KR20230095408A - Display manufacturing equipment malfunction real-time inspection system - Google Patents
Display manufacturing equipment malfunction real-time inspection system Download PDFInfo
- Publication number
- KR20230095408A KR20230095408A KR1020210184855A KR20210184855A KR20230095408A KR 20230095408 A KR20230095408 A KR 20230095408A KR 1020210184855 A KR1020210184855 A KR 1020210184855A KR 20210184855 A KR20210184855 A KR 20210184855A KR 20230095408 A KR20230095408 A KR 20230095408A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- stage
- equipment
- communication
- manufacturing equipment
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 230000007257 malfunction Effects 0.000 title claims abstract description 15
- 238000007689 inspection Methods 0.000 title claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 7
- 125000000524 functional group Chemical group 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 230000032683 aging Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000012827 research and development Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 4
- 238000001312 dry etching Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- 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] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 디스플레이 제조장비가 제조공정 도중 노후화 혹은 고장 등으로 오작동이 발생할 때 작동상태를 실시간으로 검사하여 작업자에게 이상여부를 알리는 디스플레이 제조장비 오작동 실시간 검사 시스템에 관한 발명으로 디스플레이 산업에 있어 저렴한 노동력을 바탕으로 가격경쟁력에서 우위를 점하는 디스플레이 산업의 후발주자들에 대응할 수 있는 경쟁력을 갖추기 위한 기술의 연구개발이 필요한 실정에 맞추어 장비의 전원 공급처 앞단에 전력량 측정 장치가 설치되고, 가스라인에 가스 유량 제어장치가 설치되고, 통신모듈이 설치되고, 통신프로토콜이 적용되고, 하기에서 개발한 장비 제어 시스템 소프트웨어가 설치된 하드웨어와 각 시스템간의 데이터 통신 제어를 담당하는 영역으로, TCP/IP간의 통신시나리오를 정의,구현하는 인터페이스단과 제조장비의 운전상태를 결정하는 관리단과 센서로부터 수신한 데이터 중 특정 데이터를 열람하게 하고, 데이터를 차트로 변환시키고, 데이터베이스를 통해 데이터를 선별하는 기능을 제공하는 기능단과 수신받은 데이터를 저장하는 데이터베이스단과 전력량 측정 장치와 가스 유량 제어장치의 통신프로토콜을 통해 전달받은 데이터를 읽고 쓰는 작업을 수행하는 통신단을 포함하는 장비 제어 시스템과 데이터 통신 제어를 수행하는 인터페이스단과 짐작한 예측값과 수신된 실제 데이터를 배열에 입력하여 산출하는 RMSE단과 정상 작동 신호를 학습하여 이상징후를 감지하는 LSTM단을 포함하는 딥 러닝 시스템. 하드웨어, 장비 제어 시스템, 딥 러닝 시스템으로 구성되는 디스플레이 제조장비 오작동 실시간 검사 시스템을 통해 자동화 시스템을 발전시켜 국내 디스플레이 산업을 선진화 시키고, 정확한 데이터를 통해 오작동을 줄이고 정밀도를 높여 제품의 품질을 높이고 오작동으로 발생하는 불량률을 감소시켜 제품 신뢰도를 높이고 가격경쟁력을 높이고, 종래의 작업자의 숙련도에 기대거나 불량이 발생하여야 알 수 있었던 제조장비의 이상증상을 실시간 검사를 통해 사전에 알아내고 정비하여 장비의 고장을 방지하여 디스플레이 산업의 후발주자들에 대응할 수 있는 경쟁력을 갖추는 효과를 제공하는 디스플레이 제조장비 오작동 실시간 검사 시스템이다.The present invention relates to a display manufacturing equipment malfunction real-time inspection system that inspects the operating state in real time when a malfunction occurs due to aging or breakdown during the manufacturing process and informs the operator of the abnormality, thereby reducing labor cost in the display industry. In accordance with the situation where research and development of technology is needed to have competitiveness to respond to latecomers in the display industry, which have an advantage in price competitiveness based on the basis of price competitiveness, a power measurement device is installed in front of the power supply of the equipment, and gas flow rate in the gas line. This area is responsible for data communication control between the hardware where the control device is installed, the communication module is installed, the communication protocol is applied, and the equipment control system software developed below is installed and each system, which defines the communication scenario between TCP/IP. , Interface stage to implement, management group to determine the operation status of manufacturing equipment, function group to view specific data among data received from sensors, convert data into charts, and select data through database, and received received An equipment control system including a database stage that stores data, a communication stage that reads and writes data received through the communication