KR102647438B1 - 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 - Google Patents
화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 Download PDFInfo
- Publication number
- KR102647438B1 KR102647438B1 KR1020220100252A KR20220100252A KR102647438B1 KR 102647438 B1 KR102647438 B1 KR 102647438B1 KR 1020220100252 A KR1020220100252 A KR 1020220100252A KR 20220100252 A KR20220100252 A KR 20220100252A KR 102647438 B1 KR102647438 B1 KR 102647438B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- yield prediction
- yield
- analysis
- segment
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004458 analytical method Methods 0.000 title claims abstract description 85
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000011112 process operation Methods 0.000 claims description 11
- 150000001336 alkenes Chemical class 0.000 claims description 8
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 238000004989 laser desorption mass spectroscopy Methods 0.000 claims 1
- 239000003054 catalyst Substances 0.000 description 60
- 230000032683 aging Effects 0.000 description 35
- 230000000694 effects Effects 0.000 description 23
- 230000007423 decrease Effects 0.000 description 20
- 238000000556 factor analysis Methods 0.000 description 13
- 238000013500 data storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 6
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 6
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001028 reflection method Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000001294 propane Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 101100135890 Caenorhabditis elegans pdi-6 gene Proteins 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- -1 and by this process Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일 실시예에 따르면, 화학 공정의 수율 변화의 기저원인 분석 및 수율 예측 방법으로서, 수율 예측용 데이터를 전처리하는 단계; 및 상기 전처리된 수율 예측용 데이터를 이용하여 기저원인을 분석하는 단계;를 포함하고, 상기 기저원인 분석 단계는, 공정 핵심인자를 추출하는 단계와 추출된 핵심인자의 공정 영향도를 분석하는 단계를 포함하는 것을 특징으로 하는, 기저원인 분석 및 수율 예측 방법을 개시한다. 또한, 본 발명의 일 실시예에 따르면, 상기 기저원인 분석 및 수율 예측 방법을 실행시키기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 기록매체를 개시한다.
Description
본 발명은 화학공정의 화학 공정의 기저 원인을 분석하는 것으로, 보다 구체적으로는, 수율 변화에 기여하는 핵심인자를 선별하고 수율 예측 모델에 적용하는 수율 예측 시스템 및 방법에 관한 것이다.
다수의 단계로 구성된 일련의 공정을 수행하는 경우, 각각의 공정마다 유기적인 연결에 따른 무결성 보장과 신뢰도가 매우 중요하다. 이러한 무결성을 달성하기 위해 공정에서는 주요설비의 입력값부터 각 공정의 이상 유무 판정 및 원인 진단이 파악 가능한 효율적인 공정관리 시스템의 개발이 필요하다.
일반적으로 산업공정에서 발생하는 과거의 데이터들은 대부분 적은 수의 변수(variable)와 선형의 데이터 구조를 갖는 경우가 많았기 때문에 기존의 알고리즘으로도 충분한 예측/분류 결과를 획득할 수 있었다. 그러나 ICT 및 센서 기술의 발달로 인하여 제조공정 분야에서는 수백 수천에 달하는 변수를 가진 데이터들이 생성되기 시작하였다. 특히, 화학 및 제조공정, 발전소와 같은 현대 산업 공정은 안전, 보건 및 환경 관련 규제를 충족함과 동시에, 비용을 절감하고 이윤을 극대화하기 위한 다양한 노력들로 인해서, 갈수록 데이터의 규모가 커지고, 복잡해지고 있다.
따라서 이와 같은 복잡하고 거대한 양의 데이터 중 이익 창출에 큰 영향을 주는 데이터를 선별하여 관리하는 것이 매우 중요하다. 예를 들어, 상업 화학 공정에서 공정 운전 조건은 단기적/장기적으로 촉매 활성에 영향을 주며, 촉매 활성은 제품 생산량과 직결되기 때문에 단기적/장기적 관점에서 촉매 활성을 예측하는 것은 매우 중요하다.
단기적인 관점에서 보면, 공정 운전 조건에 따른 촉매 활성 변화를 파악하여 운전 조건 최적화를 통해 촉매 활성을 향상시켜 제품 생산량을 증가시키는 것이 필요하다. 장기적 관점에서 보면 촉매를 사용하는 상업 화학 공정에서 촉매는 공정이 운전될수록 비활성화가 진행되어 활성이 감소하고, 이로 인해 일정 기간 후 교체가 필요하다. 이와 같은 촉매 교체에는 많은 시간과 돈이 소비되기 때문에, 미래 촉매 활성을 예측하여 촉매 수명/교체 시기를 판단하는 것이 중요하다.
따라서, 촉매 활성에 많은 영향을 끼치는 공정 운전 조건(핵심인자)을 파악하고, 이를 반영하여 촉매 반응 활성의 예측 정확도를 높일 수 있도록 하는 새로운 기술의 개발이 요구되고 있다.
본 발명은 종래 기술의 공정 변화 원인 분석기술의 문제점을 해결하기 위한 것으로, 수율 변화에 기여하는 핵심 인자를 선별하고, 더 나아가 예측 모델에 적용하여 촉매 활성 변화의 예측 정확도를 높인 상업 화학 공정에서 핵심 인자를 반영한 촉매 활성 예측을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명은 정확한 촉매 활성 예측을 통해 제품 판매 계획 및 촉매 교체 시기를 판단 가능하도록 하여 제품 생산 및 촉매 교체에 소요되는 시간 및 비용을 효율적으로 관리할 수 있도록 한 것으로서, 상업 화학 공정에서 핵심 인자를 반영한 촉매 활성 예측을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 화학 공정의 수율 변화의 기저원인 분석 및 수율 예측 방법으로서, 수율 예측용 데이터를 전처리하는 단계; 및 상기 전처리된 수율 예측용 데이터를 이용하여 기저원인을 분석하는 단계;를 포함하고, 상기 기저원인 분석 단계는, 공정 핵심인자를 추출하는 단계와 추출된 핵심인자의 공정 영향도를 분석하는 단계를 포함하는 것을 특징으로 하는, 기저원인 분석 및 수율 예측 방법을 개시한다.
본 발명의 일 실시예에 따르면, 상기 기저원인 분석 및 수율 예측 방법을 실행시키기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 기록매체를 개시한다.
본 발명에 따르면 XAI를 사용하여 핵심인자를 추출하고 각 핵심인자의 기여도를 보여줄 뿐만 아니라 각 핵심인자의 영향도를 더 구체적이고 심층적으로 분석할 수 있다. 즉 사용자가 사용자 인터페이스(UI) 화면 상에서 핵심인자의 태그별 기여도를 확인하고 특정 날짜에 대해 타겟에 영향을 주는 태그를 기여도 순서로 확인할 수도 있으며, 또한 이 날짜에 대한 실제 관측 데이터를 출력함으로써 XAI 분석에 따른 핵심인자 기여도 결과를 검증할 수 있고 XAI 분석의 신뢰성을 높일 수 있다.
또한 본 발명에 따르면 공정 운전 조건에 따른 핵심인자를 선별하여 예측 모델에 적용하여 촉매 활성 변화의 예측 정확도를 높일 수 있고, 정확한 촉매 활성 예측을 통한 제품 판매 계획 및 촉매 교제 시기 판단 가능하도록 하여 제품 생산 및 촉매 교체에 소요되는 시간, 비용을 효율적으로 관리할 수 있으며, 공정 운전 조건에 따른 촉매 활성 변화를 파악하여 운전 조건 최적화를 통해 촉매 활성을 향상시켜 제품 생산량을 증가시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 기저원인 분석 및 수율 예측 시스템의 블록도를 개시한 것이다.
도 2는 일 실시예에 따른 기저원인 분석 및 수율 예측 방법을 나타내는 흐름도를 개시한 것이다.
도 3은 일 실시예에 따른 데이터 전처리 방법을 설명하는 도면을 개시한 것이다.,
도 4는 일 실시예에 따라 분석결과를 시각화하는 방법의 흐름도를 개시한 것이다.
도 5 내지 도 9는 일 실시예에 따라 분석 결과를 출력하는 사용자 인터페이스(UI)를 보여주는 도면을 개시한 것이다.
도 10은 일 실시예에 따른 세그먼트 분석 방법을 설명하는 흐름도를 개시한 것이다.
도 11 내지 도 16은 일 실시예에 따른 세그먼트 분석 과정을 설명하는 도면을 개시한 것이다.
도 17 및 도 18은 일 실시예에 따른 데이터 현실화 방법을 설명하는 도면을 개시한 것이다.
도 19 내지 도 21은 일 실시예에 따른 촉매 노화요소를 반영하는 방법을 설명하는 도면을 개시한 것이다.
도 22는 일 실시예에 따른 수율 예측 결과를 나타내는 도면을 개시한 것이다.
