KR20240043656A - 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법 - Google Patents

공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법 Download PDF

Info

Publication number
KR20240043656A
KR20240043656A KR1020230049268A KR20230049268A KR20240043656A KR 20240043656 A KR20240043656 A KR 20240043656A KR 1020230049268 A KR1020230049268 A KR 1020230049268A KR 20230049268 A KR20230049268 A KR 20230049268A KR 20240043656 A KR20240043656 A KR 20240043656A
Authority
KR
South Korea
Prior art keywords
sensor data
data
process sensor
learning
model
Prior art date
Application number
KR1020230049268A
Other languages
English (en)
Inventor
하승재
Original Assignee
주식회사 에이아이비즈
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 주식회사 에이아이비즈 filed Critical 주식회사 에이아이비즈
Priority to KR1020230049268A priority Critical patent/KR20240043656A/ko
Publication of KR20240043656A publication Critical patent/KR20240043656A/ko

Links

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
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G06F11/076—Error or fault detection not based on redundancy by exceeding limits by exceeding a count or rate limit, e.g. word- or bit count limit
    • 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
    • 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
    • G05B23/0218—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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • 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
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/091—Active learning
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 발명의 다양한 실시예에 따른 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법이 개시된다. 상기 방법은 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서, 공정 센서 데이터 및 상기 공정 센서 데이터에 대응하는 사전 지식 데이터를 획득하는 단계,딥러닝 모델을 활용하여 상기 공정 센서 데이터에 대응하는 재건 공정 센서 데이터를 생성하는 단계, 상기 공정 센서 데이터 및 상기 재건 공정 센서 데이터에 기초하여 재건율 오차를 산출하는 단계 및 상기 재건율 오차와 기준 임계값의 비교에 기초하여 비정상 동작을 감지하는 단계를 포함하며, 상기 공정 센서 데이터는, 반도체 공정 장비의 동작에 기반하여 복수의 센서를 통해 실시간으로 획득되는 센서 데이터들로, 정상 동작에 관련한 복수의 센서 데이터를 포함하며, 상기 사전 지식 데이터는, 상기 복수의 센서 간의 연관 관계에 대한 정보를 포함하며, 상기 딥러닝 모델은, 상기 공정 센서 데이터에 대응하는 피처 정보를 출력하는 추출하는 제1서브 모델, 상기 공정 센서 데이터 및 상기 사전 지식 데이터에 기초하여 각 공정 센서 데이터들 간의 교호 관계 정보를 추출하는 제2서브 모델, 상기 제1서브 모델 및 상기 제2서브 모델의 출력을 조합하여 특징 정보를 생성하는 어텐션 모듈 및 상기 특징 정보를 복원하여 상기 재건 공정 센서 데이터를 생성하는 차원 복원 모델을 포함하며, 상기 방법은, 자동화 공정에 대응하는 다년간의 공정 센서 데이터 및 사전 지식 데이터를 저장하는 외부 서버로부터 데이터를 수신하여 학습 데이터 세트를 구축하는 단계 및 상기 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 상기 딥러닝 모델을 생성하는 단계를 더 포함하며, 상기 학습 데이터 세트는, 복수 개의 학습용 공정 센서 데이터 및 각 학습용 공정 센서 데이터에 대응하는 학습용 사전 지식 데이터를 포함하고, 상기 딥러닝 모델을 생성하는 단계는, 상기 복수의 학습용 공정 센서 데이터를 임베딩 레이어에 입력으로 처리하여 각 공정 센서 데이터를 랜덤하게 임베딩하는 단계를 포함할 수 있다.