protocol of the power measurement device and gas flow controller, an interface stage that performs data communication control, and an estimated predicted value and A deep learning system that includes an RMSE stage that inputs received actual data into an array and calculates it, and an LSTM stage that detects anomalies by learning normal operating signals. Advance the domestic display industry by developing an automation system through a real-time inspection system for display manufacturing equipment malfunctions consisting of hardware, equipment control system, and deep learning system, and improve product quality by reducing malfunctions and increasing precision through accurate data By reducing the defect rate, product reliability is increased, price competitiveness is increased, and equipment failure is prevented by detecting and repairing abnormalities of manufacturing equipment in advance through real-time inspections It is a real-time inspection system for display manufacturing equipment malfunctions that provides the effect of having competitiveness to respond to latecomers in the display industry by preventing
Description
본 발명은 디스플레이 제조장비가 제조공정 도중 노후화 혹은 고장 등으로 오작동이 발생할 때 작동상태를 실시간으로 검사하여 작업자에게 이상여부를 알리는 디스플레이 제조장비 오작동 실시간 검사 시스템에 관한 발명이다.The present invention relates to a display manufacturing equipment malfunction real-time inspection system that inspects the operating state in real time when a malfunction occurs due to deterioration or breakdown during the manufacturing process and informs the operator of the abnormality.
국내 디스플레이 산업이 뛰어난 기술력을 바탕으로 발전을 거듭하여 지금은 업계를 선도하는 수준에 이르렀다. 하지만 국가지원을 바탕으로 성장하는 후발주자들이 치고 올라오고 있으며, 특히 저렴한 노동력을 바탕으로 가격경쟁에서 유리한 중국이 디스플레이 산업에 있어서 우리나라를 빠르게 뒤쫓고 있다. 국내에서 중국만큼 인건비를 낮출수도, 인구를 늘릴수도 없는만큼 똑같이 인건비를 낮추어 가격경쟁을 하기보다는 선진기술을 개발하고 발전시켜 높은 정밀도로 제품의 품질을 높이고, 불량률을 낮추며, 자동화 시스템의 도입을 통해 가격경쟁력까지 갖추는 것이 국내 디스플레이 산업이 나아가야할 방향이다.The domestic display industry has repeatedly developed based on its outstanding technology and has now reached the level of leading the industry. However, latecomers who are growing based on state support are stepping up, and in particular, China, which has an advantage in price competition based on cheap labor, is rapidly catching up with Korea in the display industry. Since it is impossible to lower labor costs or increase the population as much as China in Korea, rather than competing on price by lowering labor costs equally, we develop and develop advanced technologies to improve product quality with high precision, lower defect rates, and introduce automation systems. Equipped with price competitiveness is the direction the domestic display industry should go.
딥 러닝은 컴퓨터가 다층 구조 형태의 인공신경망을 통해 수많은 데이터 속에서 패턴을 발견하여 판단기준을 인지하고 추론하여 판단하는 학습기술이다. 딥 러닝 알고리즘 중 LSTM(Long Term Short Term Memory models)은 RNN(Recurrent Neural Networks)의 변형 모델로 RNN이 시퀀스 길이에 상관없이 투입 산출이 가능한 구조라는 장점에도 불구하고 투입된 정보의 순서가 반영되지 않아 투입이 반복될수록 점차적으로 투입된 정보가 다른 정보에 영향을 받으며 학습능력이 감소하는 문제가 있어 RNN의 장점을 유지하면서 단점을 극복하기위해 RNN의 히든 스테이트에 셀을 추가하는 구조로 고안된 알고리즘이다.Deep learning is a learning technology in which a computer discovers patterns in a lot of data through an artificial neural network in the form of a multi-layered structure, recognizes the criteria for judgment, and infers and judges. Among deep learning algorithms, LSTM (Long Term Short Term Memory models) is a modified model of RNN (Recurrent Neural Networks). Despite the advantage that RNN has a structure that allows input calculation regardless of sequence length, the order of input information is not reflected. As this is repeated, the input information is gradually influenced by other information and the learning ability decreases. This algorithm is devised with a structure in which cells are added to the hidden state of RNN to overcome the disadvantages while maintaining the advantages of RNN.
