KR20220028727A - 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 - Google Patents

열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 Download PDF

Info

Publication number
KR20220028727A
KR20220028727A KR1020200110115A KR20200110115A KR20220028727A KR 20220028727 A KR20220028727 A KR 20220028727A KR 1020200110115 A KR1020200110115 A KR 1020200110115A KR 20200110115 A KR20200110115 A KR 20200110115A KR 20220028727 A KR20220028727 A KR 20220028727A
Authority
KR
South Korea
Prior art keywords
series data
time
data
time series
anomaly detection
Prior art date
Application number
KR1020200110115A
Other languages
English (en)
Other versions
KR102486463B1 (ko
Inventor
김도훈
이원석
정수근
한금찬
이승현
Original Assignee
(주)브릭
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 (주)브릭 filed Critical (주)브릭
Priority to KR1020200110115A priority Critical patent/KR102486463B1/ko
Publication of KR20220028727A publication Critical patent/KR20220028727A/ko
Application granted granted Critical
Publication of KR102486463B1 publication Critical patent/KR102486463B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput

Abstract

열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치를 개시한다.
본 발명의 실시예에 따른 이상 감지 방법은, 시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및 상기 이상 감지 결과를 외부 장치로 제공하는 이상 가지 결과 출력 단계를 포함할 수 있다. 를 포함할 수 있다.

