KR20240021642A

KR20240021642A - 화학공정의 수율 예측 시뮬레이션 시스템 및 방법

Info

Publication number: KR20240021642A
Application number: KR1020220100253A
Authority: KR
Inventors: 홍웅기; 여성주; 공승환; 신해빈; 박상현; 김태협
Original assignee: 에스케이가스 주식회사
Priority date: 2022-08-10
Filing date: 2022-08-10
Publication date: 2024-02-19
Also published as: WO2024034967A1

Abstract

본 발명의 일 실시예에 따르면, 화학 공정에서 제1 사이클의 수율 예측용 데이터를 기반으로 제2 사이클의 수율을 예측하는 수율 예측 시뮬레이션 방법으로서, 제1 사이클 데이터를 전처리하는 단계; 상기 전처리된 데이터에 기초하여 제1 사이클을 복수개의 세그먼트로 분할하는 단계; 및 상기 분할된 복수개의 세그먼트별로 각각 수율 예측 모형을 모델링하여 제2 사이클의 수율을 예측하는 단계;를 포함하는 수율 예측 시뮬레이션 방법을 개시한다.

Description

화학공정의 수율 예측 시뮬레이션 시스템 및 방법 {System and method for yield predicting simulation in chemical processes}

본 발명은 화학공정의 수율 예측에 관한 것으로, 보다 구체적으로는, 제1 사이클 기간의 공정 운전 데이터에 기초하여 제2 사이클 기간의 수율을 예측하고 태그 변동량을 반영하여 수율 예측을 시뮬레이션 할 수 있는 수율 예측 시뮬레이션 시스템 및 방법에 관한 것이다.

다수의 단계로 구성된 일련의 공정을 수행하는 경우, 각각의 공정마다 유기적인 연결에 따른 무결성 보장과 신뢰도가 매우 중요하다. 이러한 무결성을 달성하기 위해 공정에서는 주요설비의 입력값부터 각 공정의 이상 유무 판정 및 원인 진단이 파악 가능한 효율적인 공정관리 시스템의 개발이 필요하다.

일반적으로 산업공정에서 발생하는 과거의 데이터들은 대부분 적은 수의 변수(variable)와 선형의 데이터 구조를 갖는 경우가 많았기 때문에 기존의 알고리즘으로도 충분한 예측/분류 결과를 획득할 수 있었다. 그러나 ICT 및 센서 기술의 발달로 인하여 제조공정 분야에서는 수백 수천에 달하는 변수를 가진 데이터들이 생성되기 시작하였다. 특히, 화학 및 제조공정, 발전소와 같은 현대 산업 공정은 안전, 보건 및 환경 관련 규제를 충족함과 동시에, 비용을 절감하고 이윤을 극대화하기 위한 다양한 노력들로 인해서, 갈수록 데이터의 규모가 커지고, 복잡해지고 있다.

따라서 이와 같은 복잡하고 거대한 양의 데이터 중 이익 창출에 큰 영향을 주는 데이터를 선별하여 관리하는 것이 매우 중요하다. 예를 들어, 상업 화학 공정에서 공정 운전 조건은 단기적/장기적으로 촉매 활성에 영향을 주며, 촉매 활성은 제품 생산량과 직결되기 때문에 단기적/장기적 관점에서 촉매 활성을 예측하는 것은 매우 중요하다.

단기적인 관점에서 보면, 공정 운전 조건에 따른 촉매 활성 변화를 파악하여 운전 조건 최적화를 통해 촉매 활성을 향상시켜 제품 생산량을 증가시키는 것이 필요하다. 장기적 관점에서 보면 촉매를 사용하는 상업 화학 공정에서 촉매는 공정이 운전될수록 비활성화가 진행되어 활성이 감소하고, 이로 인해 일정 기간 후 교체가 필요하다. 이와 같은 촉매 교체에는 많은 시간과 돈이 소비되기 때문에, 미래 촉매 활성을 예측하여 촉매 수명/교체 시기를 판단하는 것이 중요하다.

따라서, 촉매 활성에 많은 영향을 끼치는 공정 운전 조건(핵심인자)을 파악하고, 이를 반영하여 촉매 반응 활성의 예측 정확도를 높일 수 있도록 하는 새로운 기술의 개발이 요구되고 있다.

한국 공개특허 제10-2018-0029114호 (2018년 3월 20일 공개) 한국 등록특허 제10-2222125호 (2021년 3월 3일 공고) 한국 공개특허 제10-2018-0061769호 (2018년 6월 8일 공개)

본 발명에 따르면 제1 사이클 기간의 공정 운전 데이터에 기초하여 제2 사이클 기간의 수율을 예측하고 태그 변동량을 반영하여 수율 예측을 시뮬레이션 할 수 있는 수율 예측 시뮬레이션 시스템 및 방법을 제공하는 것을 목적으로 한다.

본 발명에 따르면, 제1 사이클 기간을 촉매 수명과 그에 따른 수율 변화에 기초하여 복수의 세그먼트로 분할하고 각 세그먼트별로 핵심인자 분석, 수율 예측, 및 태그 변동량 분석을 실행하고 그에 따라 제2 사이클 기간에 대한 수율 예측 시뮬레이션을 수행함으로써 전체 사이클 기간에 걸쳐 예측 정확도를 한층 더 높일 수 있는 수율 예측 시뮬레이션 시스템 및 방법을 제공하는 것을 목적으로 한다.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따르면, 상기 수율 예측 시뮬레이션 방법을 실행시키기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 기록매체를 개시한다.

본 발명에 따르면 제1 사이클 기간의 공정 운전 데이터에 기초하여 제2 사이클 기간의 수율을 예측하고 태그 변동량을 반영하여 수율 예측을 시뮬레이션 할 수 있는 기술적 효과가 있다.

본 발명에 따르면, 제1 사이클 기간을 촉매 수명과 그에 따른 수율 변화에 기초하여 복수의 세그먼트로 분할하고 각 세그먼트별로 핵심인자 분석, 수율 예측, 및 태그 변동량 분석을 실행하고 그에 따라 제2 사이클 기간에 대한 수율 예측 시뮬레이션을 수행함으로써 전체 사이클 기간에 걸쳐 예측 정확도를 높이는 기술적 효과가 있다.

또한 본 발명에 따르면 공정 운전 조건에 따른 핵심인자를 선별하여 예측 모델에 적용하여 촉매 활성 변화의 예측 정확도를 높일 수 있고, 정확한 촉매 활성 예측을 통한 제품 판매 계획 및 촉매 교제 시기 판단 가능하도록 하여 제품 생산 및 촉매 교체에 소요되는 시간, 비용을 효율적으로 관리할 수 있으며, 공정 운전 조건에 따른 촉매 활성 변화를 파악하여 운전 조건 최적화를 통해 촉매 활성을 향상시켜 제품 생산량을 증가시킬 수 있다.