이상징후감지 알고리즘은 대상의 현 상태를 특정 조건들과 비교하여 대상의 상태가 이상을 보이는지, 혹은 반복수행됨에 따라 이상이 발생할 가능성이 있는지 여부를 확인해주는 알고리즘으로 이상징후감지 알고리즘 중 RMSE는 평균 제곱근 오차라고 불리며, 짐작한 예측값과 실제 값을 두 개의 배열로 만들고 배열의 요소 수로 나눈 값의 제곱근을 통해 이상징후 여부를 판단한다. 사이킷런에 구현 되어있는 mean_squared_error 함수를 사용하면 쉽게 구현할 수 있다.The anomaly detection algorithm is an algorithm that compares the current state of an object with specific conditions and checks whether the state of the object is abnormal or whether there is a possibility of an abnormality as it is repeatedly performed. It is called an error, and the predicted value and the actual value are made into two arrays, and the abnormality is determined through the square root of the value divided by the number of elements in the array. It can be easily implemented by using the mean_squared_error function implemented in Scikit-Learn.
디스플레이 산업에 있어 저렴한 노동력을 바탕으로 가격경쟁력에서 우위를 점하는 디스플레이 산업의 후발주자들에 대응할 수 있는 경쟁력을 갖추기 위한 기술의 연구개발이 필요한 실정이다.In the display industry, it is necessary to research and develop technologies to have competitiveness to respond to latecomers in the display industry who have an advantage in price competitiveness based on cheap labor.
장비의 전원 공급처 앞단에 전력량 측정 장치가 설치되고, 가스라인에 가스 유량 제어장치가 설치되고, 통신모듈이 설치되고, 통신프로토콜이 적용되고, 하기에서 개발한 장비 제어 시스템 소프트웨어가 설치된 하드웨어와 각 시스템간의 데이터 통신 제어를 담당하는 영역으로, TCP/IP간의 통신시나리오를 정의,구현하는 인터페이스단과 제조장비의 운전상태를 결정하는 관리단과 센서로부터 수신한 데이터 중 특정 데이터를 열람하게 하고, 데이터를 차트로 변환시키고, 데이터베이스를 통해 데이터를 선별하는 기능을 제공하는 기능단과 수신받은 데이터를 저장하는 데이터베이스단과 전력량 측정 장치와 가스 유량 제어장치의 통신프로토콜을 통해 전달받은 데이터를 읽고 쓰는 작업을 수행하는 통신단을 포함하는 장비 제어 시스템과 데이터 통신 제어를 수행하는 인터페이스단과 짐작한 예측값과 수신된 실제 데이터를 배열에 입력하여 산출하는 RMSE단과 정상 작동 신호를 학습하여 이상징후를 감지하는 LSTM단을 포함하는 딥 러닝 시스템. 하드웨어, 장비 제어 시스템, 딥 러닝 시스템으로 구성되는 디스플레이 제조장비 오작동 실시간 검사 시스템을 통해 디스플레이 산업의 후발주자들에 대응할 수 있는 경쟁력을 갖추고자 한다.A power measurement device is installed in front of the power supply of the equipment, a gas flow control device is installed in the gas line, a communication module is installed, a communication protocol is applied, and the hardware and each system with the equipment control system software developed below are installed This is the area responsible for data communication control between the interface stage that defines and implements the communication scenario between TCP/IP, the management group that determines the operation status of manufacturing equipment, and specific data among the data received from the sensor is viewed and the data is charted. The function stage that provides the function of converting and selecting data through the database, the database stage that stores the received data, and the communication stage that reads and writes the data received through the communication protocol of the power measurement device and gas flow control device A deep learning system that includes an interface stage that performs data communication control with an equipment control system that includes an interface stage, an RMSE stage that inputs estimated predicted values and received actual data into an array, and an LSTM stage that detects anomalies by learning normal operating signals . Through a display manufacturing equipment malfunction real-time inspection system composed of hardware, equipment control system, and deep learning system, we want to have a competitive edge to respond to latecomers in the display industry.
본 발명의 디스플레이 제조장비 오작동 실시간 검사 시스템을 통하여 자동화 시스템을 발전시켜 국내 디스플레이 산업을 선진화 시키고, 정확한 데이터를 통해 오작동을 줄이고 정밀도를 높여 제품의 품질을 높이고 오작동으로 발생하는 불량률을 감소시켜 제품 신뢰도를 높이고 가격경쟁력을 높일 수 있다. 또한, 종래의 작업자의 숙련도에 기대거나 불량이 발생하여야 알 수 있었던 제조장비의 이상증상을 실시간 검사를 통해 사전에 알아내고 정비하여 장비의 고장을 방지할 수 있다.Advance the domestic display industry by developing an automated system through the display manufacturing equipment malfunction real-time inspection system of the present invention, improve product quality by reducing malfunctions and increasing precision through accurate data, and improving product reliability by reducing defective rates caused by malfunctions and increase price competitiveness. In addition, it is possible to prevent malfunctions of manufacturing equipment by finding out in advance through real-time inspection and servicing abnormal symptoms of manufacturing equipment, which could only be known when relying on the skill level of conventional workers or when defects occurred.
본 발명을 건식 식각 장비에 적용예를 들어 설명한다. 그러나 실시예는 본 발명의 요지를 설명하기 위함이며 본 발명이 건식 식각 장비에 국한되지 않으며, 작업자의 판단과 대상물인 제조장비에 따라 유연하게 적용된다.An application example of the present invention to dry etching equipment will be described. However, the examples are for explaining the gist of the present invention, and the present invention is not limited to dry etching equipment, and is flexibly applied according to the operator's judgment and the target manufacturing equipment.
본 발명은 제조장비 내 구성물의 센서로부터 데이터를 장비 제어 시스템으로 송신한다. 이때 장비 제어 시스템은 취득한 데이터 중 구성물의 문제 발생 여부를 확인할 수 있는 판단근거가 되는 데이터를 선별하여 이상징후감지 알고리즘에 전달한다. 데이터를 전달받은 이상징후감지 알고리즘은 데이터를 적용하여 미리 학습된 이상적인 모델과 비교한 결과물의 차이를 산출한다. 이렇게 산출된 결과를 장비 제어 시스템으로 전달한다. 장비 제어 시스템은 전달받은 결과물이 사전에 입력된 안전범위를 초과할 경우 작업자에게 알람을 통해 알린다.The present invention transmits data from sensors of components in manufacturing equipment to the equipment control system. At this time, the equipment control system selects data that can serve as a basis for determining whether a component has a problem among the acquired data and transmits it to the anomaly detection algorithm. The anomaly detection algorithm that receives the data applies the data and calculates the difference between the result compared to the pre-learned ideal model. The result calculated in this way is transmitted to the equipment control system. The equipment control system notifies the operator through an alarm when the delivered result exceeds the safety range entered in advance.
우선 장비 제어 시스템으로 데이터를 송신할 센서와 송신할 수 있는 통신을 구축한다. 건식 식각 장비의 전원 공급처 앞단에 전력량 측정 장치를 설치하고, 챔버 하부의 가스라인에 가스 유량 제어장치를 설치한다. 이후 센서사양에 맞게 통신모듈을 설치하고 통신프로토콜을 적용한다. 이후 하기에서 개발한 장비 제어 시스템 소프트웨어를 설치한다.First of all, establish communication that can be transmitted with the sensor to transmit data to the equipment control system. A power measurement device is installed in front of the power supply of the dry etching equipment, and a gas flow control device is installed in the gas line at the bottom of the chamber. Afterwards, install the communication module according to the sensor specifications and apply the communication protocol. Then, install the equipment control system software developed below.
이후 장비 제어 시스템과 이상징후감지 알고리즘이 포함된 딥 러닝 시스템의 소프트웨어를 구성한다. 소프트웨어는 Visual studio 6.0 C++ 를 사용하여 개발되었으며, 실시간 분석결과나 도표를 제공하기위해 T-chart 8.0을 활용하였다. 딥 러닝 시스템은 Pycharm을 사용하여 개발하였다.Afterwards, the software of the deep learning system, which includes the equipment control system and anomaly detection algorithm, is composed. The software was developed using Visual studio 6.0 C++, and T-chart 8.0 was used to provide real-time analysis results and charts. The deep learning system was developed using Pycharm.
장비 제어 시스템의 소프트웨어는 인터페이스단, 관리단, 기능단, 데이터베이스단, 통신단으로 구성된다. 인터페이스단은 각 시스템간의 데이터 통신 제어를 담당하는 영역으로, TCP/IP간의 통신시나리오를 정의,구현 한다. 관리단은 제조장비의 운전상태를 결정한다. 기능단은 센서로부터 수신한 데이터 중 특정 데이터를 열람하게 하고, 데이터를 차트로 변환시키고, 데이터베이스를 통해 데이터를 선별하는 기능 등을 제공한다. 데이터베이스단은 수신받은 데이터를 저장한다. 통신단은 전력량 측정 장치와 가스 유량 제어장치의 통신프로토콜을 통해 전달받은 데이터를 읽고 쓰는 등의 작업을 수행한다.The software of the equipment control system consists of interface, management, function, database and communication. The interface stage is an area in charge of data communication control between each system, and defines and implements communication scenarios between TCP/IP. The management group determines the operation status of manufacturing equipment. The functional group provides functions such as enabling viewing of specific data among data received from sensors, converting data into a chart, and selecting data through a database. The database stage stores the received data. The communication stage performs operations such as reading and writing data received through the communication protocol of the power measurement device and the gas flow control device.
딥 러닝 시스템의 소프트웨어는 인터페이스단, RMSE단, LSTM단, 로 구성된다. 인터페이스단은 데이터 통신 제어를 수행한다. RMSE단은 짐작한 예측값과 수신된 실제 데이터를 배열에 입력하여 산출한다. LSTM단은 정상 작동 신호를 학습하여 이상징후를 감지한다.The software of the deep learning system consists of an interface stage, RMSE stage, and LSTM stage. The interface stage performs data communication control. The RMSE stage inputs the predicted value and the actual data received into an array to calculate it. The LSTM stage learns normal operating signals and detects abnormal symptoms.
데이터 수집은 공정이 시작되면 데이터를 기록 후 데이터 정보를 지정 확장자로 저장한다. 본 실시는 csv 혹은 d의 확장자를 사용하였다. 저장 데이터를 입력하고 작업자가 설정한 데이터 수집 주기가 차면 데이터 기록을 멈춘다. 이때, 제조공정이 아직 가동중이라면 다시 데이터 기록단계로 돌아간다.When the data collection process starts, the data is recorded and the data information is saved in a designated extension. This implementation uses the extension of csv or d. Data recording stops when the stored data is entered and the data collection cycle set by the operator is full. At this time, if the manufacturing process is still in operation, it returns to the data recording step.
건식 식각 장비에 오작동이 발생하는 경우 장비 제어 시스템과 딥 러닝 시스템의 구동은 데이터 취득, 데이터 학습 및 예측값 생성, 예측값과 수신된 실제 데이터를 입력하여 비교, 일정 임계치 이상일 경우 작업자에게 알람을 통해 알림의 동작흐름을 갖는다.In the event of a malfunction in the dry etching equipment, the operation of the equipment control system and the deep learning system is performed through data acquisition, data learning and prediction value generation, input and comparison of the predicted value and received actual data, and notification to the operator through an alarm if it exceeds a certain threshold. It has an action flow.
