KR102494420B1 - 머신러닝 기반 클린룸 관리 시스템 및 방법 - Google Patents

머신러닝 기반 클린룸 관리 시스템 및 방법 Download PDF

Info

Publication number
KR102494420B1
KR102494420B1 KR1020210073371A KR20210073371A KR102494420B1 KR 102494420 B1 KR102494420 B1 KR 102494420B1 KR 1020210073371 A KR1020210073371 A KR 1020210073371A KR 20210073371 A KR20210073371 A KR 20210073371A KR 102494420 B1 KR102494420 B1 KR 102494420B1
Authority
KR
South Korea
Prior art keywords
clean room
data
machine learning
analysis
manufacturing process
Prior art date
Application number
KR1020210073371A
Other languages
English (en)
Other versions
KR20220164976A (ko
Inventor
김재성
조완섭
Original Assignee
충북대학교 산학협력단
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 충북대학교 산학협력단 filed Critical 충북대학교 산학협력단
Priority to KR1020210073371A priority Critical patent/KR102494420B1/ko
Publication of KR20220164976A publication Critical patent/KR20220164976A/ko
Application granted granted Critical
Publication of KR102494420B1 publication Critical patent/KR102494420B1/ko

Links

Images

Classifications

    • 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
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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

머신러닝 기반 클린룸 관리 시스템 및 방법이 개시된다. 본 발명의 일실시예에 따른, 머신러닝 기반 클린룸 관리 시스템은, 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집하는 데이터 수집부와, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 이용하여, 상기 클린룸에 관한 클린룸 상태를 판단하는 데이터분석 및 머신러닝부, 및 상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸을 최적화시키는 제어 및 실행부를 포함한다.

