KR102674249B1 - 리플로우 장비의 이상 여부 확인 방법 - Google Patents

리플로우 장비의 이상 여부 확인 방법 Download PDF

Info

Publication number
KR102674249B1
KR102674249B1 KR1020220014348A KR20220014348A KR102674249B1 KR 102674249 B1 KR102674249 B1 KR 102674249B1 KR 1020220014348 A KR1020220014348 A KR 1020220014348A KR 20220014348 A KR20220014348 A KR 20220014348A KR 102674249 B1 KR102674249 B1 KR 102674249B1
Authority
KR
South Korea
Prior art keywords
module
voltage value
training
dataset
cluster
Prior art date
Application number
KR1020220014348A
Other languages
English (en)
Other versions
KR20230117957A (ko
Inventor
구정인
남정수
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020220014348A priority Critical patent/KR102674249B1/ko
Publication of KR20230117957A publication Critical patent/KR20230117957A/ko
Application granted granted Critical
Publication of KR102674249B1 publication Critical patent/KR102674249B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0038—Circuits for comparing several input signals and for indicating the result of this comparison, e.g. equal, different, greater, smaller (comparing pulses or pulse trains according to amplitude)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

본 발명은 리플로우 장비의 이상 여부 확인 방법에 관한 것이다.

Description

리플로우 장비의 이상 여부 확인 방법{Method for checking the abnormality of reflow devices}
본 발명은 IT 기술분야에 관한 것으로, 보다 구체적으로 여러 단계로 구성된 리플로우 장비에서 서보모터의 전압값을 통해 기기의 이상 여부를 확인하는 방법에 관한 것이다.
리플로우(reflow) 공정은 PCB(Printed Circuit Board)에 부품을 전기적으로 접합하기 위해 PCB와 부품에 고온의 열을 가하는 솔더링(soldering) 공정의 일종으로, 일반적으로 크림솔더를 인쇄하고 금속 사이의 접촉을 형성한 부품이 실장된 PCB가 리플로우 장비(reflow device)를 통과하는 과정에서 크림솔더를 녹임으로써 솔더링이 이루어지는 과정을 포함한다.
이를 위해 리플로우 장비는 양 옆이 개방된 수평 터널 방식으로 구성되고 PCB가 놓인 컨베이어가 이를 통과하게 한다. 리플로우 장비 내에서 고온의 열이 제공되어 컨베이어 상에 위치한 PCB는 컨베이어를 따라 이동하면서 솔더링이 이루어진다.
리플로우 장비 내부는 솔더링이 이루어질 수 있도록 여러 단계(PV1 ~ PVn, n은 자연수)로 구분되어 있으며 각 단계마다 PCB를 붙잡는 그립퍼(gripper)가 구비되며 이는 서보모터(servo motor)에 의해 작동된다. 또한, 한 번에 다수의 프로덕트(주로, PCB)가 컨베이어를 따라 이동하며 솔더링될 수 있어서 생산성이 조절된다. 따라서, 각 단계의 그립퍼 또는 서보모터의 이상시 프로덕트의 솔더링에 문제가 발생할 수 있으며, 달리 말하면 특정 단계의 서보모터 전압값이 적정 수치 범위 밖인 것을 확인한다면(즉, 엔벨로프(envelope) 밖의 값을 갖는다면) 해당 단계의 그립퍼 또는 서보모터에 이상이 이미 발생하였거나 조만간 이상이 발생할 것임을 예측할 수 있다.
