가 가장 높은 상기 유사한 데이터 셋을 선정하는 것을 특징으로 하는 이상 감지 장치.According to claim 10,
In the data selection step,
and calculating a similarity between the real-time anomaly detection data and the predicted time-series data, and selecting the similar data set having the highest similarity. 제11항에 있어서,
상기 이상 검출 단계는,
상기 유사한 데이터 셋의 다음 시점의 예측 시계열 데이터와의 잔차값을 계산하여 신뢰도 임계값을 산출하고, 상기 실시간 이상 감지용 데이터가 다음 시점에서 상기 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지하여 상기 이상 감지 결과를 생성하는 것을 특징으로 하는 이상 감지 장치.
According to claim 11,
In the abnormal detection step,
A reliability threshold is calculated by calculating a residual value with the predicted time series data of the next time point of the similar data set, and if the data for real-time anomaly detection exceeds the reliability threshold value at the next time point, it is detected that an anomaly has occurred in the process The anomaly detection device characterized in that for generating the anomaly detection result.
KR1020200110115A 2020-08-31 2020-08-31 Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation KR102486463B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200110115A KR102486463B1 (en) 2020-08-31 2020-08-31 Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200110115A KR102486463B1 (en) 2020-08-31 2020-08-31 Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation

Publications (2)

Publication Number Publication Date
KR20220028727A KR20220028727A (en) 2022-03-08
KR102486463B1 true KR102486463B1 (en) 2023-01-09

Family

ID=80812897

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200110115A KR102486463B1 (en) 2020-08-31 2020-08-31 Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation

Country Status (1)

Country Link
KR (1) KR102486463B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056692B (en) * 2023-10-09 2024-01-23 山东芯赛思电子科技有限公司 Aging prediction method for SiC-based motor driving device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101417701B1 (en) * 2011-01-18 2014-07-08 도쿄엘렉트론가부시키가이샤 Abnormality determination system of processing device and abnormality determination method of same
WO2020111258A1 (en) 2018-11-30 2020-06-04 東京エレクトロン株式会社 Virtual measurement device, virtual measurement method, and virtual measurement program

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001148A (en) * 2007-06-29 2009-01-08 삼성전자주식회사 Virtual metrology system and virtual metrology method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101417701B1 (en) * 2011-01-18 2014-07-08 도쿄엘렉트론가부시키가이샤 Abnormality determination system of processing device and abnormality determination method of same
WO2020111258A1 (en) 2018-11-30 2020-06-04 東京エレクトロン株式会社 Virtual measurement device, virtual measurement method, and virtual measurement program

Also Published As

Publication number Publication date
KR20220028727A (en) 2022-03-08

Similar Documents

Publication Publication Date Title
US10914608B2 (en) Data analytic engine towards the self-management of complex physical systems
JP5753286B1 (en) Information processing apparatus, diagnostic method, and program
CN109146246B (en) Fault detection method based on automatic encoder and Bayesian network
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
KR102362159B1 (en) Method for Fault Detection and Fault Diagnosis in Semiconductor Manufacturing Process
CN105607631B (en) The weak fault model control limit method for building up of batch process and weak fault monitoring method
JP2023501062A (en) Anomalous equipment trace detection and classification
US20230213926A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
JP2023535721A (en) Prediction of equipment failure modes from process traces
CN117131110B (en) Method and system for monitoring dielectric loss of capacitive equipment based on correlation analysis
JP2017010232A (en) Plant diagnostic device and plant diagnostic method
KR102486463B1 (en) Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation
CN116244617A (en) Intelligent high-voltage switch cabinet fault diagnosis method and system based on heterogeneous graph structure learning
JP2003044123A (en) Plant diagnostic device
KR102383675B1 (en) Anomaly detection system of time-series data
US20200310401A1 (en) System analysis method, system analysis apparatus, and program
KR102486462B1 (en) Method and Apparatus for Fault Detection Using Pattern Learning According to Degradation
CN117272196A (en) Industrial time sequence data anomaly detection method based on time-space diagram attention network
Jiang et al. A timeseries supervised learning framework for fault prediction in chiller systems
KR102486460B1 (en) Method and Apparatus for Virtual Measurement for Calculating Predicted Value and Feature Importance Based on Feature Values of Time Series Data
CN116956089A (en) Training method and detection method for temperature anomaly detection model of electrical equipment
Nguyen Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic
Chen et al. A multimode anomaly detection method based on oc-elm for aircraft engine system
KR102486461B1 (en) Method and Apparatus for Virtual Measurement for Calculating Predicted Value and Feature Importance by Time Series Section Based on Feature Values of Time Series Data
JP6961126B1 (en) Deterioration detection device

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