Claims (1)
각 시스템간의 데이터 통신 제어를 담당하는 영역으로, TCP/IP간의 통신시나리오를 정의,구현하는 인터페이스단; 제조장비의 운전상태를 결정하는 관리단; 센서로부터 수신한 데이터 중 특정 데이터를 열람하게 하고, 데이터를 차트로 변환시키고, 데이터베이스를 통해 데이터를 선별하는 기능을 제공하는 기능단; 수신받은 데이터를 저장하는 데이터베이스단; 전력량 측정 장치와 가스 유량 제어장치의 통신프로토콜을 통해 전달받은 데이터를 읽고 쓰는 작업을 수행하는 통신단;을 포함하는 장비 제어 시스템;
데이터 통신 제어를 수행하는 인터페이스단; 짐작한 예측값과 수신된 실제 데이터를 배열에 입력하여 산출하는 RMSE단; 정상 작동 신호를 학습하여 이상징후를 감지하는 LSTM단;을 포함하는 딥 러닝 시스템;
을 포함하는 디스플레이 제조장비 오작동 실시간 검사 시스템A power measurement device is installed in front of the power supply of the equipment, a gas flow control device is installed in the gas line, a communication module is installed, a communication protocol is applied, and the equipment control system software developed below is installed Hardware;
An interface stage that defines and implements communication scenarios between TCP/IP as an area in charge of data communication control between each system; Management group that determines the operation status of manufacturing equipment; A functional group that provides a function of viewing specific data among the data received from the sensor, converting the data into a chart, and selecting the data through a database; a database stage for storing the received data; A communication unit for reading and writing the data received through the communication protocol of the power measurement device and the gas flow control device; Equipment control system including;
an interface stage that performs data communication control; an RMSE stage that calculates by inputting the predicted predicted value and the received actual data into an array; A deep learning system including an LSTM stage for learning normal operating signals and detecting anomalies;
Display manufacturing equipment malfunction real-time inspection system that includes
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184855A KR20230095408A (en) | 2021-12-22 | 2021-12-22 | Display manufacturing equipment malfunction real-time inspection system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184855A KR20230095408A (en) | 2021-12-22 | 2021-12-22 | Display manufacturing equipment malfunction real-time inspection system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230095408A true KR20230095408A (en) | 2023-06-29 |
Family
ID=86946320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210184855A KR20230095408A (en) | 2021-12-22 | 2021-12-22 | Display manufacturing equipment malfunction real-time inspection system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230095408A (en) |
-
2021
- 2021-12-22 KR KR1020210184855A patent/KR20230095408A/en unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596229B (en) | Method and system for monitoring and diagnosing online abnormity | |
| JP7017861B2 (en) | Anomaly detection system and anomaly detection method | |
| CN111555716B (en) | Method, device, equipment and storage medium for determining working state of photovoltaic array | |
| RU2628146C2 (en) | Method of warning detection of failure in the device, computer program, system and module for warning detection of failure in the device | |
| BR112021013786A2 (en) | METHOD AND SYSTEM TO DETECT ANOMALIES OR PREMATURE INDICATIONS OF EQUIPMENT FAILURE | |
| CN107729985B (en) | Method for detecting process anomalies in a technical installation and corresponding diagnostic system | |
| KR101941854B1 (en) | System and method of estimating load with null data correction | |
| JP2006135412A (en) | Remote supervisory system | |
| KR20140146850A (en) | Method and apparatus thereof for verifying bad patterns in sensor-measured time series data | |
| Xu et al. | Sensor validation and fault detection using neural networks | |
| US20150241304A1 (en) | Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation | |
| WO2016208315A1 (en) | Plant diagnosis device and plant diagnosis method | |
| KR102464762B1 (en) | Predictive maintenance method for equipment failure using artificial intelligence based on experiential shared knowledge | |
| US6502018B1 (en) | Method for diagnosis of equipment | |
| KR102156858B1 (en) | Method for diagnosing and predicting robot arm's failure | |
| EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
| CN114139274A (en) | Health management system | |
| CN109990803B (en) | Method and device for detecting system abnormity and method and device for sensor processing | |
| CN108896287A (en) | A kind of control valve fault detection method based on multiscale analysis | |
| CN109084971A (en) | A kind of pneumatic control valve method for diagnosing faults based on particle group optimizing | |
| KR20230095408A (en) | Display manufacturing equipment malfunction real-time inspection system | |
| CN116907772A (en) | Self-diagnosis and fault source identification method and system of bridge structure monitoring sensor | |
| CN110889646A (en) | Method for checking correctness of operating parameters of generator set adapting to working condition change | |
| KR102351538B1 (en) | System and method for predicting failure of automated facilities using and algorithm that learns and diagnoses patterns | |
| KR102340249B1 (en) | Apparatus and method for diagnosing and predicting faults of plc using data manning |