Description

머신러닝 기반 클린룸 관리 시스템 및 방법{MACHINE LEARNING-BASED CLEAN ROOM MANAGEMENT SYSTEM AND METHOD}
본 발명은, 클린룸의 내부 환경정보 변화에 따른 설비의 이상패턴 파악, 불량의 원인 파악, 내부환경에 따른 최적 수율의 파악 등을 수행하기 위한 분석 및 머신러닝을 제공하여 이를 모니터링 및 제어하는 기법을 제공하는, 머신러닝 기반 클린룸 관리 시스템 및 방법에 관한 것이다.
반도체 공장은, 공정 특성상 한 번 가동을 멈추면 막대한 피해를 입는다. 예를 들어, 2018년 3월 평택에서 발생한 30분 정전사고로 인해 OO전자의 반도체공장은, 500억대의 피해를 입은 바 있다.
반도체공장에서 사고의 원인은, 다양하지만, 대부분의 사례들은, 원인을 정확하게 파악하고 복구하는 데에 상당한 시간을 필요로 한다.
반도체공장에서의 사고 원인 파악 및 복구에 필요한 시간 문제를 줄이기 위해서는, 반도체 공정에 대해 알아야 할 필요성이 있다.
반도체 제조 공정과 같은 미세 제조 공정은, 일반적으로 많은 단계의 공정을 거치는데, 이들 공정에는 수많은 설비들이 투입된다.
기계 및 센서에서 나오는 데이터들을 관리하고 모니터링하는 데 있어서, 제조 산업에서 빅데이터를 활용한 머신러닝의 사용은, 필수불가결해지고 있다. 이러한 필요는, 공정이 미세해지고 복잡해질수록 정보량이 많아지고, 시간단축의 필요성이 높아지기 때문이다.
하지만 데이터 별 이상상황에 대한 분석은, 잘 이루어지고 있지 않는 실정이다.
또한, 반도체 공정의 대부분은, 클린룸에서 진행하게 된다. 특히, CVD(Chemical Vapor Deposition), ALD(Atomic Layer Deposition), 스퍼터, DRY Etch 등의 공정은, 고온, 고압 등의 조건을 갖춘 클린룸에서 진행되어야 한다.
클린룸 내부의 미세한 환경(온도, 습도, 가스량, 먼지 등)에서도 웨이퍼는, 민감하게 반응하기 때문에, 반도체 공정에서 클린룸의 내부환경 관리는 매우 중요하다.
또한, 반도체 공정에서 불량품 최소화는, 수율 확보에 이어 수익성과 직결된다. 국내의 반도체 업계에서는, 1%의 수율만 낮아져도 매출액 대비 수천억의 손실을 가져올 수 있다고 한다.
따라서, 클린룸의 내부환경을 자동으로 관리하는 새로운 모델이 절실히 요구되고 있다.
본 발명의 실시예는, 클린룸 내부 환경정보 변화에 따른 설비의 이상패턴 파악, 불량의 원인 파악, 내부환경에 따른 최적 수율의 파악 등을 수행하기 위한 분석 및 머신러닝을 제공하여 이를 모니터링 및 제어하는 기법을 제공하는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 반도체 설비의 고장 전 이상작동을 통해 설비의 결함을 조기에 발견하고 보다 효율적인 수율을 위해서 환경별로 수율을 분석하여 최적의 클린룸 환경을 유지하는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 클린룸의 관리시스템을 통하여 불량품을 줄이고 이상현상을 예측하여 수율을 향상시키는 것을 목적으로 한다.
본 발명의 일실시예에 따른, 머신러닝 기반 클린룸 관리 시스템은, 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집하는 데이터 수집부; 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 이용하여, 상기 클린룸에 관한 클린룸 상태를 판단하는 데이터분석 및 머신러닝부; 및 상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸을 최적화시키는 제어 및 실행부를 포함 할 수 있다.
또한, 본 발명의 실시예에 따른, 머신러닝 기반 클린룸 관리 방법은, 데이터 수집부에서, 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집하는 단계; 데이터분석 및 머신러닝부에서, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 이용하여, 상기 클린룸에 관한 클린룸 상태를 판단하는 단계; 및 제어 및 실행부에서, 상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸을 최적화시키는 단계를 포함하여 구성할 수 있다.
본 발명의 일실시예에 따르면, 클린룸 내부 환경정보 변화에 따른 설비의 이상패턴 파악, 불량의 원인 파악, 내부환경에 따른 최적 수율의 파악 등을 수행하기 위한 분석 및 머신러닝을 제공하여 이를 모니터링 및 제어하는 기법을 제공 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 반도체 설비의 고장 전 이상작동을 통해 설비의 결함을 조기에 발견하고 보다 효율적인 수율을 위해서 환경별로 수율을 분석하여 최적의 클린룸 환경을 유지 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 클린룸의 관리시스템을 통하여 불량품을 줄이고 이상현상을 예측하여 수율을 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 따른 머신러닝 기반 클린룸 관리 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 머신러닝 기반 클린룸 관리 시스템의 전체 구조도이다.
도 3은 Node-Red 기반의 센서데이터 수집기를 설명하기 위한 도이다.
도 4는 ETL 툴(NiFi)을 활용한 데이터 전처리의 과정을 예시하는 도이다.
도 5는 센서데이터 실시간 모니터링의 일례를 예시한 도이다.
도 6은 분석결과 시각화의 일례를 예시한 도이다.
도 7은 탐색적데이터 분석의 일례를 예시한 도이다.
도 8은 머신러닝의 알고리즘을 예시한 도이다.
도 9는 XGboost를 활용한 중요변수의 도출을 예시한 도이다.
도 10은 본 발명의 일실시예에 따른, 머신러닝 기반 클린룸 관리 방법을 도시한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 일실시예에 따른 머신러닝 기반 클린룸 관리 시스템의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른, 머신러닝 기반 클린룸 관리 시스템(100)은, 데이터 수집부(110), 데이터분석 및 머신러닝부(120), 및 제어 및 실행부(130)를 포함하여 구성 할 수 있다. 또한, 머신러닝 기반 클린룸 관리 시스템(100)은, 실시예에 따라, 데이터 전처리부(140) 및 실시간 모니터링 및 시각화부(150)를 선택적으로 포함 할 수 있다.
데이터 수집부(110)는 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집한다. 즉, 데이터 수집부(110)는 클린룸에 관한 환경 정보로서의 클린룸 환경센서 데이터와, 클린룸에서 수행되는 제조공정에 관한 공정 정보로서의 제조공정 데이터를 획득하는 역할을 할 수 있다.
환경정보 센서는, 클린룸 내부에 설치되어, 클린룸의 온도, 습도, 가스량, 먼지 등을 감지하여 상기 클린룸 환경센서 데이터를 생성할 수 있다.
제조공정 데이터는, 클린룸의 운영자에 의해 설정되는, 클린룸에서의 제조공정 스케줄 내역을 포함하는 공정 정보 일 수 있다.
데이터분석 및 머신러닝부(120)는 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 이용하여, 상기 클린룸에 관한 클린룸 상태를 판단한다. 즉, 데이터분석 및 머신러닝부(120)는 학습을 통해, 수집된 클린룸 환경센서 데이터와 제조공정 데이터를 분석 함으로써, 클린룸의 현재 상태를 예측하는 역할을 할 수 있다.
데이터분석 및 머신러닝부(120)에 의한 학습을 위해, 클린룸 환경센서 데이터와 제조공정 데이터는 머신러닝을 위한 전처리 작업이 수행되어야 한다.
이를 위해, 머신러닝 기반 클린룸 관리 시스템(100)은 데이터 전처리부(140)를 더 포함하여 구성 할 수 있다.