도1은 본 발명의 일 실시예에 따른 수율 예측 시뮬레이션 시스템의 블록도를 개략적으로 도시한 것이다.
도2는 일 실시예에 따른 수율 예측 시뮬레이션 방법을 나타내는 흐름도를 개략적으로 도시한 것이다.
도3은 일 실시예에 따른 데이터 전처리 방법을 설명하는 흐름도를 개략적으로 도시한 것이다.
도4는 일 실시예에 따른 세그먼트 분석 방법을 설명하는 흐름도를 개략적으로 도시한 것이다.
도5 내지 도10은 일 실시예에 따른 세그먼트 분석 과정을 설명하는 도면을 개략적으로 도시한 것이다.
도11 및 도12는 일 실시예에 따른 데이터 현실화 방법을 설명하는 도면을 개략적으로 도시한 것이다.
도13 내지 도15는 일 실시예에 따른 촉매 노화요소를 반영하는 방법을 설명하는 도면을 개략적으로 도시한 것이다.
도16은 일 실시예에 따른 수율 예측 결과를 나타내는 도면을 개략적으로 도시한 것이다.
도17은 일 실시예에 따른 태그 변동량 분석을 위한 사용자 인터페이스(UI)를 설명하는 도면을 개략적으로 도시한 것이다.
도18은 일 실시예에 따른 수율 예측 시뮬레이션 결과를 나타내는 도면을 개략적으로 도시한 것이다.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.

본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '~를 포함한다', ‘~로 구성된다', 및 ‘~으로 이루어진다’라는 표현은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

본 명세서에서 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '컴퓨터 프로그램', '프로그램‘, 또는 '알고리즘'은 컴퓨터로 처리하기에 적합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다.

본 명세서에서 발명의 구성요소를 지칭하기 위해 사용된 ‘~부’, ‘~모듈’, ‘~유닛’, ‘~블록’, ‘~보드’ 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 물리적, 기능적, 또는 논리적 단위를 의미할 수 있고 이는 하나 이상의 하드웨어나 소프트웨어 또는 펌웨어로 구현되거나 또는 하드웨어, 소프트웨어, 및/또는 펌웨어의 결합으로 구현될 수 있다.

본 명세서에서 '처리장치', ‘컴퓨터’, ‘컴퓨팅 장치’, '서버 장치', '서버'는 윈도우, 맥, 또는 리눅스와 같은 운영체제, 컴퓨터 프로세서, 메모리, 응용프로그램, 및 기억장치(예를 들면, HDD, SSD)를 구비한 시스템으로 구현될 수 있다. 컴퓨터는 예를 들면, 데스크톱 컴퓨터나 노트북, 모바일 단말기 등과 같은 장치일 수 있으나 이들은 예시적인 것이며 이에 한정되는 것은 아니다. 모바일 단말기는 스마트폰, 태블릿 PC, 또는 PDA와 같은 모바일 무선통신기기 중 하나일 수 있다.

이하 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 또한 발명을 기술하는 데 있어서 공지 또는 주지관용 기술이면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈을 막기 위해 기술하지 않음을 미리 언급해 둔다.

도1은 본 발명의 일 실시예에 따른 수율 예측 시뮬레이션 시스템을 간략히 나타내는 블록도이다. 이하 본 명세서의 설명에서 본 발명에 따른 수율 예측 시뮬레이션 시스템(이하 간단히 “수율 예측 시스템” 또는 “시뮬레이션 시스템”이라고도 함)은 올레핀 생산 공정에 적용되는 것으로 가정하여 설명한다. 예를 들어, 본 발명의 시뮬레이션 시스템은 프로판을 원료로 프로필렌을 만드는 PDH(Propane DeHydration) 공정에 적용될 수 있으며, 이 공정에 의해 프로판에서 수소를 추출하여 올레핀의 한 종류인 프로필렌을 생성할 수 있다.

본 발명의 일 실시예에서 수율 예측 시뮬레이션 시스템은 제1 사이클 기간 동안 수집된 공정 운전 데이터에 기초하여 제2 사이클 기간의 수율을 예측할 수 있다. 이 때 제1 및 제2 사이클은 동일한 시간 길이의 기간일 수도 있지만 시간 길이가 다를 수도 있으며, 본 명세서의 실시예에서는 예시적으로 4년으로 가정하였다. 바람직하게는 한 사이클은 화학 공정에 사용되는 촉매의 수명과 관련될 수 있고, 예를 들어 촉매의 수명이 4년인 경우 한 사이클이 4년으로 설정될 수 있다.

도1을 참조하면, 일 실시예에 따른 수율 예측 시뮬레이션 시스템(100)은 데이터 전처리부(110), 세그먼트 분석부(120), 데이터 현실화 처리부(130), 노화요소 분석부(140), 핵심인자 분석부(150), 수율 예측부(160), 태그 변동량 분석부(170), 및 수율 예측 시뮬레이터(180)를 포함할 수 있고, 이러한 각 구성요소(110 내지 180)는 컴퓨터 장치에서 실행 가능하게 프로그램되는 소프트웨어로 구현될 수 있고, 필요에 따라 펌웨어, 하드웨어와 일부 결합하여 구현될 수도 있다.

데이터 전처리부(110)는 데이터 저장부(200)로부터 데이터를 수집 및 추출하여 전처리하는 기능부이다. 데이터 전처리부(110)의 동작에 대해서는 도3을 참조하여 후술하기로 한다.

세그먼트 분석부(120)는 전처리된 데이터에 기초하여 한 사이클을 복수개의 세그먼트로 분할할 수 있다. 예를 들어 한 사이클(예컨대 4년)에 대해 공정에 사용된 촉매의 수명(노화)에 따른 공정 온도, 수율 등 소정 인자의 변화량에 기초하여 한 사이클을 복수개의 기간으로 분할한다. 세그먼트 분석부(120)의 예시적 동작에 대해서는 도4 내지 도10을 참조하여 후술하기로 한다.

데이터 현실화 처리부(130)는 수율 예측에 사용되는 데이터를 수율 예측 모형에 입력하기에 적합한 형태로 현실화하여 생성하기 위한 기능부이다. 본 발명에 따른 수율 예측 시뮬레이션 시스템은 과거 한 사이클(제1 사이클)의 데이터를 활용하여 앞으로의 한 사이클(제2 사이클)을 예측하며, 이 때 제1 사이클의 데이터에 기초하여 제2 사이클의 데이터를 생성하여 수율 예측 모형에 입력할 수 있다. 데이터 현실화 처리부(130)의 예시적 동작에 대해서는 도11 및 도12를 참조하여 후술하기로 한다.

노화요소 분석부(140)는 공정 수율을 보다 정확히 예측하기 위해 공정에 사용되는 촉매의 노화를 반영하기 위한 기능부이다. 일반적으로 촉매는 종류에 따라 수명도 다르고 수명 기간 내에서 노화의 추세도 다양할 수 있다. 특히 촉매가 후반기로 갈수록 노화가 급격히 진행되는 경우 수율 예측 모형에 이를 정확히 반영하는 것이 어려울 수 있다. 따라서 본 발명의 일 실시예에서 촉매의 노화 요소(aging factor)를 추가로 고려한다. 예를 들어 시간에 따른 촉매의 노화 요소를 산출하고 이 값을 수율 예측 모형에 입력하는 공정 데이터에 가중치로 반영할 수 있으며 이를 통해 수율 예측 성능을 높일 수 있다. 노화요소 분석부(150)의 예시적 동작에 대해서는 도13 내지 도15를 참조하여 후술하기로 한다.

핵심인자 분석부(150)는 데이터 전처리부(110)에서 전처리된 데이터를 이용하여 공정 핵심인자를 추출한다. 예를 들어 핵심인자 분석부(150)는 공지의 머신러닝 알고리즘, 예컨대 특징 추출(feature selection) 기법을 이용하는 머신러닝 알고리즘으로 구현될 수 있다.