도 1a는 총 28개의 단계(PV1 ~ PV28)로 구성된 리플로우 장비가 수백 회 정상 가동하는 동안 총 28개의 서보모터에서 측정된 전압값을 도시한다. X축은 각 단계이며 Y축은 전압값으로 단위는 mA이다. 보다 많이 관측되는 전압값일수록(즉, 카운트(count)수가 높을 수록) 보다 넓은 회색으로 도시된다. 여기에 사용된 리플로우 장비의 개략도가 도 2를 참조할 수 있다. 도시된 예시적인 리플로우 장비(10)는 총 28개의 단계(PV1 ~ PV28)로 구성되며, 각 단계에는 그립퍼(20)와 이를 구동하는 서보모터(30)가 구비되며, 서보모터(30)에는 전압값을 측정하기 위한 센서(S)가 위치한다. 주로 PCB인 프로덕트(P)는 컨베이어를 따라 좌측에서 우측으로 이동하는 것으로 도시된다. 도면에 도시된 예시에서 총 4개의 프로덕트(P)가 한 번에 이송된다. 한편, 도 1b는 프로덕트(P)의 수에 따라 측정된 전압값을 구분하여 도시하며, 각각 프로덕트(P)가 4개인 경우, 8개인 경우, 12개인 경우로 구분한다. 도 1a 및 도 1b에서 청색은 평균이며 적색 점선은 엔벨로프(envelope)를 도시한다. 엔벨로프를 연산하는 방법은 기존에 알려져 있는바 상세한 설명은 생략한다.
도 1a 및 도 1b에서 어느 하나의 단계에서의 카운트수만을 살펴보면 3시그마 규칙(three-sigma rule)을 따르지 않음을 알 수 있다. 도 4a를 참조하면 더욱 상세히 알 수 있는데, 이는 도 1b에서 프로덕트(P)가 4개인 경우로서 PV15 단계에서의 전압값을 X축으로 하고 카운트수를 Y축으로 한 결과를 도시한다. 도시된 바와 같이 PV15 단계에서의 측정값은 3시그마 규칙을 따르지 않음이 명백히 도시되며, 이는 다른 단계들에서도 동일하다.
리플로우 장비(10)의 서보모터(30)의 전압값이 3시그마 규칙을 따르지 않기에 통계학적 수치 해석에 어려움이 발생한다. 장비의 이상 여부는 엔벨로프를 넘어가는 값이 있는지 여부를 통해 확인하거나 예측할 수 있는데, 3시그마 규칙을 따르지 않기에 일반적인 방식으로 연산된 엔벨로프만으로 이상 여부를 확인할 수 없다. 예를 들어, 도 1a에서 PV23 단계인 경우를 살펴보면 엔벨로프의 상한값이 0.16mA보다 낮다. 0.16mA ~ 0.20mA 모두 정상 가동하였던 결과값임에도 엔벨로프를 벗어나기에 통계학적 방법으로는 이상이 있는 것으로 판단된다. 특히 0.16mA의 카운트수는 비교적 높은 편임에도 모든 횟수에서 이상이 있는 것으로 잘못 판단된다.
통계학적 수치 해석이 어렵다면 훈련을 통한 학습모델을 생성하여도 적용이 불가능하다. 따라서 현재 상태에서의 이상 여부 판단이 어려움은 물론, 당연하게도 이상 여부가 있을 것을 예측하는 모델 역시 부정확할 수밖에 없다.
(특허문헌 1) 일본등록특허 제6506219호
(특허문헌 2) 일본등록특허 제6734318호
(특허문헌 3) 일본공개특허 제2020-137327호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
리플로우 장비에서 서보모터의 전압값을 이용하여 기기의 이상 여부를 보다 높은 정확도로 예측할 수 있는 방법을 제안하고자 한다. 일반적인 통계학적 방법으로서 리플로우 장비의 서보모터 전압값이 3시그마 규칙을 따르지 않기에, 이를 보정하여 인공지능을 이용하여 이상 여부를 예측할 수 있는 방법을 제안하고자 한다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는 a1) 훈련 데이터 수집 모듈(110)이 리플로우 장비(10)로부터 각 단계(PVn)의 서보모터(30)의 전압값과 프로덕트(P)의 수를 포함하는 다수의 훈련 데이터셋을 수집하는 단계; - 여기서 전압값은 미리 결정된 수치의 단위로 증가하는 값으로 표현되며, 리플로우 장비(10)의 각 