KR20150018681A - 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 - Google Patents
생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 Download PDFInfo
- Publication number
- KR20150018681A KR20150018681A KR20130094284A KR20130094284A KR20150018681A KR 20150018681 A KR20150018681 A KR 20150018681A KR 20130094284 A KR20130094284 A KR 20130094284A KR 20130094284 A KR20130094284 A KR 20130094284A KR 20150018681 A KR20150018681 A KR 20150018681A
- Authority
- KR
- South Korea
- Prior art keywords
- quality
- data
- ontology
- factor
- parameters
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 272
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 83
- 238000007418 data mining Methods 0.000 title abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 221
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 18
- 230000002950 deficient Effects 0.000 claims abstract description 8
- 230000001939 inductive effect Effects 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 22
- 238000003326 Quality management system Methods 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 17
- 238000007726 management method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000003908 quality control method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 238000003070 Statistical process control Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000002872 Statistical quality control Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012943 hotmelt Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법에 관한 것으로, 생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력 받아 '인자'-'품질' 간의 관계를 나타내는 온톨로지를 생성하고, 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하고, 생산 공정을 통해 실시간으로 관측 지점별로 공정 인자의 관측 좌표와 측정 데이터를 입력받고, 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하고, 상기 분리된 선형 값들에 기초하여 SVM 학습을 수행하고, SVM 학습 결과로부터 현재의 공정 상태를 예측하며, HMM을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출함으로써, 산출된 최적 공정 인자를 사용자에게 제공하여 공정의 변화를 유도한다.
Description
본 발명은 생산 공정에서 제품 상태를 예측하는 기술에 관한 것으로, 특히 데이터마이닝 기법을 이용하여 생산 공정에서 제품 상태를 예측하고 예측된 제품 상태에 영향을 미치는 요소들을 제어함으로서 제품 상태를 관리하는 장치, 방법 및 그 방법을 기록한 기록매체에 관한 것이다.
공정 모니터링 기술은 공정 내에서 일어나는 예상치 못한 조업변화 및 이상을 조기에 감지하고 공정 이상에 영향을 미친 근본 원인을 밝혀내어 제거해 줌으로서 공정의 안정적인 조업과 양질의 제품생산의 기반을 제공하여 준다. 따라서, 생산 공정에서는 부품의 수입 검사에서부터 각 공정의 이상 유무 판정 및 원인 진단이 파악 가능한 효율적인 공정 모니터링 기술의 개발이 필요하다.
국내의 경우 역시 급변하는 세계화 시대에 발맞춰 제조업 분야의 실시간/개방형 공정 모니터링 기술의 개발에 대한 연구가 활발히 이루어지고 있는 추세다. 이에 맞춰, 국내 중소기업들의 세계 시장 경쟁력을 강화하고, 국내 대기업에만 종속적이지 않은 사업 영역의 확대를 위해서 표준화된 공정 모니터링 데이터베이스 및 시스템의 프레임워크(Framework) 제공이 필요하고, 시그마 기법들을 이용하여 제품의 품질 지표에 대한 공급망의 가시성을 위한 지식 데이터베이스로 구축 및 제품 품질에 대한 온톨로지를 개발하며, 공급자 및 수요자를 위한 실시간 정보 모니터링 시스템 개발이 필요하다.
한편, 이하에서 인용되는 비특허문헌은 통계적 통정 관리의 개괄을 소개하고 있다. 통계적 공정 관리(Statistical Process Control, SPC)란 공정에서 요구되는 품질이나 생산성 목표를 달성하기 위하여 PDCA(Plan-Do-Check-Act) 사이클을 반복하면서 통계적 방법으로 공정을 효율적으로 운영해 나가는 관리 방법을 말한다. 특히, 통계적 공정 관리는 통계적 분석 기법의 도움을 받아 공정의 품질 변동을 주는 원인과 공정의 능력상태를 파악하여 주어진 품질 목표가 달성될 수 있도록 PDCA 사이클을 수행하며 끊임없는 품질 개선이 이루어지도록 관리해가는 활동을 의미한다.
따라서, 통계적 공정 관리는 양질의 공정 데이터만 주어진다면 통계적 처리를 접목하여 비교적 쉽게 공정 상태를 모니터링을 할 수 있고 공정의 데이터 분석에 이용할 수 있는 도구를 얻을 수 있으나, 실제 공정에서는 비선형성, 다중 운전모드, 공정 상태 변화로 인해 기존의 다변량 통계적 방법을 이용한 공정 모니터링 기법은 비효율적이거나 공정 감시 성능의 저하 및 종종 신뢰할 수 없는 결과를 초래한다.
이와 같은 관점에서, 생산 공정에서 제품 품질을 관리하기 위해서는 복잡한 공급망 구조 내에서 실시간으로 부품의 품질 모니터링 및 품질 문제 예방 관리가 가능한 기술적 수단이 필요하다는 사실을 알 수 있다.
통계적 품질관리 기법에 의한 공정제어 SYSTEM, 신기조, 한국소프트웨어개발연구조합, 1989.
따라서, 본 발명이 해결하고자 하는 첫 번째 과제는 생산 공정 내에서 제품 생산 결과에 영향을 주는 요인으로부터 제품의 품질 결과를 확률적으로 예측할 수 있는 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 두 번째 과제는 생산 공정 내에서 제품 생산 결과에 영향을 주는 요인으로부터 제품의 품질 결과를 확률적으로 예측할 수 있는 장치를 제공하는 것이다.
또한, 상기된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는데 있다.
본 발명의 첫 번째 과제를 달성하기 위하여, 생산 공정에서 품질을 관리하는 방법에 있어서, 생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 상기 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력 받아 '인자'-'품질' 간의 관계를 나타내는 온톨로지(ontology)를 생성하는 단계; 상기 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하고, 생산 공정을 통해 실시간으로 상기 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 데이터를 입력받는 단계; 상기 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하고, 상기 분리된 선형 값들에 기초하여 SVM(Support Vector Machine) 학습을 수행하는 단계; 상기 SVM 학습 결과로부터 현재의 공정 상태를 예측하는 단계; HMM(Hidden Markov Model)을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출하는 단계; 및 상기 산출된 최적 공정 인자를 사용자에게 제공함으로서 공정의 변화를 유도하는 단계를 포함하는 방법을 제공한다.
본 발명의 일 실시예에 의하면, 상기 최적 공정 인자를 산출하는 단계는, 상기 품질 변수를 히든스테이트(hidden state)로 지정하는 단계; 상기 공정 인자를 확률 변수로 지정하는 단계; 상기 HMM의 비터비 알고리즘을 이용하여 상기 공정 인자로부터 상기 히든스테이트의 확률을 산출하는 단계; 및 상기 산출된 히든스테이트로부터 가장 높은 확률의 히든스테이트를 유발하는 공정 인자를 상기 최적 공정 인자로서 선택하는 단계를 더 포함하는 방법일 수 있다.
또한, 상기 HMM의 비터비 알고리즘은, 이력 데이터의 최근 데이터로부터 과거 데이터까지 경로 백트랙킹(path backtracking)을 수행함으로서, 가장 높은 확률을 산출하는 것일 수 있다.
본 발명의 다른 실시예에 의하면, 상기 온톨로지 및 공정 인자에 기초하여 품질 변수를 예측할 수 있도록 실험적으로 검증된 규칙(rule)을 저장하는 단계를 더 포함하는 방법일 수 있다.
본 발명의 또 다른 실시예에 의하면, 상기 '인자'-'품질' 간의 관계는, 신경망(neural network) 또는 의사결정나무(decision tree)를 이용한 학습을 통해 설정되는 것일 수 있다.
본 발명의 또 다른 실시예에 의하면, 상기 '인자'-'품질' 간의 관계는, 상기 품질 변수에 영향을 미치는 공정 인자의 가중치 및 상기 공정 인자들 간의 교호 작용에 따른 영향을 고려하되, 양품을 나타내는 품질 변수를 야기하는 공정 인자의 기여도를 반영하여 산출되는 것일 수 있다.
본 발명의 또 다른 실시예에 의하면, 상기 현재의 공정 상태를 예측하는 단계는, 상기 온톨로지에 기초한 관리도 기준을 고려하여 산출된 공정의 안정도 또는 예측 수율을 산출하여 사용자에게 제공하는 것일 수 있다.
본 발명의 또 다른 실시예에 의하면, 상기 생산 공정에 대하여 상기 공정의 변화가 반영된 경우, 새로운 공정 인자와 품질 변수를 입력 받아 상기 온톨로지를 갱신하는 단계를 더 포함하는 방법일 수 있다.
본 발명의 두 번째 과제를 달성하기 위하여, 생산 공정에서 품질을 관리하는 장치에 있어서, 센서를 이용하여 생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 상기 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력 받고, 상기 생산 공정을 통해 실시간으로 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 데이터를 입력 받는 입력부; 상기 입력된 공정 인자와 품질 변수로부터 '인자'-'품질' 간의 관계를 나타내는 온톨로지를 생성하는 생성부; 상기 생성된 온톨로지 및 공정 인자에 기초하여 품질 변수를 예측할 수 있도록 실험적으로 검증된 규칙을 저장하는 저장부; 및 상기 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하며, 상기 입력부를 통해 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하여 SVM 학습을 수행함으로서, 상기 SVM 학습 결과로부터 현재의 공정 상태를 예측하는 처리부를 포함하되, 상기 처리부는 HMM을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출하고, 상기 산출된 최적 공정 인자를 사용자에게 제공함으로서, 공정의 변화를 유도하는 것을 특징으로 하는 장치를 제공한다.