수율 예측부(160)는 전처리된 데이터 및 추출된 핵심인자를 이용하여 공정의 수율을 예측하는 기능부이다. 일 실시예에서 수율 예측부(160)는 머신러닝 기반의 학습 모형으로 구현되며, 전처리된 데이터 및 핵심인자를 이용하여 수율 예측 모형을 학습시키고 학습된 수율 예측 모형을 이용하여 수율을 예측할 수 있다. 예를 들어, 제1 사이클 데이터 및 제2 사이클의 전반부 데이터를 전처리한 경우, 이 전처리된 데이터 및 핵심인자를 이용하여 수율 예측 모형을 학습시킨 후 제2 사이클의 나머지 기간의 수율 예측 결과를 출력할 수 있다.

태그 변동량 분석부(170)는 태그(수율 예측 모형에 입력되는 입력변수)의 변동량을 산출하는 기능부이다. 본 발명에서 '태그'는 수율 예측 모형에 입력되는 입력변수이며 예를 들어 화학 공정에서의 온도, 압력, 유량 등 각종 운전 조건을 의미한다. 태그에는 사용자(예컨대 공장의 공정 운전자나 작업자 등)에 의해 제어되고 조절될 수 있는 태그(이하에서 '제어 태그'라 함)가 있는데 작업자가 이러한 제어 태그의 태그 값을 변화시키면 나머지 다른 태그의 태그 값도 변화한다. 태그 변동량 분석부(170)는 이러한 하나 이상의 제어 태그의 변화에 의한 나머지의 적어도 일부 태그의 변화량을 산출할 수 있으며, 예를 들어 데이터 저장부(200)에 저장된 공정 운전 데이터로 학습시킨 머신러닝 알고리즘으로 구현될 수 있다.

수율 예측 시뮬레이터(180)는 수율 예측부(160)에서 예측된 수율 및 태그 변동량 분석부(170)에서 산출된 태그 변동량 분석 결과에 기초하여 수율의 변화를 시뮬레이션 하는 기능부이다. 수율 예측부(160)는 현재까지 저장된 데이터(제1 사이클만의 데이터, 또는 제1 사이클 데이터와 제2 사이클 전반부 데이터)에 기초하여 제2 사이클 기간의 수율을 정적으로 예측하는 것인 반면, 수율 예측 시뮬레이터(180)는 공정 조건(온도, 압력, 유량 등)을 변경했을 때 미래의 수율이 어떻게 변하는지를 시뮬레이션 할 수 있다. 이를 위해, 수율 예측 시뮬레이터(180)는 수율 예측부(160)에서 산출된 예측 수율 및 태그 변동량 분석부(170)에서 산출된 분석 결과를 함께 입력받아 수율 변화를 시뮬레이션 한다.

도2를 참조하여 수율 예측 시뮬레이션 시스템의 예시적 동작을 설명하기로 한다. 도2는 일 실시예에 따른 수율 예측 시뮬레이션 방법을 나타내는 흐름도이다. 도2를 참조하면 일 실시예에 따른 수율 예측 시뮬레이션 방법은, 적어도 제1 사이클의 데이터를 포함하는 수율 예측용 데이터를 전처리하는 단계(S10), 전처리된 데이터에 기초하여 한 사이클을 복수개의 세그먼트로 분할하는 세그먼트 분석 단계(S20), 제1 사이클 데이터 및 제2 사이클의 전반부 데이터에 기초하여 제2 사이클의 데이터를 생성 및 현실화하는 데이터 현실화 단계(S30), 공정에 사용된 촉매의 노화 요소를 산출하는 노화요소 분석 단계(S40)를 포함한다.

또한 수율 예측 시뮬레이션 방법은, 세그먼트 분석 결과에 따라 각 세그먼트별로 핵심인자를 분석하는 단계(S50), 및 각 세그먼트별로 수율 예측 모형을 모델링하여 제2 사이클의 수율을 예측하는 단계(S60)를 포함한다.

또한 수율 예측 시뮬레이션 방법은, 사용자가 제어 태그의 태그 값을 변경하였을 때 나머지 태그의 변화량을 산출하는 태그 변동량 분석 단계(S70), 및 이렇게 변경된 태그 값들을 수율 예측 단계(S60)에서 예측된 예측 수율에 반영하여 수율의 변화량을 시뮬레이션하는 수율 예측 시뮬레이션 단계(S80)를 더 포함할 수 있다.

이하에서 도2의 각 단계에 대해 보다 구체적으로 설명하기로 한다. 도3은 일 실시예에 따른 데이터 전처리 단계(S10)의 예시적 방법을 나타내었다. 도3을 참조하면, 데이터 전처리 단계(S10)는 수율 예측용 데이터를 분 단위로 전처리하는 단계(S110), 분석대상 태그를 선정하는 단계(S120), 상기 분 단위로 전처리된 데이터 중 상기 선정된 태그의 데이터에 대해, 시간 및 일 단위 데이터를 추출하는 단계(S130), 및 상기 일 단위 데이터에 대한 이상치 처리 및 결측치 보간을 수행하는 단계(S140)를 포함할 수 있다.

단계(S110)에서 데이터를 전처리하기 위해, 데이터 저장부(200)에서 수율 예측에 필요한 데이터를 수집 및 추출하여 가져온다. 이 때 데이터 저장부(200)는 예를 들어 데이터베이스로 구현될 수 있으나 데이터 형식은 특별히 제한되지 않는다. 일 실시예에서 데이터 저장부(200)로부터 추출되는 수율 예측용 데이터는 (i) 올레핀 생산 공장의 공정 운전 데이터, (ii) LIMS 데이터를 포함하는 실험실 데이터, (iii) 공장이 정상적으로 운전되지 않은 시간에 관한 데이터를 포함한 공장 이벤트 데이터, 및 (iv) 올레핀 생산에 관한 과거 수율, 전환율, 및 선택도 데이터를 포함할 수 있다.

올레핀 생산 공장(PDH 공장)의 공정 운전 데이터는 공장의 각종 설비(예컨대 반응기, 유로 등)에 설치된 센서들로부터 수집되는 센서 데이터일 수 있다. 각 센서들은 예컨대 온도, 압력, 유량, 조성 등 공정 운전 상황을 관측할 수 있는 변수를 측정하는 센서일 수 있고, 각 센서들로부터 분 단위로 데이터를 수집할 수 있다.

공정 운전 데이터는 섹션별, 유닛별, 및 태그별로 분류되어 데이터 저장부(200)에 저장될 수 있다. 이 때 유닛은 공장 내에서 태그(tag)가 모여있는 중간-사이즈(mid-size) 집합이고, 섹션은 유닛이 모여 있는 대규모(large-size) 집합이며, 여러 섹션이 모여서 PDH 공장 전체를 구성하고 있다. 한편, 태그(tag)는 공장에 설치된 각각의 센서를 식별하는 식별자로서 기능할 수 있다. 즉, 각 센서마다 고유의 태그가 할당되어 있으며 예를 들어 PDH 공장에 9000개가 넘는 센서가 설치되어 있다면 해당 개수만큼의 태그가 존재할 수 있다. 이하 본 명세서에서는 특별히 혼동의 염려가 없는 한 각 태그에 대응하는 센서에서 출력되는 데이터에 대해서도 '태그' 또는 '태그 데이터'라 칭하기도 한다.

실험실 데이터는 LIMS(Laboratory Information Management System) 데이터를 포함할 수 있다. 일 실시예에서 정확한 수율 예측을 위해 실제 관측 데이터(태그 데이터) 뿐만 아니라 실험실 데이터도 활용할 수 있다. 또한 실험실 데이터는 태그 데이터의 이상치나 결측치 발생시 이를 처리하고 보간하는데 사용될 수도 있다. 대안적 실시예에서 실험실 데이터가 생략될 수도 있다.