Description

공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법{A METHOD FOR TRAINING A DEEP LEARNING MODEL FOR ABNORMAL OPERATION DETECTION OF PROCESS EQUIPMENT}
본 발명은 공정 설비의 비정상 동작을 판별하기 위한 것으로, 보다 구체적으로, 공정 과정에서 시계열적으로 획득되는 센서 공정 데이터를 인공지능을 활용하여 분석함으로써, 공정 과정에서 비정상 동작 발생 여부를 탐지하는 방법에 관한 것이다.
일반적으로 양산 체제를 구축한 공장은 제품의 양산 효율을 높이기 위해 제조 공정이 여러 단계의 공정으로 분업화되어 있으며, 분업화된 여러 단계의 공정 별로 각 공정에 적합한 자동화 설비를 가동하여 운영하고 있다.
자동화 설비의 경우, 동일한 공정을 반복적으로 수행하는 과정에서 설비 자체의 오류나 주변 환경의 영향에 의해 비정상적으로 공정을 수행하는 상황이 발생할 수 있다. 각각의 공정이 연속적이고, 유기적으로 연계된 제조 공정 시스템에서 일부 공정의 설비에 이상이 발생하는 경우, 전체 공정 및 생산품의 불량을 초래할 수 있다. 이에 따라, 각 공정 별로 가동되는 공장 설비에 대해 이상 여부를 주기적으로 탐지하는 작업은 공장 양상 체제의 유지 관리 차원에서 매우 중요하다.
공장 설비의 이상 여부에 대한 탐지는, 숙련된 작업자가 해당 설비의 가동 상황을 다양한 센서 공정 데이터를 통해 수시로 체크하는 것으로 이루어질 수 있다. 다만, 아무리 숙련된 작업자라도 실시간으로 쏟아지는 방대한 센서 공정 데이터들을 모두 확인하여 정확하게 이상 데이터(또는 비정상 데이터)를 탐지하는 데는 한계가 있으며, 이상 데이터 탐지 과정에 많은 시간이 소요될 수 있다. 또한, FA 시스템의 도입 등 공장의 설비가 복잡해짐에 따라, 작업자에게 요구되는 지식과 노하우가 매우 많아져, 경험이 부족한 작업자에게는 비정상 상태가 된 요인의 특정이 곤란한 경우가 발생할 수 있다.
한편, 일시적으로 또는 데이터베이스에 저장되어 영구적으로 사용할 수 있는 센서 공정 데이터가 축적됨에 따라, 다양한 분야에 관련한 산업 장비의 모니터링 데이터의 자동화 처리에 대한 연구가 진행되고 있다. 특히, 컴퓨터 기술의 발전으로 처리할 수 있는 정보량이 늘어남에 따라 인공지능이 빠른 속도로 진화하고 있으며, 이에 따라, 인공지능을 활용하여 데이터의 이상 여부를 탐지하기 기술들에 대한 연구 개발이 진행되고 있다.
대한민국 등록특허 제10-1909836호
본 발명이 해결하고자 하는 과제는 전술한 배경기술에 대응하여 안출된 것으로, 공정 과정에서 시계열적으로 획득되는 센서 공정 데이터를 인공지능을 활용하여 분석함으로써, 공정 과정에서 비정상 동작 발생 여부를 탐지할 수 있다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 다양한 실시예에 따른 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법이 개시된다. 상기 방법은 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서, 공정 센서 데이터 및 상기 공정 센서 데이터에 대응하는 사전 지식 데이터를 획득하는 단계,딥러닝 모델을 활용하여 상기 공정 센서 데이터에 대응하는 재건 공정 센서 데이터를 생성하는 단계, 상기 공정 센서 데이터 및 상기 재건 공정 센서 데이터에 기초하여 재건율 오차를 산출하는 단계 및 상기 재건율 오차와 기준 임계값의 비교에 기초하여 비정상 동작을 감지하는 단계를 포함하며, 상기 공정 센서 데이터는, 반도체 공정 장비의 동작에 기반하여 복수의 센서를 통해 실시간으로 획득되는 센서 데이터들로, 정상 동작에 관련한 복수의 센서 데이터를 포함하며, 상기 사전 지식 데이터는, 상기 복수의 센서 간의 연관 관계에 대한 정보를 포함하며, 상기 딥러닝 모델은, 상기 공정 센서 데이터에 대응하는 피처 정보를 출력하는 추출하는 제1서브 모델, 상기 공정 센서 데이터 및 상기 사전 지식 데이터에 기초하여 각 공정 센서 데이터들 간의 교호 관계 정보를 추출하는 제2서브 모델, 상기 제1서브 모델 및 상기 제2서브 모델의 출력을 조합하여 특징 정보를 생성하는 어텐션 모듈 및 상기 특징 정보를 복원하여 상기 재건 공정 센서 데이터를 생성하는 차원 복원 모델을 포함하며, 상기 방법은, 자동화 공정에 대응하는 다년간의 공정 센서 데이터 및 사전 지식 데이터를 저장하는 외부 서버로부터 데이터를 수신하여 학습 데이터 세트를 구축하는 단계 및 상기 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 상기 딥러닝 모델을 생성하는 단계를 더 포함하며, 상기 학습 데이터 세트는, 복수 개의 학습용 공정 센서 데이터 및 각 학습용 공정 센서 데이터에 대응하는 학습용 사전 지식 데이터를 포함하고, 상기 딥러닝 모델을 생성하는 단계는, 상기 복수의 학습용 공정 센서 데이터를 임베딩 레이어에 입력으로 처리하여 각 공정 센서 데이터를 랜덤하게 임베딩하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 방법은, 상기 비정상 동작이 발생함을 감지하는 경우, 비정상 동작 감지 정보를 생성하는 단계 및 상기 비정상 동작 감지 정보를 사용자 단말로 전송하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 딥러닝 모델은, 상기 공정 센서 데이터가 입력되는 경우, 상기 공정 센서 데이터에 대응하는 특징 정보를 생성하고, 상기 생성된 특징 정보를 복원하여 상기 재건 공정 센서 데이터를 출력하는 모델로, 상기 공정 센서 데이터와 상기 재건 공정 센서 데이터의 오차가 최소화되도록 학습된 신경망 모델인 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 제2서브 모델은, 시간에 따라 변화하는 동적 그래프 구조에 관련한 데이터를 분석하여 연관 관계 정보를 추출하는 GNN(Graph Neural Network) 모델인 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 어텐션 모듈은, 상기 제1서브 모델 및 상기 제2서브 모델의 타임 스텝 간의 연관 정보를 생성하여 동일한 타임 스텝에 관련한 출력을 조합하는 것을 특징으로 할 수 있다.
본 발명의 다양한 실시예에 따르면, 공정 과정에서 시계열적으로 획득되는 센서 공정 데이터를 인공지능을 활용하여 분석함으로써, 공정 과정에서 비정상 동작 발생 여부를 탐지할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예와 관련된 공정 설비의 비정상 동작 판별 방법이 구현될 수 있는 개략적인 시스템을 도시한 예시도이다.
도 2는 본 발명의 일 실시예와 관련된 공정 설비의 비정상 동작을 판별하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 발명의 일 실시예와 관련된 공정 설비의 비정상 동작 판별 방법의 예시적인 순서도를 도시한다.
도 4는 본 발명의 일 실시예와 관련된 공정 센서 데이터 및 사전 지식 데이터를 활용하여 재건 공정 센서 데이터를 생성하는 딥러닝 모델을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예와 관련된 딥러닝 모델의 예시적인 블록 구성도를 도시한다.
도 6은 본 발명의 일 실시예와 관련된 딥러닝 모델의 학습 방법 및 기준 임계값을 생성하는 과정을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예와 관련된 딥러닝 모델을 활용하여 실시간 획득되는 공정 센서 데이터에 대응하여 재건율 오차를 산출하는 과정을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예와 관련된 공정 센서 데이터와 재건 공정 센서 데이터에 기반하여 비정상 동작을 탐지하는 과정을 예시적으로 나타낸 예시도이다.
도 9는 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예와 관련된 공정 설비의 비정상 동작 판별 방법이 구현될 수 있는 개략적인 시스템을 도시한 예시도이다.
도 1에 도시된 바와 같이, 공정 설비의 비정상 동작 판별 방법이 구현되는 시스템은, 사용자 단말(10), 외부 서버(20), 컴퓨팅 장치(100) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트 중 일부는 생략될 수도 있다.
본 발명의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 발명의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)에 엑세스하여 설비 공정 상에 이상 발생 여부를 감지하고자 하는 사용자(또는 작업자)에 관련된 단말일 수 있다. 예컨대, 사용자 단말(10)의 사용자는 공정 품질을 관리하거나, 또는 공정에 관련한 빅데이터를 분석하고자 하는 엔지니어일 수 있다. 다시 말해, 사용자 단말(10)의 사용자는, 공정 설비 동안 획득되는 센싱 데이터를 기반으로 공정 설비의 가동 중 발생하는 이상 상황을 탐지하기 위한 작업자 또는 엔지니어를 포함할 수 있다. 실시예에서, 사용자 단말(10)은 컴퓨팅 장치(100)로부터 비정상 동작 발생 여부에 관한 정보를 수신할 수 있다. 예컨대, 컴퓨팅 장치(100)는 공정 과정에서 비정상 동작이 발생함을 감지하여 비정상 동작 감지 정보를 생성하고 이를 사용자 단말(10)로 전송할 수 있으며, 사용자 단말(10)을 사용자는 비정상 동작 감지 정보를 통해 공정 과정에서 이상 상황이 발생하였음을 인지할 수 있다.
사용자 단말(10)은 컴퓨팅 장치(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(10)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(10)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(10)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 외부 서버(20)는 자동화 공정에 대응하는 다년간의 공정 센서 데이터 및 사전 지식 데이터를 저장하는 서버일 수 있다. 예를 들어, 외부 서버(20)는 반도체 팹에서 웨이퍼 제조를 위한 디바이스의 동작 파라미터 및 디바이스 동작에 의하여 획득된 다양한 센서 데이터를 저장하고 있을 수 있다. 또한, 예를 들어 외부 서버(20)는 디바이스 간의 연관 정보에 관련한 사전 지식 데이터를 저장하고 있을 수 있다. 즉, 외부 서버(20)는 다양한 공정에 관련한 데이터들을 빅데이터화 하여 저장하는 서버일 수 있다.
외부 서버(20)에 저장된 정보들은 본 발명에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(20)는 본 발명의 신경망 모델을 학습시키기 위한 데이터 세트에 관한 정보를 저장하고 있는 서버일 수 있다.
본 발명의 컴퓨팅 장치(100)는 외부 서버(20)로부터 공정 센서 데이터 및 사전 지식 데이터를 수신하여 학습 데이터 세트를 구축할 있으며, 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 신경망 모델을 학습시킴으로써, 본 발명의 딥러닝 모델을 생성할 수 있다.
외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
본 발명의 일 실시예에 따르면, 공정 설비의 비정상 동작을 감지하는 컴퓨팅 장치(100)(이하, “컴퓨팅 장치(100)”)는 공정 설비의 비정상 동작을 감지할 수 있다. 컴퓨팅 장치(100)는 공정 설비 과정에서 획득되는 공정 센서 데이터 및 공정 센서 데이터에 대응하는 사전 지식 데이터를 획득할 수 있으며, 공정 센서 데이터 및 사전 지식 데이터에 기초하여 재건 공정 센서 데이터를 생성할 수 있다. 공정 센서 데이터는, 공정 설비의 가동 중 실시간으로 획득되는 다양한 센싱 데이터를 포함할 수 있다. 예를 들어, 공정 센서 데이터는, 반도체 팹에서 웨이퍼 제조를 위한 디바이스의 동작 파라미터 및 디바이스 동작에 의하여 획득된 다양한 센서 데이터를 포함할 수 있다.
보다 구체적으로, 컴퓨팅 장치(100)는 공정 센서 데이터 및 사전 지식 데이터를 딥러닝 모델의 입력으로 처리하여 재건 공정 센서 데이터를 생성할 수 있다. 딥러닝 모델은, 특정 입력과 유사한 출력을 출력하도록 학습된 신경망 모델일 수 있다. 딥러닝 모델은, 다년간 획득된 학습용 공정 센서 데이터 및 학습용 사전 지식 데이터를 기반으로 사전 학습될 수 있다. 여기서, 딥러닝 모델의 학습에 활용되는 학습용 공정 센서 데이터는, 정상에 관련한 센서 데이터만을 포함할 수 있다. 다시 말해, 학습용 공정 센서 데이터는 비정상 동작에 관련한 센서 데이터를 포함하지 않을 수 있다.
즉, 딥러닝 모델은, 다년간 축적된 데이터를 기반으로 학습됨에 따라, 기존 축적된 공정 센서 데이터들과 유사한 공정 센서 데이터가 입력되는 경우, 입력에 관련한 공정 센서 데이터와 유사한 재건 공정 센서 데이터를 출력할 수 있으며, 기존 축적된 공정 센서 데이터들과 유사하지 않은 공정 센서 데이터가 입력되는 경우, 입력에 관련한 공정 센서 데이터와 유사하지 않은 재건 공정 센서 데이터를 출력할 수 있다.
또한, 컴퓨팅 장치(100)는 공정 센서 데이터와 공정 센서 데이터에 대응하여 출력된 재건 공정 센서 데이터 간의 재건율 오차를 산출할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 입력에 관련한 공정 센서 데이터와 출력에 관련한 재건 공정 센서 데이터 간의 차이가 클수록 재건율 오차를 크게 산출하고, 그리고 입력에 관련한 공정 센서 데이터와 출력에 관련한 재건 공정 센서 데이터 간의 차이가 클수록 재건율 오차를 작게 산출할 수 있다. 즉, 재건율 오차는, 딥러닝 모델의 입력(즉, 공정 센서 데이터)과 출력(즉, 재건 공정 센서 데이터) 간의 차이에 기초하여 산출될 수 있다.
또한, 컴퓨팅 장치(100)는 산출된 재건율 오차와 기준 임계값의 비교에 기초하여 비정상 동작을 감지할 수 있다. 일 실시예에서, 기준 임계값은, 딥러닝 모델의 학습 과정에서 획득되는 것으로, 복수의 학습 데이터 각각에 관련한 복수의 재건율 오차 중 최대값에 관련한 재건율 오차에 기초하여 결정되는 것을 특징으로 할 수 있다. 예를 들어, 지난 3년동안 획득된 10만개의 공정 센서 데이터 각각과 각 공정 센서 데이터에 대응하는 재건 공정 센서 데이터 각각에 대응하는 재건율 오차 중 최대가 되는 재건율 오차에 기초하여 기준 임계값이 결정될 수 있다. 다시 말해, 지난 다년간의 공정 센서 데이터들 중에서 복원이 가장 잘 되지 않은 공정 센서 데이터(즉, 재건율 오차가 가장 큰 공정 센서 데이터)의 재건율 오차에 기초하여 기준 임계값이 결정될 수 있다. 이러한 기준 임계값은, 비정상 동작 탐지를 위한 기준이 될 수 있다. 구체적인 실시예에서, 컴퓨팅 장치(100)는 재건율 오차가 기준 임계값 이하인 경우, 정상 동작으로 판별할 수 있으며, 재건율 오차가 기준 임계값을 초과하는 경우, 비정상 동작으로 판별할 수 있다.
다시 말해, 컴퓨팅 장치(100)는 공정 센서 데이터에 기반하여 재건 공정 센서 데이터를 생성하며, 공정 센서 데이터와 재건 공정 센서 데이터의 비교에 기초하여 재건율 오차를 산출할 수 있다. 컴퓨팅 장치(100)는 재건율 오차를 기준 임계값과 비교하여, 재건율 오차가 기준 임계값을 초과하는 경우, 설비 공정 과정에서 비정상 동작이 발생하였다고 판별할 수 있다. 예컨대, 공정 센서 데이터가 딥러닝 모델의 학습에 활용된 학습 데이터들(즉, 다년간 축적된 공정 센서 데이터들)과 유사한 경우, 재건율 오차는 적게 산출될 수 있다. 이와 반대로, 공정 센서 데이터가 딥러닝 모델의 학습에 활용된 학습 데이터들과 유사하지 않은 경우, 재건율 오차가 크게 산출될 수 있다. 즉, 컴퓨팅 장치(100)는 재건율 오차가 다년간 축적된 데이터들을 기반으로 산출된 기준 임계값 보다 큰 경우, 기존의 정상 상황에서 획득된 데이터 유형과 상이한 데이터 유형이 발생(즉, 과거에 한 번도 경험하지 못했던 유형의 센서 데이터가 감지)된 것으로 판별하여 비정상 상황으로 판별할 수 있다. 딥러닝 모델의 학습 방법, 비정상 상황 감지 방법에 대한 보다 구체적인 설명은, 이하의 도 2 및 도 9를 참조하여 후술하도록 한다.
도 2는 본 발명의 일 실시예와 관련된 공정 설비의 비정상 동작을 감지하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 공정 설비의 비정상 동작을 감지하기 위한 데이터 처리를 수행할 수 있다.