데이터 전처리부(140)는 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터에 대해, ETL 툴인 NiFi를 활용하여 전처리한다. 즉, 데이터 전처리부(140)는 데이터 분석에 요구되는 형태로, 클린룸 환경센서 데이터와 제조공정 데이터를 가공하는 역할을 할 수 있다.
ETL은 추출(Extract), 변환(Transform), 적재(Load)를 의미하며, 조직 내외부의 복수의 소스(source)들로부터의 데이터를 데이터 분석을 위한 data warehouse, data mart 내로 이동시키는 과정으로서, 추출, 재구성(reformatting), 정제, 통합, 변형 등을 포함할 수 있다.
ETL은 데이터를 추출(E) - 변환(T) - 적재(L) 순으로 데이터를 처리하는 프로세스이다.
추출(E)는 원본 데이터베이스 또는 데이터 소스에서 데이터를 가져오는 것을 말한다. 추출(E)에서는, 데이터가 임시 스테이징 영역으로 들어가고, 그 즉시 데이터가 Lake 스토리지 시스템으로 이동한다.
변환(T)은 데이터의 구조를 변경하는 프로세스를 의미한다. 변환(T)에서는 용도에 맞는 필터링, Reshaping, 정재 등의 단계를 통해 필요한 형태로 변환한다.
적재(L)는 데이터를 스토리지에 저장하는 프로세스를 의미한다.
NiFi는 빅데이터에 대한 ETL 작업을 편리한 UI로 쉽게 등록해서 수행하는 툴일 수 있다.
전처리에 있어, 데이터 전처리부(140)는, SQL쿼리의 실행에 따라, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 NiFi FlowFile로 가져올 수 있다. 즉, 데이터 전처리부(140)는 SQL쿼리의 실행에 연동하여, 클린룸 환경센서 데이터와 제조공정 데이터로, NiFi FlowFile을 구성 함으로써, ETL 작업이 가능하도록 할 수 있다.
또한, 데이터 전처리부(140)는, 상기 NiFi FlowFile을, Avro형식의 Avro 데이터과 CSV형식의 CSV 데이터로 순차적으로 변경한다. 즉, 데이터 전처리부(140)는 ETL 작업을 통해, NiFi FlowFile을 Avro 데이터과 CSV 데이터를 변경하여, NiFi FlowFile 내 클린룸 환경센서 데이터와 제조공정 데이터를, 이후의 머신러닝 작업이 가능한 형태로 만들 수 있다.
또한, 데이터 전처리부(140)는 상기 CSV 데이터로 바뀐 NiFi FlowFile을 로컬파일시스템(PutFile), HBase(putHBaseRecord), HDFS(putHDFS)에 각각 저장 함으로써, 상기 전처리 할 수 있다. 즉, 데이터 전처리부(140)는CSV형식의 CSV 데이터인 NiFi FlowFile을 저장 함으로써 전처리를 마무리 할 수 있다.
전처리 후, 데이터분석 및 머신러닝부(120)는, 상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터를 분석하여, 상기 클린룸의 내부환경 변화에 따른 수율, 설비의 이상패턴, 및 불량품의 원인 중 어느 하나를 확인하여, 상기 클린룸에 관한 클린룸 상태를 판단한다.
즉, 데이터분석 및 머신러닝부(120)는, 데이터 분석을 통해, 클린룸에서 작업되는 제조공정 상태를 인지하고, 클린룸과 연관되어 발생되는 이상, 고장 등을 판단할 수 있다.
실시예에 따라, 데이터분석 및 머신러닝부(120)는, 상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터로 구성되는 데이터셋에 대해 분류 및 검증을 통해, 분석목적에 맞는 분석데이터셋을 구축하는 탐색적데이터 분석을 수행할 수 있다. 즉, 데이터분석 및 머신러닝부(120)는, 탐색적데이터 분석을 통해, 클린룸 환경센서 데이터와 제조공정 데이터로 구성되는 데이터셋을, 목적에 맞춰 분석데이터셋으로 변환할 수 있다.
또한, 데이터분석 및 머신러닝부(120)는, 상기 분석데이터셋에 머신러닝 모델을 적용하여 출력되는 예측결과를, 상기 클린룸 상태로 판단할 수 있다. 즉, 데이터분석 및 머신러닝부(120)는, 데이터셋에 대해 학습을 함으로써, 클린룸의 현 상황을 예측하여 출력 할 수 있다.
여기서, 머신러닝 모델은, '제품 수율 분석-제어신호 알고리즘', '설비이상 패턴-제어신호 알고리즘', 및 '제품 불량원인-제어신호 알고리즘' 중 적어도 하나의 분석알고리즘 일 수 있다.
'제품 수율 분석-제어신호 알고리즘'은 분석데이터셋 내 환경센서 데이터와 제조공정 데이터로부터 확인되는, 클린룸에서의 제조공정에 따른 제품의 수율 정도를 통해, 클린룸의 상태를 추정하는 머신러닝 모델일 수 있다. 예컨대, '제품 수율 분석-제어신호 알고리즘'에서는, 통계적으로 산출되는 제품의 평균 량을 벗어나 현저히 적은 제품 수가 산출되면, 클린룸의 현 상태를 이상으로 추정할 수 있다.
'설비이상 패턴-제어신호 알고리즘'은 분석데이터셋 내 환경센서 데이터와 제조공정 데이터로부터 확인되는, 클린룸에 관한 환경 정보의 변동을 통해, 클린룸의 상태를 추정하는 머신러닝 모델일 수 있다. 예컨대, '설비이상 패턴-제어신호 알고리즘'에서는, 클린룸에서의 온도 변화가 규정 범위를 벗어나 급격히 상승 변화하면, 클린룸의 현 상태를 이상으로 추정할 수 있다.
'제품 불량원인-제어신호 알고리즘'은 분석데이터셋 내 환경센서 데이터와 제조공정 데이터로부터 확인되는, 클린룸에서의 제조공정에서 발생하는 제품의 불량원인을 통해, 클린룸의 상태를 추정하는 머신러닝 모델일 수 있다. 예컨대, '제품 불량원인-제어신호 알고리즘'에서는, 확인된 제품 불량원인 중, 특정 원인이 규정 치를 벗어나 현저하게 다수를 차지하면, 클린룸의 현 상태를 이상으로 추정할 수 있다.
또한, 제어 및 실행부(130)는 상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸을 최적화시킨다. 즉, 제어 및 실행부(130)는 추정된 클린룸의 현 상태를 개선시키는 방향으로, 클린룸의 설비를 제어 함으로써, 클린룸을 정상 상태로 복귀시키는 역할을 할 수 있다.
예컨대, 클린룸에서의 온도 변화가 규정 범위를 벗어나 급격히 상승 변화하는 것으로 클린룸의 상태가 판단되면, 제어 및 실행부(130)는 클린룸에 찬 공기를 주입하여, 온도를 규정 범위로 낮추는 공조설비를 제어하여, 클린룸을 정상 상태로 복귀시킬 수 있다.
실시예에 따라, 머신러닝 기반 클린룸 관리 시스템(100)은 판단된 클린룸 상태를 시각적으로 보여주는 실시간 모니터링 및 시각화부(150)를 더 포함하여 구성할 수 있다.
실시간 모니터링 및 시각화부(150)은, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터와 함께, 상기 판단된 클린룸 상태를 시각화할 수 있다. 즉, 실시간 모니터링 및 시각화부(150)은 실시간으로 수집되는 클린룸 환경센서 데이터와 제조공정 데이터를 그래프 형태로 보여주면서, 이들 데이터에 대한 분석을 통해 판단된 클린룸의 상태를, 예컨대 '정상/이상경고/고장' 등으로 시각화 할 수 있다.
본 발명의 일실시예에 따르면, 클린룸 내부 환경정보 변화에 따른 설비의 이상패턴 파악, 불량의 원인 파악, 내부환경에 따른 최적 수율의 파악 등을 수행하기 위한 분석 및 머신러닝을 제공하여 이를 모니터링 및 제어하는 기법을 제공 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 반도체 설비의 고장 전 이상작동을 통해 설비의 결함을 조기에 발견하고 보다 효율적인 수율을 위해서 환경별로 수율을 분석하여 최적의 클린룸 환경을 유지 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 클린룸의 관리시스템을 통하여 불량품을 줄이고 이상현상을 예측하여 수율을 향상시킬 수 있다.
본 발명은 클린룸 환경센서 데이터와 제조공정 데이터의 수집 및 분석을 위한 클린룸 관리 시스템 및 방법에 관한 것이다.