본 발명의 일 실시예에 의하면, 상기 처리부는, 상기 품질 변수를 히든스테이트(hidden state)로 지정하고, 상기 공정 인자를 확률 변수로 지정하며, 상기 HMM의 비터비 알고리즘을 이용하여 상기 공정 인자로부터 상기 히든스테이트의 확률을 산출함으로서, 상기 산출된 히든스테이트로부터 가장 높은 확률의 히든스테이트를 유발하는 공정 인자를 상기 최적 공정 인자로서 선택하는 것일 수 있다.
또한, 상기 HMM의 비터비 알고리즘을 이용하여 이력 데이터의 최근 데이터로부터 과거 데이터까지 경로 백트랙킹(path backtracking)을 수행함으로서, 가장 높은 확률을 산출하는 것일 수 있다.
본 발명의 다른 실시예에 의하면, 상기 생산 공정에 대하여 상기 공정의 변화가 반영된 경우, 상기 처리부는 상기 입력부를 통해 새로운 공정 인자와 품질 변수를 입력받아 상기 온톨로지를 갱신하는 것일 수 있다.
본 발명의 실시예들은 제조 공정으로부터 추출되는 다양한 공정 변수들을 축적하고 데이터마이닝 기법을 활용하여 축적된 데이터로부터 요인과 결과 간의 관계를 도출하고 이로부터 최적의 품질을 유지할 수 있는 새로운 공정 설정치 조합을 생성함으로서, 고정된 값의 공정 규격으로부터 벗어나 실시간으로 발생하는 상황에 대응하여 변화하는 공정 상태를 확률적으로 예측하는 것이 가능하며, 시간의 경과에 따라 기계의 성능이 저하되더라도 이러한 신뢰성 변화를 실시간으로 신속하게 파악함으로서 주어진 환경 요인에 적합한 동적인 설정값을 사용자에게 제공할 수 있다.
도 1은 본 발명의 실시예들이 채택하고 있는 데이터마이닝을 활용한 품질 관리 모델을 도시한 도면이다.
도 2는 본 발명의 실시예들이 채택하고 있는 도 1의 품질 관리 모델의 기능 블록들을 보다 구체적으로 도시한 블록이다.
도 3은 본 발명의 일 실시예에 따른 생산 공정에서 품질을 관리하는 방법을 도시한 흐름도이다.
도 4는 본 발명의 실시예들이 채택하고 있는 온톨로지 모델을 도시한 도면이다.
도 5는 본 발명의 실시예들이 채택하고 있는 SVM을 통해 공정 정보를 분석하는 일련의 과정을 도시한 도면이다.
도 6은 본 발명의 실시예들이 채택하고 있는 SVM(support Vector Machine) 학습과 검증 방법을 도시한 도면이다.
도 7은 본 발명의 실시예들에 따른 생산 공정에서 품질을 관리하는 방법에 따라 학습된 데이터를 3차원으로 표현한 SVM 분류 모델을 예시한 도면이다.
도 8은 본 발명의 실시예들이 채택하고 있는 HMM(Hidden Markov Model)이 구현되는 과정을 도시한 도면이다.
도 9는 본 발명의 실시예들이 채택하고 있는 도 9의 HMM에서 비터비 알고리즘(Viterbi algorithm)을 이용하여 제품 생산 결과에 영향을 주는 품질변수를 확률적으로 도출한 것을 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 생산 공정에서 품질을 관리하는 장치를 도시한 블록도이다.
도 11은 본 발명의 다른 실시예에 따른 생산 공정에서 품질을 관리하는 일련의 과정을 도시한 도면이다.
도 12는 본 발명의 다른 실시예에 따른 도 10의 생산 공정에서 품질을 관리하는 일련의 과정을 보다 구체적으로 도시한 도면이다.
도 2는 본 발명의 실시예들이 채택하고 있는 도 1의 품질 관리 모델의 기능 블록들을 보다 구체적으로 도시한 블록이다.
도 3은 본 발명의 일 실시예에 따른 생산 공정에서 품질을 관리하는 방법을 도시한 흐름도이다.
도 4는 본 발명의 실시예들이 채택하고 있는 온톨로지 모델을 도시한 도면이다.
도 5는 본 발명의 실시예들이 채택하고 있는 SVM을 통해 공정 정보를 분석하는 일련의 과정을 도시한 도면이다.
도 6은 본 발명의 실시예들이 채택하고 있는 SVM(support Vector Machine) 학습과 검증 방법을 도시한 도면이다.
도 7은 본 발명의 실시예들에 따른 생산 공정에서 품질을 관리하는 방법에 따라 학습된 데이터를 3차원으로 표현한 SVM 분류 모델을 예시한 도면이다.
도 8은 본 발명의 실시예들이 채택하고 있는 HMM(Hidden Markov Model)이 구현되는 과정을 도시한 도면이다.
도 9는 본 발명의 실시예들이 채택하고 있는 도 9의 HMM에서 비터비 알고리즘(Viterbi algorithm)을 이용하여 제품 생산 결과에 영향을 주는 품질변수를 확률적으로 도출한 것을 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 생산 공정에서 품질을 관리하는 장치를 도시한 블록도이다.
도 11은 본 발명의 다른 실시예에 따른 생산 공정에서 품질을 관리하는 일련의 과정을 도시한 도면이다.
도 12는 본 발명의 다른 실시예에 따른 도 10의 생산 공정에서 품질을 관리하는 일련의 과정을 보다 구체적으로 도시한 도면이다.
본 발명의 실시예들을 설명하기에 앞서, 종래의 통계적 공정 관리에서 발생하는 문제점들을 검토한 후, 이들 문제점을 해결하기 위해 본 발명의 실시예들이 채택하고 있는 기술적 수단을 개괄적으로 소개하도록 한다.
통계적 공정 모니터링 방법은 양질의 공정 데이터만 주어진다면 통계적 처리를 접목하여 비교적 쉽게 모니터링을 할 수 있고 공정의 데이터 분석에 이용할 수 있는 도구를 얻을 수 있다는 장점이 있다. 그러나 실제 공정에서는 비선형성, 다중 운전 모드, 공정 상태 변화로 인해 기존의 다변량 통계적 방법을 이용한 공정 모니터링 기법은 비효율적이거나, 공정 감시 성능의 저하 등 종종 신뢰할 수 없는 결과를 야기한다.
일반적으로 생산 공정에서 이용되는 장비를 처음 개발할 때와 장비를 가동한 후 일정 시간이 흐른 후의 특성이 다르게 나타나는데, 일정 시간이 흐른 후에는 기계적인 마모, 소착, 변형 내지 피로 등 다양한 형태의 특성이 변화하여 기계의 성능이 저하되고, 이는 공정의 불안정화와 더불어 제품의 성능과 신뢰도를 떨어뜨리는 요인이 되고 있다. 따라서 장비 및 시스템의 신뢰성 저하는 제품의 성능 및 신뢰성 저하로 직결될 수 있다.
그러나, 이러한 장비 및 시스템의 신뢰성 저하를 직접적으로 신속히 파악할 수 있는 방법은 없다. 시스템을 관리하고 운영하는 엔지니어도 장비의 작동 여부 및 장비의 파라메터(parameter) 설정에 대한 지식만을 가질 뿐, 장비 및 시스템의 신뢰도가 어떻게 변화하는지는 알기 어렵다. 따라서, 이러한 제조 공정의 이상 유무 파악 및 신뢰성 파악을 하기 위해서는 제조 공정으로부터 발생하는 수많은 공정 변수를 데이터베이스에 축적하되, 데이터마이닝 기법을 사용하여 품질 관리 시스템의 동적인 운영 및 구축이 필요하다.
본 발명의 실시예들이 활용되는 환경에서는 제품의 생산 공정 중에 관찰된 이상 신호는 제품의 품질에 영향을 미칠 수 있으며, 특히 온도 또는 진동 등 공정상에서 측정될 수 있는 신호의 패턴을 분석함으로서 최종 제품 품질이 어떠한 경향성을 가질 지에 대한 판단이 가능하다는 것을 전제로 하고 있다.
또한 본 발명의 실시예들은, 공정 설비에 부착된 센서에서 측정된 데이터를 분석한 결과, 양품 및 불량품에 대한 데이터 이력이 다를 경우, 데이터의 패턴을 분석함으로서 이미 생산되었거나, 앞으로 생각될 제품의 품질을 미리 예측할 수 있다는데 착안하고 있다. 즉, 본 발명의 실시예들은 센서를 통해 측정된 데이터로부터 예방적 품질 관리가 가능하다는 아이디어에 기반하고 있다.
도 1은 본 발명의 실시예들이 채택하고 있는 데이터마이닝을 활용한 품질 관리 모델을 도시한 도면이다.
일반적인 생산 공정의 관리는 도 1의 공정 관리 시스템(110)과 같은 모형을 갖는다. 대부분 기본적인 제조 공정 프로세스가 존재하여, 생산 프로세스의 결과계(각 제조공정에서 산출되는 품질 특성치 또는 수율을 의미한다.)의 원인이 되는 요인계(각 제조공정에서 장비 또는 공정의 설정치, 그리고 제어가 불가능한 외부 환경 요인을 의미한다.)를 모니터링하고 제어하는 자동화된 설비가 부가된다. 이러한 모니터링 시스템에서 읽어 들인 공정 데이터는 주어진 설정치의 영역 내에서 존재하도록 자동적으로 제어되거나, 공정의 담당 엔지니어가 수동적으로 제어할 수 있으며, 또한 이러한 공정 데이터는 통계적인 분석을 통하여 공정 능력이 산출되고 공정이 안정한 상태에 있는지 여부를 사용자에게 알려줄 수 있다.
제조 공정에서 요인계와 결과계가 어떤 관련성을 가지는지 파악하기란 쉽지 않은 일이지만, 안정된 품질과 수율의 향상 등 생산성 향상을 위해서는 그 상관관계를 알아내는 것이 매우 중요하다. 요인계의 개별 요인과 결과계의 개별 결과가 어떻게 연결되는지 그리고 요인계 사이의 교호 작용은 결과계에 어떤 영향을 미치는지를 파악하기 위해 종래의 통상적인 공정 관리 방법으로는 실험계획법 내지 회귀분석 등의 통계적인 방법을 주로 사용한다.
이하에서 기술되는 본 발명의 실시예들이 제안하는 데이터마이닝 기반의 품질관리 시스템의 기능은 각 공정에서 읽어 들인 수많은 공정 변수(요인계)와 품질 변수(결과계)로부터 최적 품질을 만들어 낼 수 있는 공정의 새로운 설정치 조합을 구해내는 것이다. 생산의 중단 없이 거의 실시간으로 현재 주어진 상황에 최적인 공정 규격을 수시로 새롭게 생성함으로서, 공정 규격이 고정된 값(static fixed value)이 아니라 상황에 대응하여 변화되는 동적인 값(dynamically changing value)이 되는 것이다.
도 1을 참조하여 데이터마이닝에 기반한 품질 관리 시스템(130)이 공정 변수와 품질 변수로부터 새로운 규격/규칙을 생성하는 과정을 살펴 보면 다음과 같다. 우선, 독출된 자료 중에서 잘못 읽어 들인 값을 제거하는 과정이 데이터 필터링 과정으로서, 감시 설비가 순간적으로 오동작하거나 데이터 전송 오류를 막기 위하여 일반적인 값이라 여겨지지 않는 데이터의 범위를 설정하여 불필요한 데이터를 제거한다. 그러나, 연속적으로 이상치가 독출되는 경우에는 설비의 이상으로 볼 수 있으므로 이상/정상 상태를 구분할 수 있는 시스템을 고려해야 한다.
선별된 자료는 신경망이나 의사결정나무를 사용한 학습을 통하여 공정 변수와 품질 변수와의 관계가 설정된다. 결과에 미치는 각 요인의 가중치(weight)가 산출되고, 각 요인들의 교호 작용이 결과에 미치는 영향도 고려될 수 있다. 이와 동시에 또는 다른 과정을 통하여 가장 좋은 결과를 가져오는 요인(공정 인자)의 수준이 각 요인별로 계산된다. 새로 만들어진 규격/규칙의 검증을 위하여 공정 변수만 을 사용하여 예측한 값이 공정에서의 결과와 맞는지 여부를 확인한 후에 새로운 규격으로 설정하면 된다. 이렇게 새롭게 설정된 규격은 규칙 데이터베이스(Rule Database)에 저장되고, 새로 설정된 규격은 공정에 적용되어 그 규격에 의하여 생산되는 공정에서 독출된 데이터에 의하여 또 다른 새로운 규격이 생성되며, 이러한 순환 과정은 반복하여 계속될 수 있다.
도 2는 본 발명의 실시예들이 채택하고 있는 도 1의 품질 관리 모델의 기능 블록들을 보다 구체적으로 도시한 블록이다.
도 2는 데이터마이닝 기반의 품질 관리 시스템의 세부 시스템 및 구성 요소를 보여준다. 제시된 시스템은 크게 공정 데이터베이스(210)로부터 주요 공정의 공정 변수인 공정 파라메터를 추출(230)하여 수율을 예측(290)할 수 있고, 수많은 공정 변수 중에서 품질에 미치는 영향이 큰 주요 변수를 파악해 주는 시스템(250)과 공정의 안정도 및 공정에 대한 모니터링을 수행하는 시스템(270)으로 구성되어 있다. 규칙 베이스(rule-base)(250)는 데이터마이닝의 결과로 도출된 생산 규칙들을 저장해 두는 역할을 수행한다.
이하에서 기술되는 본 발명의 실시예들에 따른 품질 관리 시스템에서 채택된 데이터마이닝 관련 기법과 적용 방안을 약술하면 다음과 같다.
신경망(Neural Network)은 인간 대뇌의 기본 단위인 뉴런의 생리학적 모델에 착안하여 제안된 것으로, 외부로부터 입력을 받아들이는 노드(node)와 외부로 출력을 담당하는 노드가 있고, 이들 사이에 은닉 노드가 존재하면서 노드와 노드 간의 연결에 가중치(weight)가 부여되어 하나의 노드의 값이 연결 가중치와 승산되어 다른 노드로 전달된다. 품질 관리 시스템에서 신경망은 주로 수율 예측(forecasting)에 주로 사용될 수 있는데, 각 공정에서 중요한 변수들을 도출하고 이러한 변수들이 최종 수율(yield)에 어떠한 영향을 미치는지를 파악할 수 있으며, 이에 대한 학습을 통해 새로운 환경으로 바뀐 경우 또는 새로운 변수가 추가된 경우 최종 수율이 어떻게 바뀔 것인지에 대해 예측을 하는데 도움을 줄 수 있다.
의사결정나무(decision tree)는 클래스(class)를 구분해 주는 규칙(rule)에 의해서 새로운 자료가 미리 정의되어 있는 클래스 중 어디에 속하는지를 판단하는데 활용된다. 규칙을 생성하기 위해서는 클래스가 정의되어 있는 데이터가 필요하며, 규칙을 생성하기 위한 알고리즘(algorithm)과 도출된 규칙을 어떤 형태로 보여줄 것인지에 대한 고려가 필요하다.
군집화(clustering)를 이용한 패턴 분석이 활용될 수 있다. 군집화는 분류(classification)와는 다르게 데이터에 미리 정의된 클래스가 존재하지 않으며, 정해진 알고리즘에 따라 비슷한 성격을 지니는 데이터들끼리 그룹핑하는 역할을 수행한다. 이러한 군집화를 통해 공정 패턴에 대한 특성 분석이 가능하며, 공정 패턴별로 어떠한 통계적인 특성을 갖는지를 알 수 있고, 특정 패턴을 형성하는데 있어서 중요하게 영향을 미치는 공정 변수가 어떠한 것인지를 파악할 수 있다. 이를 통해 장비 기술자에게 익숙한 관리도를 중요한 공정 변수에 대해서 보여줌으로서 제조 공정의 현황을 보다 용이하게 파악할 수 있게 된다.
관리도 및 공정 능력 모니터링 시스템이 활용될 수 있다. 일반적인 장비 기술자들은 각자 맡은 장비에 대한 공정 변수 설정과 관리만을 담당하는 경우가 일반적이다. 이러한 장비 기술자들이 품질 관리 시스템의 전반적인 내용을 이해하여 품질 관리에 활용하기 위해서는 많은 시간과 노력이 필요하다. 그러므로 기존의 관리도 형태를 제공해 줌으로서 각 장비에 대한 관리를 용이할 수 있게 지원해 줌으로서, 전반적인 제조 공정에 대한 품질 관리는 불가능하더라도 적어도 최소한의 공정에 대한 관리를 할 수 있도록 도와줌으로서 단순한 공정 이상의 문제는 즉각적으로 대처할 수 있도록 지원해주는 역할을 수행할 수 있다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
도 3은 본 발명의 일 실시예에 따른 생산 공정에서 품질을 관리하는 방법을 도시한 흐름도로서, 적어도 하나의 프로세서(processor)를 구비한 품질 관리 시스템에 의해 수행될 수 있다.
S310 단계에서, 품질 관리 시스템은 생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 상기 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력받아 '인자'-'품질' 간의 관계를 나타내는 온톨로지(ontology)를 생성한다.
이러한 '인자'-'품질' 간의 관계는, 신경망(neural network) 또는 의사결정나무(decision tree)를 이용한 학습을 통해 설정될 수 있다. 또한, 상기 '인자'-'품질' 간의 관계는, 상기 품질 변수에 영향을 미치는 공정 인자의 가중치 및 상기 공정 인자들 간의 교호 작용에 따른 영향을 고려하되, 양품을 나타내는 품질 변수를 야기하는 공정 인자의 기여도를 반영하여 산출되는 것이 바람직하다. 상기의 온톨로지는 이하에서 도 4를 참조하여 상세하게 설명하도록 한다.
도 4는 본 발명의 실시예들이 채택하고 있는 온톨로지 모델을 도시한 도면이다.
보다 구체적으로, 상기의 온톨로지는 사람들이 세상에 대하여 보고 듣고 느끼고 생각하는 것에 대하여 서로 간의 토론을 통하여 합의를 이룬 바를 개념적이고 컴퓨터에서 다룰 수 있는 형태로 표현한 모델로, 일반적으로는 특정한 영역(domain)에 속하는 개념과 개념 사이의 관계를 기술하는 정형(formal) 어휘의 집합으로 정의된다. 왜냐하면, 온톨로지는 일단 합의된 지식을 나타내므로 어느 개인에게 국한되는 것이 아니라 그룹(특정한 영역을 의미한다.) 구성원이 모두 동의하는 개념이다. 그리고 프로그램이 이해할 수 있어야 하므로 정형화가 요구된다. 특히, 온톨로지는 지식 개념을 의미적으로 연결할 수 있는 도구로 사용되며, 컴퓨터에서 사람이 갖고 있는 사물에 대한 개념을 일종의 데이터베이스의 형태로 가공하여 처리할 수 있도록 해 준다.
정형 언어(formal language)로 기술된 어휘의 집합인 온톨로지는 추론(reasoning/inference)을 하는 데에 사용된다. 이와 관련하여, 시맨틱 웹(semantic web) 기술이 등장하였는데, 시맨틱 웹은 현재의 인터넷과 같은 분산 환경에서 리소스(웹 문서, 각종 파일, 서비스 등)에 대한 정보와 자원 사이의 관계-의미 정보(semanteme)를 기계, 즉 컴퓨터가 처리할 수 있는 온톨로지 형태로 표현하고, 이를 자동화된 기계가 처리하도록 하는 프레임워크이자 기술이다. 즉, 온톨로지는 시맨틱 웹을 구현할 수 있는 도구로써 지식 개념을 의미적으로 연결할 수 있는 도구이다.
온톨로지의 구성 요소는 클래스(class), 인스턴스(instance), 관계(relation), 속성(property)으로 구분할 수 있다. 클래스는 일반적으로 우리가 사물이나 개념 등에 붙이는 이름을 말한다고 설명할 수 있다. "키보드", "모니터", "사랑"과 같은 것은 모두 클래스라고 할 수 있다. 반면, 인스턴스는 사물이나 개념이 구체물이나 사건 등의 실질적인 형태로 나타난 그 자체를 의미한다. 즉, "LG전자 ST-500 슬림키보드", "삼성 싱크마스터 Wide LCD 모니터", "로미오와 줄리엣의 사랑"은 일반적으로 인스턴스라 볼 수 있다. 이와 같은 클래스와 인스턴스의 구분은 응용과 사용목적에 따라서 매우 달라질 수 있다. 즉, 같은 표현의 개체가 어떠한 경우에는 클래스가 되었다가 다른 경우에는 인스턴스가 될 수 있다.
관계는 클래스/인스턴스 간에 존재하는 관계들을 칭하며, 일반적으로 분류적인 관계(taxonomic relation)와 비분류적인 관계(non-taxonomic relation)로 구분할 수 있다. 분류적인 관계는 클래스/인스턴스들의 개념 분류를 위하여, 보다 폭넓은 개념과 구체적인 개념들로 구분하여 계층적으로 표현하는 관계이다. 예를 들어, "사람은 동물이다"와 같은 개념 간 포함관계를 나타내기 위한 "isA" 관계가 그것이다. 분류적인 관계가 아닌 관계를 비분류적인 관계라 한다. 예를 들어, "운동으로 인해 건강해진다"는 것은 "cause" 관계(인과관계)를 이용하여 표현한다.
속성은 클래스나 인스턴스의 특정한 성질/성향 등을 나타내기 위하여, 클래스나 인스턴스를 특정한 값(value)와 연결시킨 것이다. 예를 들어, "삼성 싱크마스터 Wide LCD 모니터는 24인치이다."라는 것을 표현하기 위하여, hasSize와 같은 속성을 정의할 수 있다.
일반적으로 관계와 속성은 굳이 구분하여 칭하지 않는 경우가 많다. "isA(사람, 동물)", "cause(운동, 건강)", "hasSize(삼성 싱크마스터 Wide LCD, 24 인치)"와 같은 실제 클래스/인스턴스들 사이의 관계로 선언한 관계/속성을 관계/속성 인스턴스(relation/property instance)라고 부르기도 하는데, 이는 "isA", "cause", "hasSize" 등과 같이 정의하여 명명한 관계/속성과의 구분을 위하여서이다.
온톨로지에서 주로 사용하는 언어에는 RDF(Resource Description Framework), OWL(Ontology Web Language), SWRL(Semantic Web Rule Language) 등이 있다. RDF는 XML(Extensible Markup Language)에서 발전한 형태이며, 주어(subject), 객체(object), 술어(predicate)의 트리플(triple) 형태로 이루어지며, 단순하게 개념 혹은 인스턴스 사이의 관계를 나타낸다. 일반적으로 복잡한 제약조건이 필요없는 일반 응용을 산정할 경우에 RDF를 많이 사용한다. OWL은 관계들 간의 계층(hierarchy), 관계 인스턴스 내에서의 논리적 제약조건 등을 포함한 언어이다. 정밀하고 논리적인 추론을 필요로 하는 경우에 사용한다. SWRL은 추론을 위한 규칙을 정의하기 위하여 사용한다.
이제 다시 도 3으로 돌아가 S310 단계 이후의 과정에 대하여 기술하도록 한다.
S320 단계에서, 품질 관리 시스템은 상기 S310 단계를 통해 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하고, 생산 공정을 통해 실시간으로 상기 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 데이터를 입력받는다.
S330 단계에서, 품질 관리 시스템은 상기 S320 단계를 통해 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하고, 상기 분리된 선형 값들에 기초하여 SVM(Support Vector Machine) 학습을 수행한다.
여기서, 비선형 값들을 선형 분리하는 단계는, 커널 함수(Kernel function)을 이용하여 상기 비선형 값들을 가상의 공간상에 사상(mapping)시킴으로서 비선형 데이터들의 초평면(hyperplane)을 산출할 수 있다. 즉, 입력된 관측 좌표 및 측정 데이터를 선형적으로 투영하여 여백을 탐색한다. 이때, 여백이 최대가 되는 최적 분리 경계면을 산출함으로서 예측 오류를 최소화할 수 있다. 여기서 여백(margin)은 데이터 중에서 분류 경계에 가장 가까운 곳에 위치한 데이터로부터 분류 경계까지의 거리를 의미하고, 분류 경계에서 가장 가까운 곳에 위치한 데이터를 서포트 벡터(Support Vector)라고 한다.
예를 들어, 일반적인 선형 판별 분석 방법으로 제 1 그룹의 데이터와 제 2 그룹의 데이터가 학습용으로 주어졌을 경우를 가정하자. 두 그룹에서 각각의 데이터 간 거리를 측정하여 두 개의 중심을 구한 후, 그 가운데에서 최적의 초평면(hyperplane)을 구함으로서 제 1 그룹과 제 2 그룹을 나누는 방법을 학습할 수 있다.
이에 반해, SVM 학습에서는 각 그룹의 중심이 아닌 두 그룹 사이의 경계에 있는 데이터에 초점을 맞추는 것이 다르다. 제 1 그룹의 데이터와 제 2 그룹의 데이터의 경계에 먼저 H1과 H2의 선을 그어서 파이프를 구한 후에 그 파이프 안에서 가운데에 새로운 선을 그어서 최적의 초평면으로 결정한다. 여기에서 보통 H1, H2를 구하는 방식은 무한히 존재할 수 있지만 H1, H2 두 선분 사이에 데이터가 존재하지 않는다는 점과 두 선분 사이의 거리인 여백이 최대가 된다는 제약 조건을 둠으로서 SVM의 초평면이 하나로 정해지도록 한다는 점이 특징이다.
이상과 같은 2가지 학습 방법을 비교하면, 주어진 환경하에서 제 1 그룹의 속성을 갖는 데이터가 새롭게 등장할 경우, 앞서 설명한 첫 번째 학습 방법(일반적인 선형 판별)에서는 제 2 그룹으로 잘못 분류될 수 있지만, 두 번째 학습 방법(SVM)에서는 그 속성을 정확하게 판별하여 제 1 그룹으로 올바르게 예측될 수 있다는 장점을 갖는다.
도 5는 본 발명의 실시예들이 채택하고 있는 SVM을 통해 공정 정보를 분석하는 일련의 과정을 도시한 도면으로서, 제조 공정의 제품 생산 단계에서 공정 인자를 감지하여 데이터를 입력받고, 상기 입력받은 데이터를 SVM에서 사용 가능하게 변환하며, SVM 학습과 검증을 통해 제품에 대한 분석을 함으로써, 상기 분석 결과에 기초하여 제품의 양품/불량품을 선별할 수 있다. 상기 SVM 학습과 검증 방법은 이하에서 도 6을 참조하여 설명하도록 한다.
도 6은 본 발명의 실시예들이 채택하고 있는 SVM(support Vector Machine) 학습과 검증 방법을 도시한 도면으로서, SVM Training을 통해 최초에 입력 데이터를 독출하고, 실제 측정된 온도 값과 설정된 온도 값과의 차이 값을 산출한 후, 초기 Kernel option을 설정하는 과정과 최적의 커널 옵션을 선택하는 과정이 기술되어 있다. 한편, 도 6은 SVM Testing을 통해 설정된 SVM을 테스트하는 과정 역시 더불어 소개하고 있다.
온도 센서를 통한 데이터 수집은, 생산 공정상에서 온도 데이터 측정 센서로부터 데이터를 검출하여 수집된다. 이때, 데이터는 설비에 장착된 온도 센서에 PLC 통신이 가능하도록 설치함으로서 기존 설비 운영에 지장을 주지 않고 실시간으로 데이터를 수집할 수 있다. 수집된 데이터는 품질 관리 시스템으로 전송되는데, PLC로부터 전송된 데이터는 [설비 식별 번호, 작업 일시, 공정 인자(예를 들어, 온도가 될 수 있다.), 해당 설비의 포인트/센서 번호, 측정값, 설정값, 온도 하한치, 온도 상한치]에 관한 정보를 포함하는 것이 바람직하다.
한편, 상기 커널 함수는, RBF(Radial Basis Function) 커널, Polynomial 커널 또는 Linear 커널 중 적어도 하나인 것이 바람직하다. 상기 커널 함수를 선택하는 것은 SVM을 적용하는데 있어서 가장 중요한 문제 중의 하나이지만, 표준화된 방법이 없어 상황에 따라 알맞은 커널 함수를 선택하는 것이 필요하다. 커널 함수를 이용하여 데이터를 가상의 공간상에 매핑하여 비선형 데이터들의 초평면을 계산할 수 있으며, 벡터 (xi,xj)를 매개 변수로 갖는 커널 함수를 K(xi,xj)라 할 때, 다음의 수학식 1과 같이 표현될 수 있다.
그러면, SVM에서 활용되고 있는 RBF(Radial Basis Function), Polynomial, Linear 커널의 식과 동일한 데이터를 이용하였을 때의 결과를 도출할 수 있다. 또한, 각각 RBF(Radial Basis Function) 커널, Polynomial 커널, 및 Linear 커널에 대응하는 커널의 식은 다음의 수학식 2 내지 수학식 4와 같이 표현된다.
또한, SVM 분류 모델은 SVM 알고리즘을 이용한 데이터 학습 결과를 3차원으로 표현한다. 도 7은 본 발명의 실시예들에 따른 생산 공정에서 품질을 관리하는 방법에 따라 학습된 데이터를 3차원으로 표현한 SVM 분류 모델을 예시한 도면으로서, 3개의 온도 축에 대해 양품과 불량품에 대한 분류 결과를 보여주고 있다. 이러한 SVM 학습을 통해 학습 모델과 SVM 테스트를 위한 데이터를 이용하여 모델링한 결과를 분석하여 에러가 발생하는 확률을 계산하고, 온도의 영향으로 발생하는 제품의 품질 문제를 표현하는 것이 가능하다.
이제 다시 도 3으로 돌아가 S330 단계 이후의 과정에 대하여 기술하도록 한다.
S340 단계에서, 품질 관리 시스템은 상기 S330 단계를 통한 SVM 학습 결과로부터 현재의 공정 상태를 예측한다. 이러한 현재의 공정 상태를 예측하는 단계는, 상기 온톨로지에 기초한 관리도 기준을 고려하여 산출된 공정의 안정도 또는 예측 수율을 산출하여 사용자에게 제공할 수 있다.
S350 단계에서, HMM(Hidden Markov Model)을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출한다.
보다 구체적으로, 품질 관리 시스템은 HMM(Hidden Markov Model)을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출한다. 이때, HMM의 비터비(Viterbi) 알고리즘을 이용하여 상기 이력 데이터의 최근 데이터로부터 과거 데이터까지 경로 백트랙킹(path backtracking)을 수행함으로서, 가장 높은 확률이 산출되는 공정 인자를 상기 최적 공정 인자로서 선택할 수 있다. 상기 HMM은 이하에서 도 8을 참조하여 설명하도록 한다.
도 8은 본 발명의 실시예들이 채택하고 있는 HMM(Hidden Markov Model)이 구현되는 과정을 도시한 도면으로서, 제품 생산 결과에 영향을 주는 품질 변수를 히든스테이트(hidden state)(71)로 지정하고, S310 단계에서 입력받은 공정 인자인 온도 상태를 확률 변수(72)로 지정하며, 상기 HMM의 비터비 알고리즘을 이용하여 상기 공정 인자로부터 상기 히든스테이트(71)의 확률을 산출함으로서, 상기 산출된 히든스테이트(71)로부터 가장 높은 확률의 히든스테이트를 유발하는 공정 인자를 상기 최적 공정 인자로서 선택할 수 있다. 여기서, 상기 비터비 알고리즘은 최상의 경로를 선택하기 위하여 경로의 끝에서부터 가장 높은 확률의 이전 상태를 선택하면서 처음 상태로 되돌아감으로서, 최상의 경로를 선택하는 것이다. 즉, 경로 백트랙킹을 통하여 가장 큰 확률을 추적할 수 있다.
한편, 상기 HMM은 상태전이 확률 A, 관측 확률 B, 초기 상태 확률 π를 도출함으로서 획득하고자 하는 확률 값을 획득할 수 있다. 상기 상태전이 확률이 A = |aj| 라고 할 때, 상기 aj는 시간 t의 상태인 si로부터 시간 t+1 의 상태인 sj로 이동할 확률은 다음의 수학식 5와 같이 표현될 수 있다.
또한, 상기 관측 확률 B가 B = |bj(υk)| 라고 할 때, 상기 상태 sj에서 기호가 υk가 관측될 확률은 다음의 수학식 6과 같이 표현될 수 있다.
또한, 상기 초기 상태 확률 π가 π = |πi| 라고 할 때, 상기 πi는 상기 상태 si에서 시작할 확률은 다음의 수학식 7과 같이 표현될 수 있다.
이제 다시 도 3으로 돌아가 S350 단계 이후의 과정에 대하여 기술하도록 한다.
S350 단계에서, S350 단계에서 산출된 최적 공정 인자를 사용자에게 제공함으로서, 공정의 변화를 유도한다.
보다 구체적으로, 도 9는 본 발명의 실시예들이 채택하고 있는 도 8의 HMM에서 비터비 알고리즘(Viterbi algorithm)을 이용하여 제품 생산 결과에 영향을 주는 품질변수를 확률적으로 도출한 것을 도시한 도면이다. 여기서, 품질 변수인 미융착, 정상, 백화를 히든스테이트(71)로 지정하고, 공정 온도 상태를 확률 변수(72)로 지정하여 상기 HMM의 비터비 알고리즘을 이용했을 경우 도출된 확률을 도시한 것이다. 여기서, 실시간으로 감지한 온도 데이터가 상기 확률 변수(72)인 '완전적합'일 경우 상기 품질 변수가 '정상'일 확률을 가장 높게 도출할 수 있으며, 실시간으로 감지한 온도 데이터가 '완전미달'일 경우 상기 품질 변수가 '미융착'일 확률을 가장 높게 도출할 수 있다. 따라서, 공정 인자에 따라 달라지는 제품 생산 결과에 영향을 주는 품질 변수를 미리 예측하여 사용자에게 제공함으로서 공정의 변화를 유도할 수 있다.
또한, 상기 생산 공정에 대하여 상기 공정의 변화가 반영된 경우, 품질 관리 시스템은 새로운 공정 인자와 품질 변수를 입력받아 상기 온톨로지를 갱신할 수 있다. 이러한 온톨로지 갱신 과정은 반복하여 수행됨으로서 주어진 품질 변수에 따라 적응적인 최적의 성능을 유지할 수 있게 된다.
나아가, 본 발명의 실시예에서는 상기 온톨로지 및 공정 인자에 기초하여 품질 변수를 예측할 수 있도록 실험적으로 검증된 규칙(rule)을 저장하는 단계를 더 포함할 수 있다.
도 10은 본 발명의 일 실시예에 따른 생산 공정에서 품질을 관리하는 장치를 도시한 블록도로서, 앞서 기술한 도 3의 각 과정에 대응하는 구성을 포함한다. 따라서, 여기서는 설명의 중복을 피하기 위해 하드웨어 장치를 중심으로 그 기능을 약술하도록 한다. 도 10에서 생산 공정에서 활용되는 생산 기계(10)에는 적어도 하나 이상의 센서(15)가 구비될 수 있으며, 이러한 센서(15)를 통해 수집된 데이터는 품질 관리 장치(20)에 전기적인 신호로서 전달된다. 품질 관리 장치(20)는 다음과 같은 구성을 포함한다.
입력부(21)는 생산 기계(10)에 구비된 센서(15)를 이용하여 생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 상기 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력받고, 상기 생산 공정을 통해 실시간으로 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 데이터를 입력받는다.
생성수(26)는 입력부(21)를 통해 입력된 공정 인자와 품질 변수로부터 '인자'-'품질' 간의 관계를 나타내는 온톨로지를 생성한다
저장부(25)는 생성부(26)를 통해 생성된 온톨로지 및 공정 인자에 기초하여 품질 변수를 예측할 수 있도록 실험적으로 검증된 규칙을 저장한다.
처리부(23)는 생성부(26)를 통해 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하며, 입력부(21)를 통해 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하여 SVM 학습을 수행함으로서, 상기 SVM 학습 결과로부터 현재의 공정 상태를 예측한다.
또한, 처리부(23)는 HMM을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출하고, 상기 산출된 최적 공정 인자를 사용자에게 제공함으로서, 공정의 변화를 유도할 수 있다.
또한, 처리부(23)는 상기 품질 변수를 히든스테이트(hidden state)로 지정하고, 상기 공정 인자를 확률 변수로 지정하며, 상기 HMM의 비터비 알고리즘을 이용하여 상기 공정 인자로부터 상기 히든스테이트의 확률을 산출함으로서, 상기 산출된 히든스테이트로부터 가장 높은 확률의 히든스테이트를 유발하는 공정 인자를 상기 최적 공정 인자로서 선택하되, 상기 HMM의 비터비 알고리즘을 이용하여 이력 데이터의 최근 데이터로부터 과거 데이터까지 경로 백트랙킹(path backtracking)을 수행함으로서, 가장 높은 확률을 산출한다. 만약, 상기 생산 공정에 대하여 상기 공정의 변화가 반영된 경우, 처리부(23)는 입력부(21)를 통해 새로운 공정 인자와 품질 변수를 입력받아 상기 온톨로지를 갱신할 수 있다.
도 11은 본 발명의 다른 실시예에 따른 생산 공정에 품질을 관리하는 일련의 과정을 도시한 도면으로서, 공정 정보에 기초하여 품질에 영향을 끼치는 주요 인자를 파악하고, 상기 주요 인자를 품질 온톨로지로 구성하며, 상기 품질 온톨로지의 품질평가 기준과 실시간으로 입력된 공정 정보를 SVM을 기반으로 공정정보 분석 및 모델링함으로서, 제품의 불량 여부를 예측할 수 있다. 또한 HMM에 기반한 품질 평가 및 예측을 함으로서, 제품의 불량을 미리 예측할 수 있고 생산 공정의 변화를 유도할 수 있다. 도 11은 보다 구체적으로 도 12을 통해 설명할 수 있다.
도 12는 본 발명의 다른 실시예에 따른 도 11의 생산 공정에서 품질을 관리하는 일련의 과정을 보다 구체적으로 도시한 도면으로서, 이하에서는 제안된 본 발명의 실시예를 이용하여 직접 생산 공정에 적용한 일례를 제시하고자 한다.
예를 들어, 자동차 한 대는 약 2만개의 부품들로 구성되어 있으며, 이들 부품들의 생산과 조립시간 및 비용을 절감하기 위해서 완성차 업체에서는 이들 부품을 계층적인 협력업체를 통해 생산하고 있다. 특히 오늘날과 같이 모듈화 개념이 일반화된 시점에서 불량을 가진 단품은 모듈화된 조립품의 불량으로 이어지고, 이는 나아가 완성차의 불량을 야기한다. 따라서 완성차 및 모듈 부품을 생산하는 협력업체에서는 각 부품의 품질 검사에 큰 주의를 기울이고 있다.
현재 국내의 H사와 K사 완성차 조립업체에서 수행되고 있는 품질 검사는 공급자 품질인증제도(Supplier-Quality Mark)라는 인증 제도를 통해 관리되고 있다. 2, 3차 이하의 협력업체에서는 이러한 인증을 받아야만 완성차 이하 1차 협력업체에 부품을 공급할 수 있다. 그러나 대부분의 영세한 중소업체에서는 이러한 인증을 받았더라도 자체적으로 처리하기 어려운 물량을 맞추기 위해 문어발식 협력업체, 즉 인증을 받지 않은 여러 업체들로부터 부품을 분담해서 공급해 오고 있다. 따라서, 사실상 제품의 품질에 관한 완벽한 관리는 이루어질 수 없다고 볼 수 있다. 이는 납기에 대한 부담을 가지는 협력업체뿐만 아니라 납품을 받는 완성차 업계의 고질적인 폐단이라 할 수 있다. 불량을 내포하는 부품이 초기의 단품인 경우, 그에 대처할 수 있는 시간이나 비용은 즉각적이고 경제적일 수가 있으나, 이후 모듈별 조립품들이나 완성차에서 이러한 불량이 감지될 경우, 그에 대한 경제적 손실은 기하급수적으로 늘어나게 된다. 따라서, 제조 공급망 내의 품질 관리를 위한 효과적인 실시간/개방형 프로세스 모니터링 시스템이 절실하다.
생산 공정의 일 예로서 자동차 도어 트림(door trim)의 PCB(Printed Circuit Board) 생산 공정에서 열융착 매스램 과정에서 나타나는 공정 인자를 설명하고, 실시 제품의 생산 과정에 있어서의 특징을 약술하면 다음과 같다.
PCB 생산에서 이미징을 논의할 때에는 레지스트레이션(Registration)이 가장 우선시된다. 레지스트레이션이란 지정된 위치대로 패턴이 배치된 정도를 말하며 레지스트레이션 과정에서는 모든 이미지, 피처, 프로세스를 적절하게 조합하는 것이 요구된다. 각각은 PCB 상의 상이한 이미지, 피처, 프로세스와 공간적인 측면에서 적절한 관계를 형성해야 한다. 이러한 조합은 특정 Cartesian(X, Y, Z) 좌표에 동기화된 데이터 세트의 설계를 통해 설계 단계부터 적용된다.
레지스트레이션 방법 중 매스 라미네이션(매스램) 기법은 계층 간 레지스트레이션 시스템의 높은 정확성을 요구하지 않는 방법으로 매스램 시스템 중 열융착 매스램 방법을 사용한다. 이러한 열융착 매스램의 원리는 수지 중합(Resin Polymerization)효과로 인해 내부 계층과 결합하는 프리프레그 계층에 의존도가 높다. 프리프레그 수지를 중합하기 위해서 열융착 결합 시스템은 납땜 인두와 유사한 고온 전기 히터를 사용하여 열을 외부에서 스택의 중심으로 끌어온다. 이 경우 히터는 약 300℃(572℉)까지 상승되며 패널의 기다란 가장자리 각각에는 일반적으로 3～8개의 결합 지점(포인트)이 사용된다.
이 과정에서 두께의 중앙 부분이 적절한 중합 온도를 달성하기 위해 가열이 되면 결합 헤드와 접촉하는 외부 계층의 온도가 가열되어 불량 결합이 발생할 수 있으며, 두께의 중앙부분이 너무 찬 경우에는 프리프레그 수지의 중합 불량을 유발 할 수 있다. 나아가, 열풍 주입을 통한 Bass 융화 과정과 피스톤팁의 하강에 의한 Bass부 성형 후 냉각 과정 하에서, 품질을 예측하기 위해 양품/불량품에 대한 데이터 이력에 대해 각 제품별로 3개의 온도 데이터를 3차원 좌표상에 표현함으로써 SVM 학습을 이용하여 데이터의 패턴을 분석할 수 있다. 또한, HMM을 통해 수집된 온도 데이터에 따라 유발되는 품질 변수를 미리 확인하고 제품의 불량 확률을 미리 예측하여 공정의 변화를 유도할 수 있다.
보다 구체적으로, 우선 PCB 생산 공정 내에서 온도에 관한 공정 인자와 상기 공정 인자에 대한 품질 변수를 입력받아 공정분석을 통해 주요 인자를 파악 후 '인자'-'품질' 간의 관계를 나타내는 온톨로지를 생성하고, 상기 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하며, 온도 센서를 이용하여 실시간으로 상기 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 온도를 입력받는다. 이때의 입력 데이터의 수집은 열풍 융착기의 모든 융착 지점에서 데이터를 수집하거나, 제품마다 융착 지점에서 한번의 데이터 수집하거나, 가압 시점부터 데이터 수집할 수 있을 것이다. 특히 각 융착 지점 마다 기준 온도가 다르므로, 센서를 통해 수집된 데이터는 기준 온도와 실측 온도가 될 것이다.
그런 다음, 커널 함수를 이용하여 상기 입력된 관측 좌표 및 측정 온도에 대한 비선형 값들을 선형 분리하고, 상기 분리된 선형 값들에 기초하여 SVM 학습을 수행한 후 품질 모니터링 시스템에 반영한다. 이를 위해 본 품질 관리 시스템은 온톨로지 모델링에서 정의한 공정 인자에서 측정 가능한 온도 데이터를 이용하여 SVM를 실시한다. 이때, 측정한 온도 데이터는 생산 장비에 설치된 온도 센서로부터 PLC를 이용하여 수집될 수 있을 것이다.
또한, 수집되는 데이터는 장비 식별 번호, 작업 일시, 공정 인자, 장비 포인트 번호, 측정값, 설정값, 온도 상한, 및 온도 하한의 정보를 가지는 배열 형태로 품질 관리 시스템(예를 들어, 생산 장비로부터 물리적으로 이격된 서버가 될 수 있다.)에 전송되는 것이 바람직하다. 상기 수집되는 데이터는 SVM과 HMM에 사용하기 위하여 형식에 맞게 데이터를 변환하고, 필요한 변수들을 설정하는 과정이 필요하다. 이때의 데이터 형식 변환 과정은 다음과 같다.
(STEP 1) 설비 데이터에서 [설비 식별 번호, 작업 일시, 공정 인자, 해당 설비의 포인트/센서 번호, 측정값, 설정값]을 독출한다.
(STEP 2) 측정된 값의 수를 파악하여 변수 N(N은 자연수)에 저장한다.
(STEP 3) 모든 측정 데이터의 편차[측정값 - 설정값]를 산출한다.
(STEP 4) 다음과 같은 배열을 가진 데이터로 변환한다.
A = [ 2 × 제품 수]의 배열을 가진 장비 식별 번호와 작업 일시
B = [ 제품 당 센서의 수 × 제품 수 ]의 배열을 가진 설정 값
X = [ 제품 당 센서의 수 × 제품 수 ]의 배열을 가진 온도 편차 값
Y = [ 1 × 제품 수 ]의 배열을 가진 제품의 합격/불합격 판정 값
그러면, 품질 관리 시스템은 전송받은 데이터를 SVM 모델링을 위한 데이터 구조체로 변경하고, SVM 트레이닝을 실시한다. 이때, K-묶음 교차 검증법을 이용하여 트레이닝 데이터로 커널 설정 변수를 비교하여 에러 값이 가장 작은 변수를 선택함으로써 실제 모델을 가장 잘 표현한 근사 모델임을 검증하고, 커널 변수를 결정할 수 있다. 나아가, 품질 관리 시스템은 실시간 데이터를 SVM으로 테스트하여 그래프와 에러 확률을 나타낼 수 있다.
또한, 상기 수집되는 데이터는 상기 품질 관리 시스템에서 데이터 변환되어 HMM을 통해 공정 인자에 따른 품질변수를 확률적으로 예측하는데 사용할 수 있다.
우선 온톨로지의 '인자'-'품질'간의 관계에 기초하여 품질변수를 히든스테이트로 지정하고, 상기 품질변수에 영향을 주는 공정 인자를 확률 변수로 지정한다. 여기서 비터비 알고리즘을 사용하여 상기 확률 변수로부터 상기 품질 변수가 나올 확률을 도출할 수 있다. 따라서, SVM으로부터 제품의 생산 결과가 양품인지 불량품인지를 확인하며, HMM으로부터 제품의 생산 결과에 영향을 주는 품질 변수에 대한 확률을 예측하여 생성된 최종 제품이 불량이 나올 확률을 예측함으로써, 시간의 경과에 따라 기계의 성능이 저하되더라도 이러한 신뢰성 변화를 실시간으로 신속하게 파악함으로써 주어진 환경 요인에 적합한 동적인 설정값을 사용자에게 제공할 수 있다.
나아가, 본 발명의 실시예들은 데이터마이닝 기법에 기반한 품질 관리 기술을 통해 공급망 내의 글로벌 품질 관리 표준을 적용하는 것이 가능하다. 특히, 정성/정량적 표준 지표의 지식 모델링을 통한 공급망 내에서의 실시간 표준 통합 모니터링 및 관리가 가능하므로 향후 ISO/GS 표준화 작업이 용이하다는 장점을 갖는다.
한편, 본 발명의 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이상에서 본 발명에 대하여 그 다양한 실시예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
110 : 공정 관리 시스템
130 : 데이터마이닝에 기반한 품질 관리 시스템
210 : 공정 데이터베이스
230 : 주요 공정 파라메터 추출 시스템
250 : 규칙(rule) 베이스
270 : 모니터링 시스템
10 : 생산 공정/생산 기계
15 : 센서
20 : 품질 관리 장치
21 : 입력부
23 : 처리부
25 : 저장부
26 : 생성부
130 : 데이터마이닝에 기반한 품질 관리 시스템
210 : 공정 데이터베이스
230 : 주요 공정 파라메터 추출 시스템
250 : 규칙(rule) 베이스
270 : 모니터링 시스템
10 : 생산 공정/생산 기계
15 : 센서
20 : 품질 관리 장치
21 : 입력부
23 : 처리부
25 : 저장부
26 : 생성부
Claims (13)
- 생산 공정에서 품질을 관리하는 방법에 있어서,
생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 상기 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력 받아 '인자'-'품질' 간의 관계를 나타내는 온톨로지(ontology)를 생성하는 단계;
상기 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하고, 생산 공정을 통해 실시간으로 상기 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 데이터를 입력받는 단계;
상기 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하고, 상기 분리된 선형 값들에 기초하여 SVM(Support Vector Machine) 학습을 수행하는 단계;
상기 SVM 학습 결과로부터 현재의 공정 상태를 예측하는 단계;
HMM(Hidden Markov Model)을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출하는 단계; 및
상기 산출된 최적 공정 인자를 사용자에게 제공함으로써 공정의 변화를 유도하는 단계를 포함하는 방법. - 제 1 항에 있어서,
상기 최적 공정 인자를 산출하는 단계는,
상기 품질 변수를 히든스테이트(hidden state)로 지정하는 단계;
상기 공정 인자를 확률 변수로 지정하는 단계;
상기 HMM의 비터비 알고리즘을 이용하여 상기 공정 인자로부터 상기 히든스테이트의 확률을 산출하는 단계; 및
상기 산출된 히든스테이트로부터 가장 높은 확률의 히든스테이트를 유발하는 공정 인자를 상기 최적 공정 인자로서 선택하는 단계를 더 포함하는 방법. - 제 2 항에 있어서,
상기 HMM의 비터비 알고리즘은,
이력 데이터의 최근 데이터로부터 과거 데이터까지 경로 백트랙킹(path backtracking)을 수행함으로써, 가장 높은 확률을 산출하는 것을 특징으로 하는 방법. - 제 1 항에 있어서,
상기 온톨로지 및 공정 인자에 기초하여 품질 변수를 예측할 수 있도록 실험적으로 검증된 규칙(rule)을 저장하는 단계를 더 포함하는 방법. - 제 1 항에 있어서,
상기 '인자'-'품질' 간의 관계는,
신경망(neural network) 또는 의사결정나무(decision tree)를 이용한 학습을 통해 설정되는 것을 특징으로 하는 방법. - 제 1 항에 있어서,
상기 '인자'-'품질' 간의 관계는,
상기 품질 변수에 영향을 미치는 공정 인자의 가중치 및 상기 공정 인자들 간의 교호 작용에 따른 영향을 고려하되, 양품을 나타내는 품질 변수를 야기하는 공정 인자의 기여도를 반영하여 산출되는 것을 특징으로 하는 방법. - 제 1 항에 있어서,
상기 현재의 공정 상태를 예측하는 단계는,
상기 온톨로지에 기초한 관리도 기준을 고려하여 산출된 공정의 안정도 또는 예측 수율을 산출하여 사용자에게 제공하는 것을 특징으로 하는 방법. - 제 1 항에 있어서,
상기 생산 공정에 대하여 상기 공정의 변화가 반영된 경우,
새로운 공정 인자와 품질 변수를 입력 받아 상기 온톨로지를 갱신하는 단계를 더 포함하는 방법. - 제 1 항 내지 제 8 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
- 생산 공정에서 품질을 관리하는 장치에 있어서,
센서를 이용하여 생산 공정 내에서 품질에 영향을 미치는 요인에 해당하는 공정 인자와 상기 공정 인자에 대한 결과에 해당하는 양품 및 불량품에 대한 품질 변수를 입력 받고, 상기 생산 공정을 통해 실시간으로 관측 지점별로 상기 공정 인자의 관측 좌표와 측정 데이터를 입력 받는 입력부;
상기 입력된 공정 인자와 품질 변수로부터 '인자'-'품질' 간의 관계를 나타내는 온톨로지를 생성하는 생성부;
상기 생성된 온톨로지 및 공정 인자에 기초하여 품질 변수를 예측할 수 있도록 실험적으로 검증된 규칙을 저장하는 저장부; 및
상기 생성된 온톨로지에 기초하여 관측하고자 하는 관측 지점을 결정하며, 상기 입력부를 통해 입력된 관측 좌표 및 측정 데이터에 대한 비선형 값들을 선형 분리하여 SVM 학습을 수행함으로써, 상기 SVM 학습 결과로부터 현재의 공정 상태를 예측하는 처리부를 포함하되,
상기 처리부는 HMM을 이용하여 상기 온톨로지 및 이력 데이터로부터 현재의 측정 데이터에 기반한 최적 공정 인자를 산출하고, 상기 산출된 최적 공정 인자를 사용자에게 제공함으로써, 공정의 변화를 유도하는 것을 특징으로 하는 장치. - 제 10 항에 있어서,
상기 처리부는,
상기 품질 변수를 히든스테이트(hidden state)로 지정하고, 상기 공정 인자를 확률 변수로 지정하며, 상기 HMM의 비터비 알고리즘을 이용하여 상기 공정 인자로부터 상기 히든스테이트의 확률을 산출함으로써, 상기 산출된 히든스테이트로부터 가장 높은 확률의 히든스테이트를 유발하는 공정 인자를 상기 최적 공정 인자로서 선택하는 것을 특징으로 하는 장치. - 제 11 항에 있어서,
상기 HMM의 비터비 알고리즘을 이용하여 이력 데이터의 최근 데이터로부터 과거 데이터까지 경로 백트랙킹(path backtracking)을 수행함으로써, 가장 높은 확률을 산출하는 것을 특징으로 하는 장치. - 제 10 항에 있어서,
상기 생산 공정에 대하여 상기 공정의 변화가 반영된 경우,
상기 처리부는 상기 입력부를 통해 새로운 공정 인자와 품질 변수를 입력 받아 상기 온톨로지를 갱신하는 것을 특징으로 하는 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20130094284A KR101508641B1 (ko) | 2013-08-08 | 2013-08-08 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20130094284A KR101508641B1 (ko) | 2013-08-08 | 2013-08-08 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150018681A true KR20150018681A (ko) | 2015-02-24 |
| KR101508641B1 KR101508641B1 (ko) | 2015-04-08 |
Family
ID=52578097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR20130094284A KR101508641B1 (ko) | 2013-08-08 | 2013-08-08 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101508641B1 (ko) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018101722A3 (ko) * | 2016-11-30 | 2018-07-26 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
| KR102066972B1 (ko) * | 2018-11-06 | 2020-01-16 | 주식회사 한화 | 데이터 분석 장치 및 이의 동작 방법 |
| KR102088697B1 (ko) * | 2019-10-22 | 2020-03-13 | (주)넥솔시스템 | 웹 기반의 통계적 공정 관리 시스템 |
| KR102102591B1 (ko) * | 2018-11-22 | 2020-04-21 | 유에이치에스(주) | 스마트팩토리를 구현하는 시스템 |
| KR20200059866A (ko) * | 2018-11-22 | 2020-05-29 | 유에이치에스(주) | 스마트팩토리를 구현하는 시스템 |
| KR20200071876A (ko) * | 2018-12-06 | 2020-06-22 | 주식회사 씨에스앤씨 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
| CN111618656A (zh) * | 2019-02-27 | 2020-09-04 | 发那科株式会社 | 机床的加工不良发生预测系统 |
| WO2021221372A1 (ko) * | 2020-04-28 | 2021-11-04 | 삼성전자 주식회사 | 제품의 불량과 연관된 정보를 제공하기 위한 전자 장치 및 그 동작 방법 |
| CN116739627A (zh) * | 2022-10-25 | 2023-09-12 | 荣耀终端有限公司 | 一种产品销量预测方法和电子设备 |
| CN116956750A (zh) * | 2023-09-19 | 2023-10-27 | 山东山大华天软件有限公司 | 基于知识图谱的零件工艺设计方法、系统、介质及设备 |
| KR20240021641A (ko) | 2022-08-10 | 2024-02-19 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102134682B1 (ko) * | 2018-06-25 | 2020-07-17 | (주) 우림인포텍 | 실시간 시계열 데이터를 위한 예측 모형 생성 시스템 및 방법 |
| KR102648980B1 (ko) * | 2018-12-19 | 2024-03-20 | 엘지디스플레이 주식회사 | 패널 운반 장치 및 이를 포함하는 시스템 |
| KR102490281B1 (ko) | 2020-12-21 | 2023-01-19 | 부산대학교 산학협력단 | 제품 불량 원인 분석 방법 및 장치 |
| KR20220147932A (ko) | 2021-04-28 | 2022-11-04 | 에스케이가스 주식회사 | 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법 |
| KR20220147936A (ko) | 2021-04-28 | 2022-11-04 | 에스케이가스 주식회사 | 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6915177B2 (en) * | 2002-09-30 | 2005-07-05 | Advanced Micro Devices, Inc. | Comprehensive integrated lithographic process control system based on product design and yield feedback system |
| KR101263410B1 (ko) | 2012-02-29 | 2013-05-10 | 동국대학교 산학협력단 | 제품의 품질 추론 방법 및 시스템 |
-
2013
- 2013-08-08 KR KR20130094284A patent/KR101508641B1/ko active IP Right Grant
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018101722A3 (ko) * | 2016-11-30 | 2018-07-26 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
| US11494636B2 (en) | 2016-11-30 | 2022-11-08 | Sk Holdings Co., Ltd. | Machine learning-based semiconductor manufacturing yield prediction system and method |
| KR102066972B1 (ko) * | 2018-11-06 | 2020-01-16 | 주식회사 한화 | 데이터 분석 장치 및 이의 동작 방법 |
| KR102102591B1 (ko) * | 2018-11-22 | 2020-04-21 | 유에이치에스(주) | 스마트팩토리를 구현하는 시스템 |
| KR20200059866A (ko) * | 2018-11-22 | 2020-05-29 | 유에이치에스(주) | 스마트팩토리를 구현하는 시스템 |
| KR20200071876A (ko) * | 2018-12-06 | 2020-06-22 | 주식회사 씨에스앤씨 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
| CN111618656A (zh) * | 2019-02-27 | 2020-09-04 | 发那科株式会社 | 机床的加工不良发生预测系统 |
| KR102088697B1 (ko) * | 2019-10-22 | 2020-03-13 | (주)넥솔시스템 | 웹 기반의 통계적 공정 관리 시스템 |
| WO2021221372A1 (ko) * | 2020-04-28 | 2021-11-04 | 삼성전자 주식회사 | 제품의 불량과 연관된 정보를 제공하기 위한 전자 장치 및 그 동작 방법 |
| KR20240021641A (ko) | 2022-08-10 | 2024-02-19 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
| CN116739627A (zh) * | 2022-10-25 | 2023-09-12 | 荣耀终端有限公司 | 一种产品销量预测方法和电子设备 |
| CN116739627B (zh) * | 2022-10-25 | 2024-06-07 | 荣耀终端有限公司 | 一种产品销量预测方法和电子设备 |
| CN116956750A (zh) * | 2023-09-19 | 2023-10-27 | 山东山大华天软件有限公司 | 基于知识图谱的零件工艺设计方法、系统、介质及设备 |
| CN116956750B (zh) * | 2023-09-19 | 2023-12-19 | 山东山大华天软件有限公司 | 基于知识图谱的零件工艺设计方法、系统、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101508641B1 (ko) | 2015-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
| KR101530848B1 (ko) | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 | |
| Qamsane et al. | A methodology to develop and implement digital twin solutions for manufacturing systems | |
| Compare et al. | Challenges to IoT-enabled predictive maintenance for industry 4.0 | |
| Guillén et al. | A framework for effective management of condition based maintenance programs in the context of industrial development of E-Maintenance strategies | |
| Khelif et al. | RUL prediction based on a new similarity-instance based approach | |
| Lechevalier et al. | Towards a domain-specific framework for predictive analytics in manufacturing | |
| Vogl et al. | Standards for prognostics and health management (PHM) techniques within manufacturing operations | |
| Adhikari et al. | Machine learning based data driven diagnostics & prognostics framework for aircraft predictive maintenance | |
| Navinchandran et al. | Discovering critical KPI factors from natural language in maintenance work orders | |
| US12055902B2 (en) | Failure mode analytics | |
| WO2023044632A1 (zh) | 工业设备维护策略生成方法、装置、电子设备和存储介质 | |
| CN113518999A (zh) | 具有可解释性的基于语义的生产设施优化装置 | |
| CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
| US20200272947A1 (en) | Orchestrator for machine learning pipeline | |
| CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升系统 | |
| CN116894211A (zh) | 用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序 | |
| Shukla et al. | Digital twin-based prediction for CNC machines inspection using blockchain for industry 4.0 | |
| Chakroun et al. | A predictive maintenance model for health assessment of an assembly robot based on machine learning in the context of smart plant | |
| CN114223002A (zh) | 用于基于在相关事件中识别传感器组合中的显著变化来改进资产操作的方法和系统 | |
| Gill et al. | Utilisation of semantic technologies for the realisation of data-driven process improvements in the maintenance, repair and overhaul of aircraft components | |
| Bordel et al. | Controlling supervised industry 4.0 processes through logic rules and tensor deformation functions | |
| Ma et al. | State-of-the-art review and synthesis: A requirement-based roadmap for standardized predictive maintenance automation using digital twin technologies | |
| Liao | An adaptive modeling for robust prognostics on a reconfigurable platform | |
| Mouzoune et al. | Towards an intelligence based conceptual framework for e-maintenance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| FPAY | Annual fee payment |
Payment date: 20171221 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20181226 Year of fee payment: 5 |