공장 이벤트 데이터는 예를 들어 정상적으로 운전되지 않은 시간에 관한 데이터(Shut-down 이력), 대정수/소정수 등 데이터를 포함할 수 있으며, 태그 데이터의 이상치나 결측치 분석과 처리시 사용될 수 있다. 과거 수율값은 올레핀 생산에 관한 과거 수율 데이터를 포함한다. 또한 이 때 과거 수율 외에 전환율(conversion) 및 선택도(selectivity) 값을 더 포함할 수 있다. 이하 본 명세서에서는 혼동의 염려가 없는 한 수율, 전환율, 및 선택도를 '수율'이라 통칭하기도 하며 또한 머신러닝 관점에서 수율(즉, 수율, 전환율, 선택도)을 '타겟'이라 칭하기도 한다.

이와 같이 데이터 저장부(200)에 저장되는 데이터는 소정 설정 주기 단위로 지속적으로 축적된 것으로 현시점으로부터 한 사이클 기간 이상 과거의 데이터일 수 있다. 이 때 설정 주기 단위는 초 단위 또는 분 단위일 수 있고, 예를 들어 30초 단위로 데이터를 수집한 후 분석을 위해 분 단위 및/또는 시간 단위로 변환하여 저장할 수도 있다. 그러나 이러한 설정 주기 단위는 예시적인 것이고 특정한 주기로 제한되지 않는다. 또한 한 사이클은 촉매 수명과 관련하여 설정될 수 있고 일 실시예에서 4년으로 설정할 수 있으나 이는 예시적인 것임을 이해할 것이다.

데이터 저장부(200)에서 추출된 수율 예측용 데이터는 단계(S110)에서 분 단위 데이터로서 전처리된다. 예를 들어 데이터 저장부(200)로부터 초 단위 데이터를 수신한 경우 분 단위로 변환하고, 이상치나 결측치가 발생한 경우 이상치 처리 및 결측치 보간 작업을 수행한다.

다음으로, 단계(S120)에서 분석대상 태그를 선정한다. 예를 들어, 공장에 설치된 모든 센서로부터 수집된 모든 태그 데이터를 이용하여 후술하는 핵심인자 분석 및 수율 예측 등을 수행할 수도 있지만, 바람직하게는, 전체 태그 데이터 중 일부 태그 데이터를 선별하고 이 선별된 태그 데이터를 이용하여 이후의(예컨대 S130 단계 이후의) 시간/일 단위 데이터 추출, 핵심인자 분석 및 수율 예측을 수행할 수도 있으며, 이 경우 단계(S120)에서 분석대상 태그를 선정한다. 태그 선정은, 예컨대 지난 연구 및 현장 엔지니어의 지식과 경험을 바탕으로 분석에 유용하다고 인정된 태그를 선정할 수 있다.

일 실시예에서 이러한 분석대상 태그 선정 단계(S120)는 분단위 데이터를 전처리하는 단계(S110) 이전에 미리 수행될 수도 있고, 이 경우 분석대상으로 선정된 태그에 대해서만 분단위 데이터 전처리(S110)를 수행할 수도 있을 것이다.

단계(S120)에서 분석대상 태그가 선정되면 그 후 단계(S130)에서 시간단위 데이터를 추출하고 이를 다시 처리하여 일(day) 단위 데이터로 추출한다. 이 때 데이터 통합을 위해 공정 데이터(태그 데이터)와 LIMS 데이터를 활용하여 데이터 통합을 할 수도 있다. 또한 대안적 실시예에서, 분석대상 태그를 선정하는 단계(S120)가 시간 단위 데이터를 추출한 이후 수행될 수도 있고, 이 경우 모든 공정 데이터에 대해 시간단위 데이터를 추출한 후 분석대상 태그에 대해서만 일단위 데이터로 추출할 수도 있다.

단계(S130)에서 일단위 데이터로 추출한 후 단계(S140)에서 데이터 전처리를 수행한다. 예를 들어 데이터 전처리는 이상치 처리 및 결측치 보간을 포함한다. 이상치 처리의 경우, 이상값(outlier)을 선별하여 제외 혹은 보정한 후 정제된 값들만 유효한 입력 값으로 활용한다. 또한 이상치로 선별되어 제거된 구간 또는 공장의 가동 중단에 의해 공정 데이터가 없는 구간에 대해 결측치 보간을 수행한다. 결측치 보간은 예컨대 선형 회귀 및 분포기반 난수 생성을 통해 새로운 데이터를 생성하여 보간할 수 있다.

이상과 같은 단계를 거쳐 전처리된 수율 예측 데이터는 머신러닝 학습 모형에 사용될 데이터 형태로 정리 및 변환된 후 데이터 저장부(200) 또는 다른 임의의 저장부에 저장될 수 있다.

도4 내지 도10은 일 실시예에 따른 세그먼트 분석 단계(도2의 S20)의 예시적 방법을 설명하는 도면으로, 도4는 세그먼트 분석 단계의 예시적 방법을 설명하는 흐름도이고 도5 내지 도10은 일 실시예에 따른 세그먼트 분석 과정을 설명하는 도면이다.

세그먼트 분석 단계(S20)에서는 전처리된 데이터에 기초하여 한 사이클을 복수개의 세그먼트로 분할한다. 일 실시예에서 수율 트렌드가 급변하는 변곡점 지점, 수율 변동 정도를 고려하여 세그먼트를 나눔으로써 한 사이클의 공정 운전 기간 중 비슷한 수율 증감 트렌드를 나타내는 구간으로 세그먼트가 분할될 수 있고, 세그먼트별로 이후의 핵심인자 추출, 수율 예측, 수율 예측 시뮬레이션 등 각종 모델링에 활용함으로써 수율 예측 정확성을 높일 수 있다.

도4를 참조하면 일 실시예에서 세그먼트 분석 단계(S20)는 세그먼트 분석에 필요한 주요인자를 선정하는 단계(S210), 주요인자의 변곡점을 선정하여 세그먼트를 1차 결정하는 단계(S220)를 포함할 수 있다. 또한 일 실시예에서, 단계(S220) 이후, 변동성 분석에 의해 세그먼트를 통합 또는 분리하여 세그먼트를 2차 결정하는 단계(S230)를 더 포함할 수 있다. 또한 일 실시예에서 단계(S230) 이후, 촉매 디자인에 기초하여 세그먼트를 3차 결정하는 단계(S240)를 더 포함할 수 있다.

각 단계를 간단히 설명하면, 우선 단계(S210)에서 세그먼트 분석에 필요한 주요인자를 선정한다. 예를 들어 타겟 값인 수율, 전환율, 선택도 중 적어도 하나, 그리고 이러한 타겟 값에 영향을 주는 주요 태그를 포함하여 주요 인자를 선정할 수 있다. 이와 관련하여 도5는 단계(S210)에서 선정한 8개의 주요 인자를 예시적으로 나타낸다.

다음으로, 세그먼트로 분할하는 단계(S20)에서 주요 인자의 변곡점을 찾아내고 석하여 세그먼트를 1차 결정한다. 변곡점을 분석하여 세그먼트를 찾는 구체적 방법으로서, (i) 한 사이클 내에서 세그먼트 선정에 필요한 하나 이상의 인자에 대한 변곡점을 산출하고, (ii) 산출된 변곡점을 군집화하고, 그리고 (iii) 군집화된 변곡점들 중 세그먼트의 경계가 되는 변곡점을 선정하여 세그먼트를 결정할 수 있다.

보다 구체적으로, 상기 (i)의 단계에서는 예를 들어 플라토 검출법(Plateau Detection) 등 공지의 방법을 이용하여 변곡점을 산출할 수 있다. 일 예로서 도6은 변형 플라토 검출법을 사용하여 변곡점을 검출한 결과를 나타낸다. 도6에서 그래프는 촉매 재생 시 공기 온도(Regen Air 온도) 그래프이고 이 때 X축은 한 사이클 내의 시간(또는 '누적 생산량' 등 시간에 대응하는 변수)을 나타내고 Y축은 온도를 나타낸다.

그 후 상기 (ii)의 단계에서 변곡점을 군집화한다. 예를 들어 도7은 데이터가 밀집한 정도(밀도)를 이용하여 군집화하는 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 방법을 이용하여 변곡점을 군집화한 것을 나타낸다. DBSCAN은 공지의 군집화 방법 중 하나이며 본 발명이 이 방법에 제한되지 않음은 물론이다.

다음으로 상기 단계 (iii)에서 군집화된 변곡점들 중 세그먼트의 경계가 되는 변곡점을 선정하여 세그먼트를 1차 결정한다. 예를 들어 도8은 상기 단계 (iii)에 의해 4개의 세그먼트로 분할한 1차 세그먼트 결정 결과를 나타낸다.

일 실시예에서 위와 같은 1차 결정된 세그먼트 분할 결과를 이용하여 다음 단계(예컨대 도2의 핵심인자 분석 단계(S50) 등)로 진행할 수 있고, 대안적 실시예에서, 단계(S220) 이후, 변동성 분석에 의해 세그먼트를 통합 또는 분리하여 세그먼트를 2차 결정하는 단계(S230)를 더 포함할 수 있다. 단계(S230)에서는, 예를 들어 상기 1차 결정된 세그먼트별로 세그먼트별 평균 및 편차를 산출하고, 산출된 평균 및 편차에 기초하여 상기 1차 결정된 세그먼트를 통합 또는 분리하여 세그먼트를 2차로 결정할 수 있다. 도9는 이러한 단계(S230)에 의해 2차 결정된 세그먼트 분할 결과를 나타낸다. 도9에서 점선은 단계(S220)에 의한 1차 세그먼트 분할 결과이고 파란색 실선은 단계(S230)에 의한 2차 세그먼트 분할 결과를 예시적으로 보여준다.

일 실시예에서 위와 같은 2차 결정된 세그먼트 분할 결과를 이용하여 다음 단계(예컨대 도2의 핵심인자 분석 단계(S50) 등)로 진행할 수 있고, 대안적으로, 단계(S230) 이후, 촉매 생산성 디자인에 기초하여 세그먼트를 3차 결정하는 단계(S240)를 더 포함할 수 있다. 단계(S240)에서는 예컨대 누적 제품 생산량(예컨대, 60만톤, 180만톤, 240만톤 등)을 고려하여 촉매 디자인과의 유사성 비교를 통해 세그먼트 분할을 최종 확정한다.

예를 들어 도10은 이 단계(S240)에 의해 최종적으로 확정된 세그먼트 분할 결과를 나타낸다. 도10에서 결론적으로 촉매 수명을 한 사이클(예컨대 4년)로 하였을 때 한 사이클을 4개의 세그먼트(SG1 내지 SG4)로 나누었다. 도10에서 빨간색 그래프는 촉매 재생 시 공기 온도(Regen Air 온도)이고, 회색 그래프는 수율, 그리고 연두색 그래프는 선택도를 각각 나타낸다.

도10에서 제1 세그먼트(SG1)는 촉매를 투입하여 Regen Air 온도가 점점 증가하여 안정화를 향해 가는 기간이고, 제2 세그먼트(SG2)는 Regen Air 온도가 안정적으로 유지되고 수율 및 선택도가 안정적으로 나오는 안정화 기간임을 알 수 있다. 제3 세그먼트(SG3)에서는 촉매의 노화에 따라 수율이 점점 떨어지는 것을 알 수 있다. 즉 Regen Air 온도를 높여도 촉매 노화로 인해 수율이 유지 또는 증가하지 않고 점차 감소하는 단계이다. 제4 세그먼트(SG4)는 수율이 더 급격하게 감소하는 단계로서, Regen Air 온도를 더 높여도 수율과 선택도가 더 이상 증가하지 않고 급격히 감소하는 기간이다.

이와 같이 본 발명에서는 한 사이클 기간 내에서 촉매 수명에 따른 수율의 증감 트렌드를 고려하여 유사한 트렌드를 나타내는 구간으로 세그먼트로 구분할 수 있고, 구분된 각 세그먼트별로 이후의 단계(예컨대 도2의 핵심인자 분석 단계(S50), 수율 예측 단계(S60), 수율 예측 시뮬레이션 단계(S80) 등)에서 각 세그먼트별로 각각 모델링을 수행하고 한 사이클 전체로 이어서 분석/예측 결과를 도출함으로써 수율 예측 정확성을 높일 수 있다.

이제 도11과 도12를 참조하여 데이터 현실화 단계(도2의 S30)의 예시적 방법을 설명하기로 한다. 데이터 현실화 단계(S30)는 제1 사이클 데이터 및 제2 사이클의 전반부 데이터에 기초하여 제2 사이클의 나머지 기간의 데이터를 생성 및 현실화한다. 본 발명에 따른 수율 예측 단계(S60)는 과거 한 사이클(제1 사이클)의 데이터를 활용하여 앞으로의 한 사이클(제2 사이클)을 예측하는데, 보다 구체적으로, 제1 사이클의 데이터에 기초하여 제2 사이클의 데이터를 생성한 후 제2 사이클 데이터를 수율 예측 모형에 입력함으로써 제2 사이클의 수율을 예측한다. 이 때 제2 사이클의 일부 기간(이하에서 '제2 사이클의 전반부'라고도 함) 데이터가 있는 경우, 데이터 현실화 단계(S30)는 제2 사이클의 전반부 데이터를 활용하여 제2 사이클의 나머지 기간의 데이터를 생성한다.

예를 들어 한 사이클 기간이 4년이고 제1 사이클이 2017년 1월부터 2020년 12월까지 이고 제2 사이클이 2021년 1월부터 2024년 12월까지라고 전제한다. 현 시점이 2022년 8월이라고 가정하면, 데이터 저장부(200)는 제1 사이클의 공정 운전 데이터 및 제2 사이클의 전반부(즉, 2021년 1월부터 2022년 7월까지) 데이터를 저장하고 있다.

이 경우, 데이터 현실화 처리부(130)는 제1 사이클의 공정 운전 데이터 및 제2 사이클의 전반부 데이터에 기초하여 제2 사이클의 나머지 기간(즉, 2022년 8월부터 2024년 12월)의 데이터를 생성한다. 이 때 데이터 현실화 처리부(130)는 제1 사이클의 데이터의 추세나 평균 등의 특성 및 제2 사이클 전반부 데이터의 특성을 고려하여 제2 사이클의 나머지 기간의 데이터를 생성할 수 있다.

그런데 제1 사이클과 제2 사이클의 공정 운전 데이터(예컨대 각각의 태그 데이터)는 촉매 투입량, 초기 운전 조건 등의 차이에 의해 두 사이클의 추세나 값이 달라지는 경향이 발생하며, 따라서 제1 사이클의 운전 조건 데이터를 그대로 적용하여 제2 사이클의 데이터를 생성하기 어려운 문제가 있다. 따라서 본 발명에서 데이터 현실화 단계(S30)에서는 제2 사이클의 추세에 적합하게 제1 사이클의 데이터를 보정하여 제2 사이클의 데이터를 생성한다.

일 실시예에서 각 태그 데이터를 현실화하는 방법은 적어도 평균 차이 반영법 및 난수 생성법을 포함할 수 있다.

평균 차이 반영법은 제1 사이클과 제2 사이클 사이에 평균 차이가 존재하는 경우 적용될 수 있다. 일 실시예에서, 제1 사이클과 제2 사이클의 소정 기간 내의 데이터가 변동 트렌드가 유사하나 평균 값이 다른 경우 제1 사이클 데이터의 평균점을 이동시켜 제2 사이클의 데이터를 생성한다. 예를 들어 도11은 평균 차이 반영법이 적용될 수 있는 예시적인 태그 데이터를 나타낸다. 도11에서 X축은 한 사이클의 시간에 대응하는 축이고 Y축은 해당 태그의 데이터 값을 나타낸다. 그리고 검정색 그래프는 해당 태그의 제1 사이클의 데이터(CY1)이고 빨간색 그래프는 제2 사이클의 전반부 데이터(CY21)이다. 제2 사이클의 전반부 데이터(CY2)가 끝나는 시점이 현재 시점임을 이해할 것이다.

제1 사이클 데이터(CY1)와 제2 사이클의 전반부 데이터(CY21)를 비교하면 두 데이터의 트렌드가 유사하되 제2 사이클 데이터의 평균값이 더 큰 것으로 나타난다. 따라서 이 경우 평균 차이 반영법을 적용하여, 제1 사이클의 대응 기간의 데이터를 평균 차이만큼 올려서 제2 사이클의 나머지 기간의 데이터를 생성할 수 있다. 이 때 일 실시예에서 제1 사이클의 해당 대응하는 기간의 데이터를 평균을 올린 채 그대로 사용할 수도 있고, 대안적으로 적어도 일부 구간에 대해서는 난수 생성 등의 방법으로 데이터를 수정하여 제2 데이터를 생성할 수도 있다.

난수 생성법은 소정 기간의 데이터가 불완전하거나 이상치가 존재하는 경우 적용될 수 있다. 일 실시예에서 제1 사이클에 불완전한 데이터가 있는 경우 난수를 발생시켜 제2 사이클의 데이터를 생성한다. 예를 들어 도12는 난수 생성법이 적용될 수 있는 예시적인 태그 데이터를 나타낸다.

도12에서 X축은 한 사이클의 시간에 대응하는 축이고 Y축은 해당 태그의 데이터 값을 나타낸다. 검정색 그래프는 해당 태그의 제1 사이클의 데이터(CY1)이고 주황색 그래프는 제2 사이클의 전반부 데이터(CY21)이다. 제2 사이클의 전반부 데이터(CY2)가 끝나는 시점이 현재 시점을 의미한다.

도12를 참조하면, 제1 사이클 데이터(CY1)가 어느 특정 시점 이후부터 생성되었다. 즉 해당 태그 데이터는 상기 특정 시점 이전에 센서가 설치되지 않았거나 센서가 작동하지 않았음을 의미할 수 있다. 그런데 제2 사이클에 대해서는 전반부 데이터(CY21)가 존재하며, 나머지 구간의 데이터(CY22)는 제1 사이클의 데이터에 기초해서 난수를 생성하여 후반부 데이터(CY22)를 생성한다. 이 경우, 예를 들어 현 시점에서 과거 소정 구간(예컨대 현 시점에서 과거 30일(D30))의 평균과 분산을 산출하고 이 평균과 분산을 유지하면서 개별 시각의 데이터를 난수 생성하는 방법으로 후반부 데이터(CY22)를 생성할 수 있다.

이제 도13 내지 도15를 참조하여 노화요소 분석 단계(도2의 S40)의 예시적 방법을 설명하기로 한다. 노화요소 분석 단계(S40)는 공정 수율을 보다 정확히 예측하기 위해 공정에 사용되는 촉매의 노화를 반영하기 위한 수행될 수 있다. 프로필렌을 생산하는 PDH 공정에서 프로필렌 누적 생산량이 증가함에 따라 촉매 수명이 줄어들어 공정 후반에는 촉매의 수율이 급격하게 하락하게 되는데, 공정 조건 변화에 따른 수율 변화 뿐만 아니라 촉매 수명에 따른 수율 감소를 수율 예측에 정확히 반영하기 위해 촉매의 노화요소를 적용하여 수율 예측을 수행하는 것이 바람직할 수 있다.

일 실시예에서 촉매의 노화요소(Aging Factor)는 아래 수식과 같이 일일 프로필렌 생산량을 촉매에 가해진 열량으로 나눈 값으로 인덱스화 하여 수율 감소치를 반영할 수 있다.

AF(Aging Factor) = (일일 프로필렌 생산량) / (촉매에 가해진 열량)

위 식에서 “촉매에 가해진 열량”은 예를 들어 Regen Air 온도를 의미하는 태그 데이터 값과 유량을 곱하여 산출할 수 있다.

예를 들어 도13을 참조하면, 노란색 그래프는 한 사이클에서 시간에 따른 제1 사이클의 수율(Y1)이고 빨간 그래프는 제1 사이클의 노화요소(AF1)를 나타내며, 노화요소(AF1)가 수율(Y1)과 유사한 트렌드로 증감함을 알 수 있다. 그리고 도10을 참조하여 설명하였듯이 사이클의 마지막 구간인 제4 세그먼트에서는 아무리 온도를 올려도 수율이 감소하는데 이 때 제3 세그먼트까지는 수율이 비교적 선형적으로 감소하지만 제4 세그먼트에서는 수율 감소가 비선형적으로 이루어짐을 알 수 있다.

한편 초록색 그래프는 제2 사이클의 현재 시점까지의 수율(Y2)이고 파란색 그래프는 제2 사이클의 현지 시점까지의 노화요소(AF2)를 나타내며, 각각 제1 사이클의 수율(Y2)과 노화요소(AF1)와 유사한 트렌드로 진행되고 있으며 따라서 제4 세그먼트 기간에 대해서 수율(Y2)이 역시 비선형적으로 감소하게 됨을 추정할 수 있고 이를 보다 정확히 예측하기 위해 제2 사이클에 대해 노화요소(AF)를 반영하여 수율을 산출한다.

예를 들어 도14에 도시한 것처럼 제1 사이클의 노화요소(AF1)에 대해 우선 각 세그먼트별로 평균값(AF1m)을 산출하고, 산출된 각 세그먼트의 평균 값을 제2 사이클의 각 세그먼트에 가중치로서 적용할 수 있다. 일 실시예에서 제1 및 제2 세그먼트에 대해서는 노화요소(AF)를 적용하지 않아도 수율 예측 모형이 비교적 정확히 수율을 예측하기 때문에 제1 및 제2 세그먼트에는 노화요소를 적용하지 않고 제3 및 제4 세그먼트 구간에 노화요소(AF)를 적용할 수 있다. 또 다른 실시예에서, 제3 세그먼트는 수율이 비교적 선형적으로 감소하므로 수율 예측 모형이 어느 정도 정확히 에측할 수 있으므로 제4 세그먼트에 대해서만 노화요소(AF)를 적용할 수 있다.

도15는 제1 및 제2 세그먼트 구간에는 노화요소(AF)를 적용하지 않고 제3 및 제4 세그먼트에만 적용한 경우 예측 수율의 경향을 예시적으로 나타내었다. 만일 제3 및 제4 세그먼트에도 노화요소(AF)를 적용하지 않았다면 도15에서 파란색 그래프와 같이 수율이 예측되며, 제1 및 제2 세그먼트에서는 예측 수율(파란색 실선)과 실제 수율(검은색 점선)이 큰 차이를 보이지 않지만 제3 및 제4 세그먼트 구간에서는 큰 오차를 나타낸다. 그러나 본 발명에서와 같이 제3 및 제4 세그먼트에 노화요소(AF)를 적용하면 빨간색 점선과 같이 수율 예측이 되며 비교적 실제 수율에 근접한 예측이 가능하게 된다.

한편 도2에 도시한 것처럼 노화요소 분석 단계(S40)의 수행 결과는 수율 예측 시뮬레이션(80)을 수행할 때 적용될 수 있다. 그러나 대안적 실시예에서, 노화요소 분석 결과가 수율 예측 단계(S60)에도 적용될 수도 있다.

이제 다시 도2를 참조하여 핵심인자 분석 단계(S50)에 대해 간단히 설명하기로 한다. 핵심인자 분석 단계(S50)는 데이터 전처리부(110)에서 전처리된 데이터를 이용하여 수율에 영향을 주는 공정 핵심인자를 추출한다. 예를 들어 세그먼트 분석 단계(S20)에 의해 분할된 세그먼트별로, 데이터 현실화 단계(S30)에서 생성된 제2 사이클 데이터에 대한 핵심인자를 추출할 수 있다. 핵심인자 추출 방법은 예를 들어 공지의 머신러닝 알고리즘, 예컨대 보루타(Boruta) 알고리즘과 같이 특징 추출(feature selection) 기법을 이용하는 머신러닝 알고리즘으로 구현될 수 있다.

단계(S50)에서 추출된 핵심인자는 이후의 수율 예측 단계(S60)에서 수율 예측 모형에 활용될 수 있다. 예컨대 이 단계(S50)에서 공장의 전체 9000여 개의 태그 중에서 100여 개의 핵심인자를 선정하고, 이후 수율 예측 단계(S60)에서는 상기 선정된 100여 개의 핵심인자의 태그 데이터 값에 기초하여 수율 예측을 수행할 수 있다. 또한 일 실시예에서 이 핵심인자는 태그 변동량 분석 단계(S70)에도 활용될 수 있다.

도2를 참조하면, 수율 예측 단계(S60)는 전처리된 데이터 및 핵심인자를 이용하여 공정의 타겟(수율, 전환율, 선택도 중 적어도 하나)을 예측한다. 예를 들어 세그먼트 분석 단계(S20)에 의해 분할된 세그먼트별로, 데이터 현실화 단계(S30)에서 생성된 제2 사이클 데이터를 이용하여 제2 사이클의 수율을 예측할 수 있다.

수율 예측 모형은 예를 들어 랜덤포레스트 등 배깅(Bagging) 계열 알고리즘과 XGBoost, LightGBM(LGBM) 등 부스팅(Boosting) 계열 알고리즘을 앙상블하여 높은 예측력을 지닌 수율 예측 모형을 사용할 수 있고, 제1 사이클 데이터를 학습 데이터로 이용하여 모형을 학습시킬 수 있다.

배깅 계열 알고리즘은 병렬적으로 랜덤 샘플링(Random sampling)을 여러 번 반복하여 집계하는 방법으로, 학습 데이터를 늘릴 수 있는 특성을 가진다. 따라서 학습 데이터가 충분하지 않더라고 충분한 학습 효과를 주어 과소적합(Underfitting)과 과적합(Overfitting)을 방지하는 효과가 있다. 부스팅(Boosting) 계열 알고리즘 또한 랜덤 샘플링을 여러 번 수행하지만, 병렬적으로 수행하지 않고 순차적으로 진행되어 이전 학습 결과를 바탕으로 다음 학습 데이터의 가중치를 조절해 학습을 진행하는 특성을 갖는다. 즉, 오답에 대해 높은 가중치를 부여하므로 높은 정확도를 얻을 수 있는 효과가 있다. 이와 같은 모형들 중에서 과적합과 과소 적합을 방지하는 배깅 계열 알고리즘 중 널리 사용되는 랜덤 포레스트 알고리즘 또는 오차를 학습하여 정확도를 높이는 부스팅 계열 알고리즘 중 LGBM 모형을 적용하여 모델링하는 것이 바람직할 수 있다. 그러나 이러한 수율 예측 모형은 예시적인 것이며 발명의 구체적 실시 형태에 따라 공지의 적절한 머신러닝 방법을 사용할 수 있음은 물론이다.

도16은 상술한 앙상블 모형을 사용하여 수율 예측을 한 결과를 나타내는 예시적 화면 구성으로, 도16에서 제2 사이클 기간 동안의 예측 수율(Y)을 주황색 그래프로 나타내었다.

도17을 참조하여 태그 변동량 분석 단계(도2의 S70)를 설명한다. 태그 변동량 분석 단계(S70)에서는 수율 예측용 데이터 중 하나 이상의 제어 태그의 변화에 의한 나머지 적어도 일부 태그에 대한 변화량을 산출하는 태그 변동량 분석 모형을 사용하여 태그 변화량을 분석한다.

일 실시예에서, 수율 예측에 사용되는 태그들 중 조작 가능한 적어도 하나 이상의 제어 태그를 선정한다. 여기서 '제어 태그'는 화학 공정의 공정 조건 중 사용자에 의해 조작 가능한 태그를 의미하며, 예를 들어 촉매 재생 시 공기 온도(Regen Air 온도), 원료가열 온도(Charge Heater 온도), 촉매 재생 시 공기 유량(Regen Air 유량), 및 반응기 원료 주입 유량(Reactor Feed 유량) 중 적어도 하나의 태그를 포함할 수 있다. 따라서, 예컨대 수율 예측에 100개의 인자(태그)가 사용되는 경우 상기 4개의 태그는 제어 태그가 되고 나머지 96개의 태그의 적어도 일부는 상기 4개의 제어 태그의 변화에 의해 변동하는 태그가 됨을 이해할 것이다.

태그 변동량 분석부(170)는 이러한 하나 이상의 제어 태그의 변화에 의한 나머지의 적어도 일부 태그의 변화량을 산출할 수 있으며, 예를 들어 세그먼트 분석 단계(S20)에 의해 분할된 세그먼트별로, 데이터 현실화 단계(S30)에서 생성된 제2 사이클 데이터 및 핵심인자 분석(S50)에 의해 선정된 태그들을 대상으로 태그 변동량 분석(S70)을 수행할 수 있다.

이와 관련하여 도17은 태그 변동량 분석을 위한 예시적인 사용자 인터페이스(UI)를 나타낸다. 도17의 실시예에서 제어 태그로서 4개의 태그, 즉 촉매 재생 시 공기 온도(Regen Air 온도), 원료 가열 온도(Charge Heater 온도), 촉매 재생 시 공기 유량(Regen Air 유량), 및 반응기 원료 주입 유량(Reactor Feed 유량)를 사용하며, 예컨대 Regen Air 온도 태그의 오른쪽에 화살표 버튼(10)을 표시하여 작업자가 해당 태그 값을 조절하여 증가 또는 감소시킬 수 있으며, 나머지 3개의 제어 태그에도 각각 이러한 화살표 버튼으로 각각의 태그 값을 조절할 수 있음을 이해할 것이다. 또한 이와 같이 작업자가 4개의 제어 태그 중 적어도 하나를 임의의 값으로 조절한 후 아래의 'Start Analysis' 버튼(20)을 누르면(예컨대 마우스로 클릭하면) 태그 변동량 분석 모형이 제어 태그 변화에 따른 나머지 태그의 변화량을 산출하여 출력할 수 있다.

그리고 위와 같이 태그 변동량 분석 단계(S70)에서 수행된 태그 변동량 분석 결과는 이후의 수율 예측 시뮬레이션 단계(S80)에서 입력변수로서 사용될 수 있다. 수율 예측 시뮬레이션 단계(S80)는 수율 예측부(160)에서 예측된 수율 및 태그 변동량 분석부(170)에서 산출된 태그 변동량 분석 결과에 기초하여 수율의 변화를 시뮬레이션하는 단계이다. 즉 수율 예측 단계(S60)가 데이터 현실화(S30)에 의해 생성된 제2 사이클의 데이터에 기반하여 미래의 수율을 정적으로 예측하는 것인 반면, 수율 예측 시뮬레이션 단계(S80)는 사용자가 태그 변동량 분석(S70)을 통해 제어 태그를 임의의 값으로 변경하고 그로 인해 나머지 태그 값들도 변경된 상태에서 미래의 수율이 어떻게 변하는지를 동적으로 예측하는 것이다. 따라서, 수율 예측 시뮬레이션 단계(S80)에서는 수율 예측 시뮬레이터(180)는 수율 예측부(160)에서 산출된 예측 수율 및 태그 변동량 분석부(170)에서 산출된 분석 결과를 수율 예측 시뮬레이션 모형에 함께 입력하여 수율 변화를 시뮬레이션 한다.

또한 도2에 도시한 것처럼, 일 실시예에서 수율 예측 시뮬레이션 단계(S80)는 수율 예측부(160)에서 예측된 수율, 태그 변동량 분석부(170)에서 산출된 태그 변동량 분석 결과, 및 노화요소 분석 단계(S40)에서 산출된 촉매의 노화요소에 기초하여 수율의 변화를 시뮬레이션 할 수 있고, 이 때 노화요소는 제2 사이클의 제3 및 제4 세그먼트 기간 또는 제4 세그먼트 기간에만 가중치로서 적용될 수 있다.

수율 예측 시뮬레이션 모형은 머신러닝 알고리즘으로 구현될 수 있으며, 예를 들어 랜덤포레스트 등 배깅(Bagging) 계열 알고리즘과 XGBoost, LGBM 등 부스팅(Boosting) 계열 알고리즘을 앙상블하여 높은 예측력을 지닌 예측 모형을 사용할 수 있다.

도18은 일 실시예에 따른 예시적인 수율 예측 시뮬레이션 결과를 나타낸다. 도18에서 주황색 그래프는 수율 예측 단계(S60)에서 예측된 수율(Y)이며 이것은 도16의 수율 그래프와 동일하다. 도18에서 분홍색 그래프는 수율 예측 시뮬레이션 단계(S80)에서 시뮬레이션한 수율(Ys)이다. 즉 작업자가 도17의 화면에서 적어도 하나의 제어 태그 값을 변경하고 그에 따라 나머지 태그 값들도 변경된 상태에서 시뮬레이션 한 수율을 나타낸다. 그러므로 본 발명에 따르면 단순히 제2 사이클 데이터를 이용하여 정적인 수율 예측을 수행할 뿐만 아니라 주요 제어 태그를 변화시킬 때 제어 태그의 변화에 의해 수율이 어떻게 변화하는지를 동적으로 시뮬레이션하여 보여줌으로써 주요 태그의 변동에 의한 수율 분석을 보다 정확하고 정밀하게 수행하고 예측할 수 있다.

이상과 같이 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 명세서의 기재로부터 다양한 수정 및 변형이 가능함을 이해할 수 있다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

100: 수율 예측 시뮬레이션 시스템 110: 데이터 전처리부
120: 세그먼트 분석부 130: 데이터 현실화 처리부
140: 노화요소 분석부 150: 핵심인자 분석부
160: 수율 예측부 170: 태그 변동량 분석부
180: 수율 예측 시뮬레이터 200: 데이터 저장부

Claims

화학 공정에서 제1 사이클의 수율 예측용 데이터를 기반으로 제2 사이클의 수율을 예측하는 수율 예측 시뮬레이션 방법으로서,
제1 사이클 데이터를 전처리하는 단계(S10);
상기 전처리된 데이터에 기초하여 제1 사이클을 복수개의 세그먼트로 분할하는 단계(S20); 및
상기 분할된 복수개의 세그먼트별로 각각 수율 예측 모형을 모델링하여 제2 사이클의 수율을 예측하는 단계(S60);를 포함하는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 1 항에 있어서,
제1 사이클 및 제2 사이클은 화학 공정에 사용되는 촉매의 수명에 따라 결정되는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 1 항에 있어서,
상기 세그먼트로 분할하는 단계(S20)가, 제1 사이클 내에서 세그먼트 선정에 필요한 하나 이상의 인자에 대한 변곡점을 산출하고, 산출된 변곡점을 군집화하고, 군집화된 변곡점들 중 세그먼트의 경계가 되는 변곡점을 선정하여 세그먼트를 1차 결정하는 단계(S220)를 포함하는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 3 항에 있어서,
상기 세그먼트로 분할하는 단계(S20)가, 상기 1차 결정된 세그먼트별로 세그먼트별 평균 및 편차를 산출하고, 산출된 평균 및 편차에 기초하여 상기 1차 결정된 세그먼트를 통합 또는 분리하여 세그먼트를 2차 결정하는 단계(S230)를 더 포함하는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 1 항에 있어서,
상기 분할된 복수개의 세그먼트별로 각각 핵심인자 분석 모형을 모델링하여 핵심인자를 선정하는 핵심인자 분석 단계(S50)를 더 포함하고,
상기 수율 예측 단계(S60)는, 상기 전처리된 제1 사이클 데이터 및 상기 세그먼트별 핵심인자 분석에 의해 도출된 핵심인자에 기초하여, 상기 복수개의 세그먼트별로 각각 모델링된 수율 예측 모델을 이용하여 제2 사이클의 수율을 예측하는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 5 항에 있어서,
상기 수율 예측용 데이터 중 한 개 이상의 제어 태그의 변화에 의한 나머지 적어도 일부 태그에 대한 변화량을 산출하는 태그 변동량 분석 모형을 상기 분할된 복수개의 세그먼트별로 각각 모델링하는 태그 변동량 분석 단계(S70)를 더 포함하는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 6 항에 있어서,
상기 복수개의 제어 태그는, 화학 공정의 공정 조건 중 사용자에 의해 조절 가능한 공정 조건에 관한 태그인 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제 6 항에 있어서,
상기 수율 예측 모형에서 산출된 예측 수율 및 상기 태그 변동량 분석 모형에서 산출된 태그 변동량 분석 결과에 기초하여 제2 사이클의 수율을 시뮬레이션하는 수율 예측 시뮬레이션 단계(S80)를 더 포함하고,
상기 태그 변동량 분석 결과는, 사용자에 의해 임의로 변경된 제어 태그 값 및 이 제어 태그 값을 상기 태그 변동량 분석 모형에 입력하여 출력된 태그들의 태그 값을 포함하는 것을 특징으로 하는 수율 예측 시뮬레이션 방법.
제1항 내지 제8항 중 어느 한 항에 따른 수율 예측 시뮬레이션 방법을 실행시키기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 기록매체.