도 2는 본 발명의 머신러닝 기반 클린룸 관리 시스템의 전체 구조도이다.
본 발명의 클린룸 관리 시스템은, 데이터 수집부(210), 전처리 및 빅데이터 저장부(220), 실시간 모니터링 및 시각화부(230), 데이터분석 및 머신러닝부(240), 제어 및 실행부(250)로 구성될 수 있다.
클린룸 관리 시스템의 기능은 크게, 데이터 수집부(210)와 전처리 및 빅데이터 저장부(220)의 '클린룸 환경 감지' 기능, 실시간 모니터링 및 시각화부(230)의 '모니터링 및 시각화' 기능, 데이터분석 및 머신러닝부(240)의 '감지된 정보 기반의 의사 판단' 기능, 제어 및 실행부(250)의 '클린룸의 제어 및 실행' 기능의 4단계로 구분할 수 있다.
클린룸 관리 시스템은, 환경정보 센서로부터 클린룸 환경센서 데이터(212)와, 제조공정 데이터(211)를 실시간으로 수집하고, 수집된 클린룸 환경센서 데이터(212)와, 제조공정 데이터(211)에 기반하여 의사 판단을 위해 데이터분석과 머신러닝을 사용하는 분석을 진행할 수 있다.
클린룸 관리 시스템은, 클린룸의 제어 및 실행을 위해 데이터베이스를 구축하고, 수집된 클린룸 환경센서 데이터(212)와, 제조공정 데이터(211)에 대한 실시간 모니터링과 데이터 분석을 통해 클린룸을 최적한 환경으로 관리할 수 있도록 한다.
이하에서는, 머신러닝 기반 클린룸 관리 시스템에 의한, 전체시스템의 프로세스를 설명한다.
클린룸 관리 시스템은 클린룸 내부에 부착된 온도, 습도, 미세먼지, 차압, 풍속 등 환경정보 센서를 통해 실시간으로 클린룸의 내부환경에 관한 클린룸 환경센서 데이터(212)를 수집할 수 있다.
수집된 클린룸 환경센서 데이터(212)는 데이터 전처리(210)를 거쳐 제조공정 데이터(211)와 함께 통합 DB(220)에 적재된다.
통합 DB(220)에 적재된 클린룸 환경센서 데이터(212)와, 제조공정 데이터(211)는, 데이터분석 및 머신러닝부(240)에 의해 분석된다.
분석된 데이터들은 실시간 모니터링 및 시각화부(230)로 송출되고, 동시에 제어 및 실행부(250)에 전달되어, 클린룸의 내부환경이 최적한 환경으로 유지되도록 할 수 있다.
데이터 수집부(210)는, 제조공정 데이터(211), 클린룸 환경센서 데이터(212), 및 센서 데이터 수집기(121)를 포함한다.
제조공정 데이터(211)는 ERP(Enterprise Resource Planning), MES(Manufacturing Execution System) 시스템으로부터 수집되며, 공정이 완료된 제품에 대한 반도체 검사결과 데이터, 설비보전이력 데이터 등을 포함할 수 있다.
클린룸 환경센서 데이터(212)는 클린룸 내부에 부착된 온도, 습도, 미세먼지, 차압, 풍속 등 환경정보 센서에 의해 감지되며, 센서 데이터 수집기(121)를 통해 실시간으로 클린룸의 내부환경에 관한 데이터로서 수집될 수 있다.
센서 데이터 수집기(121)는 Node-Red 기반 센서데이터 수집기로서, 클린룸 환경센서 데이터(212)를 실시간으로 수집 할 수 있다.
도 3은 Node-Red 기반의 센서데이터 수집기를 설명하기 위한 도이다.
도 3에서와 같이, Node-Red 기반의 센서데이터 수집기는, 센서에 의해 감지된 온도, 습도, 미세먼지 등을 IO-Link를 통해 수집하여, PLC에 누적하는, 데이터를 수집하는 수단일 수 있다.
전처리 및 빅데이터 저장부(220)는 데이터 전처리(210) 및 통합 DB(220)를 포함 할 수 있다.
데이터 전처리(210)는, 센서 데이터 수집기(121)를 통해 수집된 클린룸 환경센서 데이터(212)가 로그데이터 이므로, 이를 전처리하여 데이터베이스에 적재하기 위해 필요하다.
데이터 전처리(210)는 ETL 툴인 NiFi를 활용하여 클린룸 환경센서 데이터(212)와 제조공정 데이터(211)를 전처리하여 데이터베이스로 적재할 수 있다.
ETL툴(NiFi)을 활용하여 빅데이터 분석에 필요한 클린룸 환경센서 데이터(212)와 제조공정 데이터(211)를 전처리하는 과정은, 도 4를 참조하여 설명한다.
도 4는 ETL 툴(NiFi)을 활용한 데이터 전처리의 과정을 예시하는 도이다.
먼저 전처리 ①단계에서는 실시간으로 수집된 클린룸 환경센서 데이터(212)와 제조공정 데이터(211)를 가져오는 SQL쿼리를 생성한다.
전처리 ②단계에서는 생성된 SQL쿼리를 실행시켜, 클린룸 환경센서 데이터(212)와 제조공정 데이터(211)를 NiFi FlowFile로 가져온다. 이때 SQL쿼리의 결과는 Avro형식의 Avro 데이터로 변환되어 출력된다.
전처리 ③단계에서는 전처리 ②단계의 결과물인 Avro 데이터를 CSV형식의 CSV 데이터로 바꿔준다. 전처리 ③단계에서는 데이터 형식만 CSV 데이터이고 원본 파일 이름은 CSV 확장명이 아니기 때문에 파일 이름을 한번 더 변경해야 된다.
전처리 ④단계에서는, CSV 데이터로 바뀐 NiFi FlowFile을 로컬파일시스템(PutFile), HBase(putHBaseRecord), HDFS(putHDFS)에 각각 저장하여, 데이터베이스로의 적재과정을 마친다.
전처리가 완료된 클린룸 환경센서 데이터(212)와 제조공정 데이터(211)에 대해서는, 내부환경 변화에 따른 수율, 설비의 이상패턴, 불량품의 원인 등의 데이터 분석을 위해 통합과정을 수행할 수 있다.
통합 DB(220)는 전처리가 완료된 클린룸 환경센서 데이터(212)와 제조공정 데이터(211)를 저장할 수 있다. 통합 DB(220)는 제조공정 데이터(211)에 포함되는 반도체 검사결과 데이터, 설비보전이력 데이터를 분석 가능한 형태로 하여, 저장할 수 있다.
실시간 모니터링 및 시각화부(230)는 센서데이터 실시간 모니터링(231)과, 분석결과 시각화(232)를 포함할 수 있다.
실시간 모니터링 및 시각화부(230)에서는 센서데이터 실시간 모니터링(231)에서의 결과와, 데이터 분석 및 머신러닝부(240)의 분석결과를 실시간으로 수집하여, 시각화하여 제공할 수 있다.
센서데이터 실시간 모니터링(231)에서는, 통합 DB(220)로부터 전처리된 클린룸 환경센서 데이터(212)를 받아, 실시간 모니터링을 수행한다.
센서데이터 실시간 모니터링(231)에서는, 실시간 모니터링의 결과, 관리 상하한을 넘은 이상 신호가 검출되는 경우, 이메일, SNS 등 다양한 채널을 통하여 관리자 단말에 Alert 메시지를 송출한다.
도 5는 센서데이터 실시간 모니터링의 일례를 예시한 도이다.
도 5에서는 센서데이터로서의 '마이크로오븐 M1속도 70.5', '마이크로오븐 CH1온도 26.6', '마이크로오븐 CH2온도 62.1'을 실시간으로 모니터링하는 것을 예시하고 있다.
분석결과 시각화(232)에서는 데이터 분석 및 머신러닝부(240)에서 도출된 결과를 시각화하여 제공 할 수 있다.
분석결과 시각화(232)는 데이터 분석 및 머신러닝부(240)에서 도출된 결과를, 태블로 등의 BI툴을 사용하여 시각화 하여, 의사결정자에게 빠른 의사결정을 지원 할 수 있으며, OLAP(On-Line Analytical Processing) 분석에 적합하여 제조공정의 생산업무보고서 작성에 큰 도움을 줄 수 있다.
도 6은 분석결과 시각화의 일례를 예시한 도이다.
도 6에 도시한 바와 같이, 분석결과 시각화(232)에서는 분석 결과를 지역, 성별, 연령 등으로 구분하여 시각적으로 표시할 수 있다.
데이터 분석 및 머신러닝부(240)는 탐색적데이터 분석(241)과 머신러닝(242)을 포함할 수 있다.
탐색적데이터 분석(241)에서는 통합 DB(220)로부터 전처리 된 클린룸 환경센서 데이터(212)를 받고, 이 클린룸 환경센서 데이터(212)를 활용한 기초분석을 진행 할 수 있다.
머신러닝(242)에서는, 진행된 기초분석에 근거하여, 머신러닝을 통해 예측을 진행 할 수 있다.
탐색적데이터 분석(241)에서는 탐색적데이터분석(EDA, Exploratory Data Analysis)을 수행한다.