프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 딥러닝을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(110)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 발명의 기술적 범위가 이에 한정되는 것은 아니다.
버스(230)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(230)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 공정 설비의 비정상 동작을 판별하기 위한 프로세스를 수행하는 경우, 스토리지(150)는 공정 설비의 비정상 동작을 판별하기 위한 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 공정 센서 데이터 및 공정 센서 데이터에 대응하는 사전 지식 데이터를 획득하는 단계, 딥러닝 모델을 활용하여 공정 센서 데이터에 대응하는 재건 공정 센서 데이터를 생성하는 단계, 공정 센서 데이터 및 재건 공정 센서 데이터에 기초하여 재건율 오차를 산출하는 단계 및 재건율 오차와 기준 임계값의 비교에 기초하여 비정상 동작을 탐지하는 단계를 포함하는 공정 설비의 비정상 동작 감지 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
도 3은 본 발명의 일 실시예와 관련된 공정 설비의 비정상 동작 판별 방법의 예시적인 순서도를 도시한다. 도 3에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 이하의 단계들은 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 공정 센서 데이터 및 공정 센서 데이터에 대응하는 사전 지식 데이터를 획득할 수 있다(S110). 본 발명의 일 실시예에 따른 공정 센서 데이터 및 사전 지식 데이터의 획득은, 메모리(120)에 저장된 공정 센서 데이터 및 사전 지식 데이터를 수신하거나 또는 로딩(loading)하는 것일 수 있다. 또한, 공정 센서 데이터 및 사전 지식 데이터의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 데이터를 수신하거나 또는 로딩하는 것일 수 있다.
실시예에 따르면, 공정 센서 데이터는, 산업현장에서 획득되는 다양한 종류의 데이터를 포함할 수 있다. 공정 센서 데이터는, 공정 중 발생하는 초 단위의 센서 데이터를 포함할 수 있다.
예컨대, 생산 설비에서 초 단위로 수백 개에 센서 데이터가 발생할 수 있다. 반도체 생산 설비에서, 온도, 압력, 다양한 화학 물질 투입량 등을 감지하는 센서들이 구비되어 있으며, 해당 센서들을 통해 실시간으로 공정 센서 데이터가 획득될 수 있다. 즉, 공정 센서 데이터는, 반도체 공정 장비의 동작에 기반하여 복수의 센서를 통해 실시간으로 획득되는 센서 데이터들을 의미할 수 있다. 공정 센서 데이터는, 반도체 팹에서 웨이퍼 제조를 위한 다양한 디바이스의 동작 파라미터 및 디바이스 동작에 의하여 획득된 다양한 센서 데이터를 포함할 수 있다. 예컨대, 공정 센서 데이터는 MES(management execution system)으로부터의 로트(lot) 장비 히스토리 데이터, 장비 인터페이스 데이터 소스로부터의 데이터, 프로세싱 툴(tool) 레시피들, 프로세싱 툴 테스트 데이터, 프로브 테스트 데이터, 전기 테스트 데이터, 결합 측정 데이터, 진단 데이터, 원격 진단 데이터, 후처리 데이터 등을 포함할 수 있으며 본 발명은 이에 제한되지 않는다.
사전 지식 데이터는, 복수의 센서 간의 연관 관계에 대한 정보를 포함할 수 있다. 예를 들어, 사전 지식 데이터는 반도체 생산 과정에서, 특정 공정 단계에 대응하여 온도를 측정하는 제1센서와 동일한 공정 단계에 압력을 측정하는 제2센서가 상호 연관이 있다는 정보를 포함할 수 있다. 즉, 사전 지식 데이터는, 특정 공정 단계에서의 특정 센서 데이터가 다른 센서 데이터에 영향을 줄 수 있는 정보, 즉 상호 연관성에 관련한 정보를 포함할 수 있다. 실시예에서, 사전 지식 데이터는, 그래프 구조의 형태로 구성될 수 있다.
이러한 공정 센서 데이터 및 사전 지식 데이터는 생산 설비 공정 과정에서 획득될 수 있으며, 비정상 동작 감지에 활용될 수 있다. 비정상 동작이란, 수율을 저해하는 다양한 공정 상황들이나, 설비 고장에 관련한 비정상 동작이나 불량 조건 등이 감지되는 상황을 포함할 수 있다.
실시예에 따르면, 반도체 생산 공정은 수백 개의 생산 스텝으로 이루어져 있으며, 가장 마지막 스텝에서 최종 검사를 통해 생산 웨이퍼의 수율을 측정할 수 있다. 웨이퍼의 수율은 웨이퍼 안에 있는 전체 칩들 중에서 양품 칩의 비율을 의미할 수 있다. 예컨대, 전체 칩이 모두 정상일 경우, 해당 웨이퍼의 수율은 100%일 수 있다. 일반적으로 반도체 공정에서 웨이퍼의 수율이 낮은 경우, 생산에 관련한 공정 센서 데이터들을 분석할 수 있다. 예를 들어, 공정 센서 데이터들을 통해 특정 설비를 거친 웨이퍼들에서 문제가 많이 발생하는지, 또는 특정 생산 조건에서 문제가 많이 발생하는지 등을 분석할 수 있다. 반도체를 생산하는 수백 새의 스텝에서는 각 스텝 마다 특정 생산 조건이 존재하며, 이를 만족하지 못하는 경우, 웨이퍼의 수율에 영향을 줄 수 있다. 예컨대, 특정 설비에서는 웨이퍼가 투입된 이후 특정 시간 내에 설정된 온도에 도달해야 하는 조건이 존재할 수 있으나, 실제 공정 과정에서 해당 조건이 충족되지 않을 수 있으며, 이는 해당 단계에서 획득되는 공정 센서 데이터를 통해 식별될 수 있다. 이와 같이, 공정 과정에서 실시간으로 획득되는 수백 개의 공정 센서 데이터를 분석하는 것은 수율 문제 해결에 매우 도움이 될 수 있다.
또한, 실시예에서, 반도체 공정에 있어, 예지 정비는 매우 중요할 수 있다. 예지 정비란, 설비가 완전히 고장나기 전에 비정상 시그널이나 불량 조건 등을 파악하고 해결함으로써, 설비 전체가 중단되는 것을 예방하고자 하는 분석 과정을 의미할 수 있다. 예컨대, 반도체 공정의 경우, 300mm 웨이퍼에서 설비 문제로 발생하는 20nm 미만의 불량을 발견해야 하므로, 불량을 찾아내는 것이 매우 어려울 수 있다. 기술의 발전을 통해 회로의 선폭은 더욱 더 얇아지게 되었으며, 이에 따라 불량을 감지하는 것은 더욱 어려울 수 있다. 구체적인 예를 들어, 반도체 공정은 보통 500여개의 공정, 1000여개의 계측 단계를 포함할 수 있다. 이러한 공정 과정에서 설비에 작은 문제라도 발생하는 경우, 웨이퍼의 전량을 폐기해야 하는 등 큰 손실을 초래할 수 있다. 이와 같은 문제를 방지하기 위하여 반도체 설비 내 공정 센서에서 발생하는 데이터들을 수집하고 분석하는 것은 매우 중요할 수 있다. 본 발명의 컴퓨팅 장치(100)는 인공지능을 활용하여 반도체 공정 과정에서 발생하는 공정 센서 데이터를 획득 및 분석함으로써, 공정 과정에서 비정상 동작 감지를 자동화할 수 있다. 인공지능을 활용하여 비정상 동작 발생 여부를 감지하는 경우, 이상 데이터를 탐지하는데 소요되는 시간을 최소화할 수 있으며, 복잡한 설비에 따른 공정 센서 데이터들에 관해서도 비정상 상태의 요인을 특정할 수 있어 작업자에게 편의성을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 딥러닝 모델을 활용하여 공정 센서 데이터에 대응하는 재건 공정 센서 데이터를 생성할 수 있다(S120).
실시예에서, 딥러닝 모델은 입력과 유사한 출력을 출력하는 신경망 모델일 수 있다. 딥러닝 모델은, 입력 데이터와 유사한 출력 데이터를 출력하는 오토 인코더(auto encoder)를 포함할 수 있다. 오토인코더는 차원 감소 네트워크 함수(예컨대, 인코더) 및 차원 복원 네트워크 함수(예컨대, 디코더)를 포함할 수 있다.
실시예에 따르면, 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
구체적으로, 도 4를 참조하면, 딥러닝 모델(400)은 공정 센서 데이터(200) 및 공정 센서 데이터에 대응하는 사전 지식 데이터(300)에 기초하여 재건 공정 센서 데이터(210)를 생성할 수 있다. 컴퓨팅 장치(100)는 공정 센서 데이터(200) 및 사전 지식 데이터(300)를 딥러닝 모델(400)의 입력으로 처리하여 재건 공정 센서 데이터(210)가 출력되도록 할 수 있다. 딥러닝 모델은, 특정 입력과 유사한 출력을 출력하도록 학습된 모델로, 딥러닝 모델이 출력한 재건 공정 센서 데이터는, 입력인 공정 센서 데이터와 유사할 수 있다. 일 실시예에 따르면, 컴퓨팅 장치(100)는 오토인코더에 관련한 차원 감소 네트워크 함수 및 차원 복원 네트워크 함수를 학습시켜 딥러닝 모델을 생성할 수 있다.
딥러닝 모델은, 복수의 학습용 공정 센서 데이터 및 이에 대응하는 사전 지식 데이터를 포함하는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 학습시킴에 따라 생성될 수 있다.
실시예에서, 딥러닝 모델의 학습으로 활용되는 복수의 학습용 공정 센서 데이터는, 정상 동작에 관련한 센서 데이터들로, 비정상 동작에 관련한 센서 데이터들은 제외된 것일 수 있다. 복수의 학습용 공정 센서 데이터는, 다년간 축적된 공정 센서 데이터들 중 정상 상태에 관련한 공정 센서 데이터들을 포함할 수 있다.
딥러닝 모델(400)은, 도 5 및 도 6에 도시된 바와 같이, 제1서브 모델(410), 제2서브 모델(420), 어텐션 모듈(430) 및 차원 복원 모델(440)을 포함할 수 있다.
실시예에 따르면, 컴퓨팅 장치(100)는 복수의 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 본 발명의 딥러닝 모델(400)을 생생할 수 있다. 복수의 학습 데이터 세트는, 복수 개의 학습용 공정 센서 데이터(200a)와 각 학습용 공정 센서 데이터에 대응하는 학습용 사전 지식 데이터(300a)를 포함할 수 있다. 실시예에서, 딥러닝 모델은 오토인코더의 적어도 일부를 통해 구현될 수 있다. 예컨대, 딥러닝 모델은 오토인코더의 학습 과정을 통해 생성될 수 있다. 컴퓨팅 장치(100)는 입력 데이터와 유사한 데이터를 출력하도록 오토인코더에 대한 학습을 수행할 수 있다.
도 6을 참조하여 자세히 설명하면, 컴퓨팅 장치(100)는 복수의 학습용 공정 센서 데이터(200a)를 임베딩 레이어(411)의 입력으로 처리하여 각 공정 센서 데이터에 대응하는 벡터를 출력할 수 있다. 임베딩 레이어(411)는 특정 공정 센서 데이터를 입력으로 하여, 해당 공정 센서 데이터에 대응하는 벡터를 임베딩할 수 있다. 임베딩 레이어(411)는 공정 센서 데이터가 입력되는, 각 센서에 대응하여 임베딩을 수행할 수 있다. 예를 들어, 임베딩 레이어(411)는 제1센서의 동작에 관련한 제1센서 데이터를 제1벡터로 할당하고, 제2센서 동작에 관련한 제2센서 데이터를 제2벡터에 할당할 수 있다. 즉, 임베딩 레이어(411)는 다양한 공정 센서 데이터를 랜덤하게 임베딩하는 역할을 수행할 수 있다.
임베딩 레이어(411)는 학습 초기에 관련하여 복수의 학습용 공정 센서 데이터들 각각에 대응하여 벡터를 랜덤하게 임베딩할 수 있으며, 학습 데이터들을 활용한 학습 과정에서 해당 벡터 공간에 학습 데이터의 피처 정보가 저장될 수 있다.
제2서브 모델(420)은 시간에 따라 변화하는 동적 그래프 구조에 관련한 데이터를 분석하여 연관 관계 정보를 추출하는 GNN(Graph Neural Network) 모델인 것을 특징으로 할 수 있다. GNN은 그래프 구조의 데이터를 분석하는 신경망 모델일 수 있다. 그래프 구조는 노드(node) 및 간선(edge) 2가지 구성요소르 이루어진 데이터 구조일 수 있다. 그래프 G는 방향성이 있거나 방향성이 없는 edge로 연결된 node들의 집합일 수 있다. 실시예에서, 노드는 반도체 공정 설비의 복수의 영역 각각에 구비된 다양한 센서로부터 획득되는 센서들일 수 있으며, 간선은 각 센서들 간의 연결 관계를 나타낼 수 있다. 그래프는 상호작용과 같은 추상적인 개념을 다르기에 적합하고, 복잡한 문제를 더 간단한 표현으로 단순화하거나 다른 관점으로 표현하기에 용이하기 때문에, GNN을 활용하는 경우, 관계나 상호작용을 나타내는 데이터를 분석을 수행하는데 매우 유용할 수 있다. GNN은 그래프 구조에 직접적으로 작동하는 신경망으로 노드들 사이의 상관성을 모델링할 수 있다. 즉, GNN은 그래프에 있는 각 노드들 사이에 관계를 모델링하고, 그에 대한 representation을 생성할 수 있다.
제2서브 모델(420)은 학습용 사전 지식 데이터(300a)를 입력으로 하여 교호관계 정보를 출력할 수 있다. 교호 관계 정보는 각 센서 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다. 예를 들어, 교호 관계 정보는, 다양한 종류의 센서 데이터를 연결하는 관계성에 관한 그래프 네트워크 정보일 수 있다. 실시예에서, 제2서브 모델(420)은 학습용 공정 센서 데이터(200a)와 학습용 사전 지식 데이터(300a)를 입력으로 하여 공정 센서 데이터 간의 교호 관계 정보를 출력할 수 있다. 예컨대, 사전 지식 데이터는 모든 센서 데이터에 관련한 교호 관계에 대한 정보를 포함하지 않을 수 있다. 이에 따라, 공정 센서 데이터와 사전 지식 데이터 모두 활용하여, 사전 지식 데이터에 포함되어 있지 않은 관계에 대한 정보를 공정 센서 데이터로부터 추출할 수 있다.
실시예에서, 어텐션 모듈(430)은 임베딩 레이어(411)를 통해 랜덤하게 배정된 벡터와 제2서브 모델(420)의 출력에 관련한 교호 관계 정보를 조합할 수 있으며, 차원 복원 모델(440)은 어텐션 모듈(430)을 통해 조합된 데이터를 복원하여 학습용 재건 공정 센서 데이터(210a)를 생성할 수 있다. 학습용 공정 센서 데이터(200a)와 학습용 재건 고정 센서 데이터(210a) 간의 차이가 줄어들도록 역전파에 의해 학습되게 되며, 이에 따라, 피처 정보가 각 학습용 공정 센서 데이터에 대응하는 피처 공간 상에 저장될 수 있다.
어텐션 모듈(430)은 제1서브 모델(410) 및 제2서브 모델(420)의 타임 스텝 간의 연관 정보를 생성하여 동일한 타임 스텝에 관련한 출력을 조합하는 것을 특징으로 할 수 있다. 예컨대, 어텐션 모듈(430)은 제1서브 모델(410)의 출력인 피처와 제2서브 모델(420)의 출력인 교호 관계 간의 연관 정보를 생성할 수 있다. 어텐션 모듈(430)은 현재 제1서브 모델(410)의 출력인 피처가 어떤 교호 관계와 가장 높은 연관이 있는지에 대한 정보를 생성할 수 있다. 즉, 제1서브 모델(410)이 공정 센서 데이터에 대응하는 피처를 출력하는 과정에서, 어떠한 교호 관계 정보가 영향을 미치는지, 즉 피처 출력 과정에서 어떠한 교호 관계에 집중해야 하는지 여부에 관한 연관 정보를 생성함으로써, 피처와 교호 관계 정보를 조합하여 특징 정보를 생성할 수 있다. 어텐션 모듈(430)은 제1서브 모델(410)의 출력과 제2서브 모델(420)의 출력 간의 연관 정보를 통해 피처 출력 과정에서 집중해야 할 교호관계를 강조함으로써, 특징 정보를 생성할 수 있다.
일 실시예에 따르면, 딥러닝 모델(400)은 특징 정보를 복원하여 재건 공정 센서 데이터를 생성하는 차원 복원 모델(440)을 포함할 수 있다. 차원 복원 모델(440)은 특징 정보를 입력으로 하여 학습용 재건 공정 센서 데이터(210a)를 출력할 수 있다. 실시예에서, 제2서브 모델(420)을 통한 디코딩 과정에서 히든 레이어의 출력 데이터는 완벽한 복사 값이 아닌 입력 데이터(즉, 공정 센서 데이터)의 근사치일 수 있다. 실시예에서, 차원 복원 모델(440)은 학습된 오토인코더에서 차원 복원 네트워크 함수(즉, 디코더)를 통해 구성될 수 있다. 즉, 차원 복원 네트워크 모델은, 어텐션 모듈(430)을 통해 조합된 피처(즉, 특징 정보)를 입력으로 하여 해당 피처에 관련한 재건 공정 센서 데이터를 출력할 수 있다.
전술한 바와 같이, 초기에 임베딩 레이어(411)를 통해 각 학습용 공정 센서 데이터에 랜덤하게 배정된 벡터는, 학습 과정에서 업데이트 됨에 따라 센서 데이터들의 특징 정보들을 저장할 수 있다.
이에 따라, 학습이 완료된 딥러닝 모델(400)은 공정 센서 데이터(200) 및 공정 센서 데이터(200)에 대응하는 사전 지식 데이터(300)를 입력으로 하는 경우, 재건 공정 센서 데이터(210)를 생성할 수 있다.
보다 구체적으로, 도 7을 참조하면, 실시간으로 획득되는 공정 센서 데이터(200)는 제1서브 모델(410)의 입력으로 처리될 수 있다. 이 경우, 제1서브 모델(410)은 전술한 학습 과정에서 학습용 공정 센서 데이터들 각각의 피처 정보를 담고 있는 벡터에 기반하여 생성될 수 있다. 예컨대, 학습 초기에 각 공정 센서 데이터에 대응하여 임의로 배정된 벡터는, 입력과 출력이 유사해질 수 있도록 역전파되는 학습 과정에서 업데이트 되면서 센서 데이터의 특징 정보를 갖게 된다. 즉, 제1서브 모델(410)은 이전 공정 센서 데이터들(즉, 학습용 공정 센서 데이터들)에 관련한 피처 정보들이 학습되어 있을 수 있으며, 이에 따라, 실기간으로 발생하는 공정 센서 데이터를 입력으로 하여, 해당 공정 센서 데이터에 대응하는 피처 정보를 출력할 수 있다.
또한, 제2서브 모델(420)은 공정 센서 데이터(200) 및 사전 지식 데이터(300)에 기초하여 각 공정 센서 데이터들 간의 교호 관계 정보를 추출할 수 있다.
어텐션 모듈(430)은 제1서브 모델(410) 및 제2서브 모델(420)의 출력을 조합하여 특징 정보를 생성할 수 있으며, 차원 복원 모델(440)은 특징 정보를 복원하게 재건 공정 센서 데이터를 생성할 수 있다. 즉, 딥러닝 모델(400)은 정상으로 분류된 공정 센서 데이터의 특징을 학습하여 실시간으로 획득되는 공정 센서 데이터와 유사한 재건 공정 센서 데이터를 생성할 수 있다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 공정 센서 데이터 및 재건 공정 센서 데이터에 기초하여 재건율 오차를 산출할 수 있다(S130). 컴퓨팅 장치(100)는 입력에 관련한 공정 센서 데이터와 출력에 관련한 재건 공정 센서 데이터 간의 차이가 클수록 재건율 오차를 크게 산출하고, 그리고 입력에 관련한 공정 센서 데이터와 출력에 관련한 재건 공정 센서 데이터 간의 차이가 클수록 재건율 오차를 작게 산출할 수 있다. 즉, 재건율 오차는, 딥러닝 모델의 입력(즉, 공정 센서 데이터)과 출력(즉, 재건 공정 센서 데이터) 간의 차이에 기초하여 산출될 수 있다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 재건율 오차와 기준 임계값의 비교에 기초하여 비정상 동작을 감지할 수 있다(S140).
기준 임계값은, 복수의 학습 데이터를 활용한 딥러닝 모델의 학습 과정에서 복수의 학습 데이터 각각에 관련한 복수의 재건율 오차 중 최대값에 관련한 재건율 오차에 기초하여 결정되는 것을 특징으로 할 수 있다.
일 실시예에서, 기준 임계값은, 딥러닝 모델의 학습 과정에서 획득되는 것으로, 복수의 학습 데이터 각각에 관련한 복수의 재건율 오차 중 최대값에 관련한 재건율 오차에 기초하여 결정되는 것을 특징으로 할 수 있다. 예를 들어, 지난 3년동안 획득된 10만개의 공정 센서 데이터 각각과 각 공정 센서 데이터에 대응하는 재건 공정 센서 데이터 각각에 대응하는 재건율 오차 중 최대가 되는 재건율 오차에 기초하여 기준 임계값이 결정될 수 있다. 구체적인 예를 들어, 도 6을 참조하면, 복수의 학습용 공정 센서 데이터(200a) 각각은 임베딩 레이어(411)의 입력으로 처리됨에 따라, 각 공정 센서 데이터에 대응하는 복수의 벡터가 출력될 수 있다. 또한, 복수의 학습용 사전 지식 데이터(300a) 각각은 제2서브 모델(420)의 입력으로 처리됨에 따라 복수의 교호 관계 정보가 출력될 수 있다. 여기서, 복수의 학습용 공정 센서 데이터 및 복수의 사전 지식 데이터는 다년간 축적된 정상에 관련한 공정 센서 데이터일 수 있다.
어텐션 모듈(430)은 복수의 벡터 각각과 복수의 교호 관계 정보 각각을 조합하여 복수 개의 특징 정보를 생성할 수 있으며, 차원 복원 모델(440)은 복수 개의 특징 정보를 입력으로 하여 복수 개의 학습용 재건 공정 센서 데이터(210a)를 생성할 수 있다. 이 경우, 컴퓨팅 장치(100)는 복수 개의 학습용 공정 센서 데이터(200a)와 복수 개의 학습용 재건 공정 센서 데이터(210a) 각각을 비교하여 각 학습용 공정 센서 데이터에 대응하는 재건율 오차를 산출할 수 있다. 예를 들어, 제1학습용 공정 센서 데이터와 해당 제1학습용 공정 센서 데이터에 대응하여 생성된 제1학습용 재건 공정 센서 데이터를 비교하여 제1학습용 공정 센서 데이터에 대응하는 재건율 오차를 산출할 수 있다. 이와 동일하게 복수 개의 학습용 공정 센서 데이터 각각에 대응하는 재건율 오차를 생성할 수 있다. 컴퓨팅 장치(100)는 복수 개의 학습용 공정 센서 데이터 각각에 대응하는 재건율 오차들 중 최대값에 관련한 재건율 오차에 기초하여 기준 임계값을 결정할 수 있다.
다시 말해, 지난 다년간의 공정 센서 데이터들 중에서 복원이 가장 잘 되지 않은 공정 센서 데이터(즉, 재건율 오차가 가장 큰 공정 센서 데이터)에 기초하여 기준 임계값이 결정될 수 있다. 이러한 기준 임계값은, 비정상 동작 탐지를 위한 기준이 될 수 있다.
실시예에서, 컴퓨팅 장치(100)는 공정 센서 데이터에 대응하여 산출된 재건율 오차에 기초하여 비정상 동작을 감지할 수 있다. 구체적으로, 도 8을 참조하면, 컴퓨팅 장치(100)는 공정 센서 데이터 및 재건 공정 센서 데이터에 기초하여 재건율 오차를 산출할 수 있다(S210). 또한, 컴퓨팅 장치(100)는 산출된 재건율 오차와 기준 임계치를 비교할 수 있다. 컴퓨팅 장치(100)는 재건율 오차가 기준 임계치를 초과하는지 여부를 식별할 수 있다(S220). 컴퓨팅 장치(100)는 재건율 오차가 기준 임계치를 초과하지 않는 경우(재건율 오차가 기준 임계값 이하인 경우), 정상 동작으로 판별할 수 있다(S230). 또한, 컴퓨팅 장치(100)는 재건율 오차가 기준 임계값을 초과하는 경우, 비정상 동작으로 판별할 수 있다(S240).
보다 자세히 설명하면, 딥러닝 모델(400)은 다년간 축적된 데이터들(즉, 지난 공정 과정에서 정상 동작으로 획득된 공정 센서 데이터들)을 기반으로 학습된 신경망 모델이므로, 기존 공정 센서 데이터들과 유사한 공정 센서 데이터가 입력되는 경우, 해당 공정 센서 데이터와 유사한 재건 공정 센서 데이터를 출력할 수 있으며, 이 경우, 공정 센서 데이터와 재건 공정 센서 데이터가 유사함에 따라 재건율 오차가 작게 산출될 수 있다. 반면, 기존 공정 센서 데이터들과 유사하지 않은 공정 센서 데이터가 입력되는 경우, 딥러닝 모델은 이러한 데이터 유형에 대한 학습이 이루어지지 않았으므로, 입력에 관련한 공정 센서 데이터와 유사하지 않은 재건 공정 센서 데이터를 출력할 확률이 높아지게 된다. 이 경우, 공정 센서 데이터와 재건 공정 센서 데이터가 유사하지 않음에 따라 재건율 오차가 크게 산출될 수 있다.
즉, 딥러닝 모델은 정상으로 분류된 공정 센서 데이터의 특징을 학습하여 공정 센서 데이터와 유사한 재건 공정 센서 데이터를 복원할 수 있으며, 컴퓨팅 장치(100)는 재건율 오차를 통해 입력 데이터에 대한 복원이 잘 이루어지지 않았다고 판별하는 경우(즉, 재건율 오차가 큰 경우), 비정상 동작이 발생하였다고 판별할 수 있다. 보다 구체적으로, 실시간으로 획득되는 공정 센서 데이터에 대응하여 산출된 재건율 오차가 기존 학습 과정에서 사전 결정된 기준 임계값을 초과하는 경우, 컴퓨팅 장치(100)는 비정상 동작이 발생하였다고 판별할 수 있다.
구체적인 예를 들어, 과거 10년 동안의 웨이퍼 생산 과정에서 30만 건에 관련한 공정 센서 데이터들이 딥러닝 모델을 학습시키기 위한 학습 데이터로 활용될 수 있다. 컴퓨팅 장치(100)는 30만 건의 공정 센서 데이터들에 기초하여 기준 임계값을 사전 결정할 수 있다. 예컨대, 30만 건의 공정 센서 데이터들 각각에 대응하는 재건율 오차들 중 최대값에 관련한 재건율 오차에 기초하여 기준 임계값이 사전 결정될 수 있다.
컴퓨팅 장치(100)는 설비 공정 과정에서 실시간으로 공정 센서 데이터가 획득되는 경우, 해당 공정 센서 데이터 및 공정 센서 데이터에 대응하는 사전 지식 데이터를 기반으로 재건 공정 센서 데이터를 생성하며, 공정 센서 데이터와 재건 공정 센서 데이터를 비교하여 재건율 오차를 산출할 수 있다.
이 경우, 컴퓨팅 장치(100)는 재건율 오차와 기준 임계값을 비교하여 비정상 동작을 감지할 수 있다. 즉, 과거 30만 건의 공정 센서 데이터 중 딥러닝 모델의 입력과 출력의 차이의 최대값(즉, 기준 임계값) 보다 더 큰 재건율 오차가 산출되는 경우, 비정상 동작으로 판별할 수 있다. 다시 말해, 컴퓨팅 장치(100)는 특정 공정 센서 데이터에 대응하여 산출된 재건율 오차가 다년간 축적된 데이터들을 기반으로 산출된 기준 임계값 보다 큰 경우, 기존의 정상 상황에서 획득된 데이터 유형과 상이한 데이터 유형이 발생(즉, 과거에 한 번도 경험하지 못했던 유형의 센서 데이터가 감지)된 것으로 판별하여 비정상 상황으로 판별할 수 있다.
도 9는 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링 되어있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (5)

  1. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
    공정 센서 데이터 및 상기 공정 센서 데이터에 대응하는 사전 지식 데이터를 획득하는 단계;
    딥러닝 모델을 활용하여 상기 공정 센서 데이터에 대응하는 재건 공정 센서 데이터를 생성하는 단계;
    상기 공정 센서 데이터 및 상기 재건 공정 센서 데이터에 기초하여 재건율 오차를 산출하는 단계; 및
    상기 재건율 오차와 기준 임계값의 비교에 기초하여 비정상 동작을 감지하는 단계;
    를 포함하며,
    상기 공정 센서 데이터는,
    반도체 공정 장비의 동작에 기반하여 복수의 센서를 통해 실시간으로 획득되는 센서 데이터들로, 정상 동작에 관련한 복수의 센서 데이터를 포함하며,
    상기 사전 지식 데이터는,
    상기 복수의 센서 간의 연관 관계에 대한 정보를 포함하며,
    상기 딥러닝 모델은,
    상기 공정 센서 데이터에 대응하는 피처 정보를 출력하는 추출하는 제1서브 모델;
    상기 공정 센서 데이터 및 상기 사전 지식 데이터에 기초하여 각 공정 센서 데이터들 간의 교호 관계 정보를 추출하는 제2서브 모델;
    상기 제1서브 모델 및 상기 제2서브 모델의 출력을 조합하여 특징 정보를 생성하는 어텐션 모듈; 및
    상기 특징 정보를 복원하여 상기 재건 공정 센서 데이터를 생성하는 차원 복원 모델;
    을 포함하며,
    상기 방법은,
    자동화 공정에 대응하는 다년간의 공정 센서 데이터 및 사전 지식 데이터를 저장하는 외부 서버로부터 데이터를 수신하여 학습 데이터 세트를 구축하는 단계; 및
    상기 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 상기 딥러닝 모델을 생성하는 단계;
    를 더 포함하며,
    상기 학습 데이터 세트는,
    복수 개의 학습용 공정 센서 데이터 및 각 학습용 공정 센서 데이터에 대응하는 학습용 사전 지식 데이터를 포함하고,
    상기 딥러닝 모델을 생성하는 단계는,
    상기 복수의 학습용 공정 센서 데이터를 임베딩 레이어에 입력으로 처리하여 각 공정 센서 데이터를 랜덤하게 임베딩하는 단계; 를 포함하는,
    공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법.
  2. 제1항에 있어서,
    상기 방법은,
    상기 비정상 동작이 발생함을 감지하는 경우, 비정상 동작 감지 정보를 생성하는 단계; 및
    상기 비정상 동작 감지 정보를 사용자 단말로 전송하는 단계;
    를 포함하는,
    공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법.
  3. 제1항에 있어서,
    상기 딥러닝 모델은,
    상기 공정 센서 데이터가 입력되는 경우, 상기 공정 센서 데이터에 대응하는 특징 정보를 생성하고, 상기 생성된 특징 정보를 복원하여 상기 재건 공정 센서 데이터를 출력하는 모델로, 상기 공정 센서 데이터와 상기 재건 공정 센서 데이터의 오차가 최소화되도록 학습된 신경망 모델인 것을 특징으로 하는,
    공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법.
  4. 제1항에 있어서,
    상기 제2서브 모델은,
    시간에 따라 변화하는 동적 그래프 구조에 관련한 데이터를 분석하여 연관 관계 정보를 추출하는 GNN(Graph Neural Network) 모델인 것을 특징으로 하는,
    공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법.
  5. 제1항에 있어서,
    상기 어텐션 모듈은,
    상기 제1서브 모델 및 상기 제2서브 모델의 타임 스텝 간의 연관 정보를 생성하여 동일한 타임 스텝에 관련한 출력을 조합하는 것을 특징으로 하는,
    공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법.




KR1020230049268A 2022-09-27 2023-04-14 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법 KR20240043656A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230049268A KR20240043656A (ko) 2022-09-27 2023-04-14 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220122558A KR102523458B1 (ko) 2022-09-27 2022-09-27 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR1020230049268A KR20240043656A (ko) 2022-09-27 2023-04-14 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220122558A Division KR102523458B1 (ko) 2022-09-27 2022-09-27 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20240043656A true KR20240043656A (ko) 2024-04-03

Family

ID=86142297

Family Applications (4)

Application Number Title Priority Date Filing Date
KR1020220122558A KR102523458B1 (ko) 2022-09-27 2022-09-27 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR1020230049267A KR20240043655A (ko) 2022-09-27 2023-04-14 공정 설비의 비정상 동작 감지를 위한 기준 입계값 설정 방법
KR1020230049268A KR20240043656A (ko) 2022-09-27 2023-04-14 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법
KR1020230049266A KR20240043654A (ko) 2022-09-27 2023-04-14 시간에 따라 변화하는 동적 그래프 구조에 대한 분석을 통해 공정 설비의 비정상 동작을 감지하는 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020220122558A KR102523458B1 (ko) 2022-09-27 2022-09-27 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR1020230049267A KR20240043655A (ko) 2022-09-27 2023-04-14 공정 설비의 비정상 동작 감지를 위한 기준 입계값 설정 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230049266A KR20240043654A (ko) 2022-09-27 2023-04-14 시간에 따라 변화하는 동적 그래프 구조에 대한 분석을 통해 공정 설비의 비정상 동작을 감지하는 방법

Country Status (4)

Country Link
US (1) US20240103950A1 (ko)
KR (4) KR102523458B1 (ko)
CN (1) CN117829209A (ko)
TW (1) TW202414281A (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102623390B1 (ko) * 2023-06-30 2024-01-11 주식회사 에이아이비즈 장비 이상 탐지 모델의 정확도를 유지하기 위한 방법,장치 및 프로그램
KR102619793B1 (ko) * 2023-08-22 2024-01-03 주식회사 에이아이비즈 Ai 기반 안전 센서 이상치 감지 및 알람 분류 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR102665637B1 (ko) * 2023-10-19 2024-05-20 주식회사 에이아이비즈 복수의 이상 탐지 기법을 통합하여 공정 설비의 이상을 탐지하는 방법, 장치 및 프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101909836B1 (ko) 2017-12-04 2018-10-18 김정석 산업 공정 자동화 제어를 위한 ｈｍｉ 시스템, 이를 기반으로 한 공정 자동화 모니터링 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6402541B2 (ja) * 2014-08-26 2018-10-10 株式会社豊田中央研究所 異常診断装置及びプログラム
JP6896432B2 (ja) * 2017-01-11 2021-06-30 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知装置および故障予知プログラム
KR20200141812A (ko) * 2019-06-11 2020-12-21 삼성전자주식회사 뉴럴 네트워크를 이용하여 이상 신호를 감지하는 방법 및 장치
US11354184B2 (en) * 2019-06-21 2022-06-07 Palo Alto Research Center Incorporated Method and system for performing automated root cause analysis of anomaly events in high-dimensional sensor data
KR102182226B1 (ko) * 2020-07-22 2020-11-24 경북대학교 산학협력단 고장 검출 진단 시스템 및 진단방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101909836B1 (ko) 2017-12-04 2018-10-18 김정석 산업 공정 자동화 제어를 위한 ｈｍｉ 시스템, 이를 기반으로 한 공정 자동화 모니터링 방법

Also Published As

Publication number Publication date
CN117829209A (zh) 2024-04-05
KR102523458B1 (ko) 2023-04-19
US20240103950A1 (en) 2024-03-28
TW202414281A (zh) 2024-04-01
KR20240043655A (ko) 2024-04-03
KR20240043654A (ko) 2024-04-03

Similar Documents

Publication Publication Date Title
US11334407B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
Zhang et al. Machinery fault diagnosis with imbalanced data using deep generative adversarial networks
KR102523458B1 (ko) 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR102101974B1 (ko) 어노말리 디텍션
Caceres et al. A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties
KR102320706B1 (ko) 설비 모니터링 시스템의 모델 임계값 설정 방법
KR102531645B1 (ko) 모델의 성능 테스트를 위한 컴퓨터 프로그램
US11415975B2 (en) Deep causality learning for event diagnosis on industrial time-series data
KR102372487B1 (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
Gibadullin et al. Analysis of industrial network parameters using neural network processing
Chadha et al. Comparison of semi-supervised deep neural networks for anomaly detection in industrial processes
KR102270202B1 (ko) 설비 모니터링 시스템의 모델 업데이트 방법
JP7384218B2 (ja) 異常検知装置、異常検知方法及びプログラム
KR20230069613A (ko) 비정상을 감지하는 방법
Chowdhury et al. Internet of Things resource monitoring through proactive fault prediction
KR102320707B1 (ko) 설비 모니터링 시스템의 설비 고장 분류 방법
KR102589074B1 (ko) 챗봇 운영 방법 및 장치
KR20210074269A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
JP6967099B2 (ja) 学習モデル作成システム及び学習モデル作成方法
Chen et al. Reliability analysis using deep learning
JP2024041064A (ja) センサ測定値の異常検出
Punnoose et al. Data-driven quality estimation for production processes with lot-level quality control
KR20240084617A (ko) 비정상 공정을 감지하는 인공지능 모델을 학습시키기 위한 학습 데이터 전처리 방법, 서버 및 컴퓨터 프로그램
KR102623390B1 (ko) 장비 이상 탐지 모델의 정확도를 유지하기 위한 방법,장치 및 프로그램
KR102619793B1 (ko) Ai 기반 안전 센서 이상치 감지 및 알람 분류 방법, 컴퓨팅 장치 및 컴퓨터 프로그램