KR20190060548A - 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 - Google Patents

변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 Download PDF

Info

Publication number
KR20190060548A
KR20190060548A KR1020170158863A KR20170158863A KR20190060548A KR 20190060548 A KR20190060548 A KR 20190060548A KR 1020170158863 A KR1020170158863 A KR 1020170158863A KR 20170158863 A KR20170158863 A KR 20170158863A KR 20190060548 A KR20190060548 A KR 20190060548A
Authority
KR
South Korea
Prior art keywords
data
cause
variable
analysis
individual
Prior art date
Application number
KR1020170158863A
Other languages
English (en)
Other versions
KR101998972B1 (ko
Inventor
김동일
김보현
구정인
이상형
이제희
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 KR1020170158863A priority Critical patent/KR101998972B1/ko
Publication of KR20190060548A publication Critical patent/KR20190060548A/ko
Application granted granted Critical
Publication of KR101998972B1 publication Critical patent/KR101998972B1/ko

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • 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—Systems or methods specially adapted for 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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

Abstract

변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법이 개시된다. 이러한 공정 불량 원인 분석 방법은, 복수의 공정들에 각각 설치되는 적어도 하나 이상의 센서에서 측정된 품질 검사 결과 데이터를 포함하는 제1 데이터와 공정 데이터를 포함하는 제2 데이터를 획득하는 단계와, 제1 데이터 및 제2 데이터 각각의 개별 데이터를 전처리하는 단계와, 전처리된 개별 데이터를 통합하여 분석대상 데이터를 생성하는 단계와, 최종 품질에 영향을 미치는 정보를 수치로 표현하는 단변량 분석에 기초하여 불량 원인을 개별 변수별로 분석하는 단계와, 단변량 분석에 기초한 분석 결과에 따라 불량 원인 지수를 도출하는 단계를 포함한다.

Description

변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법{METHOD OF ANALYZING AND VISUALIZING THE CAUSE OF PROCESS FAILURE BY DERIVING THE DEFECT OCCURRENCE INDEX BY VARIABLE SECTIONS}
본 발명의 실시예는 공정 불량 원인 분석 기술에 관한 것으로, 보다 상세하게는, 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법에 관한 것이다.
최근 전기전자 제품이나 통신 제품의 지능화 및 고성능화 추세에 따라 제품을 생산하는 제조 공정 라인이 복잡해지고 있다. 특히, 여러 공정들을 포함하는 제조 라인에서 불량을 예측하여 제품에 대한 신뢰성을 높이고 비용을 절감할 필요가 있다.
이와 같이, 제품 출하 후 품질문제 등에 대응하기 위하여 제조 상품에 대한 제조이력정보를 추적하고 품질원인분석 또는 시뮬레이션을 효과적으로 수행하고 그 수행 결과를 최종 사용자가 가시적으로 혹은 직관적으로 파악할 수 있도록 하는 방안이 요구되고 있다.
국내 공개특허공보 제10-2016-0076646호(2016.07.01.) 국내 등록특허공보 제10-1530848호(2015.06.17.)
본 발명은 전술한 종래 기술의 문제를 해결하기 위해 도출된 것으로, 제조 상품에 대한 제조이력정보를 추적하고 품질원인분석 또는 시뮬레이션을 효과적으로 수행하고 그 수행 결과를 최종 사용자가 가시적으로 혹은 직관적으로 파악할 수 있도록 하는 방법을 제공하는데 있다.
본 발명의 목적은, 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법을 제공하는데 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른, 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법(이하, 간략히 '공정 불량 원인 분석 방법'이라 함)은, 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 공정 불량 원인 분석 방법으로서, 복수의 공정들에 각각 설치되는 적어도 하나 이상의 센서에서 측정된 품질 검사 결과 데이터를 포함하는 제1 데이터와 공정 데이터를 포함하는 제2 데이터를 획득하는 단계; 상기 제1 데이터 및 상기 제2 데이터 각각의 개별 데이터를 전처리하는 단계; 상기 전처리된 개별 데이터를 통합하여 분석대상 데이터를 생성하는 단계; 상기 불량 원인을 개별 변수별로 최종 품질에 영향을 미치는 정보를 수치로 표현하는 단변량 분석에 기초하여 분석하는 단계; 및 상기 단변량 분석에 기초한 분석 결과에 따라 불량 원인 지수를 도출하는 단계를 포함한다.
일실시예에서, 상기 개별 데이터를 전처리하는 단계는, 변수 생성 과정, 숫자형 변수 변환 과정, 의미 있는 변수 생성 과정, 또는 이들의 조합을 포함할 수 있다.
일실시예에서, 상기 변수 생성 과정은 행렬 형태의 데이터를 개별 제품 기준으로 열 데이터로 변환하는 것을 포함할 수 있다.
일실시예에서, 상기 숫자형 변수 변환 과정은 명목형 변수를 포함하는 개별 데이터에서 명목형 변수를 신규 항목으로 설정하고 상기 명목형 변수의 해당 제품에 대한 신규 항목의 값을 바이너리로 처리하는 것을 포함할 수 있다.
일실시예에서, 상기 의미있는 변수 생성 과정은, 선택되는 공정에서의 센싱값에 대한 평균, 최대값 또는 최소값에 기반하여 각 공정에서의 불량의 발생율을 얻고, 상기 불량의 발생률이 높은 영역 또는 공정을 중심으로 분석데이터로서 사용하기 위해 선택하는 관심 데이터량을 상기 선택되는 공정에 대한 전체 분석데이터의 50% 이상이 되도록 설정되거나 운영될 수 있다.
일실시예에서, 상기 분석대상 데이터를 생성하는 단계는, 복수의 공정들을 통해 제조되는 제품에 대하여 상기 복수의 공정들 중 어느 하나의 개별 공정에서의 개별 변수를 복수 구간들로 구분하고, 상기 복수 구간들의 각 구간에서의 불량과 양품 또는 불량과 비불량의 개수에 기반한 인덱스를 생성할 수 있다.
일실시예에서, 공정 불량 원인 분석 방법은, 상기 도출하는 단계 후에 불량 원인 지수에 기초하여 품질 원인을 시각화하기 위한 정보를 출력하는 단계를 더 포함할 수 있다.
본 발명에 의하면, 단변량 분석에 기반하여 제조공정라인에서 생산되는 제품의 최종 품질 불량 원인을 분석하기 위한 품질문제 원인인자, 공정변수 및 영향력 지수를 효과적으로 도출할 수 있다.
또한, 본 발명에 의하면, 도출된 품질문제 원인인자와 영향력 지수에 기초한 원인분석 결과에 따라 공정변수를 제어함으로써 공정 및 생산제품의 신뢰성을 높이고 불량 발생을 낮출 수 있으며, 원인 인자, 공정변수 또는 영향력 지수에 대한 가시적 혹은 직관적 사용자 인터페이스를 제공하여 공정 모니터링이나 공정 관리 등에 대한 사용자 편의성을 극대화할 수 있다.
또한, 본 발명의 의하면, 통계적 검정 방법론 기반으로 개별 인자 영향력을 분석하여 제조 공정상의 불량 발생 원인을 효과적으로 파악할 수 있는 장점이 있다.
도 1은 본 발명의 일실시예에 따른 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법(이하 간략히 '공정 불량 원인 분석 방법'이라 함)에 대한 흐름도이다.
도 2는 도 1의 공정 불량 원인 분석 방법을 적용할 수 있는 제조 공정에 대한 흐름도이다.
도 3 내지 도 6은 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 개별 데이터 전처리 과정을 설명하기 위한 도면들이다.
도 7은 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 데이터 통합 과정을 설명하기 위한 도면이다.
도 8 내지 도 10은 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 단변량 분석 과정을 설명하기 위한 도면들이다.
도 11 및 도 12는 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 불량 원인 인자를 도출하고 시각화하는 과정을 설명하기 위한 도면들이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, "특징으로 한다", "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법(이하 간략히 '공정 불량 원인 분석 방법'이라 함)에 대한 흐름도이다.
도 1을 참조하면, 본 실시예에 따른 공정 불량 원인 분석 방법은, 데이터 수집 단계(S11), 개별 데이터 전처리 단계(S12), 데이터 통합 단계(S13), 분석대상 데이터 전처리 단계(S14), 단변량 분석 기반 불량 원인 인자 분석 단계(S15), 불량 원인 지수 도출 단계(S16) 및 불량 원인 지수 시각화 단계(S17)를 포함한다.
본 실시예의 공정 불량 원인 분석 방법은, 다양한 여러 공정을 포함하는 제조 공정에서 다변량 분석을 이용하여 품질 불량의 원인을 분석하는데 사용될 수 있다.
상기의 데이터 수집 단계(S11)와 개별 데이터 전처리 단계(S12)와 데이터 통합 단계(S13)에서는 양품 데이터에서 과소추출(undersampling)을 통해 양품 및 불량의 비율을 미리 설정된 비율로 맞춰 학습 데이터셋의 밸런스를 조정할 수 있다.
분석대상 데이터 전처리 단계(S14)와 단변량 분석 기반의 불량 원인 인자 분석 단계(S15)에서는, 학습 데이터셋에 기초하여 불량 원인 인자를 파악할 수 있다.
그리고, 공정 불량 원인 도출 방법은, 단변량 분석 후에 불량 원인 지수를 도출하고, 도출된 불량 원인 지수에 기초하여 품질 원인을 시각화하기 위한 정보를 디스플레이 장치의 화면에 출력할 수 있다.
도 2는 도 1의 공정 불량 원인 분석 방법을 적용할 수 있는 제조 공정에 대한 흐름도이다.
본 실시예에 따른 공정 불량 원인 분석 방법은, 도 2에 여러 단계들(S21 내지 S30)로 나타낸 바와 같이, 바코드를 인쇄하고, 도포크림을 인쇄하고, 납도포(SPI) 검사를 수행하고, 터미널을 삽입하고, 기판실장(SMD) 방식으로 소자를 배치하고, 리플로우, 솔러링 및 굽기(baking)를 수행하고, 자동광학검사(auto optical inspection, AOI) 검사를 수행하고, 전류 흐름 검사(in circuit tester, ICT)를 수행하고, 기능동작검사(in function tester, IFT)를 수행하는 등 여러 공정을 포함하는 적어도 하나의 특정 제품의 제조 공정에서 데이터 수집, 개별 데이터 전처리(벡터화), 데이터 통합, 분석대상 데이터 전처리, 단변량 분석(불량 원인 인자 분석), 불량 원인 지수 도출 및 불량 원인 지수 시각화의 일련의 과정을 수행하여 제품 출하 후 발생할 수 있는 품질 문제의 대응을 위한 제조정보를 추적관리하고 가시화할 수 있다.
전술한 제조 공정에 본 실시예에 따른 공정 불량 원인 분석 방법을 적용할 수 있다.
SPI 검사 공정에서 수집되는 데이터는 일례로 총 16,177개의 칼럼으로 생성될 수 있다(예컨대, 14,847*16,177 매트릭스). 매트릭스에는 식별자(ID), 공정 기계, 날짜, 시간, 카운트 수 등의 검사항목이 포함될 수 있다.
SPI 검사 공정에서의 데이터 전처리는 각 검사항목별 양품/불량 수, 양품/불량 여부 등에 수치화하고, 전체 검사 결과 등에 반영할 수 있다. 중복되는 데이터는 가장 나중에 수집되는 값 또는 실측값으로 선택될 수 있다.
리플로우(reflow) 공정에서의 데이터 전처리는 두 개의 차수(1, 2)에 대해서 각각 최상위값 13개, 최하위값 13개의 측정값을 이용하여 각 측정에 대한 결과와 변환값을 포함하도록 수행될 수 있다. 일례로, 리플로우 공정 데이터의 전처리에 의해 열 개수 1,130,863와 제품 수 606,451의 테이블을 생성할 수 있다.
또한, 리플로우(reflow) 공정에서의 데이터 전처리는 각 차수 데이터를 하나의 행으로 처리할 수 있다(14,847*63 매트릭스). 각 차수별 결과를 표기할 수 있다. 테이블에서 불량이 결합(join)되지 않으며 전부 OK만 남을 수 있다. 그리고, 테이블에는 작업자 정보를 표시할 수 있다.
또한, AOI 공정에서의 데이터 전처리는 헤더 테이블에 있는 OK 또는 불량(NG) 정보를 이용할 수 있다. AOI 공정은 보통 2대의 설비에서 각각 한번씩 검사하므로, 불량의 경우 각 설비에서 여러 번 검사하는 형태가 될 수 있다. 데이터 전처리는 AOI 공정의 각 검사설비 별로 양품과 불량 정보를 0과 1로 인덱스할 수 있다. 특정 검사설비 데이터값이 없는 경우, -9999 등의 더미값을 생성할 수 있다. 또한, 데이터 전처리에서는 여러 번 검사를 한 경우는 문제가 있는 가능성을 내포하므로 검사 횟수 컬럼을 생성하여 이용할 수 있다.
또한, ICT 검사 공정에서의 데이터 전처리는 ICT 검사 단계(예컨대, 1,533개)별로 측정 값(measure_value), 편차(deviation) 등을 행으로 표현하고, 헤더 테이블에서 최종 결과(양품/불량 또는 OK/NG)와 검사 횟수 변수를 생성할 수 있다. 이러한 데이터 전처리에 의하면, 일례로, 3068개의 변수를 생성할 수 있고, 마지막 두 열에 OK/NG 정보 및 검사 횟수를 생성한 테이블을 제공할 수 있다.
이와 같이, 본 실시예에 의하면, 리플로우/솔더링(굽기) 공정 프로세스에서 데이터를 수집하고, SPI 검사(도포크림), AOI 검사(정위치 검사), ICT 검사(전류 흐름) 및 IFT 검사(기능 동작)에서 검사 데이터를 수집하고, 정전기, 진동 센서 및 외부 날씨를 통해 기타 공정 환경 데이터를 수집할 수 있다. 그런 다음, 수집된 데이터에 대해 개별 데이터 전처리를 수행한 후, 데이터를 통합하고, 통합된 데이터를 분석대상 데이터로서 전처리한 후 단변량 분석을 통해 공정 불량 원인 인자를 분석할 수 있다. 그리고, 단변량 분석 결과를 이용하여 공정 불량 원인 지수를 도출하고 시각화하여 사용자, 관리자 등에게 직관적으로 보여주거나 미리 설정된 제어 단말 등에 공정 분석, 공정 관리, 공정 제어 등에 필요한 신호나 데이터를 전송할 수 있다.
도 3 내지 도 6은 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 개별 데이터 전처리 과정을 설명하기 위한 도면들이다.
본 실시예에 따른 공정 불량 원인 분석 방법은 개별 데이터 전처리 과정으로서 변수 생성 과정, 숫자형 변수 변환 과정, 의미있는 변수 생성 과정 중 적어도 어느 하나의 과정을 포함할 수 있다.
구체적으로, 변수 생성 과정은 도 3의 (a)에 도시한 바와 같이 특정 제품(A)의 식별자(ID), 센서 번호에 대응하는 항목, 센싱값에 대응하는 값1, 값2 등과 같이 어느 한 제품에 대한 여러 공정들에서의 여러 개의 센서들에서 측정한 값이 수집 데이터 내에서 여러 개의 행(rows)에 존재하는 경우, 한 제품당 하나의 행(row)에 존재하도록 만들어주기 위해 열(column)을 확장하여 데이터 벡터화를 수행할 수 있다. 이와 같이 본 실시예에서는 4행 4열의 데이터를 2행 7열의 데이터로 벡터화하여 각 개별 데이터를 전처리할 수 있다.
숫자형 변수 변환 과정은 도 3의 (b)에 도시한 바와 같이 여러 제품들(A, B, C, D)에 대한 결과 및 원인가 명목형 변수들로 저장되어 있는 경우 각 명목에 대한 변수항목들을 생성하여 바이너리(binary)로 처리할 수 있다. 이와 같이 본 실시예에서는 결과 항목의 명목형 변수들인 OK 및 NG와 원인 항목의 명목형 변수들인 EE, AA, DD를 각 명목에 대한 변수항목들인 원인AA, 원인BB, 원인CC, 원인DD, 원인EE의 바이너리 값(0 또는 1)로 처리할 수 있다.
전술한 변수 생성 과정은 도 4에 도시한 바와 같이 하나의 제품에 패드 식별자(PADID) 별로 여러 개의 측정 값(raw data)이 있을 때(도 3의 (a) 참조), 측정 값을 패드 식별자별로 각각 개별 변수로 생성한 전처리 데이터를 생성할 수 있다(도 3의 (b) 참조). 전처리 데이터에서는 이상유형별 이상 개수를 변수로 추가 생성할 수 있다.
전술한 숫자형 변수 변환 과정은 도 5에 도시한 바와 같이 날씨 정보(a)가 명목형으로 존재하는 경우, 각 날씨 상태를 숫자형 변수로 전환하는 개별 데이터 전처리를 수행할 수 있다. 도 5의 (a)는 로우 데이터(raw data)가 되고 (b)는 전처리된 데이터의 예시가 된다.
한편, 의미있는 변수 생성 과정은 제조 공정에서 날씨가 중요한 인자로 반영되고 있는 경우, 개별 날씨와, 제조 공정 중 최고 온도, 습도, 비가 한번이라도 왔는지(IS_RAIN) 등과 같은 의미있는 변수를 생성하기 위한 것이다. 의미있는 변수 생성 과정에서는, 도 6에 도시한 바와 같이, 날씨 정보로부터 공정 진행 상황의 평균, 최대 또는 최소 값 변수를 생성할 수 있다.
도 7은 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 데이터 통합 과정을 설명하기 위한 도면이다.
전술한 개별 데이터 전처리 과정 후에는 데이터 통합 과정이 수행될 수 있다. 데이터 통합 과정은, 도 7에 도시된 바와 같이, 소량의 불량 데이터 셋에서는 전체 데이터를 추출하고, 상대적으로 대량인 양품의 데이터 셋에서는 소량의 데이터만을 추출하여 통합 데이터 셋의 구성을 최적화할 수 있도록 설계될 수 있다.
도 8 내지 도 10은 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 단변량 분석 과정을 설명하기 위한 도면들이다.
본 실시에에 따른 공정 불량 원인 분석 방법에 채용할 수 있는 단변량 분석은, 개별 변수별로 최종 품질에 영향을 미치는 정도를 수치(index)로 표현하는 과정을 포함할 수 있다. 즉, 변수 구간의 영향도를 고려하기 위해 도 8에 도시한 바와 같이 개별 변수를 n등분(본 실시예에서는 7등분)하여 각 구간에 대한 불량과 양품의 개수를 기반으로 인덱스를 생성할 수 있다. 불량이나 양품의 개수는 해당 변수에 대한 공정별 서브 구간들에 대한 밀도(density)로 표현될 수 있다.
또한, 단변량 분석 과정은, 서브 구간 또는 변수 구간의 영향도를 분석할 수 있다. 즉, 불량 발생률은 불량의 대부분이 발생하는 구간을 찾아내기 위한 인덱스에 대응될 수 있다. 여기서, 불량 실개수(precision)는 구간 내 불량 개수를 전체 불량 개수로 나눈 값에 대응할 수 있다. 양품 실개수는 구간 내 양품 개수를 전체 양품 개수로 나눈 값에 대응할 수 있다. 또한, 불량 발생은 불량 정확도를 양품 정확도로 나눈 값에 대응할 수 있다. 즉, 불량 발생률은 구간 내 불량 개수를 전체 불량 개수로 나눈 제1 값(불량 비율)을 분자로 하고 해당 구간 내 양품 개수를 전체 양품 개수로 나눈 제2 값(양품 비율)을 분모로 하는 값에 대응될 수 있다. 이러한 계산 방식에 의하면, 불량의 비율이 평균보다 늘어나는 구간을 정확하고 효율적으로 찾을 수 있다.
일례로, 불량이 10개이고 양품이 100개인 제조 공정의 경우, 불량 비율이 0.1 이상인 구간을 효과적으로 찾을 수 있다. 좀더 구체적으로 예를 들어 설명하면, 도 9에 도시한 바와 같이 구간 A(6개의 막대들 중 가장 왼쪽에서부터 두 번째와 첫 번째)에서 불량이 5개이고 양품이 50개이면, 불량 실개수 또는 불량 비율은 1/2이고 양품 비율은 1/2이므로, 해당 구간 A에서의 불량 발생률은 1이 된다. 또한, 구간 B(네 번째와 세 번째)에서 불량이 1개이고 양품이 30개이면, 불량 비율은 1/10이고 양품 비율은 30/100이며, 따라서 해당 구간 B에서의 불량 발생률은 1/3이 된다. 그리고 구간 C(여섯 번째와 다섯 번째)에서 불량이 4개이고 양품이 20개이면, 불량 비율은 4/10이고 양품 비율은 20/100이며, 따라서 해당 구간 C에서의 불량 발생률은 2가 된다. 이와 같이, 본 실시예에 의하면, 여러 공정들 중 특정 공정이나 특정 공정에서의 서브 구간들 중 양품 대비 불량의 비율이 일정 값 이상으로 큰 구간을 효과적으로 찾아낼 수 있다.
또한, 본 실시예에 따른 방법에서의 단변량 분석 과정은, 서브 구간 또는 변수 구간의 영향도 분석에 더하여 불량 연관 관계를 파악할 수 있다. 불량 연관 관계는 구간(IF) 불량(Then)의 연관관계를 찾기 위한 수치(index) 표현에 대응될 수 있다. 수치 표현은 불량 지지율(support), 불량 확신률(confidence), 불량 승강률(lift) 등을 포함할 수 있다.
여기서, 불량 지지율은 구간 내 불량 개수를 전체 데이터 개수로 나눈 값에 대응할 수 있다. 불량 확신률은 구간 내 불량 개수를 전체 데이터 개수로 나눈 제1 값을 분자로 하고, 구간 내 데이터 개수를 전체 데이터 개수로 나눈 제2 값을 분모로 하는 값에 대응될 수 있다. 즉, 불량 확신률은 구간 내 불량 개수를 구간 내 데이터 개수로 나눈 값에 대응될 수 있다. 그리고 불량 승강률은 구간 내 불량 개수를 구간 내 데이터 개수로 나눈 제1 값을 분자로 하고, 전체 불량 개수를 전체 데이터 개수로 나눈 제2 값을 분모로 하는 값에 대응될 수 있다. 즉, 불량 승강률은 전체 불량 발생 빈도보다 특정 구간의 불량 발생 빈도가 높은 것을 찾는데 이용될 수 있다.
일례로, 불량이 10개이고 양품이 100개인 제조 공정에서, 특정 구간의 불량 발생 빈도가 전체 불량 발생 빈도보다 높은 구간을 효과적으로 찾을 수 있다. 좀더 구체적으로 예를 들어 설명하면, 도 9에 도시한 바와 같이 구간 A에서 불량이 5개이고 양품이 50개이면, 불량 지지율은 5/110이고 불량 확신률은 5/55이므로, 해당 구간 A에서의 불량 승강률은 1이 된다. 또한, 구간 B에서 불량이 1개이고 양품이 30개이면, 불량 지지율은 1/110이고 불량 확신률은 1/31이며, 따라서 해당 구간 B에서의 불량 승강률은 11/31이 된다. 그리고 구간 C에서 불량이 4개이고 양품이 20개이면, 불량 지지율은 4/110이고 불량 확신률은 5/24이며, 따라서 해당 구간 C에서의 불량 승강률은 55/25가 된다.
또한, 다른 한편으로, 전술한 단변량 분석은, 변수 구간의 영향도로서, 구간 내 양품 또는 불량이 얼마나 섞여있는지 판정하는 수치(index)를 산출할 수 있다. 이러한 수치는 엔트로피로 지칭될 수 있다. 엔트로피는 다음의 수학식 1로 표현될 수 있다.
Figure pat00001
엔트로피(Entropy)는 전체 구간 내의 양품 또는 불량의 불순도를 산출하는 것으로, 일반적으로 활용하는 구간 내의 양품/불량 비율과 비례할 수 있다.
일례로, 불량이 10개이고 양품이 100개인 제조 공정에서, 엔트로피는 도 10에 도시한 바와 같이 표현될 수 있다. 좀더 구체적으로, 구간 A에서 불량이 5개이고 양품이 50개이면, 엔트로피는 0.4394가 된다. 또한, 구간 B에서 불량이 1개이고 양품이 30개이면, 엔트로피는 0.2055가 된다. 그리고 구간 C에서 불량이 4개이고 양품이 20개이면, 엔트로피는 0.6500가 된다.
도 11 및 도 12는 도 1의 공정 불량 원인 분석 방법의 과정들 중에서 불량 원인 인자를 도출하고 시각화하는 과정을 설명하기 위한 도면들이다.
본 실시예에 따른 공정 불량 원인 분석 방법은, 전술한 일련의 과정들을 통해 얻어진 단변량 분석 결과를 도 11에 도시한 바와 같이 테이블(table) 형태로 수치로 도출하고 시각화할 수 있다. 이러한 테이블 형태의 단변량 분석 결과는 필터(filter)와 정렬(sorting)이 가능하므로 예컨대 최소 출현률(불량 개수)의 조정 등으로 의미없는 결과를 제거하는데 매우 효과적이다.
또한, 도 12에 도시한 바와 같이, 단변량 분석 결과 테이블에서 각 변수명을 클릭하면, 변수의 양품별 및/또는 불량별 분포 그래프가 자동으로 생성되어 화면에 표시되도록 할 수 있다.
전술한 실시예들에 의하면, 반도체, 자동차, 철강 등 국가 주력 산업 분야의 스마트 제조기술과 관련하여 본 명세서에서 제공하는 공정 불량 원인 분석 기술을 활용하여 공정 내 품질 이상 원인을 효과적으로 파악하고 시각화할 수 있다.
한편, 전술한 공정 불량 원인 분석 방법은 제어부, 저장부 및 인터페이스를 포함할 수 있다. 제어부를 프로세서 또는 마이크로프로세서를 포함할 수 있고, 저장부를 메모리를 포함할 수 있으며, 인터페이스는 네트워크 및 입출력 장치와의 연결과 관리를 지원하는 통신서브시스템, 입출력 인터페이스 등을 포함할 수 있다. 입출력 장치는 표시장치를 포함할 수 있다.
제어부는 저장부 저장되는 소프트웨어 모듈이나 프로그램을 수행하여 공정 불량 원인 분석 방법의 일련의 절차들을 수행할 수 있다.
제어부는 적어도 하나 이상의 중앙 처리 장치(CPU) 또는 코어를 포함할 수 있다. 중앙처리장치 또는 코어는 처리할 명령어를 저장하는 레지스터(register)와, 비교, 판단, 연산을 담당하는 산술논리연산장치(arithmetic logical unit, ALU)와, 명령어의 해석과 실행을 위해 CPU를 내부적으로 제어하는 제어유닛(control unit)과, 이들을 연결하는 내부 버스 등을 구비할 수 있다. 중앙처리장치 혹은 코어는 MCU(micro control unit)와 주변 장치(외부 확장 장치를 위한 집적회로)가 함께 배치되는 SOC(system on chip)로 구현될 수 있으며, 이에 한정되지 않는다.
또한, 제어부는 하나 이상의 데이터 프로세서, 이미지 프로세서 또는 코덱(CODEC)을 포함할 수 있으나, 이에 한정되지는 않는다. 제어부는 주변장치 인터페이스와 메모리 인터페이스를 구비할 수 있다. 주변장치 인터페이스는 제어부와 입출력장치나 다른 주변 장치를 연결하고, 메모리 인터페이스는 제어부와 메모리를 연결할 수 있다.
저장부는 공정 불량 원인 분석 방법의 과정들을 구현하기 위한 하나 이상의 소프트웨어 모듈을 저장할 수 있다. 소프트웨어 모듈은, 도 1의 각 단계를 수행하기 위한 모듈들을 포함할 수 있다.
저장부는 비휘발성 랜덤 액세스 메모리(non-volatile RAM, NVRAM), 대표적 휘발성 메모리인 DRAM(dynamic random access memory) 등의 반도체 메모리, 하드디스크 드라이브(hard disk drive, HDD), 광 저장 장치, 플래시 메모리 등으로 구현될 수 있다. 그리고 저장부는 공정 불량 원인 분석 방법을 수행하기 위한 소프트웨어 모듈 외에 제어부나 컴퓨팅 장치 등을 위한 운영체제, 프로그램, 명령어 집합 등을 저장할 수 있다.
한편, 전술한 실시예에 있어서, 공정 원인 불량 분석 방법의 과정들은 소정의 컴퓨팅 장치에서 일련의 기능을 구현하기 위한 소프트웨어 형태로 컴퓨터 판독 가능 매체(기록매체)에 저장되거나 혹은 캐리어 형태로 원격지에 저장되고 원격지의 컴퓨팅 장치에서 네트워크를 통해 다운로드되어 해당 기능을 수행하도록 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨팅 장치에서 읽어낼 수 있는 소프트웨어를 저장하는 장치를 포함하나, 이에 한정되지 않고, 네트워크를 통해 연결되는 복수의 컴퓨터 장치의 저장장치나 클라우드 시스템을 포함할 수 있다.
또한, 컴퓨터 판독 가능 매체는 공정 원인 불량 분석 방법과 직간접으로 연관되는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하는 형태를 더 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것을 포함할 수 있다.
또한, 컴퓨터 판독 가능 매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 여기서 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 하드웨어 장치는 본 실시예의 공정 불량 원인 분석 방법을 수행하기 위해 적어도 하나의 소프트웨어 모듈에 의해 동작하도록 구성될 수 있으며, 그 역도 마찬가지이다.
인터페이스는 제조 공정의 다수의 센서들과 신호 및 데이터를 송수신하는 장치와 이를 제어하거나 관리하는 수단 또는 그 구성부를 포함할 수 있다. 인터페이스는 인트라넷이나 인터넷, 이동 통신망, 위성망 등과의 연결을 위한 입력 포트, 유선 또는 무선 통신 라인 등을 포함할 수 있다. 이러한 인터페이스는 공정 불량 원인 분석 방법을 구현하는 컴퓨팅 장치의 구성요소들 중 입력장치, 데이터 수집부 혹은 데이터 획득부의 적어도 일부 기능부나 구성부에 대응할 수 있다. 즉, 이러한 인터페이스는 통신수단이나 통신 장치로서 하나 이상의 통신 프로토콜을 지원하는 하나 이상의 유선 및/또는 무선 통신 서브시스템을 포함할 수 있다.
유선 통신 서브시스템은, 무선 통신 서브시스템에 연결될 수 있으며, PSTN(public switched telephone network), ADSL(Asymmetric Digital Subscriber Line) 또는 VDSL(Very high-data rate Digital Subscriber Line) 네트워크, PES(PSTN Emulation Service)를 위한 서브시스템, IP(internet protocol) 멀티미디어 서브시스템(IMS) 등을 포함할 수 있다. 무선 통신 서브시스템은 무선 네트워크 연결을 위한 무선 주파수(radio frequency, RF) 수신기, RF 송신기, RF 송수신기, 광(예컨대, 적외선) 수신기, 광 송신기, 광 송수신기 또는 이들의 조합을 포함할 수 있다.
무선 네트워크는 기본적으로 인트라넷이나 Wi-Fi(Wireless Fidelity) 등의 근거리 네트워크를 지칭하나, 이에 한정되지 않는다. 본 실시예에서 인터페이스는 다양한 무선 네트워크를 지원하도록 구현될 수 있다. 무선 네트워크는, GSM(Global System for Mobile Communication), EDGE(Enhanced Data GSM Environment), CDMA(Code Division Multiple Access), W-CDMA(W-Code Division Multiple Access), LET-A(LET-Advanced), OFDMA(Orthogonal Frequency Division Multiple Access), WiMax, Bluetooth 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 청구범위에 의해서 정하여져야 할 것이다.

Claims (7)

  1. 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 공정 불량 원인 분석 방법으로서,
    복수의 공정들에 각각 설치되는 적어도 하나 이상의 센서에서 측정된 품질 검사 결과 데이터를 포함하는 제1 데이터와 공정 데이터를 포함하는 제2 데이터를 획득하는 단계;
    상기 제1 데이터 및 상기 제2 데이터 각각의 개별 데이터를 전처리하는 단계;
    상기 전처리된 개별 데이터를 통합하여 분석대상 데이터를 생성하는 단계;
    상기 불량 원인을 개별 변수별로 최종 품질에 영향을 미치는 정보를 수치로 표현하는 단변량 분석에 기초하여 분석하는 단계; 및
    상기 단변량 분석에 기초한 분석 결과에 따라 불량 원인 지수를 도출하는 단계를 포함하는 공정 불량 원인 분석 방법.
  2. 청구항 1에 있어서,
    상기 개별 데이터를 전처리하는 단계는, 변수 생성 과정, 숫자형 변수 변환 과정, 의미 있는 변수 생성 과정, 또는 이들의 조합을 포함하는, 공정 불량 원인 분석 방법.
  3. 청구항 2에 있어서,
    상기 변수 생성 과정은 행렬 형태의 데이터를 개별 제품 기준으로 열 데이터로 변환하는 것을 포함하는, 공정 불량 원인 분석 방법.
  4. 청구항 2에 있어서,
    상기 숫자형 변수 변환 과정은 명목형 변수를 포함하는 개별 데이터에서 명목형 변수를 신규 항목으로 설정하고 상기 명목형 변수의 해당 제품에 대한 신규 항목의 값을 바이너리로 처리하는, 공정 불량 원인 분석 방법.
  5. 청구항 2에 있어서,
    상기 의미있는 변수 생성 과정은,
    선택되는 공정에서의 센싱값에 대한 평균, 최대값 또는 최소값에 기반하여 각 공정에서의 불량의 발생율을 얻고,
    상기 불량의 발생률이 높은 영역 또는 공정을 중심으로 분석데이터로서 사용하기 위해 선택하는 관심 데이터량을 상기 선택되는 공정에 대한 전체 분석데이터의 50% 이상이 되도록 하는, 공정 불량 원인 분석 방법.
  6. 청구항 1에 있어서,
    상기 분석대상 데이터를 생성하는 단계는, 복수의 공정들을 통해 제조되는 제품에 대하여 상기 복수의 공정들 중 어느 하나의 개별 공정에서의 개별 변수를 복수 구간들로 구분하고, 상기 복수 구간들의 각 구간에서의 불량과 양품 또는 불량과 비불량의 개수에 기반한 인덱스를 생성하는, 공정 불량 원인 분석 방법.
  7. 청구항 1에 있어서,
    상기 도출하는 단계 후에 불량 원인 지수에 기초하여 품질 원인을 시각화하기 위한 정보를 출력하는 단계를 더 포함하는, 공정 불량 원인 분석 방법.
KR1020170158863A 2017-11-24 2017-11-24 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 KR101998972B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170158863A KR101998972B1 (ko) 2017-11-24 2017-11-24 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170158863A KR101998972B1 (ko) 2017-11-24 2017-11-24 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법

Publications (2)

Publication Number Publication Date
KR20190060548A true KR20190060548A (ko) 2019-06-03
KR101998972B1 KR101998972B1 (ko) 2019-07-10

Family

ID=66849497

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170158863A KR101998972B1 (ko) 2017-11-24 2017-11-24 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법

Country Status (1)

Country Link
KR (1) KR101998972B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110600112A (zh) * 2019-08-12 2019-12-20 东软医疗系统股份有限公司 一种用于发现零部件质量问题的方法、装置及设备
KR102362582B1 (ko) * 2020-12-31 2022-02-15 렉스소프트 주식회사 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체
WO2023096432A1 (ko) * 2021-11-29 2023-06-01 한화정밀기계 주식회사 부품 실장기의 부품 버림 원인을 분석하기 위한 장치 및 방법
WO2024034891A1 (ko) * 2022-08-12 2024-02-15 삼성전자주식회사 공정 운영 방법 및 상기 방법을 수행하는 전자 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010170178A (ja) * 2009-01-20 2010-08-05 Sharp Corp 生産管理システム
KR101318168B1 (ko) * 2012-11-30 2013-10-16 군산대학교산학협력단 농기계의 고장을 진단하는 장치 및 방법
KR101530848B1 (ko) 2012-09-20 2015-06-24 국립대학법인 울산과학기술대학교 산학협력단 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법
KR20160076646A (ko) 2014-12-23 2016-07-01 (주)해인씨앤에스 제조 공정 라인의 공정 및 품질 관리 방법 및 장치
KR101698385B1 (ko) * 2014-01-14 2017-01-20 주식회사 트라콤 데이터 마이닝을 이용한 타워크레인 고장예측방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010170178A (ja) * 2009-01-20 2010-08-05 Sharp Corp 生産管理システム
KR101530848B1 (ko) 2012-09-20 2015-06-24 국립대학법인 울산과학기술대학교 산학협력단 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법
KR101318168B1 (ko) * 2012-11-30 2013-10-16 군산대학교산학협력단 농기계의 고장을 진단하는 장치 및 방법
KR101698385B1 (ko) * 2014-01-14 2017-01-20 주식회사 트라콤 데이터 마이닝을 이용한 타워크레인 고장예측방법
KR20160076646A (ko) 2014-12-23 2016-07-01 (주)해인씨앤에스 제조 공정 라인의 공정 및 품질 관리 방법 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110600112A (zh) * 2019-08-12 2019-12-20 东软医疗系统股份有限公司 一种用于发现零部件质量问题的方法、装置及设备
KR102362582B1 (ko) * 2020-12-31 2022-02-15 렉스소프트 주식회사 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체
WO2023096432A1 (ko) * 2021-11-29 2023-06-01 한화정밀기계 주식회사 부품 실장기의 부품 버림 원인을 분석하기 위한 장치 및 방법
WO2024034891A1 (ko) * 2022-08-12 2024-02-15 삼성전자주식회사 공정 운영 방법 및 상기 방법을 수행하는 전자 장치

Also Published As

Publication number Publication date
KR101998972B1 (ko) 2019-07-10

Similar Documents

Publication Publication Date Title
KR101998972B1 (ko) 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법
KR20190060547A (ko) 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법
US8594826B2 (en) Method and system for evaluating a machine tool operating characteristics
Genta et al. Product complexity and design of inspection strategies for assembly manufacturing processes
US10579042B2 (en) Defect rate analytics to reduce defectiveness in manufacturing
CN109564422A (zh) 工具状况监测及匹配
US11170332B2 (en) Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators
JP7146375B2 (ja) 機械設備を点検するシステムおよび方法
KR20060006723A (ko) 검사 프로세스 향상을 위한 방법 및 장치
JP5080526B2 (ja) データ解析のための方法および装置
JP4568786B2 (ja) 要因分析装置および要因分析方法
KR20140113153A (ko) 통계적 동일성 검정방법 및 시스템
Gitzel Data Quality in Time Series Data: An Experience Report.
CN114429256A (zh) 数据监测方法、装置、电子设备及存储介质
CN114926051A (zh) 一种用于评估半导体设备制造产能的分析系统
JP2015045942A (ja) 品質管理装置、品質管理方法、及びプログラム
JP7354421B2 (ja) エラー要因の推定装置及び推定方法
US20120316803A1 (en) Semiconductor test data analysis system
KR101623354B1 (ko) 통합 품질관리시스템 기반의 품질검사 방법
JP6715705B2 (ja) 不良原因探索システム、及び不良要因探索方法
TWI647770B (zh) 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法
CN101118423A (zh) 虚拟测量预估模型的适用性选择方法与系统
CN110971483B (zh) 一种压力测试的方法、装置及计算机系统
TWM618959U (zh) 運用人工智慧之巨量資料分析平台
CN107992287B (zh) 一种系统需求优先级排序结果的检查方法和装置

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
GRNT Written decision to grant