탐색적데이터 분석(241)에서는 통합 데이터를 사용하여 내부환경 변화에 따른 수율, 설비의 이상패턴, 불량품의 원인을 도출하기 위해 머신러닝 데이터셋을 구축하는 것을 목적으로 한다.
탐색적데이터 분석(241)에서는 데이터를 다양한 각도에서 살펴보는 과정을 통해, 문제 정의 단계에서 미처 발견하지 못했을 다양한 패턴을 발견하고, 이를 바탕으로 분석목적에 맞는 데이터셋을 구축할 수 있다.
도 7은 탐색적데이터 분석의 일례를 예시한 도이다.
단계 710은 변수의 목적 및 변수를 도출하는 과정이다. 즉, 탐색적데이터 분석(241)에서는 분석의 목적과 변수가 무엇이 있는지 확인하고, 개별 변수의 이름이나 설명을 가지는지를 확인 할 수 있다.
단계 720은 데이터셋의 분류 및 검증을 수행하는 과정이다. 즉, 탐색적데이터 분석(241)에서는 데이터에 문제가 없는지 전체적으로 확인하고, 산점도를 통해 데이터셋의 분류 및 검증을 수행 할 수 있다.
단계 730은 각 속성값의 이상치를 확인하는 과정이다. 즉, 탐색적데이터 분석(241)에서는 박스플랏(Boxplot)을 사용하여 각 속성 값의 4분위수와 이상치를 확인 할 수 있다.
단계 740은 변수별 상관계수 도출 및 변수간 다중공선성을 확인하는 과정이다. 즉, 탐색적데이터 분석(241)에서는 변수 별 상관계수를 도출하여 변수 간 상관 관계를 확인하고, 다중공선성을 가지는 변수를 도출할 수 있다.
다중공선성은 일부 변수 간 상관 관계가 높아 데이터 분석 시 부정적인 영향을 미치는 것을 의미 할 수 있다.
단계 750은 독립변수의 선형결합을 수행하는 과정이다. 즉, 탐색적데이터 분석(241)에서는 로지스틱 회귀분석을 사용하여 독립 변수의 선형 결합으로 종속 변수를 설명하는 모델을 구성 할 수 있다.
단계 760은 분석목적에 맞는 분석데이터셋을 구축하는 과정이다. 즉, 탐색적데이터 분석(241)에서는 머신러닝(242)부에서 사용할 분석목적에 맞는 데이터셋을 구축 할 수 있다.
도 8은 머신러닝의 알고리즘을 예시한 도이다.
단계 810은, 다중 데이터셋을 입력하여 입력변수를 선정하는 과정이다. 즉, 머신러닝(242)에서는 탐색적데이터 분석(241)에서 구축된 분석데이터셋을 다중으로 입력받아, 분석에 필요한 입력변수를 선정할 수 있다.
단계 820, 822는, XGBoost와 LGBM에 의해, 입력변수 중 중요변수를 도출하는 과정이다. 즉, 머신러닝(242)에서는, XGBoost와 LGBM을 통하여 구해진 중요변수를 도출할 수 있다. 머신러닝(242)에서는 중요변수에 가중치를 두고 클린룸의 환경정보 센서에 대한 분석을 진행할 수 있다.
XGboost(Extreme Gradient Boost)는 의사결정나무 기반의 앙상블 머신 러닝 알고리즘일 수 있다. XGboost는 Gradient Boosting 의 단점을 보완한 알고리즘으로 정형 데이터를 사용하여 예측할 때 매우 우수한 성능을 보이며 회귀, 분류, 예측에 사용될 수 있다.
XGBoost를 통해 도출한 중요변수 예시는 도 9와 같다.
도 9는 XGboost를 활용한 중요변수의 도출을 예시한 도이다.
도 9에서는, 본 발명에 따른 분석데이터셋에 대해, XGboost를 활용하여 중요변수 X14에서 X 28을 도출하는 것을 예시한다.
다시 도 8을 설명하면, 단계 830은 도출된 중요변수를, 다중분류기에 입력하는 과정이다. 즉, 머신러닝(242)에서는 중요변수에 대해 렌덤포레스트 또는 나이브베이즈 등 다중 분류기를 사용할 수 있다.
단계 840은 머신러닝 모델을 적용하는 과정이다. 즉, 머신러닝(242)에서는 '제품 수율 분석-제어신호 알고리즘'(842), '설비이상 패턴-제어신호 알고리즘'(844), '제품 불량원인 -제어신호 알고리즘'(846)의 분석알고리즘을 적용할 수 있다. 머신러닝(242)에서는 다중 데이터셋에 대해, 최적화된 분석알고리즘이 선택되도록 머신러닝 모델을 적용할 수 있다.
단계 850은 머신러닝 모델을 평가하는 과정이다. 즉, 머신러닝(242)에서는 머신러닝 모델을 평가하고, 학습데이터 피드백을 통하여, 정확성을 높일 수 있다.
단계 860은 머신러닝 모델의 평가에 따른 예측결과를 출력하는 과정이다. 즉, 머신러닝(242)에서는 예측결과를 출력하여, 제어 및 실행부(250)와 분석결과 시각화(232)에 전달할 수 있다.
머신러닝(242)에서 분석된 결과는 태블로 등의 BI툴을 사용하여, 분석결과 시각화(232)에 의해 시각화되기 때문에 의사결정자에게 빠른 의사결정을 지원 할 수 있다.
또한, 실시간으로 수집되는 클린룸 환경센서 데이터(212)와, 제조공정 데이터(211)는 센서데이터 실시간 모니터링(231)을 거쳐 분석결과 시각화(232)에서 확인할 수 있다.
머신러닝(242)에서 분석된 결과는 제어 및 실행부(250)에 전달되고, 제어 및 실행부(250)는 클린룸의 최적 환경 파라메터 정보에 따라 클린룸의 환경을 최적하게 제어, 실행 할 수 있다.
제어 및 실행부(250)는, 센서데이터 실시간 모니터링(231)에 의한 모니터링 결과와, 머신러닝(242)에 의한 분석 결과를 연계하여, 클린룸관리서버에 제어신호를 출력 함으로써, 환경정보 센서에 대해 원격 제어 및 실행을 수행 할 수 있다.
본 발명에 의해서는, 생산 최적의 수율을 유지하는 클린룸 관리환경을 찾고, 그 환경을 유지할 수 있다.
본 발명에 의해서는, 클린룸 내부의 환경 변화에 따른 설비의 이상패턴 파악 및 예측, 제품 불량의 원인 파악 등을 수행하는 분석 프로세스를 통해 최적의 클린룸 환경을 제공할 수 있다.
기존의 반도체 클린룸 관리는 단순히 센서값을 이용해 실시간으로 내부환경만을 관리해오는 단순관리로, 단순관리는 공장의 갑작스러운 사고에 대처하지 못하고 원인조차 찾지 못하였다.
본 발명에 의해서는, 종래의 단순관리의 문제를, 내부환경센서의 데이터와 공정 후 검사 데이터(양품,불량품 여부 등), 설비데이터를 이용하여 원인을 찾고 조기에 진단할 수 있게 개선할 수 있다.
본 발명에 의해서는, 내부환경 변화에 따른 최적의 수율을 찾기 위해 각 센서값에 가중치를 두고, 어떤 환경이 수율에 크게 영향을 주는지에 대하여 확인 함으로써, 최적의 수율을 위한 내부환경을 찾을 수 있다.
본 발명에 의해서는, 머신러닝을 이용하여 변화를 예측하여 모니터링하고, 클린룸의 환경을 최적한 환경으로 제어 관리함으로써 반도체 수율 상승에 기여할 수 있다.
이하, 도 10에서는 본 발명의 실시예들에 따른 머신러닝 기반 클린룸 관리 시스템(100)의 동작 흐름을 상세히 설명한다.
도 10은 본 발명의 일실시예에 따른, 머신러닝 기반 클린룸 관리 방법을 도시한 흐름도이다.
머신러닝 기반 클린룸 관리 방법은, 머신러닝 기반 클린룸 관리 시스템(100)의 구현될 수 있다.
머신러닝 기반 클린룸 관리 시스템(100) 데이터 수집부에서, 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집한다(1010). 단계(1010)는 데이터 수집부에 의해, 클린룸에 관한 환경 정보로서의 클린룸 환경센서 데이터와, 클린룸에서 수행되는 제조공정에 관한 공정 정보로서의 제조공정 데이터를 획득하는 과정일 수 있다.
환경정보 센서는, 클린룸 내부에 설치되어, 클린룸의 온도, 습도, 가스량, 먼지 등을 감지하여 상기 클린룸 환경센서 데이터를 생성할 수 있다.
제조공정 데이터는, 클린룸의 운영자에 의해 설정되는, 클린룸에서의 제조공정 스케줄 내역을 포함하는 공정 정보 일 수 있다.
머신러닝 기반 클린룸 관리 시스템(100) 내 데이터분석 및 머신러닝부에서, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 이용하여, 상기 클린룸에 관한 클린룸 상태를 판단한다(1020). 단계(1020)는 데이터분석 및 머신러닝부에 의해, 학습을 통해, 수집된 클린룸 환경센서 데이터와 제조공정 데이터를 분석 함으로써, 클린룸의 현재 상태를 예측하는 과정일 수 있다.
데이터분석 및 머신러닝부에 의한 학습을 위해, 클린룸 환경센서 데이터와 제조공정 데이터는 머신러닝을 위한 전처리 작업이 수행되어야 한다.
