KR20160076646A - 제조 공정 라인의 공정 및 품질 관리 방법 및 장치 - Google Patents
제조 공정 라인의 공정 및 품질 관리 방법 및 장치 Download PDFInfo
- Publication number
- KR20160076646A KR20160076646A KR1020140186922A KR20140186922A KR20160076646A KR 20160076646 A KR20160076646 A KR 20160076646A KR 1020140186922 A KR1020140186922 A KR 1020140186922A KR 20140186922 A KR20140186922 A KR 20140186922A KR 20160076646 A KR20160076646 A KR 20160076646A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- quality
- prediction function
- attribute
- process condition
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000008569 process Effects 0.000 title claims abstract description 76
- 238000004519 manufacturing process Methods 0.000 title abstract description 25
- 238000010993 response surface methodology Methods 0.000 claims abstract description 23
- 238000007418 data mining Methods 0.000 claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 14
- 238000012098 association analyses Methods 0.000 claims abstract description 11
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims description 20
- 238000010187 selection method Methods 0.000 claims description 15
- 238000003908 quality control method Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000013386 optimize process Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000004886 process control Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001746 injection moulding Methods 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 빅데이터 분석이 가능하고, 빅데이터 분석 결과를 기반으로 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 하는 제조 공정 라인의 공정 및 품질 관리 방법 및 장치에 관한 것으로,
상기 방법은 공정 데이터와 품질 검사 결과 데이터를 수집 및 분석하는 단계; 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 단계; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악하는 단계; 및 상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계를 포함할 수 있다.
상기 방법은 공정 데이터와 품질 검사 결과 데이터를 수집 및 분석하는 단계; 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 단계; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악하는 단계; 및 상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계를 포함할 수 있다.
Description
본 발명은 제조 공정 라인의 공정 및 품질 관리 방법 및 장치에 관한 것으로, 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 하는 제조 공정 라인의 공정 및 품질 관리 방법 및 장치에 관한 것이다.
최근 고성능 모바일폰 카메라 개발이 지속적으로 이루어지고 있는 시점에서 모바일폰의 카메라 바디(Body)를 생산하기 위한 초정밀 사출성형 기술은 그 핵심 부분 중 하나이다. 모바일폰 카메라 바디는 일반 카메라와는 다르게 제품의 크기의 제약이 있어 정밀성에 따른 기술력이 요구되고 있다. 이에 고속 & 초정밀 사출성형에 대한 재현성 및 반복성의 중요성이 강조되고 있다.
또한 최근 하이테크 기능이 겸비된 성형 설비들이 잇따라 보급되고 있는데 이 설비 들은 제품의 특성 상 실시간으로 제조 빅데이터(Manufacturing Big Data)를 생성하고 있다. 하지만 많은 정밀 성형업체들은 하이테크 설비를 과거의 구형 성형설비와 동일하게 활용함에 따라 기업의 생산성 및 효율이 저하되어 많은 손해를 안겨주고 있는 현실이다.
이에 대부분의 정밀 성형업체는 품질향상을 위해 품질관리 및 공정관리를 통하여 주로 공정단계에서 원인분석을 통해 불량발생 예방활동을 중심으로 하는 기초적 통계적 공정관리(SPC : Statistic Process Control) 기법을 활용하며, 도1와 같은 관리도(Control Chart)을 이용하여 공정을 모니터링 하고 있다. 또한 회귀분석, 실험계획법등 다양한 통계적 기법이 공정관리에 사용되고 있다. 그러나 이와 같은 통계적 관리기법은 현 시점에서 발생하는 불량원인들을 분석하여 주로 예방활동에 치중하고 있으며, 불량이 발생하기 이전에 불량에 대한 예측은 수행하지 못하는 단점이 있다.
더하여, 사출성형기에서 생산된 제품 외관에 관한 여러 유형의 불량이 발생하고 있어 공정 조건 데이터를 다방면으로 분석해볼 필요가 있으나, 상기의 기초적 통계적 관리기법만으로는 최근 제조업에서 생성되고 있는 실시간 생산 공정 빅데이터 분석에 현실적인 한계가 있다. 즉, 전통적인 통계적 분석 방법은 몇 가지 품질 특성치와 수준의 한정된 데이터를 대상으로 이뤄지기 때문에, 빅데이터 분석에는 적합하지 않은 문제가 있다.
이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명에서는 제품 제조 중에 발생하는 빅데이터의 분석이 가능하고, 빅데이터 분석 결과를 기반으로 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 하는 제조 공정 라인의 공정 및 품질 관리 방법 및 장치를 제공하고자 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면, 공정 데이터와 품질 검사 결과 데이터를 수집 및 분석하는 단계; 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 단계; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악하는 단계; 및 상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계를 포함하는 제조 공정 라인의 공정 및 품질 관리 방법을 제공한다.
상기 주요 속성을 선정하는 단계는 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 다수의 속성 선정 방법을 이용하는 경우, 상기 다수의 속성 선정 방법을 통해 공통 선정된 속성을 주요 속성으로 선정하는 것을 특징으로 한다.
상기 중요 공정 조건을 파악하는 단계는 데이터 마이닝 분류, 연관분석, 및 군집분석(Clustering) 중 적어도 하나의 방법을 통해 데이터마이닝 모델을 수립하는 단계; 상기 데이터마이닝 모델을 기반으로 주요 속성과 품질 검사 결과간의 연관 관계를 분석하고, 불량 종류별로 가장 많은 인스턴스의 비율을 차지하는 주요 속성과 품질 검사 결과간의 연관 관계를 중요 공정 조건으로 선별하는 단계를 포함하는 것을 특징으로 한다.
상기 불량 예측 함수를 도출하는 단계는 상기 주요 속성을 상기 RSM 모델의 독립 변수로 설정하고 상기 품질 검사 결과를 상기 RSM 모델의 종속 변수로 설정하여, 상기 불량 예측 함수를 도출하는 것을 특징으로 한다.
상기 방법은 상기 불량 예측 함수를 해독하여 불량 발생 가능성이 최소화되는 최적의 공정 조건을 탐색 및 저장하는 단계를 더 포함하는 것을 특징으로 하는 한다.
또한 상기 방법은 새로운 공정 조건을 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 단계를 더 포함하는 것을 특징으로 한다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면, 공정 데이터와 품질 검사 결과 데이터를 수집 및 정제하는 데이터 수집부; 상기 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 속성 선정부; 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악한 후, 상기 중요 공정 조건을 RSM 모델에 적용하여 불량 예측 함수를 도출하는 불량 예측 함수 도출부; 상기 불량 예측 함수를 통해 최적의 공정 조건을 탐색 및 저장하는 최적 공정 조건 산출부; 및 새로운 공정 조건을 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 불량 예측부를 포함하는 제조 공정 최적화 장치를 제공한다.
본 발명에서는 제품 제조 중에 발생하는 빅데이터 분석이 가능하고, 빅데이터 분석 결과를 기반으로 최적의 공정 조건과 불량 발생 가능성을 미리 예측 및 안내할 수 있도록 한다. 특히, 데이터마이닝 분석을 통해 유효 데이터를 1차 선정한 후, 이를 이용하여 RSM 모델의 정확도를 향상시킴으로써, 분석 결과의 정확성 및 신뢰성이 극대화될 수 있도록 한다.
도1은 종래의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법에 따른 관리도를 도시한 도면이다.
도2는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법을 설명하기 위한 도면이다.
도3는 본 발명의 일 실시예에 따른 속성 선정 방법을 설명하기 위한 도면이다.
도4는 본 발명의 일 실시예에 따른 불량 예측 함수 추정 단계를 설명하기 위한 도면이다.
도5는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 장치를 설명하기 위한 도면이다.
도2는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법을 설명하기 위한 도면이다.
도3는 본 발명의 일 실시예에 따른 속성 선정 방법을 설명하기 위한 도면이다.
도4는 본 발명의 일 실시예에 따른 불량 예측 함수 추정 단계를 설명하기 위한 도면이다.
도5는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 장치를 설명하기 위한 도면이다.
본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도2는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 방법을 설명하기 위한 도면이다.
도2를 참고하면, 본 발명의 공정 최적화 방법은 공정 및 품질 데이터 수집 단계(S1), 데이터 전처리 단계(S2), 속성 선정 단계(S3), 공정 조건과 품질 검사 결과간 상관 한수 추정 단계(S4), 최적 공정 조건 산출 단계(S5) 및 불량 발생 가능성 예측 단계(S6) 등을 포함할 수 있다.
먼저, 데이터 수집 단계(S1)에서는, 제품 제조 라인에 설치된 제조 장치와 품질 검사 장치를 통해 제품 제조에 관련된 공정 조건과 제조 완료된 제품에 대한 품질 검사 결과에 관련된 데이터 모두를 수집한다.
데이터 정제 단계(S2)에서는, 단계 S1을 통해 수집된 데이터를 정제한 후, 정제된 데이터를 기반으로 제조 공정에 관련된 속성 모두를 파악하되 품질 검사 결과 영향을 미치는 속성만을 주요 속성으로 선정하도록 한다.
본 발명에서는 단계 S1을 통해 수집된 데이터에 존재하는 오류값이나 특이값을 보정하고, 결손값을 처리하며, 중복 데이터를 제거함으로써 데이터 정제 동작을 수행하도록 한다. 또한 데이터 각각에 대한 데이터 충실도를 평가한 후, 데이터 충실도가 기준치 이상인 데이터만을 선별하는 동작도 추가적으로 수행할 수 있도록 한다. 참고로, 데이터 충실도는 데이터의 정확도, 데이터의 양(레코드 수), 그리고 데이터의 깊이(항목의 수) 등을 기반으로 평가될 수 있다.
그리고 전체 속성에서 품질에 영향을 미치는 속성만을 선정하도록 하는 데, 이는 문제 해결에 불필요한 속성을 제거하고 문제해결에 적합한 주요 속성을 선정함으로써 문제해결의 효율성을 증가시키기 위함이다. 즉, 불량 예측 함수의 수립 시간을 단축시키고, 함수 해석을 보다 손쉽고 정확하게 수행하기 위함이다.
본 발명에서는 카이스퀘어 통계량과 정보 획득(Information Gain)을 이용한 속성 선정 방법, 및 래퍼(Wrapper) 모형의 속선 선정 기법인 의사결정나무와 상관관계를 이용한 속성 선정 방법 중 적어도 하나를 이용하여 주요 속성을 선정하도록 한다. 만약, 다수의 속성 선정 방법이 동시 이용된다면, 도3에 도시된 바와 같이 다수의 속성 선정 방법에 의해 공통으로 선정된 속성을 주요 속성으로 최종 선정하도록 한다.
불량 예측 함수 추정 단계(S3)는 크게 데이터마이닝 모델 수립 단계와 RSM(Response Surface Methodology) 모델 수립 단계로 구성된다.
데이터마이닝 모델 수립 단계에서는, 데이터 마이닝 분류(Classification), 연관분석(Association), 및 군집분석(Clustering) 중 적어도 하나의 방법을 통해 의사 결정 나무 모델을 수립하고, 이를 기반으로 속성과 품질 검사 결과간의 연관 관계를 분석한다. 즉, 도4와 같이 데이터 마이닝 분류 방법을 통해 의사 결정 나무 모델을 수립한 후 이를 기반으로 주요 속성과 품질 검사 결과 사이의 연관관계를 파악하거나, 연관분석 모델을 이용하여 주요 속성과 품질 검사 결과 사이의 연결 관계를 파악하도록 한다. 그리고 이들 연관관계를 기반으로 불량 종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 변수 패턴(즉, 주요 속성과 품질 검사 결과간의 연관 관계)을 중요 공정 조건으로 선별하도록 한다.
RSM 모델 수립 단계에서는, 데이터마이닝 모델 수립 단계를 통해 선별된 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 수학식1과 같은 불량 예측 함수를 도출하도록 한다. 즉, 데이터마이닝 모델 수립 단계를 통해 선별된 주요 속성들은 독립 변수로, 품질 검사 결과를 종속 변수로 하는 회귀 분석을 실시하는 불량 예측 함수를 도출하도록 한다.
[수학식 1]
이때, xi는 i번째 주요 속성, j는 주요 속성의 총 개수, β는 주요 속성별 회귀 계수, γ는 기 설정된 고유 상수이다.
즉, 본 발명에서는 데이터마이닝 모델인 의사결정 나무 및 연관분석에서 상호연관 모형이 없을 경우, 이를 RSM 모형에서 사전에 제거함으로써 RSM 모형을 단순화하고 정확도를 향상시키고자 하는데 목적이 있다.
예를 들어, 주요 속성 선정 과정을 통해 x1, x2, x3이 선정되었으나, 의사결정 나무 모델 생성시 x1와 x2의 주요 속성만이 불량품 발생에 영향을 미친다면, 상기의 불량 예측 함수에서 x2의 주요 속성은 제외시킬 수 있게 된다. 이에 RSM 회귀 모델이 간략화 할 수 있게 된다.
따라서 데이터마이닝 모형과 RSM 모델을 동시에 이용함에 있어 데이터마이닝 모델의 역할은 첫째, 속성 선정 과정을 통해 주요 속성만을 선정함으로써 1차로 불량 예측 함수에서 불필요한 변수를 제거하는 것이고, 둘째, 주요 속성만으로 만든 RSM 모델을 위한 회귀식에서 의사결정나무 및 연관분석을 통해 추가적으로 불필요한 변수 및 상호작용 텀을 제거하여 2차로 불량 예측 함수을 간략화하고 모델의 정확성을 향상시킬 수 있도록 한다.
최적 공정 조건 산출 단계(S5)에서는, 불량 예측 함수를 해독하여 불량 발생 가능성이 "0"가 되는 최적의 공정 조건을 탐색하고, 탐색 결과를 제조 지식베이스에 저장함으로써, 차후에 제품 제조 라인에 설치된 제조 장치가 최적의 공정 조건에 따른 제품 제조 작업을 수행할 수 있도록 한다.
불량 발생 가능성 예측 단계(S6)에서는, 작업자에 의해 새로운 공정 조건이 입력되면, 불량 예측 함수를 통해 새로이 입력되는 공정 조건에 대한 불량 발생 가능성을 예측 및 통보하도록 한다.
도5는 본 발명의 일 실시예에 따른 제조 공정 라인의 공정 및 품질 관리 장치를 설명하기 위한 도면이다.
도5를 참고하면, 본 발명의 불량 발생 예측 장치는 데이터 수집부(10), 속성 선정부(20), 불량 예측 함수 추정부(30), 최적 공정 조건 산출부(40) 및 불량 예측부(50), 데이터베이스(60), 사용자 인터페이스(70) 및 통신부(80) 등을 포함하여 구성된다.
데이터 수집부(10)는 통신부(80)를 통해 제조 장치와 품질 검사 장치와 통신하여 공정 데이터와 품질 검사 결과 데이터를 획득한 후 데이터베이스(50)에 저장하도록 한다.
속성 선정부(20)는 공정 데이터를 기반으로 제조 공정에 관련된 속성 모두를 파악한 후, 카이스퀘어 통계량과 정보 획득(Information Gain)을 이용한 속성 선정 방법, 및 래퍼(Wrapper) 모형의 속선 선정 기법인 의사결정나무와 상관관계를 이용한 속성 선정 방법 중 하나를 이용하여 품질 검사 결과 영향을 미치는 속성만을 주요 속성으로 선정하도록 한다.
불량 예측 함수 추정부(30)는 데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 불량에 가장 많은 영향을 미치는 공정 변수 패턴을 선별한 후, 선별된 공정 변수 패턴을 RSM 모델에 적용하여 불량 예측 함수를 도출하도록 한다.
최적 공정 조건 산출부(40)는 불량 예측 함수를 해독하여 불량 발생 가능성이 "0"가 되는 최적의 공정 조건을 탐색한 후, 탐색 결과를 데이터베이스(50)에 저장하도록 한다.
불량 예측부(50)는 작업자가 제조 장치 또는 사용자 인터페이스(70)를 통해 새로운 공정 조건을 입력하면, 새로운 공정 조건을 상기의 불량 예측 함수에 대입하여 불량 발생 가능성을 예측한 후 사용자에게 안내하도록 한다.
사용자 인터페이스(70)는 모니터, 키패드, 제어 패널 등을 구비하고, 이를 통해 불량 발생 예측 장치의 동작 상태를 시청각적으로 안내받거나, 사용자에 의해 발생되는 각종 제어값을 입력받도록 한다.
통신부(80)는 유선 또는 무선 통신 방식으로 제조 장치와 품질 검사 장치와의 통신 채널을 형성하고, 각종 데이터를 송수신하도록 한다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (7)
- 공정 데이터와 품질 검사 결과 데이터를 수집 및 분석하는 단계;
공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 단계;
데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악하는 단계; 및
상기 중요 공정 조건을 RSM(Response Surface Methodology) 모델에 적용하여 불량 예측 함수를 도출하는 단계를 포함하는 제조 공정 라인의 공정 및 품질 관리 방법. - 제1항에 있어서, 상기 주요 속성을 선정하는 단계는
카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 다수의 속성 선정 방법을 이용하는 경우, 상기 다수의 속성 선정 방법을 통해 공통 선정된 속성을 주요 속성으로 선정하는 것을 특징으로 하는 제조 공정 라인의 공정 및 품질 관리 방법. - 제1항에 있어서, 상기 중요 공정 조건을 파악하는 단계는
데이터 마이닝 분류, 연관분석, 및 군집분석(Clustering) 중 적어도 하나의 방법을 통해 데이터마이닝 모델을 수립하는 단계;
상기 데이터마이닝 모델을 기반으로 주요 속성과 품질 검사 결과간의 연관 관계를 분석하고, 불량 종류별로 가장 많은 인스턴스의 비율을 차지하는 주요 속성과 품질 검사 결과간의 연관 관계를 중요 공정 조건으로 선별하는 단계를 포함하는 것을 특징으로 하는 제조 공정 라인의 공정 및 품질 관리 방법. - 제3항에 있어서, 상기 불량 예측 함수를 도출하는 단계는
상기 주요 속성을 상기 RSM 모델의 독립 변수로 설정하고 상기 품질 검사 결과를 상기 RSM 모델의 종속 변수로 설정하여, 상기 불량 예측 함수를 도출하는 것을 특징으로 하는 것을 특징으로 하는 제조 공정 라인의 공정 및 품질 관리 방법. - 제1항에 있어서,
상기 불량 예측 함수를 해독하여 불량 발생 가능성이 최소화되는 최적의 공정 조건을 탐색 및 저장하는 단계를 더 포함하는 것을 특징으로 하는 제조 공정 라인의 공정 및 품질 관리 방법. - 제1항에 있어서,
새로운 공정 조건을 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 단계를 더 포함하는 것을 특징으로 하는 제조 공정 라인의 공정 및 품질 관리 방법. - 공정 데이터와 품질 검사 결과 데이터를 수집 및 정제하는 데이터 수집부;
상기 공정 데이터를 기반으로 전체 속성을 파악한 후, 카이스퀘어 통계량, 정보 획득, 의사결정나무 및 상관관계 중 적어도 하나의 속성 선정 방법을 이용하여 주요 속성을 선정하는 속성 선정부;
데이터 마이닝 분류, 연관분석, 및 군집분석중 적어도 하나의 방법을 통해 주요 속성과 품질 관계를 분석하여 중요 공정 조건을 파악한 후, 상기 중요 공정 조건을 RSM 모델에 적용하여 불량 예측 함수를 도출하는 불량 예측 함수 도출부;
상기 불량 예측 함수를 통해 최적의 공정 조건을 탐색 및 저장하는 최적 공정 조건 산출부; 및
새로운 공정 조건을 입력되면, 상기 새로운 공정 조건을 상기 불량 예측 함수를 대입하여 불량 발생 가능성을 예측 및 통보하는 불량 예측부를 포함하는 제조 공정 라인의 공정 및 품질 관리 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140186922A KR101661818B1 (ko) | 2014-12-23 | 2014-12-23 | 제조 공정 라인의 공정 및 품질 관리 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140186922A KR101661818B1 (ko) | 2014-12-23 | 2014-12-23 | 제조 공정 라인의 공정 및 품질 관리 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160076646A true KR20160076646A (ko) | 2016-07-01 |
| KR101661818B1 KR101661818B1 (ko) | 2016-09-30 |
Family
ID=56500288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140186922A KR101661818B1 (ko) | 2014-12-23 | 2014-12-23 | 제조 공정 라인의 공정 및 품질 관리 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101661818B1 (ko) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563105A (zh) * | 2017-10-19 | 2018-01-09 | 东北大学 | 一种采空区冒落引起地表塌陷位置的确定方法 |
| CN108304382A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
| KR20190060548A (ko) | 2017-11-24 | 2019-06-03 | 한국생산기술연구원 | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 |
| KR20190060547A (ko) | 2017-11-24 | 2019-06-03 | 한국생산기술연구원 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
| CN110929952A (zh) * | 2019-12-02 | 2020-03-27 | 中国人民解放军国防科技大学 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
| KR102379259B1 (ko) * | 2021-08-18 | 2022-03-28 | (주)사이버테크프랜드 | AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 |
| CN115203311A (zh) * | 2022-07-05 | 2022-10-18 | 南京云创大数据科技股份有限公司 | 一种基于数据大脑的行业数据分析挖掘方法及系统 |
| US11609188B2 (en) | 2020-05-27 | 2023-03-21 | Hitachi, Ltd. | Processing condition determination system and processing condition searching method |
| CN117078281A (zh) * | 2023-10-17 | 2023-11-17 | 肥城恒丰塑业有限公司 | 一种防音布生产防伪溯源管理方法及系统 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101888637B1 (ko) | 2017-03-20 | 2018-08-14 | 한국생산기술연구원 | 제조 특화형 알고리즘 템플릿 기반 데이터 분석 방법 및 플랫폼 구조 시스템 |
| KR102044224B1 (ko) * | 2017-11-03 | 2019-12-05 | 한림대학교 산학협력단 | 산업용 사물 인터넷에 기반한 산업 기기의 실행 실패 검출 시스템 |
| KR102360362B1 (ko) | 2020-04-17 | 2022-02-09 | 충북대학교 산학협력단 | 통계적 분석과 딥러닝을 이용한 제조 공정 품질 분석 및 예측 방법 및 이를 기록한 기록매체 |
| CN112988756A (zh) * | 2020-10-24 | 2021-06-18 | 陈龙龙 | 基于大数据的化妆品生产数据确定方法及云服务器 |
| KR102535503B1 (ko) | 2021-04-06 | 2023-05-26 | 주식회사 큐오티 | 스펙트로그램 (Spectrogram)을 이용한 제품 제조 공정의 유사도 분석 방법 |
| KR102585970B1 (ko) * | 2021-11-09 | 2023-10-06 | 재단법인대구경북과학기술원 | 사출 공정 변수의 최적화를 위한 장치 및 방법 |
| KR20240051409A (ko) | 2022-10-13 | 2024-04-22 | 주식회사 스누아이랩 | 질병검사예측장치 및 그 장치의 구동방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
| KR20110003837A (ko) * | 2009-07-06 | 2011-01-13 | 부산대학교 산학협력단 | 컨테이너 선박의 재항 시간 예측 시스템 및 그 방법 |
| KR20140039380A (ko) * | 2012-09-20 | 2014-04-02 | 국립대학법인 울산과학기술대학교 산학협력단 | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 |
-
2014
- 2014-12-23 KR KR1020140186922A patent/KR101661818B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
| KR20110003837A (ko) * | 2009-07-06 | 2011-01-13 | 부산대학교 산학협력단 | 컨테이너 선박의 재항 시간 예측 시스템 및 그 방법 |
| KR20140039380A (ko) * | 2012-09-20 | 2014-04-02 | 국립대학법인 울산과학기술대학교 산학협력단 | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 민병현 외 2인. 반응표면분석법에 의한 사출공정 및 품질 모니터링에 관한 연구. 대한산업공학회 산업공학 (IE interfaces). 1996년 3월, 제9권, 제1호, pp.13-24 (1996.03.)* * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563105B (zh) * | 2017-10-19 | 2020-11-06 | 东北大学 | 一种采空区冒落引起地表塌陷位置的确定方法 |
| CN107563105A (zh) * | 2017-10-19 | 2018-01-09 | 东北大学 | 一种采空区冒落引起地表塌陷位置的确定方法 |
| KR20190060548A (ko) | 2017-11-24 | 2019-06-03 | 한국생산기술연구원 | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 |
| KR20190060547A (ko) | 2017-11-24 | 2019-06-03 | 한국생산기술연구원 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
| CN108304382B (zh) * | 2018-01-25 | 2021-02-02 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
| CN108304382A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
| CN110929952A (zh) * | 2019-12-02 | 2020-03-27 | 中国人民解放军国防科技大学 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
| CN110929952B (zh) * | 2019-12-02 | 2022-05-03 | 中国人民解放军国防科技大学 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
| US11609188B2 (en) | 2020-05-27 | 2023-03-21 | Hitachi, Ltd. | Processing condition determination system and processing condition searching method |
| KR102379259B1 (ko) * | 2021-08-18 | 2022-03-28 | (주)사이버테크프랜드 | AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 |
| CN115203311A (zh) * | 2022-07-05 | 2022-10-18 | 南京云创大数据科技股份有限公司 | 一种基于数据大脑的行业数据分析挖掘方法及系统 |
| CN115203311B (zh) * | 2022-07-05 | 2023-05-02 | 南京云创大数据科技股份有限公司 | 一种基于数据大脑的行业数据分析挖掘方法及系统 |
| CN117078281A (zh) * | 2023-10-17 | 2023-11-17 | 肥城恒丰塑业有限公司 | 一种防音布生产防伪溯源管理方法及系统 |
| CN117078281B (zh) * | 2023-10-17 | 2024-01-09 | 肥城恒丰塑业有限公司 | 一种防音布生产防伪溯源管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101661818B1 (ko) | 2016-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101661818B1 (ko) | 제조 공정 라인의 공정 및 품질 관리 방법 | |
| US10579026B2 (en) | Building a workpiece quality prediction model | |
| CN111275307B (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
| JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN112702224B (zh) | 一种针对家庭宽带用户质差的分析方法和装置 | |
| CN111242464A (zh) | 一种基于spc的陶瓷卫浴质量管理方法 | |
| CN105990170B (zh) | 晶圆良率分析方法和装置 | |
| KR102003961B1 (ko) | 수율 손실의 근원 파악 시스템 및 방법 | |
| CN108776900A (zh) | 网络投诉智能定界方法及系统 | |
| CN113255222B (zh) | 一种腔体滤波器的智能辅助调试方法及装置 | |
| US10459933B2 (en) | Identification and elimination of non-essential statistics for query optimization | |
| CN110503288A (zh) | 考虑机台交互作用的辨识良率损失原因的系统与方法 | |
| CN107122907B (zh) | 一种机电产品符号化质量特性的分析与故障原因追溯方法 | |
| CN114429256A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
| US20190179867A1 (en) | Method and system for analyzing measurement-yield correlation | |
| CN114995342A (zh) | 一种基于大数据技术的c3无线通信超时分析方法及系统 | |
| CN103390288A (zh) | 三维渲染文件批量拆分渲染层处理系统 | |
| CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
| KR102295438B1 (ko) | 빅데이터를 이용한 스마트 팩토리 시스템 | |
| CN106021623A (zh) | 一种日志打点信息的方法及装置 | |
| CN114116667A (zh) | 一种电力数据应用场景的数据治理系统 | |
| CN112506565A (zh) | 处理器微体系结构事件的重要性确定方法、介质和设备 | |
| CN111782695A (zh) | Mpw多产品联测的数据处理方法、存储介质及计算机设备 | |
| CN112948368A (zh) | 一种基于数据关联性的深度异常检测方法 | |
| CN107392415B (zh) | 一种基于大数据的电信营业员画像信息处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190709 Year of fee payment: 4 |