단계(PVn)마다 상이한 기기가 위치함 (a2) 갭 확인 모듈(120)이, 상기 훈련 데이터셋이 다수의 훈련 데이터셋 모두에서 공통적으로 누락된 전압값 범위를 갭(gap)으로 확인하는 단계; (a3) 매핑 모듈(130)이, 상기 훈련 데이터셋에서 상기 갭으로 확인된 범위를 삭제한 후 각각의 전압값을 정수로 매핑하는 단계; (a4) 클러스터링 모듈(140)이, 상기 매핑된 훈련 데이터셋을 프로덕트(P)의 수를 기준으로 클러스터링하여 다수의 클러스터로 구분하는 단계; (a5) 훈련 모듈(150)이, 상기 클러스터마다 상기 매핑된 훈련 데이터셋을 이용하여 훈련을 수행하여 각 클러스터의 모델 및 엔벨로프(envelope)를 결정하는 단계; (b1) 데이터 수집 모듈(210)이 상기 리플로우 장비(10)로부터 각 단계(PVn)의 전압값을 포함하는 데이터셋을 수집하는 단계; (b2) 전처리 모듈(220)이, 상기 (a3) 단계와 동일한 방식으로 상기 수집된 데이터셋에서 상기 갭으로 확인된 범위를 삭제한 후 각각의 전압값을 정수로 매핑하는 단계; 및 (b3) 이상 여부 확인 모듈(230)이, 상기 매핑된 데이터셋의 클러스터를 결정하고, 해당 클러스터 모델의 엔벨로프를 확인한 후, 상기 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는지 여부를 확인함으로써 이상 여부를 확인하는 단계; 를 포함하는, 방법을 제공한다.
일 실시예에 있어서, 상기 (b3) 단계는, (b31) 상기 이상 여부 확인 모듈이(230), 상기 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는 것으로 확인된 경우, 해당 전압값의 단계(PVn)를 확인하여, 상기 리플로우 장비(10)에서 상기 확인된 단계에 해당하는 기기에 이상이 있는 것으로 확인하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 (b1) 단계에서, 상기 확인된 데이터셋은 프로덕트(P)의 수를 더 포함하고, 상기 (b3) 단계는, (b32) 상기 이상 여부 확인 모듈(230)이, 상기 매핑된 데이터셋에 포함된 프로덕트(P)의 수를 이용하여 클러스터를 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 (b3) 단계는, (b32) 상기 이상 여부 확인 모듈(230)이 상기 매핑된 데이터셋의 각 단계에 따른 변화 정도와 모든 클러스터의 각 단계에 따른 변화 정도를 비교하여, 변화 정도가 가장 유사한 클러스터를 상기 매핑된 데이터셋의 클러스터로 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 리플로우 장비(10)의 서보모터(30)들은 미사용 전압값 범위가 미리 설정되어 있으며, 상기 (a2) 단계는, (a21) 상기 갭 확인 모듈(120)이, 상기 리플로우 장비(10)에서 미리 설정되어 있는 상기 미사용 전압값 범위를 갭으로 확인하는 단계를 더 포함할 수 있다.
일 실시예 있어서, 상기 (b3) 단계 이후, (b4) 상기 (b3) 단계에서 이상이 없는 것으로 확인된 경우, 상기 훈련 모듈(150)이 이상이 없는 것으로 확인된 경우의 데이터셋을 이용하여 상기 클러스터를 더 훈련하여 엔벨로프를 업데이트하는 단계를 더 포함할 수 있다.
본 발명에 따른 방법이 적용됨으로써, 리플로우 장비에서 서보모터의 특징으로 인해 전압값이 측정되지 않는 갭이 있는 경우에도 3시그마 규칙을 충족하는 모델을 구축할 수 있으며, 이를 이용하여 보다 정확도 있게 이상이 있는 단계의 기기를 확인하거나 예측할 수 있다.
리플로우 장비 또는 서보모터의 제조사로부터 갭을 확인할 수 있는 경우에는 이를 직접 입력할 수 있으며, 갭을 확인할 수 없는 경우에도 자동으로 갭을 추정하여 반영함으로써 이상 여부 확인 정확도를 높일 수 있다.
정상으로 분류된 데이터셋은 다시 모델 학습에 사용되므로, 본 발명에 따른 방법이 지속적으로 사용될수록 결과 정확도는 상승한다.
도 1a 및 도 1b는 정상 작동하는 리플로우 장비의 각 단계별 전압값 측정 결과와 평균 및 엔벨로프를 도시한다.
도 2는 본 발명에 따른 방법을 수행하기 위한 시스템을 도시하는 개략도이다.
도 3은 본 발명에 따른 방법을 설명하기 위한 순서도이다.
도 4a 내지 도 4c는 본 발명에 따라 갭을 확인하고 삭제하고 매핑하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 방법에 사용된 훈련 데이터셋의 예시이다.
도 6은 본 발명에 따른 방법으로 갭이 삭제되고 매핑되어 다시 처리된 측정값을 나타내는 도면이다.
도 7은 본 발명에 따른 방법으로 클러스터링되고 훈련된 모델을 도시한다.
도 8은 본 발명에 따른 방법으로 훈련된 모델에 입력된 데이터셋을 도시한다.
이하, 도면을 참조하여 본 발명에 대하여 상세히 설명한다.
시스템의 설명
도 2를 참조하여 본 발명에 따른 시스템을 설명한다.
본 발명에 따른 방법을 수행하기 위한 시스템은, 모델 생성부(100)와 장비 확인부(200)를 포함하며, 이들은 다수의 단계(PVn)을 포함하고 각 단계마다 그립퍼(20)와 이를 구동시키는 서보모터(30)가 위치하는 리플로우 장비(10)와 연동된다. 서보모터(30)에는 센서(S)가 구비되어 전압값이 측정되며, 각 단계(PVn)별로 측정된 전압값은 데이터셋이 되어 모델을 생성하기 위한 훈련 데이터셋이거나 또는 이상 여부를 확인하기 위한 실제 데이터셋일 수 있다. 도 2에서 리플로우 장비(10)는 총 28개의 단계가 있는 것으로 도시되나 그 개수에 제한되지 않는다. 각 단계는 PVn의 형태로 지칭하며 여기서 n은 1보다 큰 정수이다.
모델 생성부(100)는 훈련 데이터셋을 이용하여 후술하는 클러스터의 모델을 생성하고 엔벨로프를 확인한다. 훈련 데이터 수집 모듈(110), 갭 호가인 모듈(120), 매핑 모듈(130), 클러스터링 모듈(140) 및 훈련 모듈(150)을 포함한다.
훈련 데이터 수집 모듈(110)은 리플로우 장비(10)의 센서(S)로부터 단계(PVn)별 서보모터(30)의 전압값을 다수 수신하여 훈련 데이터셋을 확인하는 기능을 수행한다.
갭 확인 모듈(120)은 훈련 데이터셋에서 수동 또는 자동으로 갭을 확인하는 기능을 수행한다.
매핑 모듈(130)은 훈련 데이터셋에서 갭을 제거한 후 정수값으로 매핑하는 기능을 수행한다.
클러스터링 모듈(140)은 기 설정된 기준에 의해 매핑까지 이루어진 훈련 데이터셋을 다수의 클러스터로 구분하는 기능을 수행한다.
훈련 모듈(150)은 구분된 다수의 클러스터마다 훈련을 수행하여 모델을 형성하고 엔벨로프를 확인하는 기능을 수행한다.
장비 확인부(200)는 이상 여부를 확인하고자 하는 장비의 데이터셋을 획득하여 모델 생성부(100)에서 생성된 모델에 입력함으로써 리플로우 장비(10)의 이상 여부를 확인한다. 데이터 입력 모듈(210), 전처리 모듈(220)및 이상 여부 확인 모듈(230)을 포함한다.
데이터 입력 모듈(210)은 이상 여부를 확인하고자 하는 리플로우 장비(10)의 센서(S)로부터 단계(PVn)별 서보모터(30)의 전압값을 수신하여 데이터셋을 수집한다.
전처리 모듈(220)은 데이터 입력 모듈(210)에서 수집된 데이터셋에 대하여 갭을 제거하고 매핑을 수행한다.
이상 여부 확인 모듈(230)은 매핑까지 이루어진 데이터셋의 클러스터를 수동 또는 자동으로 확인하고 모델 생성부(100)에서 생성된 클러스터 모델 중 적합한 모델을 확인하여 대입하고 그 결과값을 살펴봄으로써 리플로우 장비(10)의 이상 여부를 확인한다.
본 발명의 개념의 설명
본 발명은 리플로우 장비(10)의 서보모터(30)의 전압값이 갖는 한계를 해석하여 반영함으로써 3시그마 규칙을 만족하는 전압값 데이터로 보정하고, 이를 기반으로 이상 여부를 판단하는 모델을 생성한다.
도 4a에 도시된 바와 같이, 일반적인 리플로우 장비(10)의 서보모터(30)의 전압값은 일정 단위로 증가하는 값으로 표현된다. 도시된 예시에서는 0.01mA 단위로 증가하는 것으로 확인되는데, 이러한 단위는 장비 또는 모터에 따라 변화할 수 있다.
리플로우 장비(10)의 서보모터(30)의 전압값은 측정되지 않는 영역이 존재한다. 도 4a에 도시된 장비에서는 0.10mA, 0.11mA, 0.12mA, 0.13mA, 0.14mA, 0.15mA의 전압값이 측정되지 않는다. 이는, 서보모터(30) 제조사에 따른 자체 특성일 수 있다. 서보모터(30)의 안전한 구동을 위해 특정 범위의 전압값에서 구동되지 않도록 설정된 것이다. 또는 리플로우 장비(10) 제조사에 따른 자체 특성일 수 있다. 리플로우 장비(10)의 그립퍼(20)의 안전한 구동을 위해 설정된 것이다. 이와 같이 전압값이 측정되지 않는 영역이 존재함은 대부분의 리플로우 장비(10)의 서보모터(30)에서 공통적으로 확인된다. 또한, 하나의 리플로우 장비(10)에 구비된 모든 서보모터(30)는 이러한 측정 불가 영역이 공통된다는 특성을 갖는다.
본 발명은, 이러한 측정 불가 영역인 갭(gap)으로 인해 3시그마 규칙이 적용되지 않지만 갭을 삭제할 경우 3시그마 규칙이 적용됨을 확인하였다. 따라서, 이를 이용하여 데이터셋을 보정한다.
본 발명에서 제안하는 개념은, 갭을 제거한 후 각 전압값을 특정 정수에 매핑하는 것이다. 이는, 리플로우 장비(10)의 서보모터(30)의 전압값에 측정 불가 영역이 존재한다는 특성과 전압값이 일정 단위로 증가한다는 특성과 하나의 리플로우 장비(10)의 모든 서보모터(30)에서 갭의 범위가 동일하다는 특성에 기인한다.
도 4b에 도시된 바와 같이, 측정되는 모든 전압값에서 갭을 제거한 후 각각의 전압값을 1 이상의 정수에 매핑하여 데이터셋을 보정한다. 0.10mA부터 0.15mA까지의 범위가 갭으로 확인되어 제거되었다. 동시에, 0.01mA는 1에 매핑되고, 0.02mA는 2에 매핑되며, 이러한 방식으로 진행하다가 갭을 제거하고 0.16mA는 10에 매핑되고, 0.17mA는 11에 매핑되고, 0.18mA는 12에 매핑되었다.
이러한 처리 후 도 4a에서 도시된 데이터셋은 도 4c의 그래프와 같이 변경된다. 3시그마 규칙에 합치함을 알 수 있다. 이러한 방식으로 도 1a에 도시된 바와 같은 모든 데이터셋을 처리할 경우 3시그마 규칙을 만족하였다. 이렇게 처리된 데이터셋을 이용하여 모델이 훈련될 것이며, 이상 여부를 확인하고자 하는 리플로우 장비(10)에서 측정되는 데이터셋 역시 동일한 방식으로 처리된다.
방법의 설명
도 3을 이용하고 도 5 내지 도 8을 함께 참조하여, 본 발명에 따른 방법을 설명한다.
먼저, 훈련 데이터 수집 모듈(110)이 리플로우 장비(10)로부터 각 단계(PVn)의 서보모터(30)의 전압값과 프로덕트(P)의 수를 포함하는 다수의 훈련 데이터셋을 수집한다(S110). 수집되는 훈련 데이터셋의 예시가 도 5에 도시된다. 도시된 예시에서는 총 912회 측정됨을 알 수 있다. 훈련 데이터셋은 프로덕트(P)의 수를 더 포함한다. 이는 후술하는 클러스터링에서 사용된다.
다음, 갭 확인 모듈(120)이 갭을 확인한다(S120). 이는 수동 또는 자동으로 이루어질 수 있다. 예컨대, 리플로우 장비(10) 또는 서보모터(30)마다 장비 규격으로서 미사용 전압값이 미리 설정되어 있을 수 있어서, 사용자가 갭 확인 모듈(120)에 이를 수동으로 입력할 수 있다. 또는, 갭 확인 모듈(120)이 훈련 데이터셋이 다수의 훈련 데이터셋 모두에서 공통적으로 누락된 전압값 범위를 갭으로 자동 확인할 수 있다. 도 4b에 도시된 예시에서는 0.10mA부터 0.15mA까지의 범위가 갭으로 확인되었다.
다음, 매핑 모듈(130)이, 훈련 데이터셋에서 갭으로 확인된 범위를 삭제한 후 각각의 전압값을 정수로 매핑한다(S130). 도 4b에 도시된 예시에서는 0.10mA부터 0.15mA까지의 범위가 갭으로 확인되어 제거되었으며, 그 외의 범위로서 0.01mA부터 0.18mA까지 0.01mA 단위의 전압값이 1부터 12까지의 정수로 매핑되었다.
이와 같은 방식으로 전처리된 훈련 데이터셋을 프로덕트(P)별로 다시 정리하여 통계적 처리하면 도 6과 같다. X축은 각 단계(PV1 ~ PV28)로 동일하나 Y축은 매핑된 정수값(Mapped Value)로 변경되었다. 청색은 평균을 나타내고 적색은 엔벨로프를 나타낸다. 프로덕트(P)가 0개인 경우, 즉 PCB가 컨베이어로 이송되지 않는 경우를 제외하면, 리플로우 장비(10)의 정상 가동시의 대부분의 값들은 엔벨로프 내에 포함되는 것을 볼 수 있다. 수백 회의 테스트이기에 몇몇 값에서 측정 오차가 발견되었는데 이들 값이 엔벨로프 밖에 위치함은 자연스럽다.
다음, 클러스터링 모듈(140)이, 매핑된 훈련 데이터셋을 프로덕트(P)의 수를 기준으로 클러스터링하여 다수의 클러스터로 구분한다(S140). 프로덕트(P)의 수에 따라 그립퍼(20)의 하중이 달라져 서보모터(30)의 전압값이 달라지기 때문이다.
이후, 훈련 모듈(150)이, 구분된 클러스터마다 매핑된 훈련 데이터셋을 이용하여 훈련을 수행하여 각 클러스터의 모델 및 엔벨로프(envelope)를 결정한다(S150).
도 7은 구분된 클러스터의 모델을 도시한다. 여기에서는 프로덕트(P)의 개수가 1~4개인 경우를 클러스터0(Cluster 0), 5~8개인 경우를 클러스터1(Cluster 1), 9~12개인 경우를 클러스터2(Cluster 2)로 구분되었다. 물론, 다른 방식으로의 구분도 가능하다. 다만, 프로덕트(P)가 0개인 아이들(idle) 경우는 적용하지 않음이 바람직하다. 적색은 평균이며 진한 흑색이 외곽의 엔벨로프이다.
모델이 생성되었는바, 이제 이상 여부를 확인하고자 하는 리플로우 장비(10)에서 데이터셋을 확인한 후 훈련된 모델을 이용하여 이상 여부를 확인한다.
데이터 수집 모듈(210)이 리플로우 장비(10)로부터 각 단계(PVn)의 전압값을 포함하는 데이터셋을 수집한다(S210). 도 8은 데이터셋의 예시를 도시한다.
다음, 전처리 모듈(220)은 전술한 것과 동일한 방식으로 수집된 데이터셋에서 갭으로 확인된 범위를 삭제한 후 각각의 전압값을 정수로 매핑한다(S220).
다음, 이상 여부 확인 모듈(230)이, 매핑된 데이터셋의 클러스터를 결정하고, 해당 클러스터 모델의 엔벨로프를 확인한 후(S230), 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는지 여부를 확인함으로써 이상 여부를 확인한다(S140). 클러스터 결정을 위해 두 가지 방식이 사용될 수 있다. 첫째, 도 8에 도시된 바와 같이 데이터셋은 프로덕트(P)의 수를 포함할 수 있어서, 이를 이용하여 클러스터가 결정된다. 도 8의 예시에서 프로덕트(P)가 9개여서 클러스터2의 모델이 사용될 것이다. 둘째, 매핑된 데이터셋의 각 단계에 따른 변화 정도와 모든 클러스터의 각 단계에 따른 변화 정도를 비교하여, 변화 정도가 가장 유사한 클러스터를 매핑된 데이터셋의 클러스터로 결정할 수 있다. 예컨대, 도 8의 데이터셋에서 전압값의 변화를 살펴보고 도 7의 클러스터0, 클러스터1, 클러스터2 중 전압값 변화가 가장 유사한 클러스터를 매핑된 데이터셋의 클러스터로 결정하는 방식이다.
이상 여부 확인 모듈(230)에 의해 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는 것으로 확인된 경우, 해당 전압값의 단계(PVn)를 확인하여 리플로우 장비(10)에서 확인된 단계에 해당하는 기기(그립퍼(20) 또는 서보모터(30))에 이상이 있거나 장래에 발생할 수 있는 것으로 확인할 수 있다(S252).
이상 여부 확인 모듈(230)에 의해 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는 것으로 확인되었다면 리플로우 장비(10)는 정상인 것으로 확인된다. 이 경우, 본 발명의 일 실시예에서, 이상이 없는 것으로 확인된 경우, 훈련 모듈(150)이 해당 데이터셋을 이용하여 클러스터를 더 훈련하여 엔벨로프를 업데이트함으로써 정확도를 높일 수도 있다(S251).
10: 리플로우 장비
20: 그립퍼
30: 서보모터
100: 모델 생성부
110: 훈련 데이터 수집 모듈
120: 갭 확인 모듈
130: 매핑 모듈
140: 클러스터링 모듈
150: 훈련 모듈
200: 장비 확인부
210: 데이터 입력 모듈
220: 전처리 모듈
230: 이상 여부 확인 모듈
S: 센서

Claims (6)

  1. (a1) 훈련 데이터 수집 모듈(110)이 리플로우 장비(10)로부터 각 단계(PVn)의 서보모터(30)의 전압값과 프로덕트(P)의 수를 포함하는 다수의 훈련 데이터셋을 수집하는 단계; - 여기서 전압값은 미리 결정된 수치의 단위로 증가하는 값으로 표현되며, 리플로우 장비(10)의 각 단계(PVn)마다 상이한 기기가 위치함
    (a2) 갭 확인 모듈(120)이, 상기 훈련 데이터셋이 다수의 훈련 데이터셋 모두에서 공통적으로 누락된 전압값 범위를 갭(gap)으로 확인하는 단계;
    (a3) 매핑 모듈(130)이, 상기 훈련 데이터셋에서 상기 갭으로 확인된 범위를 삭제한 후 각각의 전압값을 정수로 매핑하는 단계;
    (a4) 클러스터링 모듈(140)이, 상기 매핑된 훈련 데이터셋을 프로덕트(P)의 수를 기준으로 클러스터링하여 다수의 클러스터로 구분하는 단계;
    (a5) 훈련 모듈(150)이, 상기 클러스터마다 상기 매핑된 훈련 데이터셋을 이용하여 훈련을 수행하여 각 클러스터의 모델 및 엔벨로프(envelope)를 결정하는 단계;
    (b1) 데이터 수집 모듈(210)이 상기 리플로우 장비(10)로부터 각 단계(PVn)의 전압값을 포함하는 데이터셋을 수집하는 단계;
    (b2) 전처리 모듈(220)이, 상기 (a3) 단계와 동일한 방식으로 상기 수집된 데이터셋에서 상기 갭으로 확인된 범위를 삭제한 후 각각의 전압값을 정수로 매핑하는 단계; 및
    (b3) 이상 여부 확인 모듈(230)이, 상기 매핑된 데이터셋의 클러스터를 결정하고, 해당 클러스터 모델의 엔벨로프를 확인한 후, 상기 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는지 여부를 확인함으로써 이상 여부를 확인하는 단계; 를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 (b3) 단계는,
    (b31) 상기 이상 여부 확인 모듈이(230), 상기 매핑된 데이터셋에 엔벨로프 밖의 전압값이 있는 것으로 확인된 경우, 해당 전압값의 단계(PVn)를 확인하여, 상기 리플로우 장비(10)에서 상기 확인된 단계에 해당하는 기기에 이상이 있는 것으로 확인하는 단계를 더 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 (b1) 단계에서, 상기 확인된 데이터셋은 프로덕트(P)의 수를 더 포함하고,
    상기 (b3) 단계는,
    (b32) 상기 이상 여부 확인 모듈(230)이, 상기 매핑된 데이터셋에 포함된 프로덕트(P)의 수를 이용하여 클러스터를 결정하는 단계를 더 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 (b3) 단계는,
    (b32) 상기 이상 여부 확인 모듈(230)이 상기 매핑된 데이터셋의 각 단계에 따른 변화 정도와 모든 클러스터의 각 단계에 따른 변화 정도를 비교하여, 변화 정도가 가장 유사한 클러스터를 상기 매핑된 데이터셋의 클러스터로 결정하는 단계를 더 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 리플로우 장비(10)의 서보모터(30)들은 미사용 전압값 범위가 미리 설정되어 있으며,
    상기 (a2) 단계는,
    (a21) 상기 갭 확인 모듈(120)이, 상기 리플로우 장비(10)에서 미리 설정되어 있는 상기 미사용 전압값 범위를 갭으로 확인하는 단계를 더 포함하는,
    방법.
  6. 제 1 항에 있어서,
    상기 (b3) 단계 이후,
    (b4) 상기 (b3) 단계에서 이상이 없는 것으로 확인된 경우, 상기 훈련 모듈(150)이 이상이 없는 것으로 확인된 경우의 데이터셋을 이용하여 상기 클러스터를 더 훈련하여 엔벨로프를 업데이트하는 단계를 더 포함하는,
    방법.
KR1020220014348A 2022-02-03 2022-02-03 리플로우 장비의 이상 여부 확인 방법 KR102674249B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220014348A KR102674249B1 (ko) 2022-02-03 2022-02-03 리플로우 장비의 이상 여부 확인 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220014348A KR102674249B1 (ko) 2022-02-03 2022-02-03 리플로우 장비의 이상 여부 확인 방법

Publications (2)

Publication Number Publication Date
KR20230117957A KR20230117957A (ko) 2023-08-10
KR102674249B1 true KR102674249B1 (ko) 2024-06-12

Family

ID=87560732

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220014348A KR102674249B1 (ko) 2022-02-03 2022-02-03 리플로우 장비의 이상 여부 확인 방법

Country Status (1)

Country Link
KR (1) KR102674249B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010004982A1 (en) 1999-12-22 2001-06-28 Kyoji Moro Reflow soldering apparatus
US20070033474A1 (en) 2005-07-01 2007-02-08 Georgia Tech Research Corporation Production test technique for RF circuits using embedded test sensors
US20090134202A1 (en) 2007-11-26 2009-05-28 Samsung Electronics Co., Ltd. Reflow apparatus and method
JP2015508928A (ja) 2012-03-01 2015-03-23 ヌオーヴォ ピニォーネ ソチエタ レスポンサビリタ リミタータＮｕｏｖｏ Ｐｉｇｎｏｎｅ Ｓ．Ｒ．Ｌ． プラントのグループの条件モニタリングのための方法およびシステム
JP6506219B2 (ja) 2016-07-21 2019-04-24 ファナック株式会社 モータの電流指令を学習する機械学習器，モータ制御装置および機械学習方法
JP6734318B2 (ja) 2018-03-23 2020-08-05 ファナック株式会社 駆動装置及び機械学習装置
JP2020137327A (ja) 2019-02-22 2020-08-31 ルネサスエレクトロニクス株式会社 故障判定装置、モータ駆動システム、及び故障判定方法
US20200329598A1 (en) 2019-04-11 2020-10-15 Hongfujin Precision Electronics (Tianjin) Co.,Ltd. Reflow oven central monitoring system and method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5971249A (en) * 1997-02-24 1999-10-26 Quad Systems Corporation Method and apparatus for controlling a time/temperature profile inside of a reflow oven
KR101806820B1 (ko) * 2015-09-08 2017-12-12 세일리코 주식회사 리플로우 머신용 복합환경 측정기와 이를 이용한 복합환경 모니터링 시스템
US11250346B2 (en) * 2018-09-10 2022-02-15 Google Llc Rejecting biased data using a machine learning model
KR102226398B1 (ko) * 2018-11-29 2021-03-15 한국생산기술연구원 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010004982A1 (en) 1999-12-22 2001-06-28 Kyoji Moro Reflow soldering apparatus
US20070033474A1 (en) 2005-07-01 2007-02-08 Georgia Tech Research Corporation Production test technique for RF circuits using embedded test sensors
US20090134202A1 (en) 2007-11-26 2009-05-28 Samsung Electronics Co., Ltd. Reflow apparatus and method
JP2015508928A (ja) 2012-03-01 2015-03-23 ヌオーヴォ ピニォーネ ソチエタ レスポンサビリタ リミタータＮｕｏｖｏ Ｐｉｇｎｏｎｅ Ｓ．Ｒ．Ｌ． プラントのグループの条件モニタリングのための方法およびシステム
JP6506219B2 (ja) 2016-07-21 2019-04-24 ファナック株式会社 モータの電流指令を学習する機械学習器，モータ制御装置および機械学習方法
JP6734318B2 (ja) 2018-03-23 2020-08-05 ファナック株式会社 駆動装置及び機械学習装置
JP2020137327A (ja) 2019-02-22 2020-08-31 ルネサスエレクトロニクス株式会社 故障判定装置、モータ駆動システム、及び故障判定方法
US20200329598A1 (en) 2019-04-11 2020-10-15 Hongfujin Precision Electronics (Tianjin) Co.,Ltd. Reflow oven central monitoring system and method

Also Published As

Publication number Publication date
KR20230117957A (ko) 2023-08-10

Similar Documents

Publication Publication Date Title
CN111047225B (zh) 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法
US10674651B2 (en) Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium
TWI833010B (zh) 影像辨識裝置、影像辨識方法及其電腦程式產品
Thielen et al. A machine learning based approach to detect false calls in SMT manufacturing
US11423531B2 (en) Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof
US20140278234A1 (en) Method and a system for a statistical equivalence test
CN112362679B (zh) 影像辨识装置、影像辨识方法及其计算机程序产品
CN110856437B (zh) 一种smt生产过程控制图模式识别方法
CN115144399B (zh) 一种基于机器视觉的装配质量检测方法及装置
Chang et al. An implementation of health prediction in SMT solder joint via machine learning
KR102228957B1 (ko) 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
US11480951B2 (en) Method and device for producing a product and computer program product
KR102674249B1 (ko) 리플로우 장비의 이상 여부 확인 방법
CN112308816B (zh) 影像辨识装置、影像辨识方法及其存储介质
Filz et al. Data-driven analysis of product property propagation to support process-integrated quality management in manufacturing systems
CN114077919A (zh) 用于预测加工异常的系统
CN117013687A (zh) 一种电力运行质量监测方法及系统
CN115562191A (zh) 基于工业数字孪生的生产力中台智能推测分析方法
CN114829958A (zh) 用于评估印刷电路板的方法和系统
KR102112809B1 (ko) 차량용 커넥터 자동화 생산 시스템 및 방법
EP4254325A1 (en) Inspection of printed circuit board assemblies
Kavitha et al. Component identification and defect detection of printed circuit board using artificial intelligence
Chen et al. A Data Mining Approach for Optimizing Manufacturing Parameters of Wire Bonding Process in IC Packaging Industry and Empirical Study
CN113762649B (zh) 检测系统优化的方法、装置及计算机可读存储介质
CN117150415B (zh) 一种基于人工智能的通讯设备状态监测方法及系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right