머신러닝 기반 클린룸 관리 시스템(100)은 데이터 전처리부에 의해 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터에 대해, ETL 툴인 NiFi를 활용하여 전처리한다. 즉, 데이터 전처리부는 데이터 분석에 요구되는 형태로, 클린룸 환경센서 데이터와 제조공정 데이터를 가공 할 수 있다.
ETL은 추출(Extract), 변환(Transform), 적재(Load)를 의미하며, 조직 내외부의 복수의 소스(source)들로부터의 데이터를 데이터 분석을 위한 data warehouse, data mart 내로 이동시키는 과정으로서, 추출, 재구성(reformatting), 정제, 통합, 변형 등을 포함할 수 있다.
ETL은 데이터를 추출(E) - 변환(T) - 적재(L) 순으로 데이터를 처리하는 프로세스이다.
추출(E)는 원본 데이터베이스 또는 데이터 소스에서 데이터를 가져오는 것을 말한다. 추출(E)에서는, 데이터가 임시 스테이징 영역으로 들어가고, 그 즉시 데이터가 Lake 스토리지 시스템으로 이동한다.
변환(T)은 데이터의 구조를 변경하는 프로세스를 의미한다. 변환(T)에서는 용도에 맞는 필터링, Reshaping, 정재 등의 단계를 통해 필요한 형태로 변환한다.
적재(L)는 데이터를 스토리지에 저장하는 프로세스를 의미한다.
NiFi는 빅데이터에 대한 ETL 작업을 편리한 UI로 쉽게 등록해서 수행하는 툴일 수 있다.
전처리에 있어, 데이터 전처리부는, SQL쿼리의 실행에 따라, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 NiFi FlowFile로 가져올 수 있다. 즉, 데이터 전처리부는 SQL쿼리의 실행에 연동하여, 클린룸 환경센서 데이터와 제조공정 데이터로, NiFi FlowFile을 구성 함으로써, ETL 작업이 가능하도록 할 수 있다.
또한, 데이터 전처리부는, 상기 NiFi FlowFile을, Avro형식의 Avro 데이터과 CSV형식의 CSV 데이터로 순차적으로 변경한다. 즉, 데이터 전처리부는 ETL 작업을 통해, NiFi FlowFile을 Avro 데이터과 CSV 데이터를 변경하여, NiFi FlowFile 내 클린룸 환경센서 데이터와 제조공정 데이터를, 이후의 머신러닝 작업이 가능한 형태로 만들 수 있다.
또한, 데이터 전처리부는 상기 CSV 데이터로 바뀐 NiFi FlowFile을 로컬파일시스템(PutFile), HBase(putHBaseRecord), HDFS(putHDFS)에 각각 저장 함으로써, 상기 전처리 할 수 있다. 즉, 데이터 전처리부는CSV형식의 CSV 데이터인 NiFi FlowFile을 저장 함으로써 전처리를 마무리 할 수 있다.
전처리 후, 데이터분석 및 머신러닝부는, 상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터를 분석하여, 상기 클린룸의 내부환경 변화에 따른 수율, 설비의 이상패턴, 및 불량품의 원인 중 어느 하나를 확인하여, 상기 클린룸에 관한 클린룸 상태를 판단한다.
즉, 데이터분석 및 머신러닝부는, 데이터 분석을 통해, 클린룸에서 작업되는 제조공정 상태를 인지하고, 클린룸과 연관되어 발생되는 이상, 고장 등을 판단할 수 있다.
실시예에 따라, 데이터분석 및 머신러닝부는, 상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터로 구성되는 데이터셋에 대해 분류 및 검증을 통해, 분석목적에 맞는 분석데이터셋을 구축하는 탐색적데이터 분석을 수행할 수 있다. 즉, 데이터분석 및 머신러닝부는, 탐색적데이터 분석을 통해, 클린룸 환경센서 데이터와 제조공정 데이터로 구성되는 데이터셋을, 목적에 맞춰 분석데이터셋으로 변환할 수 있다.
또한, 데이터분석 및 머신러닝부는, 상기 분석데이터셋에 머신러닝 모델을 적용하여 출력되는 예측결과를, 상기 클린룸 상태로 판단할 수 있다. 즉, 데이터분석 및 머신러닝부는, 데이터셋에 대해 학습을 함으로써, 클린룸의 현 상황을 예측하여 출력 할 수 있다.
여기서, 머신러닝 모델은, '제품 수율 분석-제어신호 알고리즘', '설비이상 패턴-제어신호 알고리즘', 및 '제품 불량원인-제어신호 알고리즘' 중 적어도 하나의 분석알고리즘 일 수 있다.
'제품 수율 분석-제어신호 알고리즘'은 분석데이터셋 내 환경센서 데이터와 제조공정 데이터로부터 확인되는, 클린룸에서의 제조공정에 따른 제품의 수율 정도를 통해, 클린룸의 상태를 추정하는 머신러닝 모델일 수 있다. 예컨대, '제품 수율 분석-제어신호 알고리즘'에서는, 통계적으로 산출되는 제품의 평균 량을 벗어나 현저히 적은 제품 수가 산출되면, 클린룸의 현 상태를 이상으로 추정할 수 있다.
'설비이상 패턴-제어신호 알고리즘'은 분석데이터셋 내 환경센서 데이터와 제조공정 데이터로부터 확인되는, 클린룸에 관한 환경 정보의 변동을 통해, 클린룸의 상태를 추정하는 머신러닝 모델일 수 있다. 예컨대, '설비이상 패턴-제어신호 알고리즘'에서는, 클린룸에서의 온도 변화가 규정 범위를 벗어나 급격히 상승 변화하면, 클린룸의 현 상태를 이상으로 추정할 수 있다.
'제품 불량원인-제어신호 알고리즘'은 분석데이터셋 내 환경센서 데이터와 제조공정 데이터로부터 확인되는, 클린룸에서의 제조공정에서 발생하는 제품의 불량원인을 통해, 클린룸의 상태를 추정하는 머신러닝 모델일 수 있다. 예컨대, '제품 불량원인-제어신호 알고리즘'에서는, 확인된 제품 불량원인 중, 특정 원인이 규정 치를 벗어나 현저하게 다수를 차지하면, 클린룸의 현 상태를 이상으로 추정할 수 있다.
계속해서, 머신러닝 기반 클린룸 관리 시스템(100) 내 제어 및 실행부에서, 상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸을 최적화시킨다(1030). 단계(1030)는 제어 및 실행부에 의해 추정된 클린룸의 현 상태를 개선시키는 방향으로, 클린룸의 설비를 제어 함으로써, 클린룸을 정상 상태로 복귀시키는 과정일 수 있다.
예컨대, 클린룸에서의 온도 변화가 규정 범위를 벗어나 급격히 상승 변화하는 것으로 클린룸의 상태가 판단되면, 제어 및 실행부는 클린룸에 찬 공기를 주입하여, 온도를 규정 범위로 낮추는 공조설비를 제어하여, 클린룸을 정상 상태로 복귀시킬 수 있다.
실시예에 따라, 머신러닝 기반 클린룸 관리 시스템(100)은 실시간 모니터링 및 시각화부에 의해, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터와 함께, 상기 판단된 클린룸 상태를 시각화할 수 있다. 즉, 실시간 모니터링 및 시각화부는 실시간으로 수집되는 클린룸 환경센서 데이터와 제조공정 데이터를 그래프 형태로 보여주면서, 이들 데이터에 대한 분석을 통해 판단된 클린룸의 상태를, 예컨대 '정상/이상경고/고장' 등으로 시각화 할 수 있다.
본 발명의 일실시예에 따르면, 클린룸 내부 환경정보 변화에 따른 설비의 이상패턴 파악, 불량의 원인 파악, 내부환경에 따른 최적 수율의 파악 등을 수행하기 위한 분석 및 머신러닝을 제공하여 이를 모니터링 및 제어하는 기법을 제공 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 반도체 설비의 고장 전 이상작동을 통해 설비의 결함을 조기에 발견하고 보다 효율적인 수율을 위해서 환경별로 수율을 분석하여 최적의 클린룸 환경을 유지 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 클린룸의 관리시스템을 통하여 불량품을 줄이고 이상현상을 예측하여 수율을 향상시킬 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100 : 머신러닝 기반 클린룸 관리 시스템
110 : 데이터 수집부
120 : 데이터분석 및 머신러닝부
130 : 제어 및 실행부
140 : 데이터 전처리부
150 : 실시간 모니터링 및 시각화부

Claims (13)

  1. 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집하는 데이터 수집부;
    상기 클린룸 환경센서 데이터와 상기 제조공정 데이터에 대해, ETL 툴인 NiFi를 활용하여 전처리하는 데이터 전처리부;
    상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터를 분석하여, 상기 클린룸의 내부환경 변화에 따른 수율, 설비의 이상패턴, 및 불량품의 원인 중 어느 하나를 확인하여, 상기 클린룸의 환경적인 상태에 관한 클린룸 상태를 판단하는 데이터분석 및 머신러닝부; 및
    상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸의 환경을 규정된 정상 상태로 복귀시키는 제어 및 실행부
    를 포함하는 머신러닝 기반 클린룸 관리 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 데이터 전처리부는,
    SQL쿼리의 실행에 따라, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 NiFi FlowFile로 가져오고,
    상기 NiFi FlowFile을, Avro형식의 Avro 데이터과 CSV형식의 CSV 데이터로 순차적으로 변경하며,
    상기 CSV 데이터로 바뀐 NiFi FlowFile을 로컬파일시스템(PutFile), HBase(putHBaseRecord), HDFS(putHDFS)에 각각 저장 함으로써, 상기 전처리하는
    를 포함하는 머신러닝 기반 클린룸 관리 시스템.
  4. 제1항에 있어서,
    상기 데이터분석 및 머신러닝부는,
    상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터로 구성되는 데이터셋에 대해 분류 및 검증을 통해, 분석목적에 맞는 분석데이터셋을 구축하는 탐색적데이터 분석; 및
    상기 분석데이터셋에 머신러닝 모델을 적용하여 출력되는 예측결과를, 상기 클린룸 상태로 판단하는 머신러닝
    을 수행하는 머신러닝 기반 클린룸 관리 시스템.
  5. 제4항에 있어서,
    상기 머신러닝 모델은,
    '제품 수율 분석-제어신호 알고리즘', '설비이상 패턴-제어신호 알고리즘', 및 '제품 불량원인-제어신호 알고리즘' 중 적어도 하나의 분석알고리즘인
    머신러닝 기반 클린룸 관리 시스템.
  6. 제1항에 있어서,
    상기 클린룸 환경센서 데이터와 상기 제조공정 데이터와 함께, 상기 판단된 클린룸 상태를 시각화하는 실시간 모니터링 및 시각화부
    를 더 포함하는 머신러닝 기반 클린룸 관리 시스템.
  7. 데이터 수집부에서, 클린룸에 설치되는 환경정보 센서에 의해 생성된 클린룸 환경센서 데이터와, 상기 클린룸과 관련한 제조공정 데이터를 수집하는 단계;
    데이터 전처리부에서, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터에 대해, ETL 툴인 NiFi를 활용하여 전처리하는 단계;
    데이터분석 및 머신러닝부에서, 상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터를 분석하여, 상기 클린룸의 내부환경 변화에 따른 수율, 설비의 이상패턴, 및 불량품의 원인 중 어느 하나를 확인하여, 상기 클린룸의 환경적인 상태에 관한 클린룸 상태를 판단하는 단계; 및
    제어 및 실행부에서, 상기 판단된 클린룸 상태에 따라, 상기 클린룸을 동작시키는 설비를 제어하여 상기 클린룸의 환경을 규정된 정상 상태로 복귀시키는 단계
    를 포함하는 머신러닝 기반 클린룸 관리 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 전처리하는 단계는,
    SQL쿼리의 실행에 따라, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터를 NiFi FlowFile로 가져오는 단계;
    상기 NiFi FlowFile을, Avro형식의 Avro 데이터과 CSV형식의 CSV 데이터로 순차적으로 변경하는 단계; 및
    상기 CSV 데이터로 바뀐 NiFi FlowFile을 로컬파일방법(PutFile), HBase(putHBaseRecord), HDFS(putHDFS)에 각각 저장 함으로써, 상기 전처리하는 단계
    를 포함하는 머신러닝 기반 클린룸 관리 방법.
  10. 제7항에 있어서,
    상기 클린룸 상태를 판단하는 단계는,
    상기 전처리가 완료된 클린룸 환경센서 데이터와 제조공정 데이터로 구성되는 데이터셋에 대해 분류 및 검증을 통해, 분석목적에 맞는 분석데이터셋을 구축하는 단계; 및
    상기 분석데이터셋에 머신러닝 모델을 적용하여 출력되는 예측결과를, 상기 클린룸 상태로 판단하는 단계
    를 더 포함하는 머신러닝 기반 클린룸 관리 방법.
  11. 제10항에 있어서,
    상기 머신러닝 모델은,
    '제품 수율 분석-제어신호 알고리즘', '설비이상 패턴-제어신호 알고리즘', 및 '제품 불량원인-제어신호 알고리즘' 중 적어도 하나의 분석알고리즘인
    머신러닝 기반 클린룸 관리 방법.
  12. 제7항에 있어서,
    실시간 모니터링 및 시각화부에서, 상기 클린룸 환경센서 데이터와 상기 제조공정 데이터와 함께, 상기 판단된 클린룸 상태를 시각화하는 단계
    를 더 포함하는 머신러닝 기반 클린룸 관리 방법.
  13. 제7항, 제9항 내지 제12항 중 어느 한 항의 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체.
KR1020210073371A 2021-06-07 2021-06-07 머신러닝 기반 클린룸 관리 시스템 및 방법 KR102494420B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210073371A KR102494420B1 (ko) 2021-06-07 2021-06-07 머신러닝 기반 클린룸 관리 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210073371A KR102494420B1 (ko) 2021-06-07 2021-06-07 머신러닝 기반 클린룸 관리 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220164976A KR20220164976A (ko) 2022-12-14
KR102494420B1 true KR102494420B1 (ko) 2023-02-06

Family

ID=84438567

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210073371A KR102494420B1 (ko) 2021-06-07 2021-06-07 머신러닝 기반 클린룸 관리 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102494420B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102622569B1 (ko) * 2022-12-20 2024-01-09 (주)위세아이텍 지능형 제조 설비 제어 장치 및 그의 제어 방법
KR102613058B1 (ko) * 2023-10-19 2023-12-14 주식회사 알엠에이 이기종 빅데이터 호환 게이트웨이를 포함하는 ai 딥러닝 기반 위험탐지 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021060136A (ja) * 2019-10-03 2021-04-15 清水建設株式会社 空気清浄システム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100257904B1 (ko) * 1997-12-29 2000-06-01 윤종용 클린룸의 환경평가 시스템
KR20170036965A (ko) * 2015-09-24 2017-04-04 삼성전자주식회사 컴퓨팅 장치 및 그것에 의한 모니터링 방법
KR20200072060A (ko) * 2018-12-12 2020-06-22 세메스 주식회사 기판 처리 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021060136A (ja) * 2019-10-03 2021-04-15 清水建設株式会社 空気清浄システム

Also Published As

Publication number Publication date
KR20220164976A (ko) 2022-12-14

Similar Documents

Publication Publication Date Title
WO2023071217A1 (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
Filz et al. Data-driven failure mode and effect analysis (FMEA) to enhance maintenance planning
US9378183B2 (en) Monitoring diagnostic device and monitoring diagnostic method
US11740619B2 (en) Malfunction early-warning method for production logistics delivery equipment
KR101713985B1 (ko) 예지 정비 방법 및 장치
JP5342708B1 (ja) 異常検知方法及びその装置
JP5301717B1 (ja) 設備状態監視方法およびその装置
KR102494420B1 (ko) 머신러닝 기반 클린룸 관리 시스템 및 방법
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
JP6076421B2 (ja) 設備状態監視方法およびその装置
US11061390B2 (en) System fault isolation and ambiguity resolution
JP2017068816A (ja) 管理システム
JP2019520659A (ja) 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
JP6751561B2 (ja) 装置の構成要素の集合を監視するシステムおよび方法
KR20180131246A (ko) 빅데이터 분석을 통한 공정 관리 방법
JP2012532425A (ja) プラズマ処理システムにおける障害の自動的な検出及び分類、並びにその方法
KR20180056900A (ko) 프로세스마이닝을 이용한 공정 관리 방법
CN110889260B (zh) 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质
Rodrigues et al. Short and long forecast to implement predictive maintenance in a pulp industry
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
Guo et al. Manufacturing process monitoring with nonparametric change-point detection in automotive industry
Taha et al. Aircraft engine remaining useful life prediction framework for industry 4.0
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
TWI400619B (zh) 偵測產品品質超規與評估產品實際量測值的方法
KR102437917B1 (ko) 장비 운영 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right