도 2는 일 실시예에 따른 기저원인 분석 및 수율 예측 방법을 나타내는 흐름도를 개시한 것이다.
도 3은 일 실시예에 따른 데이터 전처리 방법을 설명하는 도면을 개시한 것이다.,
도 4는 일 실시예에 따라 분석결과를 시각화하는 방법의 흐름도를 개시한 것이다.
도 5 내지 도 9는 일 실시예에 따라 분석 결과를 출력하는 사용자 인터페이스(UI)를 보여주는 도면을 개시한 것이다.
도 10은 일 실시예에 따른 세그먼트 분석 방법을 설명하는 흐름도를 개시한 것이다.
도 11 내지 도 16은 일 실시예에 따른 세그먼트 분석 과정을 설명하는 도면을 개시한 것이다.
도 17 및 도 18은 일 실시예에 따른 데이터 현실화 방법을 설명하는 도면을 개시한 것이다.
도 19 내지 도 21은 일 실시예에 따른 촉매 노화요소를 반영하는 방법을 설명하는 도면을 개시한 것이다.
도 22는 일 실시예에 따른 수율 예측 결과를 나타내는 도면을 개시한 것이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '~를 포함한다', ‘~로 구성된다', 및 ‘~으로 이루어진다’라는 표현은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '컴퓨터 프로그램', '프로그램‘, 또는 '알고리즘'은 컴퓨터로 처리하기에 적합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다.
본 명세서에서 발명의 구성요소를 지칭하기 위해 사용된 ‘~부’, ‘~모듈’, ‘~유닛’, ‘~블록’, ‘~보드’ 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 물리적, 기능적, 또는 논리적 단위를 의미할 수 있고 이는 하나 이상의 하드웨어나 소프트웨어 또는 펌웨어로 구현되거나 또는 하나 이상의 하드웨어, 소프트웨어, 및/또는 펌웨어의 결합으로 구현될 수 있다.
본 명세서에서 '처리장치', ‘컴퓨터’, ‘컴퓨팅 장치’, '서버 장치', '서버'는 윈도우, 맥, 또는 리눅스와 같은 운영체제, 컴퓨터 프로세서, 메모리, 응용프로그램들, 기억장치(예를 들면, HDD, SSD)를 구비한 시스템으로 구현될 수 있다. 컴퓨터는 예를 들면, 데스크톱 컴퓨터나 노트북, 모바일 단말기 등과 같은 장치일 수 있으나 이들은 예시적인 것이며 이에 한정되는 것은 아니다. 모바일 단말기는 스마트폰, 태블릿 PC, 또는 PDA와 같은 모바일 무선통신기기 중 하나일 수 있다.
이하 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 또한 발명을 기술하는 데 있어서 공지 또는 주지관용 기술이면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈을 막기 위해 기술하지 않음을 미리 언급해 둔다.
도1은 본 발명의 일 실시예에 따른 기저원인 분석 및 수율 예측 시스템을 간략히 나타낸 블록도이다. 이하의 본 명세서의 설명에서 본 발명에 따른 기저원인 분석 및 수율 예측 시스템(이하 간단히 “수율 예측 시스템”이라고도 함)이 올레핀 생산 공정에 적용되는 것으로 가정하여 설명한다. 예를 들어, 본 발명의 수율 예측 시스템은 프로판을 원료로 프로필렌을 만드는 PDH(Propane DeHydration) 공정에 적용될 수 있으며, 이 공정에 의해 프로판에서 수소를 추출하여 올레핀의 한 종류인 프로필렌을 생성할 수 있다.
본 발명의 일 실시예에서 수율 예측 시스템은 제1 사이클 기간 동안 수집된 공정 운전 데이터에 기초하여 제2 사이클 기간의 수율을 예측할 수 있다. 이 때 제1 및 제2 사이클은 동일한 시간 길이의 기간일 수도 있고 상이한 시간 길이의 기간일 수도 있으며, 예를 들어 4년으로 설정할 수 있다. 바람직하게는 한 사이클은 화학 공정에 사용되는 촉매의 수명과 관련될 수 있고, 예를 들어 촉매의 수명이 4년인 경우 한 사이클이 4년으로 설정될 수 있다.
도1을 참조하면, 일 실시예에 따른 수율 예측 시스템(100)은 데이터 전처리부(110), 기저원인(root cause) 분석부(120), 및 수율 예측부(130)를 포함할 수 있고, 이러한 각 구성요소(110 내지 140)는 컴퓨터 장치에서 실행 가능하게 프로그램되는 소프트웨어로 구현될 수 있고, 필요에 따라 펌웨어, 하드웨어와 일부 결합하여 구현될 수도 있다. 대안적 실시예에서 본 발명의 수율 예측 시스템(100)은 세그먼트 분석부(140), 데이터 현실화 처리부(150), 및 노화요소 분석부(160)를 추가로 더 포함할 수 있다.
데이터 전처리부(110)는 데이터 저장부(200)로부터 데이터를 수집 및 추출하여 전처리하는 기능부이다. 데이터 전처리부(110)의 동작에 대해서는 도3을 참조하여 후술하기로 한다.
기저원인 분석부(120)는 데이터 전처리부(110)에서 전처리된 데이터를 이용하여 공정 핵심인자를 추출하고 사용자의 필요에 따라 선택된 주요 핵심인자의 영향도를 일별로 선택하여 타겟(수율, 선택도, 및 전환율 등)에 미치는 영향을 보다 심층적으로 분석하는 기저원인 분석을 수행할 수 있다. 기저원인 분석부(120)는 전처리된 데이터를 이용하여 핵심인자를 추출하기 위해 머신러닝 알고리즘을 포함할 수 있다. 기저원인 분석부(120)의 예시적 동작에 대해서는 도4 내지 도9를 참조하여 후술하기로 한다.
수율 예측부(130)는 전처리된 데이터 및 추출된 핵심인자를 이용하여 공정의 수율을 예측하는 기능부이다. 일 실시예에서 수율 예측부(130)는 머신러닝 기반의 학습 알고리즘을 포함하며, 전처리된 데이터 및 핵심인자를 이용하여 하나 이상의 수율 예측모형을 학습시키고 학습된 수율 예측 모형을 이용하여 수율 예측 결과를 출력할 수 있다.
세그먼트 분석부(140)는 전처리된 데이터에 기초하여 한 사이클을 복수개의 세그먼트로 분할할 수 있다. 예를 들어 한 사이클(예컨대 4년)에 대해 공정에 사용된 촉매의 수명(노화)에 따른 공정 온도, 수율 등 소정 인자의 변화량에 기초하여 한 사이클을 복수개의 기간으로 분할한다. 세그먼트 분석부(140)의 예시적 동작에 대해서는 도10 내지 도16을 참조하여 후술하기로 한다.
데이터 현실화 처리부(150)는 수율 예측에 사용되는 데이터를 수율 예측 모형에 입력하기에 적합한 형태로 현실화하여 생성하기 위한 기능부이다. 본 발명에 따른 수율 예측 시뮬레이션 시스템은 과거 한 사이클(제1 사이클)의 데이터를 활용하여 앞으로의 한 사이클(제2 사이클)을 예측하며, 이 때 제1 사이클의 데이터에 기초하여 제2 사이클의 데이터를 생성하여 수율 예측 모형에 입력할 수 있다. 데이터 현실화 처리부(130)의 예시적 동작에 대해서는 도17 및 도18을 참조하여 후술하기로 한다.
노화요소 분석부(160)는 공정 수율을 보다 정확히 예측하기 위해 공정에 사용되는 촉매의 노화를 반영하기 위한 기능부이다. 일반적으로 촉매는 종류에 따라 수명도 다르고 수명 기간 내에서 노화의 추세도 다양할 수 있다. 특히 촉매가 후반기로 갈수록 노화가 급격히 진행되는 경우 수율 예측 모형에 이를 정확히 반영하는 것이 어려울 수 있다. 따라서 본 발명의 일 실시예에서 촉매의 노화 요소(aging factor)를 추가로 고려한다. 예를 들어 시간에 따른 촉매의 노화 요소를 산출하고 이 값을 수율 예측 모형에 입력하는 공정 데이터에 가중치로 반영할 수 있으며 이를 통해 수율 예측 성능을 높일 수 있다. 노화요소 분석부(160)의 예시적 동작에 대해서는 도19 내지 도21을 참조하여 후술하기로 한다.
도2는 상술한 수율 예측 시스템(100)을 이용하여 기저원인 분석 및 수율을 예측하는 예시적인 흐름도이다.