Description

열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치{Method and Apparatus for Real Time Fault Detection Using Time series data According to Degradation}
본 발명은 열화에 따른 시계열 데이터를 이용하여 실시간 이상 감지를 처리하는 방법 및 그를 위한 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
반도체 또는 평판디스플레이(FPD: Flat panel display)등의 제품 생산은 수 많은 제조 공정으로 이루어져 있으며, 최근에는 공정에서 발생하는 이상을 감지하기 위한 이상 감지(Fault Detection & Classification) 동작에 대한 연구가 활발히 진행되고 있다. 공정에서 발생하는 이상(Fault)은 외부적인 영향이나 내부적인 영향에 따라 화학적 및 물리적 성질이 나빠지는 열화 요소(degradation factor)에 의해 발생할 수 있다.
이상 감지 동작은 반도체 또는 평판디스플레이 제조산업에서 실시간으로 장비의 센서 데이터를 모니터링하고 분석함으로써 프로세스의 이상을 감지하고, 발생하는 이상을 식별하며, 결함의 근본 원인을 신속하게 분류하여 장비 활용을 극대화할 수 있다.
일반적인 이상 감지는 공정에 대한 시계열 데이터의 패턴을 학습하여 정상일 경우 예상되는 영역을 산출하고 실제값이 이를 벗어났을 때 이상으로 판단한다. 시계열 데이터의 패턴을 학습할 때는 주로 과거의 정상 시계열 데이터 셋을 학습 모델에 대입하여 진행하며, 주로 통계 분포를 기반으로 한 알고리즘을 활용한다.
하지만, 대부분 모델이 데이터 셋들의 변화 양상을 스스로 파악하여 이상 감지를 할 수 없다. 또한, 공정에서는 열화 현상이 흔히 나타나지만 열화 데이터 역시 정상(normal) 공정으로 판단되는 경우가 많으며, 열화 현상에 대해 이상 감지 모델이 학습하지 않은 경우 공정 이상으로 잘못된 감지를 할 수도 있다.
본 발명은 과거 이상 감지 이력을 기반으로 열화에 따른 패턴 학습을 수행하여 학습 모델을 생성하고, 학습된 학습 모델을 기반으로 실시간으로 수집되는 시계열 데이터를 이용하여 이상을 감지하는 방법 및 그에 따른 장치를 제공하는 데 주된 목적이 있다.
본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 이상 감지 방법은, 시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및 상기 이상 감지 결과를 외부 장치로 제공하는 이상 가지 결과 출력 단계를 포함할 수 있다.
또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 이상 감지 장치는, 적어도 하나 이상의 프로세서; 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하며, 상기 프로그램들은 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서들에서, 시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계; 상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계; 신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및 상기 이상 감지 결과를 외부 장치로 제공하는 이상 가지 결과 출력 단계를 포함하는 동작들을 수행하게 할 수 있다.
이상에서 설명한 바와 같이, 본 발명은 사용자의 개입 없이 시계열 데이터를 기반으로 공정에 대한 실시간 이상 감지를 수행할 수 있는 효과가 있다.
또한, 본 발명은 시계열 데이터에 포함된 데이터 셋이 변화하는 추세를 알고리즘이 스스로 파악하고 변화 추세에 따라 조정한 정상 범위를 이용하여 실시간 이상감지를 수행할 수 있는 효과가 있다.
또한, 본 발명은 시간이 지남에 따라 열화 현상이 발생하는 장비의 데이터에 대한 정상 범위에 대응되도록 공정 범위를 조정하여 실시간 이상 감지의 성능을 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 이상 감지 시스템을 개략적으로 나타낸 블록 구성도이다.
도 2는 본 발명의 실시예에 따른 이상 감지 장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 발명의 실시예에 따른 이상 감지 장치의 프로세서 동작을 설명하기 위한 블록 구성도이다.
도 4는 본 발명의 실시예에 따른 모델 학습 처리부를 개략적으로 나타낸 블록 구성도이다.
도 5는 본 발명의 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법을 설명하기 위한 순서도이다.
도 6은 본 발명의 실시예에 따른 이상 감지 처리부를 개략적으로 나타낸 블록 구성도이다.
도 7은 본 발명의 실시예에 따른 학습 모델을 이용한 이상 감지 방법을 설명하기 위한 순서도이다.
도 8은 본 발명의 실시예에 따른 이상 감지 결과 산출부를 개략적으로 나타낸 블록 구성도이다.
도 9는 본 발명의 실시예에 따른 실시간 이상 감지 방법을 설명하기 위한 순서도이다.
도 10a 및 도 10b는 종래의 문제점 및 본 발명의 실시예에 따른 이상 감지 동작을 설명하기 위한 예시도이다.
도 11는 본 발명의 실시예에 따른 이상 감지 장치의 이상 감지 동작을 설명하기 위한 예시도이다.
도 12는 본 발명의 실시예에 따른 이상 감지 장치의 실시간 이상 감지 동작을 설명하기 위한 예시도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다. 이하에서는 도면들을 참조하여 본 발명에서 제안하는 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 이상 감지 시스템을 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 이상 감지 시스템(10)은 이상 감지 장치(100) 및 공정 장치(200)를 포함한다. 도 1의 이상 감지 시스템(10)은 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 시스템(10)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 예를 들어, 이상 감지 시스템(10)은 시계열 데이터를 제공하는 데이터 제공장치(미도시) 또는 공정 장치(200)의 데이터를 센싱하여 시계열 데이터로 제공하는 장비 제어 어플리케이션 모듈(예: EAP(Equipment Automation Process)) 등을 추가로 포함할 수 있다.
본 실시예에 따른 이상 감지 시스템(10)은 반도체 또는 평판디스플레이(FPD: Flat panel display)등의 제품을 생산하기 위한 적어도 하나의 공정에 대한 이상 감지를 수행하는 시스템인 것이 바람직하나 반드시 이에 한정되는 것은 아니며, 시계열 데이터를 기반으로 이상 감지를 수행하기 위한 학습 모델이 적용 가능한 다양한 분야의 시스템 중 하나일 수 있다.
이상 감지 시스템(10)의 이상 감지 장치(100) 및 공정 장치(200)는 시계열 데이터를 기반으로 동작할 수 있으며, 시계열 데이터는 공정 과정에서 생성 또는 센싱된 데이터일 수 있으며, 센서 데이터, 이전 시점의 공정 조건 데이터, 이전 시점의 실 계측 데이터 등일 수 있다. 여기서, 시계열 데이터는 복수의 데이터 셋을 포함하는 형태로 구현될 수 있다.
이상 감지 장치(100)는 과거 이상 감지 이력을 기반으로 열화에 따른 패턴 학습을 수행하여 학습 모델을 생성하고, 학습된 학습 모델을 기반으로 실시간으로 수집되는 시계열 데이터의 이상을 감지하는 동작을 수행한다.
구체적으로, 이상 감지 장치(100)는 공정에 대한 시계열 데이터를 획득하고, 획득된 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성한다.
또한, 이상 감지 장치(100)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 기 생성된 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 산출된 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출하여 출력한다.
이상 감지 장치(100)는 생성된 이상 감지 결과를 공정 장치(200) 또는 공정 장치(200)과 연동하는 별도의 장치 또는 단말기로 제공한다.
공정 장치(200)는 반도체 또는 평판디스플레이 등의 제품을 생성하기 위한 공정을 수행하는 장치를 의미한다. 공정 장치(200)는 공정이 진행될 때 주기적으로 실제 계측을 실시할 수 있으며, 실 계측값이 기 설정된 기준값 이내이면 현재 공정 조건으로 공정이 진행되도록 하고, 실 계측값이 기 설정된 기준값을 벗어나거나 소정의 기준에 따라 공정 조건의 변화가 필요한 것으로 판단되면 공정 조건을 조정하여 공정을 처리한다.
공정 장치(200)는 외부적인 영향이나 내부적인 영향에 따라 화학적 및 물리적 성질이 나빠지는 열화 요소(degradation factor)에 의해 공정에서 이상(Fault)이 발생할 수 있으며, 이상 감지 장치(100)에서 생성된 이상 감지 결과에 근거하여 공정 조건이 조정될 수 있다.
도 2는 본 발명의 실시예에 따른 이상 감지 장치를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 이상 감지 장치(100)는 입력부(110), 출력부(120), 프로세서(130), 메모리(140) 및 데이터 베이스(150)를 포함한다. 도 2의 이상 감지 장치(100)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 이상 감지 장치(100)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
이상 감지 장치(100)는 과거 이상 감지 이력을 기반으로 열화에 따른 패턴 학습을 수행하여 학습 모델을 생성하고, 학습된 학습 모델을 기반으로 실시간으로 수집되는 시계열 데이터의 이상을 감지하는 동작을 수행한다.
입력부(110)는 이상 감지 장치(100)에서 패턴 학습 및 이상 감지 동작을 수행하기 위한 신호 또는 데이터를 입력하거나 획득하는 수단을 의미한다. 입력부(110)는 프로세서(130)와 연동하여 다양한 형태의 신호 또는 데이터를 입력하거나, 외부 장치와의 연동을 통해 신호 또는 데이터를 획득하여 프로세서(130)로 전달할 수도 있다. 여기서, 입력부(110)는 입력 변수, 시계열 데이터, 학습 조건, 가상 계측 수행 조건 등을 입력하기 위한 모듈로 구현될 수 있으나 반드시 이에 한정되는 것은 아니다.
출력부(120)는 프로세서(130)와 연동하여 학습 결과, 이상 감지 결과 등의 다양한 정보를 출력할 수 있다. 출력부(120)는 이상 감지 장치(100)에 구비된 디스플레이(미도시)를 통해 다양한 정보를 출력할 수 있으나 반드시 이에 한정되는 것은 아니며, 공정 장치(200) 또는 사용자 단말기와 연동하는 방식과 같이 다양한 형태의 방식으로 출력을 수행할 수 있다.
프로세서(130)는 메모리(140)에 포함된 적어도 하나의 명령어 또는 프로그램을 실행시키는 기능을 수행한다.
본 실시예에 따른 프로세서(130)는 입력부(110) 또는 데이터 베이스(150)로부터 획득된 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 동작을 수행한다.
또한, 프로세서(130)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 기 생성된 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 산출된 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출하는 동작을 수행한다. 본 실시예에 따른 프로세서(130)의 자세한 동작은 도 3 내지 7을 통해 설명하도록 한다.
메모리(140)는 프로세서(130)에 의해 실행 가능한 적어도 하나의 명령어 또는 프로그램을 포함한다. 메모리(140)는 학습 모델을 생성하는 동작, 예측 시계열 데이터를 산출하는 동작, 이상 감지 결과를 생성하는 동작 등을 위한 명령어 또는 프로그램을 포함할 수 있다.
데이터베이스(150)는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 의미하는 것으로, 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 뜻하는 것으로, 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 발명의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가지고 있다.
본 실시예에 따른 데이터베이스(150)는 시계열 데이터, 학습 모델 생성, 이상 감지 결과 산출 등과 관련된 데이터를 저장하고, 기 저장된 시계열 데이터, 학습 모델 생성, 이상 감지 결과 산출 등과 관련된 데이터를 제공할 수 있다.
데이터베이스(150)에 저장된 시계열 데이터는 센서 데이터, 이전 시점의 공정 조건 데이터, 이전 시점의 실 계측 데이터 등일 수 있다. 데이터베이스(150)는 이상 감지 장치(100) 내에 구현되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 별도의 데이터 저장장치로 구현될 수도 있다.
도 3은 본 발명의 실시예에 따른 이상 감지 장치의 프로세서 동작을 설명하기 위한 블록 구성도이다.
본 실시예에 따른 이상 감지 장치(100)의 프로세서(130)는 시계열 데이터 획득부(310), 모델 학습 처리부(320), 이상 감지 처리부(330), 이상 감지 결과 출력부(340)를 포함할 수 있다. 도 3에서 이상 감지 장치(100)의 프로세서(130)는 일 실시예에 따른 것으로서, 도 3에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 프로세서(130)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 이상 감지 장치(100)의 프로세서(130)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 장치로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
시계열 데이터 획득부(310)는 시간순으로 정렬된 시계열 데이터를 획득하는 동작을 수행한다. 시계열 데이터 획득부(310)는 제조 공정과 관련된 정보가 과거 이력 순으로 정렬된 시계열 데이터를 획득한다. 여기서, 시계열 데이터는 서로 다른 시점에 대한 복수의 데이터 셋을 포함할 수 있다.
시계열 데이터는 외부 장치(미도시), 별도의 저장부(미도시)로부터 획득하거나 사용자의 조작에 의해 획득할 수 있다.
모델 학습 처리부(320)는 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성한다.
모델 학습 처리부(320)는 적어도 3 개의 서로 다른 형태의 신경망을 이용하여 학습 모델을 생성할 수 있으나 반드시 이에 한정되는 것은 아니다.
모델 학습 처리부(320)에 대한 구체적인 설명은 도 4에서 자세히 기재하도록 한다.
이상 감지 처리부(330)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출한다.
이상 감지 처리부(330)는 적어도 3 개의 서로 다른 신경망을 포함하는 학습 모델을 이용하여 적어도 하나의 특징값 및 예측 시계열 데이터를 산출하여 이상 감지 결과를 생성할 수 있으나 반드시 이에 한정되는 것은 아니다.
이상 감지 처리부(330)에 대한 구체적인 설명은 도 6에서 자세히 기재하도록 한다.
이상 감지 결과 출력부(340)는 산출된 이상 감지 결과를 외부 장치로 제공하는 동작을 수행한다.
이상 감지 결과 출력부(340)는 이상 감지 결과를 공정 장치(200)로 제공할 수 있으나 반드시 이에 한정되는 것은 아니며, 공정 장치(200)와 연동하는 별도의 제어장치 또는 사용자 단말기로 이상 감지 결과를 제공할 수 있다.
도 4는 본 발명의 실시예에 따른 모델 학습 처리부를 개략적으로 나타낸 블록 구성도이다.
모델 학습 처리부(320)는 제1 특징값 산출부(410), 제2 특징값 산출부(420), 데이터 복원부(430) 및 학습 모델 생성부(440)를 포함한다. 도 4의 모델 학습 처리부(320)는 일 실시예에 따른 것으로서, 도 4에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 모델 학습 처리부(320)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 모델 학습 처리부(320)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
모델 학습 처리부(320)는 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성한다.
제1 특징값 산출부(410)는 제1 신경망을 통해 시계열 데이터에 대한 제1 특징값을 산출한다.
제1 특징값 산출부(410)는 컨볼루션 신경망(CNN: convolutional neural network)을 포함하는 제1 신경망을 통해 시간에 따라 변화하는 제1 특징값을 산출할 수 있다.
제2 특징값 산출부(420)는 제2 신경망을 통해 제1 특징값을 기반으로 제2 특징값을 산출한다.
제2 특징값 산출부(420)는 순환 신경망(RNN: Recurrent Neural Network)을 포함하는 제2 신경망을 통해 시계열 데이터에 포함된 서로 다른 시점의 데이터 셋의 변화 양상에 대한 제2 특징값을 산출할 수 있다.
데이터 복원부(430)는 제3 신경망을 통해 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 복원 시계열 데이터를 생성한다.
데이터 복원부(430)는 역컨볼루션 신경망(Deconvolutional Neural Network)을 포함하는 제3 신경망을 통해 제2 특징값을 기반으로 시계열 데이터와 동일한 형태의 복원 시계열 데이터를 생성할 수 있다.
학습 모델 생성부(440)는 시계열 데이터와 복원 시계열 데이터를 비교하고, 비교 결과에 근거하여 이상 감지를 위한 학습 모델을 생성한다.
학습 모델 생성부(440)는 시계열 데이터와 복원 시계열 데이터를 비교하여 에러값을 산출하고, 에러값이 임계치 이상인 경우 이상 감지를 위한 제1 신경망, 제2 신경망 및 제3 신경망을 업데이트하는 동작을 반복하여 수행한다. 즉, 학습 모델 생성부(440)는 에러값이 임계값 이상인 경우, 제1 신경망, 제2 신경망 및 제3 신경망에 대한 백프로파게이션(Backpropagation)을 수행한다.
한편, 학습 모델 생성부(440)는 에러값이 임계치 미만인 경우 제1 신경망, 제2 신경망 및 제3 신경망을 포함하는 학습 모델을 생성한다.
도 5는 본 발명의 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법을 설명하기 위한 순서도이다.
이상 감지 장치(100)는 초기 시계열 데이터를 획득한다(S510).
이상 감지 장치(100)는 초기 시계열 데이터에 대한 제1 특징값을 산출한다(S520).
이상 감지 장치(100)는 제1 특징값을 기반으로 제2 특징값을 산출한다(S530).
이상 감지 장치(100)는 제2 특징값을 초기 시계열 데이터와 동일한 형태로 복원 처리하여 복원 시계열 데이터를 생성한다(S540).
이상 감지 장치(100)는 초기 시계열 데이터 및 복원 시계열 데이터를 비교하여 에러값 및 잔차값을 산출한다(S550).
이상 감지 장치(100)는 산출된 에러값과 기 설정된 임계치를 비교한다(S560).
단계 S560에서, 이상 감지 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 상기 임계치 이상인 경우 이상 감지를 위한 제1 신경망, 제2 신경망 및 제3 신경망을 업데이트하는 동작을 반복하여 수행한다(S562). 즉, 에러값이 임계값 이상인 경우, 이상 감지 장치(100)는 백프로파게이션을 수행하여 단계 S520로 돌아가 학습 동작을 반복한다.
단계 S560에서, 이상 감지 장치(100)는 에러값과 기 설정된 임계치를 비교하여, 에러값이 임계치 미만인 경우 학습을 종료하고, 제1 신경망, 제2 신경망 및 제3 신경망을 포함하는 이상 감지를 위한 학습 모델을 생성한다(S570).
도 5에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 5에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 5는 시계열적인 순서로 한정되는 것은 아니다.
도 5에 기재된 본 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 모델 학습 처리를 위한 이상 감지 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 6은 본 발명의 실시예에 따른 이상 감지 처리부를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 이상 감지 처리부(330)는 학습 모델 처리부(610), 시계열 데이터 예측부(620) 및 이상 감지 결과 산출부(630)를 포함한다. 도 6의 이상 감지 처리부(330)는 일 실시예에 따른 것으로서, 도 6에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 처리부(330)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 처리부(330)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
이상 감지 처리부(330)는 신규 시계열 데이터를 획득하며, 신규 시계열 데이터를 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 예측 시계열 데이터를 기반으로 이상 감지 결과를 산출한다.
학습 모델 처리부(610)는 기 학습된 학습 모델을 저장하고, 신규 시계열 데이터를 학습 모델에 대입하여 신규 시계열 데이터에 대한 적어도 하나의 특징값을 산출한다. 여기서, 학습 모델 처리부(610)는 시간에 따라 변화하는 제1 특징값 및 서로 다른 시점의 데이터 셋의 변화 양상에 대한 제2 특징값을 포함하는 적어도 하나의 특징값을 산출할 수 있다.
시계열 데이터 예측부(620)는 적어도 하나의 특징값을 기반으로 다음 시점의 예측 시계열 데이터를 산출한다. 시계열 데이터 예측부(620)는 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 예측 시계열 데이터를 생성할 수 있다.
학습 모델 처리부(610) 및 시계열 데이터 예측부(620)는 제1 신경망, 제2 신경망, 제3 신경망 등과 같이, 적어도 3 개의 서로 다른 신경망을 포함하는 학습 모델을 이용하여 적어도 하나의 특징값 및 예측 시계열 데이터를 산출할 수 있다.
이상 감지 결과 산출부(630)는 신규 시계열 데이터와 예측 시계열 데이터를 비교하여 산출된 잔차값을 기반으로 이상 감지 결과를 산출한다.
이상 감지 결과 산출부(630)는 잔차값을 기 설정된 신뢰도 임계값과 비교하고, 잔차값이 신뢰도 임계값을 초과하는 경우 공정에서 이상이 발생한 것으로 판단하여 이상 감지 결과를 생성한다.
이상 감지 결과 산출부(630)는 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 시계열 데이터의 이상을 감지할 수 있다.
이상 감지 결과 산출부(630)는 실시간 이상 감지에 적용하기 위한 실시간 이상 감지용 데이터를 수집한다. 실시간 이상 감지용 데이터는 시계열 데이터의 시점 단위인 매 i 시점마다 실시간으로 공정 장치(200)로부터 수집될 수 있다.
이상 감지 결과 산출부(630)는 i 시점에서 수집된 실시간 이상 감지용 데이터와 시계열 데이터 예측부(620)에서 산출된 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정한다. 구체적으로, 이상 감지 결과 산출부(630)는 실시간 이상 감지용 데이터와 예측 시계열 데이터와의 유사도를 산출하고, 유사도가 가장 높은 데이터 셋을 선정한다.
이상 감지 결과 산출부(630)는 예측 시계열 데이터에 포함된 복수의 데이터 셋 중 실시간 이상 감지용 데이터와 동일한 시점 또는 사용자가 지정한 현재 시점의 데이터 셋을 기준으로 기 설정된 시간(h) 전후 시점 이내에 존재하는 데이터 셋 각각과 유사도를 산출하고, 산출된 유사도가 가장 높은 데이터 셋을 선정한다. 이를 통해 시계열 데이터가 변화하는 양상을 정상 구간 계산에 반영할 수 있다.
이후, 이상 감지 결과 산출부(630)는 유사도가 가장 높은 데이터 셋의 다음 시점(i+1)의 예측 시계열 데이터와 잔차값을 계산하여 신뢰도 임계값을 산출한다.
이상 감지 결과 산출부(630)는 실시간 이상 감지용 데이터가 다음 시점에서 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지한다.
한편, 이상 감지 결과 산출부(630)는 실시간 이상 감지용 데이터를 수집하여 실시간으로 공정의 이상을 감지하는 동작을 기 설정된 주기마다 반복하여 수행할 수 있다. 여기서, 기 설정된 주기는 i 시점으로 설정될 수 있으나 반드시 이에 한정되는 것은 아니며, 소정의 주기마다 실시간 이상 감지를 수행하는 횟수가 설정될 수도 있다.
도 7은 본 발명의 실시예에 따른 학습 모델을 이용한 이상 감지 방법을 설명하기 위한 순서도이다.
이상 감지 장치(100)는 시계열 데이터를 획득한다(S710). 여기서, 시계열 데이터는 학습 과정의 시계열 데이터와 상이한 신규 시계열 데이터일 수 있다.
이상 감지 장치(100)는 기 생성된 학습 모델을 통해 시계열 데이터에 대한 적어도 하나의 특징값을 추출한다(S720). 여기서, 이상 감지 장치(100)는 시간에 따라 변화하는 제1 특징값 및 서로 다른 시점의 데이터 셋의 변화 양상에 대한 제2 특징값을 포함하는 적어도 하나의 특징값을 산출할 수 있다.
이상 감지 장치(100)는 적어도 하나의 특징값을 기반으로 다음 시점의 시계열 데이터를 예측한다(S730). 이상 감지 장치(100)는 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 예측 시계열 데이터를 생성할 수 있다.
이상 감지 장치(100)는 예측된 시계열 데이터를 기반으로 이상 감지 결과를 생성한다(S740). 이상 감지 장치(100)는 신규 시계열 데이터와 예측 시계열 데이터를 비교하여 산출된 잔차값을 기반으로 이상 감지 결과를 산출한다.
도 7에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 7에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 7은 시계열적인 순서로 한정되는 것은 아니다.
도 7에 기재된 본 실시예에 따른 학습 모델을 이용한 이상 감지 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 학습 모델을 이용한 이상 감지 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 8은 본 발명의 실시예에 따른 이상 감지 결과 산출부를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 이상 감지 결과 산출부(630)는 데이터 수집부(810), 데이터 선택부(820) 및 이상 검출부(830)를 포함한다. 도 8의 이상 감지 결과 산출부(630)는 일 실시예에 따른 것으로서, 도 8에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 이상 감지 결과 산출부(630)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 이상 감지 결과 산출부(630)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 프로그램으로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
이상 감지 결과 산출부(630)는 예측 시계열 데이터의 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 시계열 데이터의 이상을 감지할 수 있다.
데이터 수집부(810)는 기 설정된 시점 단위마다 실시간 이상 감지용 데이터를 수집한다. 여기서, 실시간 이상 감지용 데이터는 시계열 데이터의 시점 단위인 매 i 시점마다 실시간으로 공정 장치(200)로부터 수집될 수 있다.
데이터 선택부(820)는 특정 시점에서 수집된 실시간 이상 감지용 데이터와 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정한다. 구체적으로, 데이터 선택부(820)는 실시간 이상 감지용 데이터와 예측 시계열 데이터와의 유사도를 산출하고, 유사도가 가장 높은 유사한 데이터 셋을 선정할 수 있다.
데이터 선택부(820)는 예측 시계열 데이터에 포함된 복수의 데이터 셋 중 실시간 이상 감지용 데이터와 동일한 시점 또는 사용자가 지정한 현재 시점의 데이터 셋을 기준으로 기 설정된 시간(h) 전후 시점 이내에 존재하는 데이터 셋 각각과 유사도를 산출하고, 산출된 유사도가 가장 높은 데이터 셋을 선정할 수 있다.
이상 검출부(830)는 선정된 데이터 셋을 기반으로 신뢰도 임계값을 산출하고, 상기 신뢰도 임계값을 기준으로 실시간 이상을 감지한다.
이상 검출부(830)는 유사한 데이터 셋의 다음 시점의 예측 시계열 데이터와의 잔차값을 계산하여 신뢰도 임계값을 산출하고, 실시간 이상 감지용 데이터가 다음 시점에서 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지하여 이상 감지 결과를 생성한다.
도 9는 본 발명의 실시예에 따른 실시간 이상 감지 방법을 설명하기 위한 순서도이다.
이상 감지 장치(100)는 이상 감지에 적용할 실시간 이상 감지용 데이터를 수집한다(S910). 여기서, 실시간 이상 감지용 데이터는 시계열 데이터의 시점 단위인 매 i 시점마다 실시간으로 공정 장치(200)로부터 수집될 수 있다.
이상 감지 장치(100)는 예측 시계열 데이터(예측값) 중 수집된 실시간 이상 감지용 데이터와 유사한 데이터 셋을 선택한다(S920)
이상 감지 장치(100)는 선택된 데이터 셋을 이용하여 신뢰도 임계값을 산출한다(S930).
이상 감지 장치(100)는 산출된 신뢰도 임계값을 기준으로 실시간 이상 감지용 데이터에 대한 이상을 감지하여 이상 감지 결과를 생성한다(S940)
도 9에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 9에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 9는 시계열적인 순서로 한정되는 것은 아니다.
도 10a 및 도 10b는 종래의 문제점 및 본 발명의 실시예에 따른 이상 감지 동작을 설명하기 위한 예시도이다.
도 10a는 열화가 발생하여 공정에 대한 시계열 데이터가 기 설정된 목표값에서 벗어는 현상을 나타낸다. 도 10a의 (a)는 공정 장치의 열화로 인해 시계열 데이터의 공정값이 상승된 결과를 나타내고, 도 10a의 (b)는 공정 장치의 열화로 인해 시계열 데이터의 공정값이 쉬프트(shift)된 결과를 나타낸다.
도 10b는 열화에 따른 패턴 학습을 통해 이상을 감지하고 이에 따른 공정 범위 조정되도록 이상 감지 결과 생성하여 공정 관리 범위를 조정하는 동작을 나타낸다.
도 10b의 (a)는 정상(normal) 공정일 때 시계열 데이터가 보일 수 있는 범위(신뢰구간)를 모델을 통해 정의하고, 이 범위를 벗어난 경우 이상(fault, abnormal)으로 감지하는 동작을 나타낸다.
도 10b의 (b)는 열화 현상 자체를 학습하여 여기에 맞는 공정 관리 범위를 새로 정의하여 잘못된 공정 이상 감지 현상을 줄인 결과를 나타낸다.
도 11는 본 발명의 실시예에 따른 이상 감지 장치의 이상 감지 동작을 설명하기 위한 예시도이다.
도 11의 (a)는 시계열 데이터를 획득하는 동작을 나타낸다.
도 11의 (a)에서, 이상 감지 장치(100)는 과거 이력 순으로 기록된 시계열 데이터를 학습 데이터로 사용한다. 시계열 데이터에 포함된 데이터 각각을 데이터 셋이라고 정의하며, 시계열 데이터의 시점은 i로 표현하고, 데이터 셋의 시점은 t로 표현한다.
도 11의 (b-1)은 제1 신경망을 통해 제1 특징값을 산출하는 동작을 나타낸다.
도 11의 (b-2)는 제2 신경망을 통해 제1 특징값을 기반으로 제2 특징값을 산출하는 동작을 나타낸다.
도 11의 (b-3)은 제3 신경망을 통해 제2 특징값을 기반으로 시계열 데이터를 복원 처리하여 복원 시계열 데이터를 생성하는 동작을 나타낸다.
도 11의 (b)에서는 제1 신경망(Convolutional Neural Network)과 제2 신경망(Recurrent Neural Network) 및 제3 신경망(Deconvolutional Neural Network)을 순차적으로 이어 오차에 대한 프로파게이션이 전달되도록 한다.
1 차원 필터를 사용하는 제1 신경망은 시계열 데이터의 특징을 추출한다. 이 때 제2 신경망에 데이터 셋의 시간 순서대로 입력되어 이전 데이터 셋이 현재 시점의 데이터 셋에 미치는 특징을 영향을 학습하게 된다.
제3 신경망은 제2 특징값을 사용하여 초기 시계열 데이터 형태로 복원한다. 그리고 복원된 복원 시계열 데이터와 초기 시계열 데이터를 비교하여 에러값와 잔차값을 계산한다. 시간에 따라 변하는 양상이 존재하여 정상적으로 학습된 경우 잔차값이 작고 열화로 인해 비정상적으로 학습된 경우 잔차가 커져 신뢰구간 영역이 넓어지게 된다.
도 11의 (c)는 제1 신경망, 제2 신경망 및 제3 신경망을 학습하여 얻은 심층 신경망(Deep Neural Network)에 대한 학습 모델을 활용하여 다음 시점의 시계열 데이터 셋을 예측한다. 이 때 얻은 잔차값을 신뢰구간 계산에 사용할 수 있다.
도 12는 본 발명의 실시예에 따른 이상 감지 장치의 실시간 이상 감지 동작을 설명하기 위한 예시도이다.
도 12를 참고하면, 이상 감지 장치(100)는 i=1 시점에서 수집된 실시간 이상 감지용 데이터(1210)와 동일한 시점에 해당하는 예측 시계열 데이터(i=1)와의 유사도를 산출하고, 유사도가 가장 높은 데이터 셋을 선정한다.
이상 감지 장치(100)는 예측 시계열 데이터에 포함된 복수의 데이터 셋 중 실시간 이상 감지용 데이터와 동일한 시점 또는 사용자가 지정한 현재 시점의 데이터 셋(1220, 1230)을 기준으로 기 설정된 시간(h) 전후 시점 이내에 존재하는 데이터 셋 각각과 유사도를 산출하고, 산출된 유사도가 가장 높은 데이터 셋을 선정한다.
이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 이상 감지 시스템
100: 이상 감지 장치 200: 공정 장치
110: 입력부 120: 출력부
130: 프로세서 140: 메모리
150: 데이터 베이스
310: 시계열 데이터 획득부 320: 모델 학습 처리부
330: 이상 감지 처리부 340: 이상 감지 결과 출력부

Claims (12)

  1. 이상 감지 장치에서 실시간 이상 감지를 수행하는 방법에 있어서,
    시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계;
    상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계;
    신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및
    상기 이상 감지 결과를 외부 장치로 제공하는 이상 가지 결과 출력 단계
    를 포함하는 것을 특징으로 하는 이상 감지 방법.
  2. 제1항에 있어서,
    상기 시계열 데이터 획득 단계는,
    공정과 관련된 정보가 과거 이력 순으로 정렬된 상기 시계열 데이터를 획득하되,
    상기 시계열 데이터는 서로 다른 시점에 대한 복수의 데이터 셋을 포함하는 것을 특징으로 하는 이상 감지 방법.
  3. 제1항에 있어서,
    상기 모델 학습 처리 단계는,
    제1 신경망을 통해 상기 시계열 데이터에 대한 제1 특징값을 산출하는 제1 특징값 산출 단계;
    제2 신경망을 통해 상기 제1 특징값을 기반으로 제2 특징값을 산출하는 제2 특징값 산출 단계;
    제3 신경망을 통해 상기 제2 특징값을 기반으로 상기 시계열 데이터를 복원 처리하여 복원 시계열 데이터를 생성하는 데이터 복원 단계; 및
    상기 시계열 데이터와 상기 복원 시계열 데이터를 비교하고, 비교 결과에 근거하여 이상 감지를 위한 상기 학습 모델을 생성하는 학습 모델 생성 단계
    를 포함하는 것을 특징으로 하는 이상 감지 방법.
  4. 제1항에 있어서,
    상기 이상 감지 처리 단계는,
    학습된 상기 학습 모델을 저장하고, 신규 시계열 데이터를 상기 학습 모델에 대입하여 신규 시계열 데이터에 대한 적어도 하나의 특징값을 산출하는 학습 모델 처리 단계;
    상기 적어도 하나의 특징값을 기반으로 다음 시점의 상기 예측 시계열 데이터를 산출하는 시계열 데이터 예측 단계; 및
    상기 예측 시계열 데이터의 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 상기 이상 감지 결과를 산출하는 이상 감지 결과 산출 단계
    를 포함하는 것을 특징으로 하는 이상 감지 방법.
  5. 제4항에 있어서,
    상기 이상 감지 결과 산출 단계는,
    기 설정된 시점 단위마다 상기 실시간 이상 감지용 데이터를 수집하는 데이터 수집 단계;
    특정 시점에서 수집된 상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정하는 데이터 선택 단계; 및
    선정된 데이터 셋을 기반으로 신뢰도 임계값을 산출하고, 상기 신뢰도 임계값을 기준으로 실시간 이상을 감지하는 이상 검출 단계
    를 포함하는 것을 특징으로 하는 이상 감지 방법.
  6. 제5항에 있어서,
    상기 데이터 선택 단계는,
    상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터와의 유사도를 산출하고, 상기 유사도가 가장 높은 상기 유사한 데이터 셋을 선정하는 것을 특징으로 하는 이상 감지 방법.
  7. 제6항에 있어서,
    상기 이상 검출 단계는,
    상기 유사한 데이터 셋의 다음 시점의 예측 시계열 데이터와의 잔차값을 계산하여 신뢰도 임계값을 산출하고, 상기 실시간 이상 감지용 데이터가 다음 시점에서 상기 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지하여 상기 이상 감지 결과를 생성하는 것을 특징으로 하는 이상 감지 방법.
  8. 이상 감지를 수행하는 장치로서,
    적어도 하나 이상의 프로세서; 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하며, 상기 프로그램들은 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서들에서,
    시간순으로 정렬된 시계열 데이터를 획득하는 시계열 데이터 획득 단계;
    상기 시계열 데이터에 대한 적어도 하나의 특징값을 추출하고, 상기 적어도 하나의 특징값을 기반으로 이상 감지를 위한 학습 모델을 생성하는 모델 학습 처리 단계;
    신규 시계열 데이터를 획득하며, 상기 신규 시계열 데이터를 상기 학습 모델에 적용하여 다음 시점의 예측 시계열 데이터를 산출하고, 수집된 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 기반으로 실시간으로 이상 감지 결과를 산출하는 이상 감지 처리 단계; 및
    상기 이상 감지 결과를 외부 장치로 제공하는 이상 가지 결과 출력 단계
    를 포함하는 동작들을 수행하게 하는 것을 특징으로 하는 이상 감지 장치.
  9. 제8항에 있어서,
    상기 이상 감지 처리 단계는,
    학습된 상기 학습 모델을 저장하고, 신규 시계열 데이터를 상기 학습 모델에 대입하여 신규 시계열 데이터에 대한 적어도 하나의 특징값을 산출하는 학습 모델 처리 단계;
    상기 적어도 하나의 특징값을 기반으로 다음 시점의 상기 예측 시계열 데이터를 산출하는 시계열 데이터 예측 단계; 및
    상기 예측 시계열 데이터의 잔차값을 이용하여 신뢰 구간을 계산하고, 실시간으로 상기 이상 감지 결과를 산출하는 이상 감지 결과 산출 단계
    를 포함하는 것을 특징으로 하는 이상 감지 장치.
  10. 제9항에 있어서,
    상기 이상 감지 결과 산출 단계는,
    기 설정된 시점 단위마다 상기 실시간 이상 감지용 데이터를 수집하는 데이터 수집 단계;
    특정 시점에서 수집된 상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터를 비교하여 유사한 데이터 셋을 선정하는 데이터 선택 단계; 및
    선정된 데이터 셋을 기반으로 신뢰도 임계값을 산출하고, 상기 신뢰도 임계값을 기준으로 실시간 이상을 감지하는 이상 검출 단계
    를 포함하는 것을 특징으로 하는 이상 감지 장치.
  11. 제10항에 있어서,
    상기 데이터 선택 단계는,
    상기 실시간 이상 감지용 데이터와 상기 예측 시계열 데이터와의 유사도를 산출하고, 상기 유사도가 가장 높은 상기 유사한 데이터 셋을 선정하는 것을 특징으로 하는 이상 감지 장치.
  12. 제11항에 있어서,
    상기 이상 검출 단계는,
    상기 유사한 데이터 셋의 다음 시점의 예측 시계열 데이터와의 잔차값을 계산하여 신뢰도 임계값을 산출하고, 상기 실시간 이상 감지용 데이터가 다음 시점에서 상기 신뢰도 임계값을 초과하는 경우 공정에 이상이 발생한 것으로 감지하여 상기 이상 감지 결과를 생성하는 것을 특징으로 하는 이상 감지 장치.
KR1020200110115A 2020-08-31 2020-08-31 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 KR102486463B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200110115A KR102486463B1 (ko) 2020-08-31 2020-08-31 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200110115A KR102486463B1 (ko) 2020-08-31 2020-08-31 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치

Publications (2)

Publication Number Publication Date
KR20220028727A true KR20220028727A (ko) 2022-03-08
KR102486463B1 KR102486463B1 (ko) 2023-01-09

Family

ID=80812897

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200110115A KR102486463B1 (ko) 2020-08-31 2020-08-31 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치

Country Status (1)

Country Link
KR (1) KR102486463B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056692A (zh) * 2023-10-09 2023-11-14 山东芯赛思电子科技有限公司 一种SiC基电机驱动器件的老化预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001148A (ko) * 2007-06-29 2009-01-08 삼성전자주식회사 가상 계측 시스템 및 가상 계측 방법
KR101417701B1 (ko) * 2011-01-18 2014-07-08 도쿄엘렉트론가부시키가이샤 처리 장치의 이상 판정 시스템 및 그 이상 판정 방법
WO2020111258A1 (ja) * 2018-11-30 2020-06-04 東京エレクトロン株式会社 仮想測定装置、仮想測定方法及び仮想測定プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001148A (ko) * 2007-06-29 2009-01-08 삼성전자주식회사 가상 계측 시스템 및 가상 계측 방법
KR101417701B1 (ko) * 2011-01-18 2014-07-08 도쿄엘렉트론가부시키가이샤 처리 장치의 이상 판정 시스템 및 그 이상 판정 방법
WO2020111258A1 (ja) * 2018-11-30 2020-06-04 東京エレクトロン株式会社 仮想測定装置、仮想測定方法及び仮想測定プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056692A (zh) * 2023-10-09 2023-11-14 山东芯赛思电子科技有限公司 一种SiC基电机驱动器件的老化预测方法
CN117056692B (zh) * 2023-10-09 2024-01-23 山东芯赛思电子科技有限公司 一种SiC基电机驱动器件的老化预测方法

Also Published As

Publication number Publication date
KR102486463B1 (ko) 2023-01-09

Similar Documents

Publication Publication Date Title
US10914608B2 (en) Data analytic engine towards the self-management of complex physical systems
JP6811276B2 (ja) 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
EP3422518B1 (en) A method for recognizing contingencies in a power supply network
Lu et al. GAN-based data augmentation strategy for sensor anomaly detection in industrial robots
CN113518011B (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
JP7470784B2 (ja) 異常機器トレース検出および分類
EP3422517B1 (en) A method for recognizing contingencies in a power supply network
CN112416643A (zh) 无监督异常检测方法与装置
KR102362159B1 (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
Su et al. Detecting outlier machine instances through gaussian mixture variational autoencoder with one dimensional cnn
CN115983087B (zh) 一种注意力机制与lstm结合检测时序数据异常方法及终端机
JP2023535721A (ja) プロセストレースからの装置故障モードの予測
JP2003044123A (ja) プラント診断装置
CN115587335A (zh) 异常值检测模型的训练方法、异常值检测方法及系统
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
KR102383675B1 (ko) 시계열 데이터 이상 진단 시스템
CN117313015A (zh) 一种基于时序和多变量的时间序列异常检测方法及系统
CN117113139A (zh) 故障检测模型的训练方法、装置、计算机设备和存储介质
CN111930728A (zh) 一种设备的特征参数和故障率的预测方法及系统
KR102486462B1 (ko) 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
Jiang et al. A timeseries supervised learning framework for fault prediction in chiller systems
KR102486460B1 (ko) 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
Chen et al. A multimode anomaly detection method based on oc-elm for aircraft engine system

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant