KR20220038269A - 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법 - Google Patents

제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법 Download PDF

Info

Publication number
KR20220038269A
KR20220038269A KR1020210031554A KR20210031554A KR20220038269A KR 20220038269 A KR20220038269 A KR 20220038269A KR 1020210031554 A KR1020210031554 A KR 1020210031554A KR 20210031554 A KR20210031554 A KR 20210031554A KR 20220038269 A KR20220038269 A KR 20220038269A
Authority
KR
South Korea
Prior art keywords
machine learning
prediction
data
processor
learning model
Prior art date
Application number
KR1020210031554A
Other languages
English (en)
Inventor
이장환
Original Assignee
삼성디스플레이 주식회사
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 삼성디스플레이 주식회사 filed Critical 삼성디스플레이 주식회사
Publication of KR20220038269A publication Critical patent/KR20220038269A/ko

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33025—Recurrent artificial neural network
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33036—Error back propagation
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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]

Abstract

본 발명의 한 실시예에 따른, 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법은, 처리기에 의하여 입력 데이터를 수신하는 단계, 상기 처리기에 의하여, 상기 입력 데이터에 기초하여 제1 예측을 수행하는 단계, 상기 처리기에 의하여, 상기 제1 예측에 기초하여 복수의 기계 학습 모델 중 제1 기계 학습 모델을 식별하는 단계, 상기 처리기에 의하여, 상기 입력 데이터 및 상기 제1 기계 학습 모델에 기초하여 제2 예측을 수행하는 단계, 그리고 상기 처리기에 의하여, 상기 제2 예측에 기초하여 제품의 제조를 조정하는 신호를 전송하는 단계를 포함한다.

Description

제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법 {METHOD OF MAKING PREDICTION RELATING TO PRODUCTS MANUFACTURED VIA MANUFACTURING PROCESS}
본 발명은 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법에 관한 것이다.
본 출원은 2020년 9월 18일에 미국 특허청에 출원한 미국 특허출원번호 제63/080,558호를 우선권 주장하며, 여기에 인용함으로써 이 출원의 전체 내용을 본원에 포함한다.
근년 모바일 표시 장치 산업이 급격하게 성장하고 있다. 새로운 유형의 표시 패널과 제조 방법 및 공정이 사용되고 제품 사양이 엄격해짐에 따라 품질을 유지하기 위한 장비의 개량과 품질 관리 방법이 필요하다. 예를 들면, 서로 다른 수준의 제조 결함을 감지하기 위한 척도를 마련할 필요가 있다.
앞에 설명한 정보는 본 발명의 배경 기술에 대한 이해를 높이기 위한 것일 뿐이므로, 종래 기술이 아닌 정보가 포함될 수도 있다.
본 발명이 해결하고자 하는 과제는 제품의 제조 결함 수준을 자동으로 예측하는 방법 및 시스템을 제공하는 것이다.
본 발명의 한 실시예에 따른, 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법은, 처리기에 의하여 입력 데이터를 수신하는 단계, 상기 처리기에 의하여, 상기 입력 데이터에 기초하여 제1 예측을 수행하는 단계, 상기 처리기에 의하여, 상기 제1 예측에 기초하여 복수의 기계 학습 모델 중 제1 기계 학습 모델을 식별하는 단계, 상기 처리기에 의하여, 상기 입력 데이터 및 상기 제1 기계 학습 모델에 기초하여 제2 예측을 수행하는 단계, 그리고 상기 처리기에 의하여, 상기 제2 예측에 기초하여 제품의 제조를 조정하는 신호를 전송하는 단계를 포함한다.
본 발명의 한 실시예에 따르면, 상기 입력 데이터는 복수의 감지기로부터의 다변수(multivariate) 감지기 데이터를 포함할 수 있다.
본 발명의 한 실시예에 따르면, 상기 제1 기계 학습 모델은 제1 제조 조건과 관련한 제1 정규 분포와 관련 있고, 상기 복수의 기계 학습 모델 중 제2 기계 학습 모델은 제2 제조 조건과 관련한 제2 정규 분포와 관련 있을 수 있다.
본 발명의 한 실시예에 따르면, 상기 제2 예측은 상기 제품과 관련된 결함 수준의 예측일 수 있다.
본 발명의 한 실시예에 따른 방법은, 상기 처리기에 의하여, 상기 복수의 기계 학습 모델을 생성하는 단계를 더 포함하며, 상기 복수의 기계 학습 모델을 생성하는 단계는, 제1 기본(baseline) 기계 학습 모델을 훈련 데이터 집합에 인가하는 단계, 상기 제1 기본 기계 학습 모델의 인가에 응답하여, 상기 훈련 데이터 집합의 제1 부분이 오차의 임계 범위 내에 있고 상기 훈련 데이터 집합의 제2 부분이 상기 오차의 임계 범위 밖에 있다는 것을 식별하는 오차 분석 과정을 수행하는 단계, 상기 훈련 데이터 집합의 제1 부분에 제1 레이블을 부여하는 단계, 그리고 상기 훈련 데이터 집합의 제2 부분에 대하여 새로운 기본 기계 학습 모델로 상기 오차 분석 과정을 수행하는 단계를 포함할 수 있다.
본 발명의 한 실시예에 따르면, 상기 오차 분석 과정은 소정의(preset) 레이블 수에 기초하여 특정 회수만큼 수행할 수 있다.
본 발명의 한 실시예에 따르면, 상기 오차의 임계 범위 내에 있는 상기 훈련 데이터 집합의 데이터에, 상기 오차 분석 과정을 실행할 때마다 서로 다른 레이블이 할당될 수 있다.
본 발명의 한 실시예에 따르면, 상기 제1 예측은 예측 레이블(predicted label)을 포함하며, 상기 방법은, 상기 훈련 데이터 집합과 상기 오차 분석 과정에 의하여 생성된 레이블에 기초하여 분류기를 훈련시키는 단계를 더 포함하며, 상기 제1 예측을 수행하는 단계는 상기 입력 데이터에 상기 분류기를 적용하는 단계를 포함할 수 있다.
본 발명의 한 실시예에 따른 방법은, 상기 입력 데이터를 추가 데이터로 증강하는 단계를 더 포함하며, 상기 추가 데이터는 이전 시구간에 생성된 데이터에 대한 통계 정보에 근거할 수 있다.
본 발명의 한 실시예에 따르면, 상기 신호에 응답하여, 제조 장비의 온도 또는 동작 속도 중 적어도 하나가 조정될 수 있다.
본 발명의 한 실시예에 따른, 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 시스템은, 처리기, 그리고 인스트럭션을 포함하는 메모리를 포함하며, 상기 처리기는 상기 인스트럭션을 실행하여, 입력 데이터를 수신하고, 상기 입력 데이터에 기초하여 제1 예측을 수행하고, 상기 제1 예측에 기초하여 복수의 기계 학습 모델 중 제1 기계 학습 모델을 식별하고, 상기 입력 데이터 및 상기 제1 기계 학습 모델에 기초하여 제2 예측을 수행하고, 상기 제2 예측에 기초하여 제품의 제조를 조정하는 신호를 전송한다.
본 발명의 실시예의 이러한, 그리고 다른 특징들, 측면 및 이점은 다음에 나오는 상세한 설명, 청구범위 및 도면을 보면 충분히 이해할 수 있을 것이다. 물론, 본 발명의 실제 범위는 청구범위에 의하여 정의된다.
이와 같이 함으로써 제조 결함의 수준을 자동으로 예측하고 이에 따라 제조 공정을 조정할 수 있다.
도 1은 본 발명의 한 실시예에 따른 제조 방법을 통하여 제조한 제품과 관련된 예측을 수행하는 시스템의 블록도이다.
도 2는 본 발명의 한 실시예에 따른 추론 모듈의 블록도이다.
도 3a는 본 발명의 한 실시예에 따라 훈련 모듈이 실행하는 복수의 기계 학습 모델 생성 과정을 나타낸 흐름도이다.
도 3b는 도 3a의 흐름도의 실행에 의하여 생성되는 회귀기의 예이다.
도 4는 본 발명의 한 실시예에 따라 분류기 엔진을 훈련시키는 과정의 상세한 흐름도이다.
도 5는 본 발명의 한 실시예에 따라 데이터 증강 모듈이 실행하는, 추론 단계에서 수집한 흔적 데이터를 증강하는 과정의 흐름도이다.
이제 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 이러한 실시예를 제공함으로써 발명의 상세한 설명이 완전하고 풍부해질 것이며 발명의 여러 측면과 특징을 당업자에게 충분히 보여준다. 따라서, 당업자가 본 발명의 다양한 측면과 특징을 완전하게 이해하는 데 필요하지 않은 과정, 장치, 기술 등은 설명을 생략한다. 별다른 설명이 없는 한, 도면과 명세서 전체를 통틀어 동일한 도면 부호는 동일한 구성요소를 가리키며, 이에 따라 설명을 반복하지 않는다. 또한, 도면에서 부분, 층, 영역 등은 명료한 이해를 위하여 과장되거나 단순화될 수 있다.
모바일 표시 장치 생산 과정 등의 제조 과정에서 모바일 표시 장치 제품을 생산하는 동안 디지털 흔적 데이터(digital trace data)를 얻을 수 있다. 모바일 표시 장치 제품을 예로 들었지만, 본 발명의 실시예는 다른 유리 제품 및 유리가 아닌 제품, 예를 들면 반도체 웨이퍼, 표시 장치용 유리, 폴리이미드 기판 등을 생산하는 공정에도 적용될 수 있다는 것을 당업자가 알아야 한다.
흔적 데이터는, 예를 들어 생산 과정에서 제품을 운반하는 컨베이어 위에 위치한 하나 이상의 감지기를 통하여 수집할 수 있다. 감지기는 감지한 움직임(activity)을 무엇이든 기록한다. 감지기는, 예를 들어 생산 과정에서 시간에 따른 온도와 압력의 측정치를 탐지하는 복수의 온도 및 압력 감지기일 수 있다. 각 감지기는 여러 번[복수의 유리 기판(glass)을 제작하는 시간 동안 각각의 기판을 점검하기 위하여 매 초 또는 수 초마다] 샘플링될 수 있다.
흔적 데이터를 분석하여 특정한 제조 결함을 낳는 조건을 이해할 수 있다. 제조 조건은 시간에 따라 변화하기 때문에, 수집한 흔적 데이터 및 흔적 데이터의 제조 결함에 대한 관계 또한 변할 수 있다. 기계 학습을 사용하는 경우 입력 흔적 데이터에 기초하여 제조 결함을 예측할 때, 제조 환경의 변화로 인하여 흔적 데이터와 제조 결함 사이의 관계가 변했다면, 이전에 이해한 관계에 기초하여 훈련 받은 모델은 결함을 정확하게 예측하는 데 쓸모가 없을 것이다. 따라서, 기계 학습을 사용하여 제조 결함을 예측하며, 예측을 수행할 때 흔적 데이터와 제조 결함 사이의 서로 다른/변화하는 관계를 고려하는 시스템 및 방법이 필요하다.
일반적으로 본 발명의 실시예는 제조 과정의 결함 정도/수준(degree/level)[결함 가시도(defect visibility level)라고도 함]을 예측하기 위하여 제조 공정의 흔적 데이터를 분석하는 것이다. 제조 공정에 결함이 있으면 제조 부품에도 결함/불량이 생길 수 있다. 제조 공정의 잠재적인 결함을 식별하는 것은 공정의 품질 관리를 개선하고, 제조 비용을 낮추며/낮추거나 장비 가동 시간을 개선하는 데 도움을 줄 수 있다.
본 발명의 한 실시예에 따르면, 흔적 데이터는 오랜 시간에 걸려 하나 이상의 감지기에 의하여 생성된다. 흔적 데이터는 분석 시스템에 제공되어 결함 가시도 예측에 사용된다. 본 발명의 한 실시예에 따르면, 입력 흔적 데이터는 복수의 감지기에 의하여 다변수(multivariate) 입력 데이터로 제공된다. 입력 흔적 데이터는 이전에 입수한 흔적 데이터의 통계 정보를 사용하여 증강될(augmented) 수 있고, 증강된 데이터는 복수의 모델 중에서 하나의 기계 학습 모델[보기: 회귀 모델(regression model)]을 선택하는 분류기에 제공된다. 선택한 기계 학습 모델은 분류기가 증강 데이터에 할당한 클래스 레이블에 의존한다.
본 발명의 한 실시예에 따르면, 분석 시스템은 시간이 흐름에 따라 생길 수 있는 제조 환경 변화를 다루며, 입력 데이터(보기: 흔적 데이터)의 다중 단일 분포(multiple single distributions)[다봉 분포(multimodal distributions)라고도 함] - 출력 데이터(보기: 결함 가시도)를 생성할 수 있다. 본 발명의 한 실시예에 따르면, 분석 시스템은 수형 다봉 회귀 설계(tree-structured multimodal regressor design)를 제공하여 데이터의 다봉 분포를 다루는 데 도움을 준다. 이 점에서, 분석 시스템은 복수의 기계 학습 모델을 제공하는데, 제1 모델은 제1 클래스 레이블에 의하여 정의되는 제1 봉(modality)(보기: 제1 정규 분포)과 관련 있고, 제2 모델은 제1 클래스 레이블에 의하여 정의되는, 제1 봉과는 다른 제2 봉(보기: 제2 정규 분포)과 관련 있다. 본 발명의 한 실시예에 따르면, 분류기는 증강 입력 데이터에 대하여 예측되는 클래스 레이블에 기초하여 복수의 기계 학습 모델 중 하나를 선택한다. 결함 수준 예측을 위하여 복수의 회귀기(regressor)를 사용하는 수형 다봉 회귀 설계가 단일한 회귀기를 사용하는 모델에 비하여 예측이 더 정확하다는 것을 실험이 보여준다.
도 1은 본 발명의 한 실시예에 따른 제조 방법을 통하여 제조한 제품과 관련된 예측을 수행하는 시스템의 블록도이다. 이 시스템은 하나 이상의 데이터 수집 회로(data collection circuit)(100), 분석 시스템(analysis system)(102) 및 하나 이상의 장비/공정 제어기(equipment/process controller)(104)를 포함한다. 데이터 수집 회로(100)는 예를 들어, 감지기, 증폭기 및/또는 아날로그-디지털 변환기를 포함할 수 있으며, 제조 과정에서 흔적 데이터(trace data)를 수집한다. 감지기는 예를 들어 생산 과정에서 제품을 운반하는 컨베이어 벨트 위에 위치할 수 있다. 감지기는 흔적 데이터 등 감지한 움직임을 기록할 수 있다. 예를 들면, 감지기는 제조 공정에서의 온도와 압력을 시간의 함수로 측정하는 복수의 온도 및 압력 감지기일 수 있다. 각 감지기는 여러 번[보기: 복수의 유리 (기판) 제조 시간 동안 각 유리를 검사하기 위하여 매 초마다 또는 몇 초마다] 샘플링될 수 있다.
분석 시스템(102)은 훈련 모듈(training module)(106) 및 추론 모듈(inference module)(108)을 포함할 수 있다. 도 1에서 훈련 및 추론 모듈(106, 108)을 별개의 기능 단위로 도시하였지만, 당업자라면 본 발명의 취지와 범위를 벗어나지 않고 두 모듈의 기능을 하나의 모듈로 결합 또는 통합하거나, 하부 모듈들로 더 분할할 수 있음을 알 수 있다. 예를 들면, 본 발명의 한 실시예에서는, 훈련 모듈(106)은 하나 이상의 처리 장치(processing units)[처리기(processor)라고도 함](101) 및 이와 연결된 메모리(103)에 대응할 수 있다. 추론 모듈(108)은 훈련 모듈(106)과 동일한 하나 이상의 처리 장치에 대응하거나, 훈련 모듈(106)과 다른 하나 이상의 처리 장치에 대응할 수 있다. 처리 장치의 예로는 CPU(central processor unit), GPU(graphics processor unit), ASIC(application specific integrated circuit). FPGA(field programmable gate array) 등이 있다.
훈련 모듈(106)은 추론 모듈(108)이 사용할 복수의 기계 학습 모델을 생성하고 훈련시킬 수 있다. 복수의 기계 학습 모델의 생성 및 훈련은 데이터 수집 회로(100)가 제공하는 훈련 데이터에 기초할 수 있다. 본 발명의 한 실시예에 따르면, 훈련 모듈(106)은 복수의 기계 학습 모델의 생성 및 훈련에 수형 다봉 회귀 설계를 사용한다.
훈련 모듈(106)은 분류기를 훈련시켜 복수의 기계 학습 모델 중 하나를 선택하게 할 수 있다. 이런 점에서, 복수의 기계 학습 모델은 서로 다른 클래스 레이블과 연결될 수 있다. 본 발명의 한 실시예에 따르면, 분류기는 흔적 데이터와 클래스 레이블 사이의 관계를 학습하는 것과, 추론 단계에서 사용할 수 있는 적절한 기계 학습 모델을 식별하는 것을 훈련 받는다.
추론 모듈(108)은 추론 단계에서 데이터 수집 회로(100)가 제공한 흔적 데이터에 기초하여 결함 가시도를 예측할 수 있다. 이 점에서, 추론 모듈(108)은 복수의 훈련 받은 기계 학습 모델 중에서 하나를 선택하여 예측 동작을 할 수 있다. 모델의 선택은 수신한 흔적 데이터의 분류에 의존할 수 있다. 서로 다른 분류에 기초하여 서로 다른 기계 학습 모델을 호출할 수 있다.
본 발명의 한 실시예에 따르면, 예측한 결함 가시도는 제조 공정에서 조정을 하는 데 사용된다. 예를 들면, 예측한 결함 가시도가 특정 임계 수준을 넘어서면, 장비/공정 제어기(104)에 신호가 전송되고, 장비/공정 제어기(104)는 제조 공정에 사용되는 제조 장비의 파라미터를 조정할 수 있다. 조정되는 파라미터는, 예를 들면, 제조 장비의 동작 속도 또는 내부 온도일 수 있다. 본 발명의 한 실시예에 따르면, 예측한 결함 가시도가 특정 임계 수준을 넘어선다는 것을 감지하면, 제조 장비를 다시 초기화하거나 재정비할(re-calibrate) 수 있다.
도 2는 본 발명의 한 실시예에 따른 추론 모듈(108)의 블록도이다. 본 발명의 한 실시예에 따르면, 추론 모듈(108)은 데이터 증강 모듈(data augmentation module)(200), 크기 조정 모듈(scaling module)(202), 분류기 엔진(classifier engine)(204) 및 복수의 기계 학습 모델(206)[클래스 회귀기(class regressor)라고도 함]을 포함한다.
본 발명의 한 실시예에 따르면, 데이터 수집 회로(100)는 다양한 감지기로부터 흔적 데이터 X를 수집하여 데이터 증강 모듈(200)에 다변수 입력 데이터로 제공한다. 데이터 증강 모듈(200)은 다변수 흔적 데이터를 받고, 통계 데이터를 사용하여 흔적 데이터를 증강할 수 있다. 통계 데이터는, 예를 들면, 데이터 수집 회로(100)가 수집한 이전 표본으로부터 계산한 평균 값일 수 있다. 평균 값을 수집한 흔적 데이터와 연계하여 증강 데이터 집합(augmented dataset) Xe를 생성한다.
본 발명의 한 실시예에 따르면, 크기 조정 모듈(202)은 증강 데이터 집합 Xe을 더 처리할 수 있다. 여러 감지기가 제공한 값의 범위는 감지기의 종류에 따라 크게 달라질 수 있기 때문에, 크기 조정 모듈(202)은 증강 데이터 집합 Xe에 특성 크기 조정/정규화(feature scaling/normalization)를 적용하여 정규 데이터 집합 Xes을 생성할 수 있다. 데이터 정규화는 특성 표준화 알고리즘(feature standardization algorithm), 최소-최대 정규화(min-max normalization) 등을 통하여 달성할 수 있다. 정규 데이터 집합 Xes은 이어 분류기 엔진(204)에 제공될 수 있다.
분류기 엔진(204)은 예를 들면, 랜덤 포리스트(random forest), XGBoost(extreme gradient boosting), SVM(support-vector machine), DNN(deep neural network) 및/또는 이와 유사한 기계 학습 알고리즘을 실행할 수 있다. 본 발명의 한 실시예에 따르면, 분류기 엔진(204)은 입력 데이터에 대해서 클래스 레이블을 예측하도록 훈련 받는다. 이 점에서, 분류기 엔진(204)은 복수의 미리 설정한 클래스 레이블로부터 하나의 클래스 레이블을 예측한다. 예측한 클래스 레이블을 사용하여 복수의 기계 학습 모델(206) 중에서 하나의 기계 학습 모델을 선택할 수 있다. 선택한 기계 학습 모델은 제조 공정을 통해서 제조되는 제품의 결함 가시도(208)의 예측을 생성한다.
본 발명의 한 실시예에 따르면, 복수의 기계 학습 모델(206) 각각은 서로 다른 봉(modality)과 관계 있다. 각 봉은 흔적 데이터의 특정 분포 - 예측된 결함 가시도를 초래하는 특정 제조 환경을 반영할 수 있다. 다봉 기계 학습 모델(206)을 사용하여 결함 가시도를 예측하면 분석 시스템은 소기의 예측 정확도 수준을 유지하면서 제조 환경의 변화를 다룰 수 있다. 다봉 기계 학습 모델(206)의 사용은 또한 단일 모델을 사용하여 예측을 수행하는 시스템에 비하여 모델 복잡성을 제어하고 계산력을 절약하는 데 도움을 줄 수 있다.
도 3a는 본 발명의 한 실시예에 따라 훈련 모듈(106)이 실행하는 복수의 기계 학습 모델(206) 생성 과정을 나타낸 흐름도이다. 과정의 단계들의 순서는 고정되어 있지 않으며, 수정되거나, 순서가 바뀌거나, 다르게 수행되거나, 순차적으로, 동시에 또는 일제히 수행되거나, 소기의 순서로 바뀔 수 있다는 것을 당업자는 알 것이다. 도 3b는 도 3a의 흐름도의 실행에 의하여 생성되는 회귀기의 예이다.
블록 300에서, 훈련 모듈(106)은 기본 회귀기(baseline regressor)(330)를 건설하고, 블록 302에서, 기본 회귀기(330)를 입력 훈련 데이터 집합(304)에 적용하여 결함 가시도를 예측하도록 한다. 기본 회귀기(330)는 선형 회귀 모델 등 설립하기 간단한 기계 학습 모델일 수 있다. 본 발명의 한 실시예에 따르면, 기본 회귀기(330)는 모든 훈련 데이터를 사용하여 건설하여 입력 훈련 데이터 집합(304)의 주요 분포를 식별하도록 한다. 입력 훈련 데이터 집합(304)은 흔적 데이터(X)와 이에 관련된 결합 가시도(Y)로 이루어질 수 있다.
블록 306에서, 훈련 모듈(106)은 오차의 임계 범위(threshold range of error) 내에 있는 입력 훈련 데이터 집합(304)의 부분 집합을 식별하는 오차 분석 과정에 반복적으로 종사한다. 오차는 예측한 결함 가시도와 실측 자료로 훈련 데이터 집합(304)에 제공된 결함 가시도 사이의 차이를 나타내는 값일 수 있다. 이 점에서, 블록 308에서, 훈련 모듈(106)은 블록 302에서 기본 회귀기(330)에 의한 입력 훈련 데이터 집합(304)의 제1 부분 집합에 대한 예측이 실측 가시도와 비교할 때 오차의 임계 범위 안에 있는지 아니면 바깥에 있는지를 판단하는 오차 분석 조사(error analysis inquiry)에 종사한다. 입력 훈련 데이터 집합(304)의 제1 집합이 오차의 임계 범위 내이면, 그런 부분 집합은 블록 310에서 식별된다.
블록 312에서, 훈련 모듈(106)은 식별한 제1 부분 집합에 클래스 레이블을 달아 준다. 클래스 레이블은 예를 들어 자동 생성 번호(보기: 일련 번호)일 수 있다. 예를 들면, 제1 생성 클래스 레이블이 클래스 "0"일 수 있고, 적용된 기본 회귀기(330)가 클래스 0에 대한 회귀기(332)로 설정될 수 있다. 블록 314에서, 훈련 모듈(106)은 하나 이상의 기계 학습 모델을 사용하여 분류기(204)를 훈련시켜, 식별된 제1 부분 집합과 할당된 클래스 레이블의 관계를 학습하도록 한다.
다시 블록 308에서, 입력 훈련 데이터 집합(304)의 제2 부분 집합이 오차의 임계 범위의 바깥이면(보기: 블록 316에 정의된 바와 같이 양의 임계 값보다 크거나, 블록 318에 정의된 것처럼 음의 임계 값보다 작으면)(물론 다른 값도 가능), 그러한 제2 부분 집합은 적절한 블록 316 또는 318에서 식별된다. 블록 320 또는 블록 322에서, 훈련 모듈(106)은 새로운 기본 회귀기[보기: 제1 중간 회귀기(intermediate regressor)(334)]를 건설 및 훈련시키고, 블록 306a 또는 블록 306b에서 새로운 기본 회귀기를 제2 부분 집합에 적용함으로써 다시 오차 분석 과정에 종사한다, 오차 분석 과정(306a, 360b)을 수행함으로써, 새로운 기본 회귀기가 오차의 임계 범위 이내라고 판단하면, 블록 312에서 제2 부분 집합에 새로운 클래스 레이블을 부여한다. 예를 들면, 제2 부분 집합에 대한 클래스 레이블이 클래스 "1"일 수 있고, 적용한 제1 중간 회귀기(334)가 클래스 1에 대한 회귀기(338)로 설정될 수 있다.
본 발명의 한 실시예에 따르면, 입력 훈련 데이터 집합(304)의 모든 데이터가 오차의 임계 범위 이내가 될 때까지, 아니면 최대 깊이 값(maximum depth value)에 도달할 때까지 오차 분석 과정(306a, 360b)을 반복한다. 최대 깊이 값은 훈련 모듈(306)이 식별한 소정의 클래스 레이블 수에 기초한다. 예를 들면, 소정의 클래스 레이블 수가 5이면(클래스 0-4), 최대 5 개의 회귀기[보기: 회귀기(332, 338, 340, 342, and 344)] 및 각 클래스에 대한 데이터 집합의 관련 부분 집합을 식별하기 위하여 오차 분석 과정을 최대 5 번 반복한다. 본 발명의 한 실시예에 따르면, 마지막 반복 회차 후에도 오차의 임계 범위 바깥에 있는 데이터가 입력 훈련 데이터 집합(304)에 남아 있으면, 남은 데이터를 이전 회차의 데이터에 병합하고 이전 회차의 클래스 레이블을 할당할 수 있다.
본 발명의 한 실시예에 따르면, 훈련 모듈(106)이 실행하는 복수의 기계 학습 모델(206) 생성 과정은 나무 알고리즘(tree algorithm)으로 설명할 수 있는데, 입력 훈련 데이터 집합(304)을 반복해서 조각 내고, 오차 분석에 의거하여, [나무의 왼쪽 잔가지(sub-branch)로 진행시킴으로써(traversing)] 조각난 데이터 집합에 레이블을 부여하거나, 아니면 [나무의 오른쪽 잔가지(sub-branch)로 진행시킴으로써(traversing)] 하나 이상의 새로운 중간 기본 회귀기[보기: 과정의 첫 번째 회차에서는 중간 회귀기(334, 336), 또는 과정의 두 번째 회차에서는 중간 회귀기(346, 348)]를 적용하여 다시 오차 분석을 수행한다. 본 발명의 한 실시예에 따르면, 복잡한 구현을 제한하기 위하여 나무의 길이를 [예를 들어 훈련 모듈(106)이 결정하는 클래스 레이블의 총 수로] 한정할 수 있다.
도 4는 본 발명의 한 실시예에 따라 분류기 엔진(204)을 훈련시키는 블록 314의 상세한 흐름도이다. 입력 훈련 데이터 집합(304)이 클래스 레이블을 부여 받은 후에 분류기 엔진(204)이 훈련을 할 수 있다. 이 점에서, 블록 400에서, 훈련용 흔적 데이터(X)와 관련 레이블을 포함하는 입력 데이터를 사용하여 흔적 데이터와 관련 레이블 사이의 관계를 학습하도록 분류기 엔진(204)을 훈련시킨다. 훈련은 예를 들어 분류 알고리즘 등 감독형(supervised) 기계 학습 알고리즘을 사용하여 이루어질 수 있다. 훈련을 마친 후에, 블록 402에서 분류기 엔진(204)을 저장할 수 있다. 훈련 받은 분류기는 추론 모듈(108)에 의하여 사용될 수 있다.
도 5는 본 발명의 한 실시예에 따라 데이터 증강 모듈(200)이 실행하는, 추론 단계에서 수집한 흔적 데이터 X 를 증강하는 과정의 흐름도이다. 본 발명의 한 실시예에 따르면, 흔적 데이터는 이전 표본의 통계 정보에 근거하여 증강된다. 통계 정보는 평균, 표준 편차, 적률(moment) 등일 수 있다. 통계 정보로 흔적 데이터를 증가하는 것은, 입력 데이터에 시간적인 의미를 부여하는 데 도움을 주는데, 예를 들면, 데이터의 값이 시간에 따라 증가 또는 감소하는 정보가 있다.
본 발명의 한 실시예에 따르면, 데이터 증강 과정을 시작하면, 블록 500에서, 데이터 증강 모듈(200)은 수집한 흔적 데이터에서 생성된 원래 입력 벡터를 식별한다.
블록 502에서, 원래 입력 벡터에 대응하여 소정의 이전 표본 수(보기: 100)를 식별했는지를 결정한다. 소정의 이전 표본 수보다 많이 식별했다면, 데이터 증강 모듈(200)은 블록 504에서, 현재 및 이전 표본의 통계 정보를 판단한다. 통계 정보는 예를 들어 이전 표본의 평균 값일 수 있다.
다시 블록 502를 참고하면, 소정의 이전 표본 수보다 적게 식별했다면, 블록 506에서 현재 및 이전 표본의 가능한 수에 기초하여 통계 정보를 결정한다.
블록 508에서, 결정한 통계 정보(보기: 평균 값 벡터)에 기초하여 생성된 통계 정보 벡터가 원래 입력 벡터와 연계된다. 통계 정보는 또한 표준 편차, 중앙값(median), 최빈값(mode) 등을 포함할 수 있다.
본 발명의 한 실시예에 따르면, 앞에서 설명한 여러 가지 모듈과 엔진은 하나 이상의 처리기로 구현될 수 있다. 처리기는 하나 이상의 처리기 및/또는 처리 코어를 뜻할 수 있다. 하나 이상의 처리기는 하나의 장치에 포함되거나 여러 장치(보기: 클라우드 시스템 내)에 분산될 수 있다. 처리기는 예를 들면, 응용 주문형 집적 회로(ASIC), 범용 또는 전용 중앙 처리 장치(CPU), 디지털 신호 처리기(DSP), 그래픽 처리 장치(GPU), FPGA 등의 프로그램가능 논리 장치를 포함할 수 있다. 처리기에서 각각의 함수는 그 기능을 수행하는 유선 하드웨어 또는 비순간(non-transitory) 저장 매체(보기: 메모리)에 저장된 명령을 수행하는 CPU 등의 범용 하드웨어로 수행될 수 있다. 처리기는 하나의 인쇄 회로 기판(PCB)에 제작되거나 서로 연결된 PCB에 분산 배치될 수 있다. 처리기는 다른 처리 회로를 포함할 수 있는데, 예를 들면 PCB 상에서 서로 연결된 FPGA와 CPU를 포함할 수 있다.
"제1", "제2", "제3" 등의 용어를 여러 가지 원소, 성분, 영역, 층, 부분 등에 사용하지만, 이들은 이런 수식어에 의하여 한정되지 않는다. 이러한 용어는 어떤 원소, 성분, 영역, 층, 부분을 다른 원소, 성분, 영역, 층, 부분과 구별하기 위하여 사용하는 것이며 본 발명의 취지와 범위를 벗어나지 않는다.
여기에서 사용된 용어는 특정 실시예를 설명할 목적으로 사용할 뿐이며 본 발명을 제한하고자 하는 것은 아니다. 여기에서 "실질적으로", "약", "대체로" 및 이와 비슷한 표현은 근사를 나타내는 표현일 뿐 "정도"를 나타내는 것이 아니며, 당업자가 알 수 있는 측정값 또는 계산 값의 고유 오차를 나타내는 데 사용한다.
여기에서 수를 특별히 언급하지 않으면 단수 또는 복수의 경우를 모두 포함한다. 어떤 특징, 단계, 동작, 부분, 성분 등을 "포함"한다는 표현은 해당 부분 외에 다른 특징, 단계, 동작, 부분, 성분 등도 포함할 수 있다는 것을 의미한다. "및/또는"이라는 표현은 나열된 것들 중 하나 또는 둘 이상의 모든 조합을 포함한다. 나열 목록 앞에 기재한 "적어도 하나" 등의 표현은 목록 전체를 수식하는 것이지 목록 내의 각각의 것을 수식하는 것은 아니다. 또한, 본 발명의 실시예를 설명할 때 사용하는 "수 있다"는 표현은 "본 발명의 하나 이상의 실시예"에 적용 가능하다는 것을 뜻한다. "예시적인"이라는 용어는 예 또는 도면을 나타낸다. "사용", "이용" 등은 이와 유사한 다른 표현과 함께 비슷한 의미로 사용될 수 있다.
부분, 층, 영역, 성분 등이 다른 부분, 층, 영역, 성분의 "위에" 있거나 "연결되어" 있는 것으로 기재하는 경우 "바로" 위에 있거나 또는 "직접" 연결되어 있는 경우뿐 아니라 중간에 다른 부분, 층, 영역, 성분 등이 더 끼어 있는 경우도 포함한다. 그러나 "바로 위에" 있거나 "직접 연결"되어 있는 것으로 기재하면 중간에 다른 부분이 없다는 것을 뜻한다.
여기에 기재한 수치 범위는 해당 범위 안에 포함되는 동일한 정확도의 모든 부분 범위(sub-range)를 포함한다. 예를 들면, "1.0 내지 10.0"의 범위는 최소값 1.0과 최대값 10.0 및 그 사이에 있는 모든 부분 범위, 즉, 1.0 이상의 최소값과 10.0 이하의 최대값을 가지는 부분 범위, 예를 들면 2.4 내지 7.6을 포함한다. 여기에서 언급한 최대값은 그 안에 포함되고 그보다 작은 모든 수치 한계를 포함하고, 본 명세서에 기재한 최소값은 그 안에 포함되고 그보다 큰 모든 수치 한계를 포함한다.
이상에서 제조 결함 수준 감지 시스템 및 방법의 실시예에 대하여 설명 및 도시하였지만, 당업자라면 이러한 실시예를 변경 및 수정할 수도 있다. 따라서 여기에서 제시한 원리에 따라 구성된 다른 제조 결함 수준 감지 시스템 및 방법도 본 발명에 포함된다. 본 발명은 다음의 청구범위 및 그 등가물에 의하여 정의된다.
100: 데이터 수집 회로
101: 처리 장치/처리기
102: 분석 시스템
103: 메모리
104: 장비/공정 제어기
106: 훈련 모듈
108: 추론 모듈
200: 데이터 증강 모듈
202: 크기 조정 모듈
204: 분류기 (엔진)
206: 기계 학습 모델 (클래스 회귀기)
208: 결함 가시도

Claims (10)

  1. 처리기에 의하여 입력 데이터를 수신하는 단계,
    상기 처리기에 의하여, 상기 입력 데이터에 기초하여 제1 예측을 수행하는 단계,
    상기 처리기에 의하여, 상기 제1 예측에 기초하여 복수의 기계 학습 모델 중 제1 기계 학습 모델을 식별하는 단계,
    상기 처리기에 의하여, 상기 입력 데이터 및 상기 제1 기계 학습 모델에 기초하여 제2 예측을 수행하는 단계, 그리고
    상기 처리기에 의하여, 상기 제2 예측에 기초하여 제품의 제조를 조정하는 신호를 전송하는 단계
    를 포함하는, 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법.
  2. 제1항에서,
    상기 입력 데이터는 복수의 감지기로부터의 다변수(multivariate) 감지기 데이터를 포함하는 방법.
  3. 제1항에서,
    상기 제1 기계 학습 모델은 제1 제조 조건과 관련한 제1 정규 분포와 관련 있고, 상기 복수의 기계 학습 모델 중 제2 기계 학습 모델은 제2 제조 조건과 관련한 제2 정규 분포와 관련 있는 방법.
  4. 제1항에서,
    상기 제2 예측은 상기 제품과 관련된 결함 수준의 예측인 방법.
  5. 제1항에서,
    상기 방법은, 상기 처리기에 의하여, 상기 복수의 기계 학습 모델을 생성하는 단계를 더 포함하며,
    상기 복수의 기계 학습 모델을 생성하는 단계는,
    제1 기본(baseline) 기계 학습 모델을 훈련 데이터 집합에 인가하는 단계,
    상기 제1 기본 기계 학습 모델의 인가에 응답하여, 상기 훈련 데이터 집합의 제1 부분이 오차의 임계 범위 내에 있고 상기 훈련 데이터 집합의 제2 부분이 상기 오차의 임계 범위 밖에 있다는 것을 식별하는 오차 분석 과정을 수행하는 단계,
    상기 훈련 데이터 집합의 제1 부분에 제1 레이블을 부여하는 단계, 그리고
    상기 훈련 데이터 집합의 제2 부분에 대하여 새로운 기본 기계 학습 모델로 상기 오차 분석 과정을 수행하는 단계
    를 포함하는
    방법.
  6. 제5항에서,
    상기 오차 분석 과정은 소정의(preset) 레이블 수에 기초하여 특정 회수만큼 수행하는 방법.
  7. 제5항에서,
    상기 오차의 임계 범위 내에 있는 상기 훈련 데이터 집합의 데이터에, 상기 오차 분석 과정을 실행할 때마다 서로 다른 레이블이 할당되는 방법.
  8. 제5항에서,
    상기 제1 예측은 예측 레이블(predicted label)을 포함하며,
    상기 방법은, 상기 훈련 데이터 집합과 상기 오차 분석 과정에 의하여 생성된 레이블에 기초하여 분류기를 훈련시키는 단계를 더 포함하며,
    상기 제1 예측을 수행하는 단계는 상기 입력 데이터에 상기 분류기를 적용하는 단계를 포함하는
    방법.
  9. 제1항에서,
    상기 방법은, 상기 입력 데이터를 추가 데이터로 증강하는 단계를 더 포함하며,
    상기 추가 데이터는 이전 시구간에 생성된 데이터에 대한 통계 정보에 근거하는
    방법.
  10. 제1항에서,
    상기 신호에 응답하여, 제조 장비의 온도 또는 동작 속도 중 적어도 하나가 조정되는 방법.

KR1020210031554A 2020-09-18 2021-03-10 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법 KR20220038269A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063080558P 2020-09-18 2020-09-18
US63/080,558 2020-09-18
US17/127,778 US20220092473A1 (en) 2020-09-18 2020-12-18 System and method for performing tree-based multimodal regression
US17/127,778 2020-12-18

Publications (1)

Publication Number Publication Date
KR20220038269A true KR20220038269A (ko) 2022-03-28

Family

ID=74871334

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210031554A KR20220038269A (ko) 2020-09-18 2021-03-10 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법

Country Status (4)

Country Link
US (1) US20220092473A1 (ko)
EP (1) EP3971663A1 (ko)
KR (1) KR20220038269A (ko)
CN (1) CN114202095A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11489743B1 (en) * 2021-09-17 2022-11-01 Arista Networks, Inc. Anomaly detection for multivariate metrics in networks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3662418B1 (de) * 2017-11-08 2021-08-25 Siemens Aktiengesellschaft Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit
US10777470B2 (en) * 2018-03-27 2020-09-15 Pdf Solutions, Inc. Selective inclusion/exclusion of semiconductor chips in accelerated failure tests
IT201800006680A1 (it) * 2018-06-26 2019-12-26 Metodo di predizione della presenza di difetti di prodotto durante una fase di lavorazione intermedia di un prodotto sottile avvolto in bobina

Also Published As

Publication number Publication date
EP3971663A1 (en) 2022-03-23
CN114202095A (zh) 2022-03-18
US20220092473A1 (en) 2022-03-24

Similar Documents

Publication Publication Date Title
Hsu et al. Multiple time-series convolutional neural network for fault detection and diagnosis and empirical study in semiconductor manufacturing
US11598880B2 (en) Detecting fault states of an aircraft
EP3800588A1 (en) System and method using knowledge distillation for training a machine learning classifier
JP7408653B2 (ja) 非定常性機械性能の自動分析
US11275975B2 (en) Fault detection classification
US20210042585A1 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN113155178B (zh) 传感器系统和方法
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
US20240144043A1 (en) Prediction model for predicting product quality parameter values
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
CN106815639A (zh) 流数据的异常点检测方法及装置
US20150012255A1 (en) Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models
KR20170127430A (ko) 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템
EP3712728A1 (en) Apparatus for predicting equipment damage
US20200175380A1 (en) Automated feature generation for sensor subset selection
KR20200084099A (ko) 뉴럴 네트워크 최적화 장치 및 뉴럴 네트워크 최적화 방법
KR20220038269A (ko) 제조 과정을 통하여 제조되는 제품과 관련한 예측을 수행하는 방법
Gopalakrishnan et al. IIoT Framework Based ML Model to Improve Automobile Industry Product.
Prisacaru et al. Degradation prediction of electronic packages using machine learning
KR20220147036A (ko) 생산 과정을 통하여 생산되는 제품 관련 예측 수행 방법
CN114206599A (zh) 用于接头改进的机器学习
CN116151106A (zh) 基于issa-bp神经网络的气体浓度补偿方法和装置
KR20200051343A (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
WO2021182000A1 (ja) パラメータ調整装置、推論装置、パラメータ調整方法、及びパラメータ調整プログラム
US10546243B1 (en) Predicting particle size distribution and particle morphology

Legal Events

Date Code Title Description
A201 Request for examination