도2를 참조하면, 일 실시예에 따른 기저원인 분석 및 수율 예측 방법은 수율 예측용 데이터를 전처리하는 단계(S10), 상기 전처리된 수율 예측용 데이터를 이용하여 기저원인을 분석하는 단계(S20), 및 전처리된 수율 예측용 데이터 및 추출된 핵심인자에 기초하여 수율 예측모형을 학습하는 단계(S30)를 포함할 수 있다. 이 때 상기 기저원인을 분석하는 단계(S20)는 공정 핵심인자를 추출하는 단계(S21)와 추출된 핵심인자의 공정 영향도를 분석하는 단계(S22)를 포함할 수 있으며, 이 때 공정 영향도 분석 단계(S22)에서는 사용자 입력에 의해 선택된 소정 태그의 영향도를 사용자 인터페이스(UI)를 통해 시각화하여 출력할 수 있다.
또한 대안적 실시예에서 수율 예측 시스템(100)은 전처리된 데이터에 기초하여 한 사이클을 복수개의 세그먼트로 분할하는 세그먼트 분석 단계(S40), 제1 사이클 데이터 및 제2 사이클의 전반부 데이터에 기초하여 제2 사이클의 데이터를 생성 및 현실화하는 데이터 현실화 단계(S50), 및 공정에 사용된 촉매의 노화 요소를 산출하는 노화요소 분석 단계(S60)를 더 포함할 수 있다.
각 단계에 대해 보다 구체적으로 살펴보면, 우선 단계(S10)에서 수율 예측용 데이터를 전처리한다. 이와 관련하여 도3은 일 실시예에 따른 데이터 전처리 방법을 나타내었다. 도3을 참조하면, 데이터전처리 단계(S10)는 수율 예측용 데이터를 분 단위로 전처리하는 단계(S110), 분석대상 태그를 선정하는 단계(S120), 상기 분 단위로 전처리된 데이터 중 상기 선정된 태그의 데이터에 대해, 시간 및 일 단위 데이터를 추출하는 단계(S130), 및 상기 일 단위 데이터에 대한 이상치 처리 및 결측치 보간을 수행하는 단계(S140)를 포함할 수 있다.
단계(S110)에서 데이터를 전처리하기 위해, 데이터 저장부(200)에서 필요 데이터를 수집 및 추출하여 가져온다. 이 때 데이터 저장부(200)는 예를 들어 데이터베이스로 구현될 수 있으나 데이터 형식은 특별히 제한되지 않는다. 일 실시예에서 데이터 저장부(200)로부터 추출되는 수율 예측용 데이터는 (i) 올레핀 생산 공장의 공정 운전 데이터, (ii) LIMS 데이터를 포함하는 실험실 데이터, (iii) 공장이 정상적으로 운전되지 않은 시간에 관한 데이터를 포함한 공장 이벤트 데이터, 및 (iv) 올레핀 생산에 관한 과거 수율, 전환율, 및 선택도 데이터를 포함할 수 있다.
올레핀 생산 공장(PDH 공장)의 공정 운전 데이터는 공장의 각종 설비(예컨대 반응기, 유로 등)에 설치된 센서들로부터 수집되는 센서 데이터일 수 있다. 각 센서들은 예컨대 온도, 압력, 유량, 조성 등 공정 운전 상황을 관측할 수 있는 변수를 측정하는 센서일 수 있고, 각 센서들로부터 분 단위로 데이터를 수집할 수 있다.
공정 운전 데이터는 섹션별, 유닛별, 및 태그별로 분류되어 데이터 저장부(200)에 저장될 수 있다. 이 때 유닛은 공장 내에서 태그(tag)가 모여있는 중간-사이즈(mid-size) 집합이고, 섹션은 유닛이 모여 있는 대규모(large-size) 집합이며, 여러 섹션이 모여서 PDH 공장 전체를 구성하고 있다. 한편, 태그(tag)는 공장에 설치된 각각의 센서를 식별하는 식별자로서 기능할 수 있다. 즉, 각 센서마다 고유의 태그가 할당되어 있으며 일 실시예에서 PDH 공장에 9000개가 넘는 태그가 존재할 수 있다. 이하 본 명세서에서는 특별히 혼동의 염려가 없는 한 각 태그에 대응하는 센서에서 출력되는 데이터에 대해서도 '태그' 또는 '태그 데이터'라 칭하기도 한다.
실험실 데이터는 LIMS(Laboratory Information Management System) 데이터를 포함할 수 있다. 일 실시예에서 정확한 수율 예측을 위해 실제 관측 데이터(태그 데이터) 뿐만 아니라 실험실 데이터도 활용할 수 있다. 또한 실험실 데이터는 태그 데이터의 이상치나 결측치 발생시 이를 처리하고 보간하는데 사용될 수도 있다. 대안적 실시예에서 실험실 데이터가 생략될 수도 있다.
공장 이벤트 데이터는 예를 들어 정상적으로 운전되지 않은 시간에 관한 데이터(Shut-down 이력), 대정수/소정수 등 데이터를 포함할 수 있으며, 태그 데이터의 이상치나 결측치 분석과 처리시 사용될 수 있다. 과거 수율값은 올레핀 생산에 관한 과거 수율 데이터를 포함한다. 또한 이 때 과거 수율 외에 전환율(conversion) 및 선택도(selectivity) 값을 더 포함할 수 있다. 이하 본 명세서에서는 혼동의 염려가 없는 한 수율, 전환율, 및 선택도를 '수율'이라 통칭하기도 하며 또한 머신러닝 관점에서 수율(즉, 수율, 전환율, 선택도)을 '타겟'이라 칭하기도 한다.
이와 같이 데이터 저장부(200)에 저장되는 데이터는 소정 설정 주기 단위로 지속적으로 축적된 것으로 현시점으로부터 과거 5년치 데이터일 수 있다. 이 때 설정 주기 단위는 초 단위 또는 분 단위일 수 있고, 예를 들어 30초 단위로 데이터를 수집한 후 분석을 위해 분 단위 및/또는 시간 단위로 변환하여 저장할 수도 있다. 그러나 이러한 설정 주기 단위는 예시적인 것이고 특정한 주기로 제한되지 않으며, 데이터 축적 기간도 5년이 아니라 다른 기간으로 설정될 수도 있다.
데이터 저장부(200)에서 추출된 수율 예측용 데이터는 단계(S110)에서 분 단위 데이터로서 전처리된다. 예를 들어 데이터 저장부(200)로부터 초 단위 데이터를 수신한 경우 분 단위로 변환하고, 이상치나 결측치가 발생한 경우 이상치 처리 및 결측치 보간 작업을 수행한다.
다음으로, 단계(S120)에서 분석대상 태그를 선정한다. 예를 들어, 공장에 설치된 모든 센서로부터 수집된 모든 태그 데이터를 이용하여 후술하는 핵심인자 분석 및 수율 예측 등을 수행할 수도 있지만, 바람직하게는, 전체 태그 데이터 중 일부 태그 데이터를 선별하고 이 선별된 태그 데이터를 이용하여 이후의(예컨대 S130 단계 이후의) 시간/일 단위 데이터 추출, 핵심인자 분석 및 수율 예측을 수행할 수도 있으며, 이 경우 단계(S120)에서 분석대상 태그를 선정한다. 태그 선정은, 예컨대 지난 연구 및 현장 엔지니어의 지식과 경험을 바탕으로 분석에 유용하다고 인정된 태그를 선정할 수 있다.
일 실시예에서 이러한 분석대상 태그 선정 단계(S120)는 분단위 데이터를 전처리하는 단계(S110) 이전에 미리 수행될 수도 있고, 이 경우 분석대상으로 선정된 태그에 대해서만 분단위 데이터 전처리(S110)를 수행할 수도 있을 것이다.
단계(S120)에서 분석대상 태그가 선정되면 그 후 단계(S130)에서 시간단위 데이터를 추출하고 이를 다시 처리하여 일(day) 단위 데이터로 추출한다. 이 때 데이터 통합을 위해 공정 데이터(태그 데이터)와 LIMS 데이터를 활용하여 데이터 통합을 할 수도 있다. 또한 대안적 실시예에서, 분석대상 태그를 선정하는 단계(S120)가 시간 단위 데이터를 추출한 이후 수행될 수도 있고, 이 경우 모든 공정 데이터에 대해 시간단위 데이터를 추출한 후 분석대상 태그에 대해서만 일단위 데이터로 추출할 수도 있다.
단계(S130)에서 일단위 데이터로 추출한 후 단계(S140)에서 데이터 전처리를 수행한다. 예를 들어 데이터 전처리는 이상치 처리 및 결측치 보간을 포함한다. 이상치 처리의 경우, 이상값(outlier)을 선별하여 제외 혹은 보정한 후 정제된 값들만 유효한 입력 값으로 활용한다. 또한 이상치로 선별되어 제거된 구간 또는 공장의 가동 중단에 의해 공정 데이터가 없는 구간에 대해 결측치 보간을 수행한다. 결측치 보간은 예컨대 선형 회귀 및 분포기반 난수 생성을 통해 새로운 데이터를 생성하여 보간할 수 있다.
이상과 같은 단계를 거쳐 전처리된 수율 예측 데이터는 머신러닝 학습 모형에 사용될 데이터 형태로 정리 및 변환된 후 데이터 저장부(200) 또는 다른 임의의 저장부에 저장될 수 있다.
다시 도2를 참조하면, 위와 같이 전치리된 데이터를 이용하여 단계(S20)에서 기저원인 분석(root cause analysis)을 수행한다. 일 실시예에서 기저원인 분석은 공정 핵심인자를 추출하는 단계(S21)와 추출된 핵심인자의 공정 영향도를 분석하는 단계(S22)를 포함한다. 이 때 핵심인자를 추출하는 단계(S21)에서, 전처리된 수율 예측 데이터를 머신러닝 알고리즘에 적용하여 핵심인자를 추출할 수 있다.
바람직하게는, 이 단계(S21)에서 설명가능 인공지능(XAI) 알고리즘에 적용하여 공정 핵심인자를 추출한다. 일 실시예에서 핵심인자 추출 단계(S21)에서 SHAP 알고리즘을 활용하여 타겟 값인 수율, 전환율, 및 선택도에 대한 핵심인자를 추출하고, 이렇게 추출된 핵심인자에 대해 단계(S22)에서 핵심인자의 정량적인 영향도(기여도)를 분석하고 시각화하여 출력할 수 있다.
SHAP(SHapley Additive exPlanations) 알고리즘은 섀플리 값(Shapley Value)을 이용하는 것으로, 섀플리 값의 기본적인 아이디어는 특정 변수가 예측력에 얼마나 기여하는지 파악하기 위해 이 특정 변수와 관련된 모든 변수 조합들을 입력시켰을 때 나온 결과값과 비교를 하면서 해당 변수의 기여도를 계산하는 방식이다. 본 발명의 일 실시예에서, 전처리된 데이터를 SHAP 알고리즘에 적용하여 각 공정 태그의 섀플리 값을 추출하고 이에 기초하여 핵심인자를 추출하고 핵심인자별 기여도를 분석할 수 있다.
공정 영향도를 분석하는 단계(S22)에서는 단계(S21)에서 추출된 핵심인자 중 사용자 입력으로 선택된 소정 핵심인자의 영향도(기여도)를 분석하여 사용자 인터페이스(UI)(예컨대 컴퓨터 화면)를 통해 시각화하고 이를 출력하며, 이에 대해서는 도4 내지 도9를 참조하여 구체적으로 설명하기로 한다.
도4는 일 실시예에 따라 분석결과를 시각화하는 방법의 흐름도이고, 도5 내지 도9는 도4의 흐름도에 따른 분석 데이터를 출력하는 사용자 인터페이스(UI)의 예시적 구성을 나타내었다.
도4를 참조하면, 사용자가 특정 기간을 설정해서 해당 기간에 대한 XAI 분석 결과를 요청할 수 있다(S210). 본 발명의 수율 예측 시스템은 이 요청을 수신하여 해당 기간에 대한 XAI 분석 결과를 처리하여 1차 분석 결과를 컴퓨터 화면의 사용자 인터페이스(UI)를 통해 출력한다(S220). 예를 들어 사용자가 어느 특정 기간을 설정하여 시스템에 입력하면 도5와 같은 화면 결과를 얻는다. 도5는 컴퓨터 화면과 같은 디스플레이에 출력되는 출력화면으로서, 예를 들어 전체 기여도 표시 영역(310), 태그별 기여도 표시 영역(320), 및 일별 기여도 표시 영역(330)을 포함할 수 있다.
전체 기여도 표시 영역(310)은 추출된 핵심인자(태그)의 기여도를 기여도가 큰 순서대로 바(bar) 그래프로서 나타내는 영역이다. 태그별 기여도 표시 영역(320)은, 사용자가 특정 태그를 선택했을 때 이 선택된 태그의 시간에 따른 영향도를 보여주는 영역이다. 일별 기여도 표시 영역(330)은, 사용자가 태그별 기여도 표시 영역(320)에서 어느 특정 날짜를 선택했을 때 이 선택된 날짜의 각 핵심인자별 기여도를 바 그래프 및 누적 그래프로서 나타내는 영역이다.
일 실시예에서, 1차 분석결과 출력(S220)에서는 전체 기여도 표시 영역(310)만 화면에 출력하거나 또는 전체 기여도 표시 영역(310) 및 태그별 기여도 표시 영역(320)만 출력하여 사용자가 주요 핵심인자를 쉽고 빨리 확인하고 분석할 수 있도록 한다. 도6은 전체 기여도 표시 영역(310)을 확대하여 나타낸 것으로, 설정된 기간 내 타겟(수율, 전환율, 및/또는 선택도)에 영향을 많이 준 순서대로 핵심인자를 정렬하여 각 핵심인자의 영향도(기여도)를 한눈에 쉽게 파악할 수 있다.
도6의 그래프에서 세로축은 주요 핵심인자(태그)를 나타내고 가로축은 각 핵심인자의 기여도를 수치로 표현한 것이다. 예를 들어 세로축에서 가장 위쪽의 태그(T)는 유량 관련 태그인데 이것은 공장 내 어느 특정 위치에 설치된 유로에서 측정한 유량 데이터를 의미하며, 이 유량 값이 해당 설정 기간의 타겟 값에 가장 기여도가 크다는 것을 알 수 있다.
사용자가 도6의 화면에 출력되는 태그들 중 어느 특정 태그를 (예컨대 마우스 커서를 해당 태그의 그래프에 올려놓고 클릭하는 등의 방법으로) 선택할 수 있고, 특정 태그를 선택하면 이 선택된 태그의 기여도가 태그별 기여도 표시 영역(320)에 출력된다. 예를 들어 사용자가 도6에서 가장 위의 태그(T)를 선택한 경우 도7과 같이 해당 태그(T)에 대한 기여도가 출력된다.
도7을 참조하면, 태그별 기여도 표시 영역(320)은 개별인자분석 그래프와 통합인자분석 그래프를 출력할 수 있다. 개별인자분석 그래프는, 도6에서 사용자에 의해 선택된 태그(T)의 타겟에 대한 기여도를 가로축의 시간에 따라 보여주고, 통합인자분석 그래프는 다른 핵심인자들까지 누적하여 여러 핵심인자들의 각각의 기여도가 합쳐진 전체 기여도를 시간에 따라 보여준다. 그래프에서 빨간색은 타겟 값이 증가하는데 영향을 준 플러스 영향을 나타내고, 파란색은 타겟 값이 감소하는데 영향을 준 마이너스 영향을 나타낸다.
일 실시예에서 본 발명에 따른 수율 예측 시스템은 도7의 UI 화면 내에서 사용자가 특정 날짜를 선택할 수 있는 기능을 제공한다. 예를 들어 사용자가 도7에 화살표(30)로 표시한 날짜를 (예컨대 마우스 커서를 해당 그래프나 가로축에 올려놓고 클릭하는 등의 방법으로) 선택하면(도4의 S230), 일별 기여도 표시 영역(330)이 생성되어 출력된다. 이 때 일별 기여도 표시 영역(330)은 기존 화면상에서 태그별 기여도 표시 영역(320)의 아래쪽 영역에 생성되어 출력될 수 있고 사용자가 화면상에서 스크롤하며 전체 영역(310 내지 330)을 볼 수 있다.
도8은 선택된 날짜에 대한 일별 기여도 표시 영역(330)을 확대하여 도시한 것이다. 일별 기여도 표시 영역(330)에서는 왼쪽 그래프는 선택된 특정 날짜에 대해 타겟 값에 영향을 많이 준 태그 순서로 각 태그의 기여도를 보여주는 것으로, 세로축은 주요 핵심인자 태그를 나타내고 가로축은 태그의 기여도를 나타낸다. 도8의 오른쪽 그래프는 각 태그의 기여도를 누적하여 선 그래프로 표시한 것이다. 예를 들어 도8의 그래프를 참조하면, 10의 핵심인자들 중 단일 인자로서는 태그(T)가 타겟(도8에서는 전환율로 표시) 하락에 가장 큰 영향을 끼쳤음을 알 수 있다.
한편, 이러한 XAI에 의한 분석이 정확한 것인지, 신뢰성 있는 것인지 바로 확인할 수 있도록 본 발명에 따른 시스템은 실제 측정 데이터(actual data)를 보여주는 기능을 포함한다. 예를 들어, 도7에 도시한 것처럼 태그별 기여도 표시 영역(320)은 '원인분석상세' 선택 버튼(10)과 'Actual Data' 선택 버튼(20)을 포함할 수 있는데, 도7의 화면은 '원인분석상세' 화면을 나타낸다. 즉 일 실시예에서 '원인분석상세' 화면이 기본 디폴트로서 출력될 수 있고, 이 경우 사용자가 실제 데이터를 확인하고자 하면 'Actual Data' 선택 버튼(20)을 클릭하여 확인할 수 있다.
도4에서 단계(S250)로 나타낸 것처럼, 사용자가 'Actual Data' 선택 버튼(20)을 클릭하면 사용자 시스템은 확인대상 기간, 태그 및 타겟을 사용자가 설정할 수 있는 화면을 출력하고, 이 화면에서 사용자가 태그 및 타겟을 선정할 수 있다. 이 화면은 예컨대 현재의 화면상에 추가로 보여질 수도 있고 팝업 화면으로 보여질 수도 있다. 단계(S250)에서 사용자가 기간, 하나 이상의 태그 및 타겟을 선택하여 설정하면, 단계(S260)에서 해당 기간의 실제 관측 데이터를 출력한다. 예를 들어 시스템은 도9에 도시한 것과 같은 데이터를 출력하며, 여기서 각 그래프들은 태그 및 타겟의 시간에 따른 관측 값을 나타낸다. 예를 들어 도9에서 검은색 그래프(Gc)는 타겟(전환율) 값을 나타내고 주황색 그래프(GT)는 (도6 내지 도8에서 가장 기여도가 큰 것으로 나타났던 태그(T)의 관측 값을 나타내며, 도9를 통해 태그(T)와 전환율의 실제 증감 트렌드가 유사하다는 것을 확인할 수 있다.
이상과 같이 본 발명에 따르면 XAI를 사용하여 핵심인자를 추출하고 각 핵심인자의 기여도를 보여줄 뿐만 아니라 각 핵심인자의 영향도를 더 구체적이고 심층적으로 분석할 수 있다. 예를 들어 도7의 태그별 기여도 표시 영역(320)에서, 특정 날짜에 타겟 값이 매우 낮은 경우 해당 날짜(예컨대 도7에서 화살표(30)로 표시한 날짜)를 UI 화면상에서 사용자가 선택하면 도8의 일별 기여도 표시 영역(330)을 출력하며, 사용자는 그 날에 타겟 변화에 영향을 준 인자들을 기여도 순서로 확인할 수 있고 어떤 인자에 의해 타겟 값이 저하되었는지 분석할 수 있다. 또한 사용자가 도7의 화면에서 'Actual Data' 선택 버튼(20)을 선택한 경우 시스템이 도9의 실제 관측 데이터를 바로 출력해줌으로써 XAI 분석에 따른 핵심인자 기여도 결과를 검증할 수 있고 XAI 분석의 신뢰성을 높일 수 있다.
다시 도2를 참조하면, 상술한 것과 같이 단계(S20)의 기저원인 분석에 의해 산출된 핵심인자는 이후의 수율 예측 단계(S30)에 활용될 수 있다 예를 들어 이 단계(S30)에서 공장의 전체 9000여 개의 태그 중에서 100여 개의 핵심인자를 선정하면, 이후의 수율 예측 단계(S30)에서는 상기 선정된 100여 개의 핵심인자의 태그 데이터 값에 기초하여 수율 예측을 수행할 수 있다.
수율 예측을 위해 공지의 머신러닝 기법을 이용한 수율 예측 모형을 학습할 수 있다. 이 때 수율 예측모형은 기존의 통계기반 모형일 수도 있고 머신러닝 또는 딥러닝 기반의 예측모형일 수도 있다
일 실시예에서 본 발명의 수율 예측모형은 시계열 예측 모형을 사용할 수 있다. 예를 들어 시계열 예측 모형으로 지수평활 모형(ETS: Exponential Smoothing), ARIMA 모형(AutoRegressive Integrated Moving Average) 등의 전통적 시계열 모형, 서포트 벡터 머신(SVM: Support Vector Machine), 랜덤 포레스트(Random Forest) XGBoost, LightGBM 등의 머신러닝 기반 모형, 그리고 RNN(Recurrent Neural Network), LSTM(Long Short Term Memory), GRU 등의 딥러닝 기반 모형 중 하나 이상을 사용할 수 있다. 예를 들어 바람직하게는, 랜덤포레스트 등 배깅(Bagging) 계열 알고리즘과 XGBoost, LightGBM 등 부스팅(Boosting) 계열 알고리즘을 앙상블하여 높은 예측력을 지닌 수율 예측 모형을 사용할 수 있다.
배깅 계열 알고리즘은 병렬적으로 랜덤 샘플링(Random sampling)을 여러 번 반복하여 집계하는 방법으로, 학습 데이터를 늘릴 수 있는 특성을 가진다. 따라서 학습 데이터가 충분하지 않더라고 충분한 학습 효과를 주어 과소적합(Underfitting)과 과적합(Overfitting)을 방지하는 효과가 있다.
부스팅(Boosting) 계열 알고리즘 또한 랜덤 샘플링을 여러 번 수행하지만, 병렬적으로 수행하지 않고 순차적으로 진행되어 이전 학습 결과를 바탕으로 다음 학습 데이터의 가중치를 조절해 학습을 진행하는 특성을 갖는다. 즉, 오답에 대해 높은 가중치를 부여하므로 높은 정확도를 얻을 수 있는 효과가 있다.
이와 같은 모형들 중에서 과적합과 과소 적합을 방지하는 배깅 계열 알고리즘 중 널리 사용되는 랜덤 포레스트 알고리즘 또는 오차를 학습하여 정확도를 높이는 부스팅 계열 알고리즘 중 LightGBM 모형을 적용하여 모델링하는 것이 바람직할 수 있다. 그러나 이러한 수율 예측 모형은 예시적인 것이며 발명의 구체적 실시 형태에 따라 공지의 적절한 머신러닝 방법을 사용할 수 있음은 물론이다.
이제 본 발명의 대안적 실시예에 대해 설명하기로 한다.
도2를 참조하면, 본 발명의 대안적 실시예에서 수율 예측 방법은 전처리된 데이터를 기저원인 분석 및 수율 예측에 곧바로 사용하지 않고 세그먼트 분석(S40), 데이터 현실화(S50), 및 노화요소 분석(S60) 중 적어도 하나의 단계를 더 수행한 후 기저원인 분석과 수율 예측에 활용한다. 이와 관련하여 도10 내지 도16은 일 실시예에 따른 세그먼트 분석 단계(S40)의 예시적 방법을 설명하는 도면으로, 도10은 세그먼트 분석 단계의 예시적 방법을 설명하는 흐름도이고 도11 내지 도16은 일 실시예에 따른 세그먼트 분석 과정을 설명하는 도면이다.
세그먼트 분석 단계(S40)에서는 전처리된 데이터에 기초하여 한 사이클을 복수개의 세그먼트로 분할한다. 일 실시예에서 수율 트렌드가 급변하는 변곡점 지점, 수율 변동 정도를 고려하여 세그먼트를 나눔으로써 한 사이클의 공정 운전 기간 중 비슷한 수율 증감 트렌드를 나타내는 구간으로 세그먼트가 분할될 수 있고, 세그먼트별로 이후의 핵심인자 추출, 수율 예측, 수율 예측 시뮬레이션 등 각종 모델링에 활용함으로써 수율 예측 정확성을 높일 수 있다.
도10을 참조하면 일 실시예에서 세그먼트 분석 단계(S40)는 세그먼트 분석에 필요한 주요인자를 선정하는 단계(S410), 주요인자의 변곡점을 선정하여 세그먼트를 1차 결정하는 단계(S420)를 포함할 수 있다. 또한 일 실시예에서, 단계(S420) 이후, 변동성 분석에 의해 세그먼트를 통합 또는 분리하여 세그먼트를 2차 결정하는 단계(S430)를 더 포함할 수 있다. 또한 일 실시예에서 단계(S430) 이후, 촉매 디자인에 기초하여 세그먼트를 3차 결정하는 단계(S440)를 더 포함할 수 있다.
각 단계를 간단히 설명하면, 우선 단계(S410)에서 세그먼트 분석에 필요한 주요인자를 선정한다. 예를 들어 타겟 값인 수율, 전환율, 선택도 중 적어도 하나, 그리고 이러한 타겟 값에 영향을 주는 주요 태그를 포함하여 주요 인자를 선정할 수 있다. 이와 관련하여 도11은 단계(S410)에서 선정한 8개의 주요 인자를 예시적으로 나타낸다.
다음으로, 세그먼트로 분할하는 단계(S40)에서 주요 인자의 변곡점을 찾아내고 분석하여 세그먼트를 1차 결정한다. 변곡점을 분석하여 세그먼트를 찾는 구체적 방법으로서, (i) 한 사이클 내에서 세그먼트 선정에 필요한 하나 이상의 인자에 대한 변곡점을 산출하고, (ii) 산출된 변곡점을 군집화하고, 그리고 (iii) 군집화된 변곡점들 중 세그먼트의 경계가 되는 변곡점을 선정하여 세그먼트를 결정할 수 있다.
보다 구체적으로, 상기 (i)의 단계에서는 예를 들어 플라토 검출법(Plateau Detection) 등 공지의 방법을 이용하여 변곡점을 산출할 수 있다. 일 예로서 도12는 변형 플라토 검출법을 사용하여 변곡점을 검출한 결과를 나타낸다. 도6에서 그래프는 촉매 재생시 공기 온도(Regen Air 온도) 그래프이고 이 때 X축은 한 사이클 내의 시간(또는 ‘누적 생산량’ 등 시간에 대응하는 변수)을 나타내고 Y축은 온도를 나타낸다.
그 후 상기 (ii)의 단계에서 변곡점을 군집화한다. 예를 들어 도13은 데이터가 밀집한 정도(밀도)를 이용하여 군집화하는 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 방법을 이용하여 변곡점을 군집화한 것을 나타낸다. DBSCAN은 공지의 군집화 방법 중 하나이며 본 발명이 이 방법에 제한되지 않음은 물론이다.
다음으로 상기 단계 (iii)에서 군집화된 변곡점들 중 세그먼트의 경계가 되는 변곡점을 선정하여 세그먼트를 1차 결정한다. 예를 들어 도8은 상기 단계 (iii)에 의해 4개의 세그먼트로 분할한 1차 세그먼트 결정 결과를 나타낸다.
일 실시예에서 위와 같은 1차 결정된 세그먼트 분할 결과를 이용하여 다음 단계(예컨대 도2의 기저원인 분석 단계(S20) 등)로 진행할 수 있고, 대안적 실시예에서, 단계(S420) 이후, 변동성 분석에 의해 세그먼트를 통합 또는 분리하여 세그먼트를 2차 결정하는 단계(S430)를 더 포함할 수 있다. 단계(S430)에서는, 예를 들어 상기 1차 결정된 세그먼트별로 세그먼트별 평균 및 편차를 산출하고, 산출된 평균 및 편차에 기초하여 상기 1차 결정된 세그먼트를 통합 또는 분리하여 세그먼트를 2차로 결정할 수 있다. 도9는 이러한 단계(S430)에 의해 2차 결정된 세그먼트 분할 결과를 나타낸다. 도15에서 점선은 단계(S420)에 의한 1차 세그먼트 분할 결과이고 파란색 실선은 단계(S430)에 의한 2차 세그먼트 분할 결과를 예시적으로 보여준다.
일 실시예에서 위와 같은 2차 결정된 세그먼트 분할 결과를 이용하여 다음 단계(예컨대 도2의 기저원인 분석 단계(S20) 등)로 진행할 수 있고, 대안적으로, 단계(S430) 이후, 촉매 디자인에 기초하여 세그먼트를 3차 결정하는 단계(S440)를 더 포함할 수 있다. 단계(S440)에서는 예컨대 공정에 투입되는 촉매의 수량(예컨대, 60만톤, 180만톤, 240만톤 등)을 고려하여 촉매 디자인과의 유사성 비교를 통해 세그먼트 분할을 최종 확정한다.
예를 들어 도16은 이 단계(S440)에 의해 최종적으로 확정된 세그먼트 분할 결과를 나타낸다. 도16에서 결론적으로 촉매 수명을 한 사이클(예컨대 4년)로 하였을 때 한 사이클을 4개의 세그먼트(SG1 내지 SG4)로 나누었다. 도16에서 빨간색 그래프는 촉매 재생시 공기 온도(Regen Air 온도)이고, 회색 그래프는 수율, 그리고 연두색 그래프는 선택도를 각각 나타낸다.
도16에서 제1 세그먼트(SG1)는 촉매를 투입하여 Regen Air 온도가 점점 증가하여 안정화를 향해 가는 기간이고, 제2 세그먼트(SG2)는 Regen Air 온도가 안정적으로 유지되고 수율 및 선택도가 안정적으로 나오는 안정화 기간임을 알 수 있다. 제3 세그먼트(SG3)에서는 촉매의 노화에 따라 수율이 점점 떨어지는 것을 알 수 있다. 즉 Regen Air 온도를 높여도 촉매 노화로 인해 수율이 유지 또는 증가하지 않고 점차 감소하는 단계이다. 제4 세그먼트(SG4)는 수율이 더 급격하게 감소하는 단계로서, Regen Air 온도를 더 높여도 수율과 선택도가 더 이상 증가하지 않고 급격히 감소하는 기간이다.
이와 같이 본 발명에서는 한 사이클 기간 내에서 촉매 수명에 따른 수율의 증감 트렌드를 고려하여 유사한 트렌드를 나타내는 구간으로 세그먼트로 구분할 수 있고, 구분된 각 세그먼트별로 이후의 단계(예컨대 도2의 기저원인 분석 단계(S20) 및 수율 예측 단계(S30) 등에서 각 세그먼트별로 각각 모델링을 수행하고 한 사이클 전체로 이어서 분석/예측 결과를 도출함으로써 수율 예측 정확성을 높일 수 있다.
이제 도17과 도18을 참조하여 데이터 현실화 단계(도2의 S50)의 예시적 방법을 설명하기로 한다. 데이터 현실화 단계(S50)는 제1 사이클 데이터 및 제2 사이클의 전반부 데이터에 기초하여 제2 사이클의 나머지 기간의 데이터를 생성 및 현실화한다. 본 발명에 따른 수율 예측 단계(S30)는 과거 한 사이클(제1 사이클)의 데이터를 활용하여 앞으로의 한 사이클(제2 사이클)을 예측하는데, 보다 구체적으로, 제1 사이클의 데이터에 기초하여 제2 사이클의 데이터를 생성한 후 제2 사이클 데이터를 수율 예측 모형에 입력함으로써 제2 사이클의 수율을 예측한다. 이 때 제2 사이클의 일부 기간(이하에서 ‘제2 사이클의 전반부’라고도 함) 데이터가 있는 경우, 데이터 현실화 단계(S50)는 제2 사이클의 전반부 데이터를 활용하여 제2 사이클의 나머지 기간의 데이터를 생성한다.
예를 들어 한 사이클 기간이 4년이고 제1 사이클이 2017년 1월부터 2020년 12월까지 이고 제2 사이클이 2021년 1월부터 2024년 12월까지라고 전제한다. 현 시점이 2022년 8월이라고 가정하면, 데이터 저장부(200)는 제1 사이클의 공정 운전 데이터 및 제2 사이클의 전반부(즉, 2021년 1월부터 2022년 7월까지) 데이터를 저장하고 있다.
이 경우, 데이터 현실화 처리부(150)는 제1 사이클의 공정 운전 데이터 및 제2 사이클의 전반부 데이터에 기초하여 제2 사이클의 나머지 기간(즉, 2022년 8월부터 2024년 12월)의 데이터를 생성한다. 이 때 데이터 현실화 처리부(150)는 제1 사이클의 데이터의 추세나 평균 등의 특성 및 제2 사이클 전반부 데이터의 특성을 고려하여 제2 사이클의 나머지 기간의 데이터를 생성할 수 있다.
그런데 제1 사이클과 제2 사이클의 공정 운전 데이터(예컨대 각각의 태그 데이터)는 촉매 투입량, 초기 운전 조건 등의 차이에 의해 두 사이클의 추세나 값이 달라지는 경향이 발생하며, 따라서 제1 사이클의 운전 조건 데이터를 그대로 적용하여 제2 사이클의 데이터를 생성하기 어려운 문제가 있다. 따라서 본 발명에서 데이터 현실화 단계(S50)에서는 제2 사이클의 추세에 적합하게 제1 사이클의 데이터를 보정하여 제2 사이클의 데이터를 생성한다.
일 실시예에서 각 태그 데이터를 현실화하는 방법은 적어도 평균 차이 반영법 및 난수 생성법을 포함할 수 있다.
평균 차이 반영법은 제1 사이클과 제2 사이클 사이에 평균 차이가 존재하는 경우 적용될 수 있다. 일 실시예에서, 제1 사이클과 제2 사이클의 소정 기간 내의 데이터가 변동 트렌드가 유사하나 평균 값이 다른 경우 제1 사이클 데이터의 평균점을 이동시켜 제2 사이클의 데이터를 생성한다. 예를 들어 도17은 평균 차이 반영법이 적용될 수 있는 예시적인 태그 데이터를 나타낸다. 도17에서 X축은 한 사이클의 시간에 대응하는 축이고 Y축은 해당 태그의 데이터 값을 나타낸다. 그리고 검정색 그래프는 해당 태그의 제1 사이클의 데이터(CY1)이고 빨간색 그래프는 제2 사이클의 전반부 데이터(CY21)이다. 제2 사이클의 전반부 데이터(CY2)가 끝나는 시점이 현재 시점임을 이해할 것이다.
제1 사이클 데이터(CY1)와 제2 사이클의 전반부 데이터(CY21)를 비교하면 두 데이터의 트렌드가 유사하되 제2 사이클 데이터의 평균값이 더 큰 것으로 나타난다. 따라서 이 경우 평균 차이 반영법을 적용하여, 제1 사이클의 대응 기간의 데이터를 평균 차이만큼 올려서 제2 사이클의 나머지 기간의 데이터를 생성할 수 있다. 이 때 일 실시예에서 제1 사이클의 해당 대응하는 기간의 데이터를 평균을 올린 채 그대로 사용할 수도 있고, 대안적으로 적어도 일부 구간에 대해서는 난수 생성 등의 방법으로 데이터를 수정하여 제2 데이터를 생성할 수도 있다.
난수 생성법은 소정 기간의 데이터가 불완전하거나 이상치가 존재하는 경우 적용될 수 있다. 일 실시예에서 제1 사이클에 불완전한 데이터가 있는 경우 난수를 발생시켜 제2 사이클의 데이터를 생성한다. 예를 들어 도18은 난수 생성법이 적용될 수 있는 예시적인 태그 데이터를 나타낸다.
도18에서 X축은 한 사이클의 시간에 대응하는 축이고 Y축은 해당 태그의 데이터 값을 나타낸다. 검정색 그래프는 해당 태그의 제1 사이클의 데이터(CY1)이고 주황색 그래프는 제2 사이클의 전반부 데이터(CY21)이다. 제2 사이클의 전반부 데이터(CY2)가 끝나는 시점이 현재 시점을 의미한다.
도18을 참조하면, 제1 사이클 데이터(CY1)가 어느 특정 시점 이후부터 생성되었다. 즉 해당 태그 데이터는 상기 특정 시점 이전에 센서가 설치되지 않았거나 센서가 작동하지 않았음을 의미할 수 있다. 그런데 제2 사이클에 대해서는 전반부 데이터(CY21)가 존재하며, 나머지 구간의 데이터(CY22)는 제1 사이클의 데이터에 기초해서 난수를 생성하여 후반부 데이터(CY22)를 생성한다. 이 경우, 예를 들어 현 시점에서 과거 소정 구간(예컨대 현 시점에서 과거 30일(D30))의 평균과 분산을 산출하고 이 평균과 분산을 유지하면서 개별 시각의 데이터를 난수 생성하는 방법으로 후반부 데이터(CY22)를 생성할 수 있다.
이제 도19 내지 도21을 참조하여 노화요소 분석 단계(도2의 S60)의 예시적 방법을 설명하기로 한다. 노화요소 분석 단계(S60)는 공정 수율을 보다 정확히 예측하기 위해 공정에 사용되는 촉매의 노화를 반영하기 위한 수행될 수 있다. 프로필렌을 생산하는 PDH 공정에서 프로필렌 누적 생산량이 증가함에 따라 촉매 수명이 줄어들어 공정 후반에는 촉매의 수율이 급격하게 하락하게 되는데, 공정 조건 변화에 따른 수율 변화 뿐만 아니라 촉매 수명에 따른 수율 감소를 수율 예측에 정확히 반영하기 위해 촉매의 노화요소를 적용하여 수율 예측을 수행하는 것이 바람직할 수 있다.
일 실시예에서 촉매의 노화요소(Aging Factor)는 아래 수식과 같이 일일 프로필렌 생산량을 촉매에 가해진 열량으로 나눈 값으로 인덱스화 하여 수율 감소치를 반영할 수 있다.
AF(Aging Factor) = (일일 프로필렌 생산량) / (촉매에 가해진 열량)
위 식에서 “촉매에 가해진 열량”은 예를 들어 Regen Air 온도를 의미하는 태그 데이터 값과 유량을 곱하여 산출할 수 있다.
예를 들어 도19를 참조하면, 노란색 그래프는 한 사이클에서 시간에 따른 제1 사이클의 수율(Y1)이고 빨간 그래프는 제1 사이클의 노화요소(AF1)를 나타내며, 노화요소(AF1)가 수율(Y1)과 유사한 트렌드로 증감함을 알 수 있다. 그리고 도16을 참조하여 설명하였듯이 사이클의 마지막 구간인 제4 세그먼트에서는 아무리 온도를 올려도 수율이 감소하는데 이 때 제3 세그먼트까지는 수율이 비교적 선형적으로 감소하지만 제4 세그먼트에서는 수율 감소가 비선형적으로 이루어짐을 알 수 있다.
한편 도19에서 초록색 그래프는 제2 사이클의 현재 시점까지의 수율(Y2)이고 파란색 그래프는 제2 사이클의 현지 시점까지의 노화요소(AF2)를 나타내며, 각각 제1 사이클의 수율(Y2)과 노화요소(AF1)와 유사한 트렌드로 진행되고 있으며 따라서 제4 세그먼트 기간에 대해서 수율(Y2)이 역시 비선형적으로 감소하게 됨을 추정할 수 있고 이를 보다 정확히 예측하기 위해 제2 사이클에 대해 노화요소(AF)를 반영하여 수율을 산출한다.
예를 들어 도20에 도시한 것처럼 제1 사이클의 노화요소(AF1)에 대해 우선 각 세그먼트별로 평균값(AF1m)을 산출하고, 산출된 각 세그먼트의 평균 값을 제2 사이클의 각 세그먼트에 가중치로서 적용할 수 있다. 일 실시예에서 제1 및 제2 세그먼트에 대해서는 노화요소(AF)를 적용하지 않아도 수율 예측 모형이 비교적 정확히 수율을 예측하기 때문에 제1 및 제2 세그먼트에는 노화요소를 적용하지 않고 제3 및 제4 세그먼트 구간에 노화요소(AF)를 적용할 수 있다. 또 다른 실시예에서, 제3 세그먼트는 수율이 비교적 선형적으로 감소하므로 수율 예측 모형이 어느 정도 정확히 에측할 수 있으므로 제4 세그먼트에 대해서만 노화요소(AF)를 적용할 수 있다.
도21은 제1 및 제2 세그먼트 구간에는 노화요소(AF)를 적용하지 않고 제3 및 제4 세그먼트에만 적용한 경우 예측 수율의 경향을 예시적으로 나타내었다. 만일 제3 및 제4 세그먼트에도 노화요소(AF)를 적용하지 않았다면 도21에서 파란색 그래프와 같이 수율이 예측되며, 제1 및 제2 세그먼트에서는 예측 수율(파란색 실선)과 실제 수율(검은색 점선)이 큰 차이를 보이지 않지만 제3 및 제4 세그먼트 구간에서는 큰 오차를 나타낸다. 그러나 본 발명에서와 같이 제3 및 제4 세그먼트에 노화요소(AF)를 적용하면 빨간색 점선과 같이 수율 예측이 되며 비교적 실제 수율에 근접한 예측이 가능하게 된다.
한편 도2에 도시한 것처럼 노화요소 분석 단계(S60)의 수행 결과는 수율 예측 시뮬레이션(80)을 수행할 때 적용될 수 있다. 그리고, 도16은 제2 사이클에 대한 수율 예측 단계(S30)의 수행 결과에 따른 예측 수율(Y)을 나타낸 것으로, 상술한 바와 같이 한 사이클을 4개의 세그먼트로 나누고 각 세그먼트별로 데이터 현실화를 하고 제3 및 제4 세그먼트에 대한 노화요소를 반영하여 수율 예측을 수행한 결과를 나타낸다.
이상에서 설명한 본 발명에 따른 화학 공정에서 핵심인자를 반영한 촉매 활성 예측을 위한 시스템 및 방법은 공정 운전 조건에 따른 핵심인자를 선별하여 예측 모델에 적용하여 촉매 활성 변화의 예측 정확도를 높일 수 있도록 한 것이다.
이를 통하여 정확한 촉매 활성 예측을 통한 제품 판매 계획 및 촉매 교제 시기 판단 가능하도록 하여 제품 생산 및 촉매 교체에 소요되는 시간, 비용을 효율적으로 관리할 수 있도록 하고, 공정 운전 조건에 따른 촉매 활성 변화를 파악하여, 운전 조건 최적화를 통해 촉매 활성을 향상시켜 제품 생산량을 증가시킬 수 있도록 한다.
이상과 같이 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 명세서의 기재로부터 다양한 수정 및 변형이 가능함을 이해할 수 있다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 기저원인 분석 및 수율 예측 시스템
110: 데이터 전처리부
120: 기저원인 분석부
130: 수율 예측부
140: 세그먼트 분석부
150: 데이터 현실화 처리부
160: 노화요소 분석부
200: 데이터 저장부
110: 데이터 전처리부
120: 기저원인 분석부
130: 수율 예측부
140: 세그먼트 분석부
150: 데이터 현실화 처리부
160: 노화요소 분석부
200: 데이터 저장부
Claims (8)
- 컴퓨터 장치에서 실행되는 데이터 전처리부, 기저원인 분석부, 수율 예측부, 및 세그먼트 분석부를 구비한 화학 공정의 수율 예측 시스템을 이용한 기저원인 분석 및 수율 예측 방법으로서,
상기 데이터 전처리부가 수율 예측용 데이터를 전처리하는 단계(S10);
상기 세그먼트 분석부가, 전처리된 소정 기간 동안의 데이터를 복수개의 시간 세그먼트로 분할하는 세그먼트 분석 단계(S40); 및
상기 기저원인 분석부가, 상기 세그먼트별로 상기 수율 예측용 데이터를 이용하여 기저원인을 분석하는 단계(S20);를 포함하고,
상기 세그먼트 분석 단계(S40)는, 상기 데이터 중 하나 이상의 주요인자의 각각에 대해 변곡점을 산출하여 세그먼트를 1차 결정하는 단계; 및 상기 1차 결정된 세그먼트별로 산출되는 평균 및 편차에 기초하여 상기 1차 결정된 세그먼트를 통합 또는 분리하여 세그먼트를 2차 결정하는 단계;를 포함하고,
상기 기저원인 분석 단계(S20)는, 공정 핵심인자를 추출하는 단계(S21)와 추출된 핵심인자의 공정 영향도를 분석하는 단계(S22)를 포함하는 것을 특징으로 하는, 기저원인 분석 및 수율 예측 방법. - 제 1 항에 있어서,
상기 핵심인자의 공정 영향도를 분석하는 단계(S22)가, 사용자 입력에 의해 선택된 소정 태그의 영향도를 사용자 인터페이스(UI)를 통해 시각화하는 단계를 더 포함하는, 기저원인 분석 및 수율 예측 방법. - 제 1 항에 있어서,
상기 수율 예측부가, 상기 전처리된 수율 예측용 데이터 및 상기 추출된 핵심인자에 기초하여 수율 예측모형을 학습하고 학습된 상기 수율 예측모형을 이용하여 수율을 예측하는 단계(S30)를 더 포함하는, 기저원인 분석 및 수율 예측 방법. - 제 1 항에 있어서, 상기 데이터 전처리 단계(S10)가,
수율 예측용 데이터를 분 단위로 전처리하는 단계(S110);
분석대상 태그를 선정하는 단계(S120);
상기 분 단위로 전처리된 데이터 중 상기 선정된 태그의 데이터에 대해, 시간 및 일 단위 데이터를 추출하는 단계(S130); 및
상기 일 단위 데이터에 대한 이상치 처리 및 결측치 보간을 수행하는 단계(S140);를 포함하는, 기저원인 분석 및 수율 예측 방법. - 제 4 항에 있어서,
상기 수율 예측용 데이터가, 올레핀 생산 공장의 공정 운전 데이터; LIMS 데이터를 포함하는 실험실 데이터; 공장이 정상적으로 운전되지 않은 시간에 관한 데이터를 포함한 공장 이벤트 데이터; 및 올레핀 생산에 관한 과거 수율, 전환율, 및 선택도 데이터;를 포함하는, 기저원인 분석 및 수율 예측 방법. - 제 3 항에 있어서,
상기 수율 예측부에 의한 수율 예측모형의 학습 및 수율 예측 단계(S30)가 상기 세그먼트별로 각각 수행되는 것인, 기저원인 분석 및 수율 예측 방법. - 제 4 항에 있어서,
상기 기저원인 분석 단계(S20)에서, 상기 전처리된 수율 예측 데이터를 설명가능 인공지능(XAI) 알고리즘에 적용하여 상기 공정 핵심인자를 추출하는 것인, 기저원인 분석 및 수율 예측 방법. - 제1항 내지 제7항 중 어느 한 항에 따른 기저원인 분석 및 수율 예측 방법을 실행시키기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220100252A KR102647438B1 (ko) | 2022-08-10 | 2022-08-10 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
| PCT/KR2023/009714 WO2024034873A1 (ko) | 2022-08-10 | 2023-07-09 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220100252A KR102647438B1 (ko) | 2022-08-10 | 2022-08-10 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240021641A KR20240021641A (ko) | 2024-02-19 |
| KR102647438B1 true KR102647438B1 (ko) | 2024-03-12 |
Family
ID=89851943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220100252A KR102647438B1 (ko) | 2022-08-10 | 2022-08-10 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102647438B1 (ko) |
| WO (1) | WO2024034873A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011990A (zh) * | 2024-04-10 | 2024-05-10 | 中国标准化研究院 | 基于人工智能的工业数据品质监控与提升系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020166749A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社カネカ | 製造システム、情報処理方法、および製造方法 |
| KR102218287B1 (ko) * | 2020-01-21 | 2021-02-22 | (주) 아톤모빌리티 | 머신 러닝을 통한 중고차 시세 예측 방법 및 시스템 |
| JP2022520643A (ja) * | 2019-02-15 | 2022-03-31 | ビーエーエスエフ ソシエタス・ヨーロピア | 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101508641B1 (ko) | 2013-08-08 | 2015-04-08 | 국립대학법인 울산과학기술대학교 산학협력단 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
| KR101917006B1 (ko) * | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
| KR20180131246A (ko) | 2017-05-31 | 2018-12-10 | 주식회사 지오네트 | 빅데이터 분석을 통한 공정 관리 방법 |
| KR102016812B1 (ko) * | 2017-11-24 | 2019-10-21 | 한국생산기술연구원 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
-
2022
- 2022-08-10 KR KR1020220100252A patent/KR102647438B1/ko active IP Right Grant
-
2023
- 2023-07-09 WO PCT/KR2023/009714 patent/WO2024034873A1/ko unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022520643A (ja) * | 2019-02-15 | 2022-03-31 | ビーエーエスエフ ソシエタス・ヨーロピア | 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品 |
| JP2020166749A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社カネカ | 製造システム、情報処理方法、および製造方法 |
| KR102218287B1 (ko) * | 2020-01-21 | 2021-02-22 | (주) 아톤모빌리티 | 머신 러닝을 통한 중고차 시세 예측 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024034873A1 (ko) | 2024-02-15 |
| KR20240021641A (ko) | 2024-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7162442B2 (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
| US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
| US11487996B2 (en) | Real-time predictive maintenance of hardware components using a stacked deep learning architecture on time-variant parameters combined with a dense neural network supplied with exogeneous static outputs | |
| JP2018180759A (ja) | システム分析装置、及びシステム分析方法 | |
| EP3899757A1 (en) | Accurate and transparent path prediction using process mining | |
| KR102647438B1 (ko) | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 | |
| Shi et al. | Learning from evolution history to predict future requirement changes | |
| JP2021064049A (ja) | 計算機システム及び数理モデルの生成支援方法 | |
| US20180307218A1 (en) | System and method for allocating machine behavioral models | |
| Kumar et al. | An unsupervised software fault prediction approach using threshold derivation | |
| JP2022028338A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
| Sadat Lavasani et al. | Big data analytics opportunities for applications in process engineering | |
| US20240142922A1 (en) | Analysis method, analysis program and information processing device | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| US20240095548A1 (en) | System and method for predicting process changes by using key factors in commercial chemical process | |
| CN115427986A (zh) | 用于从大容量、高速流式数据动态生成预测分析的算法学习引擎 | |
| CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
| CN116703455A (zh) | 基于时间序列的混合模型的医药数据销售预测方法及系统 | |
| CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
| CN113518983A (zh) | 用于处理大宽数据的过程控制工具 | |
| KR20240021642A (ko) | 화학공정의 수율 예측 시뮬레이션 시스템 및 방법 | |
| Merzah | Software quality prediction using data mining techniques | |
| Khatib et al. | Application of graph theory and filter based variable selection methods in the design of a distributed data-driven monitoring system | |
| JP2016532949A (ja) | 従来の予測子の将来的変化を予測するためにある期間にわたって精選され、分析されたデータシグナルから重大変化属性を導出するためのシステム及び方法 | |
| JP2022191680A (ja) | データ選択支援装置及びデータ選択支援方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |