KR20240060963A - Rf 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법 - Google Patents

Abstract

본 발명은 RF 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법을 개시한다. 즉, 본 발명은 RF 생성기로부터 수집되는 초기 운전 데이터인 레퍼런스 데이터와 운전 데이터를 근거로 특성을 추출하고, 추출된 특성의 특성값을 정규화한 후, 정규화된 특성값을 훈련 데이터와 테스트 데이터로 분류하고, 훈련 데이터를 이용해서 미리 설정된 RF 전력 시스템 예측 건전성 진단 모델을 학습시키고, 테스트 데이터를 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 학습 기능을 수행하고, 학습 기능 수행 결과에 따라 정상 상태 또는 비정상 상태로 분류함으로써, 다양한 센서를 통해 수집된 모든 데이터에 대한 학습을 통해 RF 시스템의 상태를 진단하여, 양품과 불량품을 정확히 구별하고, 고장을 사전에 예측하여, RF 시스템의 수명을 관리할 수 있다.

Description

RF 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법{Apparatus for fault diagnosis in RF plasma power system and control method thereof}

본 발명은 RF 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법에 관한 것으로서, 특히 RF 생성기로부터 수집되는 초기 운전 데이터인 레퍼런스 데이터와 운전 데이터를 근거로 특성을 추출하고, 추출된 특성의 특성값을 정규화한 후, 정규화된 특성값을 훈련 데이터와 테스트 데이터로 분류하고, 훈련 데이터를 이용해서 미리 설정된 RF 전력 시스템 예측 건전성 진단 모델을 학습시키고, 테스트 데이터를 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 학습 기능을 수행하고, 학습 기능 수행 결과에 따라 정상 상태 또는 비정상 상태로 분류하는 RF 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법에 관한 것이다.

일반적으로 플라스마를 만들기 위해서는 자연 상태의 원자나 분자를 이온화시켜야 하는데, 이를 위해서는 높을 열을 가해주어야 한다. 그러나 RF 전계를 가해주면, 낮은 온도에서도 원자나 분자를 이온화시켜서 플라스마를 생성한다.

RF 플라스마를 이용하는 반도체 설비는 다양한 부품으로 구성된다. 이러한 RF 시스템에서 고장 혹은 이상이 의심되는 경우, 제조자가 제시하는 LED 표시등 또는 LCD 등의 표시기를 통하여, 사용자가 식별하는 방법이 주를 이루어 있으며, 이는 고장이라는 사건이 발생하는 경우, 그 결과를 확인하는 것으로, 사전에 RF 시스템의 특성 저하를 분별해 낼 수 없는 한계가 있다.

또한, RF 플라스마 전원 장치에서 고장 또는 설비의 이상 상태를 확인하기 위해서는, 현장에서 설비의 이상(fault) 유무만을 식별할 수 있으며, 설비가 비정상적으로 의심될 경우 의심스러운 장치를 공장으로 반출하여 각 부품을 전수 조사하여 이상 유무를 판단하고 있어, 불필요한 물류 비용과 장비를 해체하여 각 부품을 일일이 오실로스코프로 측정하여 확인해야 하는 인력과 검사 시간이 소요되는 문제점이 있고, 장치 내부 파라미터의 차이에 의한 공정상의 문제일 경우 원인을 파악하기 불가능한 한계가 있다.

한국공개특허 제10-2017-0098840호 [제목: 플라즈마 프로세스 내에서 RF 발생기의 주파수 튜닝방법]

본 발명의 목적은 RF 생성기로부터 수집되는 초기 운전 데이터인 레퍼런스 데이터와 운전 데이터를 근거로 특성을 추출하고, 추출된 특성의 특성값을 정규화한 후, 정규화된 특성값을 훈련 데이터와 테스트 데이터로 분류하고, 훈련 데이터를 이용해서 미리 설정된 RF 전력 시스템 예측 건전성 진단 모델을 학습시키고, 테스트 데이터를 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 학습 기능을 수행하고, 학습 기능 수행 결과에 따라 정상 상태 또는 비정상 상태로 분류하는 RF 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법을 제공하는 데 있다.

본 발명의 다른 목적은 1차 분류 결과 비정상 상태로 분류된 경우, 테스트 데이터를 다른 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 학습 기능을 수행하고, 다른 학습 기능 수행 결과에 따라 미리 설정된 복수의 오류 유형 중 어느 하나의 유형으로 비정상 상태에 따른 오류 원인을 분류하는 RF 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법을 제공하는 데 있다.

본 발명의 실시예에 따른 RF 플라스마 전력 시스템에서의 고장 진단 장치는 RF 플라스마 전력 시스템에 적용된 RF 생성기로부터 제공되는 레퍼런스 데이터 및 운전 데이터를 수집하는 수집부; 및 상기 레퍼런스 데이터 및 상기 운전 데이터로부터 미리 설정된 특성(feature)을 추출하고, 상기 추출된 특성과 관련한 특성값을 정규화하고, 상기 정규화된 레퍼런스 데이터 및 상기 정규화된 운전 데이터를 미리 설정된 비율로 훈련 데이터와 테스트 데이터로 분류하고, 상기 분류된 테스트 데이터를 미리 학습된 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 정상 상태 또는 비정상 상태를 분류하는 제어부를 포함할 수 있다.

본 발명과 관련된 일 예로서 상기 레퍼런스 데이터는, 제조사에서 최종 제조 과정에서 수행되는 출력 검증 평가 결과 및 상기 RF 생성기를 플라스마 반도체 설비에 설치한 직후 수행되는 작동 데이터를 포함하고, 상기 운전 데이터는, 상기 RF 플라스마 전력 시스템이 운전할 때, RF 출력 시점부터 RF 출력 종료 시점까지의 운전 데이터일 수 있다.

본 발명과 관련된 일 예로서 상기 제어부는, 상기 RF 플라스마 전력 시스템이 비정상 상태인 것으로 분류될 때, 상기 분류된 테스트 데이터를 미리 학습된 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 기계 학습을 수행하고, 다른 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 오류 원인을 분류할 수 있다.

본 발명과 관련된 일 예로서 상기 제어부는, 상기 RF 생성기와 연동하여, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보 및, 상기 오류 원인을 상기 RF 생성기에서 출력하도록 제어할 수 있다.

본 발명과 관련된 일 예로서 상기 제어부는, 저장부에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 상기 오류 원인에 대응하는 대응 정보를 확인하고, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보, 상기 오류 원인 및 상기 오류 원인에 대응하는 대응 정보를 표시하기 위해서 표시부를 제어할 수 있다.

본 발명의 실시예에 따른 RF 플라스마 전력 시스템에서의 고장 진단 방법은 수집부에 의해, RF 플라스마 전력 시스템에 적용된 RF 생성기로부터 제공되는 레퍼런스 데이터 및 운전 데이터를 수집하는 단계; 제어부에 의해, 상기 레퍼런스 데이터 및 상기 운전 데이터로부터 미리 설정된 특성을 추출하는 단계; 상기 제어부에 의해, 상기 추출된 특성과 관련한 특성값을 정규화하는 단계; 상기 제어부에 의해, 상기 정규화된 레퍼런스 데이터 및 상기 정규화된 운전 데이터를 미리 설정된 비율로 훈련 데이터와 테스트 데이터로 분류하는 단계; 및 상기 제어부에 의해, 상기 분류된 테스트 데이터를 미리 학습된 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 정상 상태 또는 비정상 상태를 분류하는 단계를 포함할 수 있다.

본 발명과 관련된 일 예로서 상기 추출된 특성과 관련한 특성값을 정규화하는 단계는, 다음의 수학식을 이용해서 상기 추출된 특성과 관련한 특성값을 정규화하며,

, 상기

는 상기 레퍼런스 데이터 및 상기 운전 데이터의 정규화 데이터를 나타내고, 상기

는 상기 레퍼런스 데이터 및 상기 운전 데이터를 나타내고, 상기

는 상기 레퍼런스 데이터 집합을 나타낼 수 있다.

본 발명과 관련된 일 예로서 상기 RF 플라스마 전력 시스템이 정상 상태인 것으로 분류될 때, 상기 제어부에 의해, 상기 RF 플라스마 전력 시스템이 정상 상태임을 나타내는 정보를 표시부 및 음성 출력부 중 적어도 하나를 통해 출력하는 단계를 더 포함할 수 있다.

본 발명과 관련된 일 예로서 상기 RF 플라스마 전력 시스템이 비정상 상태인 것으로 분류될 때, 상기 제어부에 의해, 상기 분류된 테스트 데이터를 미리 학습된 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 기계 학습을 수행하고, 다른 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 오류 원인을 분류하는 단계; 및 상기 제어부에 의해, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보 및, 상기 오류 원인을 표시부 및 음성 출력부 중 적어도 하나를 통해 출력하는 단계를 더 포함할 수 있다.

본 발명과 관련된 일 예로서 상기 제어부에 의해, 저장부에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 상기 오류 원인에 대응하는 대응 정보를 확인하는 단계; 및 상기 제어부에 의해, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보, 상기 오류 원인 및 상기 오류 원인에 대응하는 대응 정보를 상기 표시부 및 상기 음성 출력부 중 적어도 하나를 통해 출력하는 단계를 더 포함할 수 있다.

본 발명은 RF 생성기로부터 수집되는 초기 운전 데이터인 레퍼런스 데이터와 운전 데이터를 근거로 특성을 추출하고, 추출된 특성의 특성값을 정규화한 후, 정규화된 특성값을 훈련 데이터와 테스트 데이터로 분류하고, 훈련 데이터를 이용해서 미리 설정된 RF 전력 시스템 예측 건전성 진단 모델을 학습시키고, 테스트 데이터를 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 학습 기능을 수행하고, 학습 기능 수행 결과에 따라 정상 상태 또는 비정상 상태로 분류함으로써, 다양한 센서를 통해 수집된 모든 데이터에 대한 학습을 통해 RF 시스템의 상태를 진단하여, 양품과 불량품을 정확히 구별하고, 고장을 사전에 예측하여, RF 시스템의 수명을 관리할 수 있는 효과가 있다.

또한, 본 발명은 1차 분류 결과 비정상 상태로 분류된 경우, 테스트 데이터를 다른 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 학습 기능을 수행하고, 다른 학습 기능 수행 결과에 따라 미리 설정된 복수의 오류 유형 중 어느 하나의 유형으로 비정상 상태에 따른 오류 원인을 분류함으로써, RF 시스템의 고장을 진단하고, 수명을 예측함으로써, RF 시스템의 고장 여부를 사전에 예측할 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템에서의 고장 진단을 위한 고장 진단 장치의 구성을 나타낸 도이다.
도 2는 본 발명의 실시예에 따른 고장 진단 장치가 적용된 RF 플라스마 전력 시스템의 구성을 나타낸 도이다.
도 3은 본 발명의 실시예에 따른 RF 생성기의 구성을 나타낸 도이다.
도 4는 본 발명의 실시예에 따른 예측 건전성 진단 모델에 구성된 콘볼루션 필터의 구성을 나타낸 도이다.
도 5는 본 발명의 실시예에 따른 예측 건전성 진단 모델에 구성된 맥스 풀링 필터의 구성을 나타낸 도이다.
도 6은 본 발명의 실시예에 따른 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 구성을 나타낸 도이다.
도 7은 본 발명의 실시예에 따른 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델에 대한 랩 테스트(Lab test) 결과를 나타낸 도이다.
도 8은 본 발명의 실시예에 따른 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 구성을 나타낸 도이다.
도 9는 본 발명의 실시예에 따른 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델에 대한 랩 테스트 결과를 나타낸 도이다.
도 10은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템의 진단을 위한 주요 특성 추출 파라미터들의 예를 나타낸 도이다.
도 11 및 도 12는 본 발명의 실시예에 따른 특성 추출의 예를 나타낸 도이다.
도 13은 본 발명의 실시예에 따른 최소-최대 정규화의 예를 나타낸 도이다.
도 14는 본 발명의 실시예에 따른 데이터 증강의 예를 나타낸 도이다.
도 15는 본 발명의 실시예에 따른 훈련/테스트 데이터셋의 분리 예를 나타낸 도이다.
도 16은 본 발명의 실시예에 따른 고장 진단 장치가 적용된 셀프 테스트 전력 테스트 결과의 예를 나타낸 도이다.
도 17은 본 발명의 실시예에 따른 비정상 상태에 대한 오류 원인을 표시하는 화면의 예를 나타낸 도이다.
도 18은 본 발명의 실시예에 따른 손실 함수 적용에 따른 손실 결과값의 예를 나타낸 도이다.
도 19는 본 발명의 실시예에 따른 테스트 결과 및 손실 결과값의 예를 나타낸 도이다.
도 20은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템의 고장 진단 및 수명 예측을 위한 기능을 적용에 따른 효과를 나타낸 도이다.
도 21은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템 샘플 테스트를 통해 얻은 혼동 행렬 결과의 예를 나타낸 도이다.
도 22는 본 발명의 실시예에 따른 계통 연계 인버터의 전력 스위치의 고장 시뮬레이션 회로의 예를 나타낸 도이다.
도 23 내지 도 25는 본 발명의 실시예에 따른 전력 스위치의 고장 상황 시뮬레이션의 예를 나타낸 도이다.
도 26은 본 발명의 실시예에 따른 이상 검출 및 고장 유형별로 오류 원인을 분류한 예를 나타낸 도이다.
도 27은 본 발명의 실시예에 따른 전력 스위치 고장 검출에 대한 손실 및 검증 정확성에 대한 결과를 나타낸 도이다.
도 28은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템에서의 고장 진단 방법을 나타낸 흐름도이다.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.

도 1은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템에서의 고장 진단을 위한 고장 진단 장치(400)의 구성을 나타내고, 도 2는 본 발명의 실시예에 따른 고장 진단 장치(400)가 적용된 RF 플라스마 전력 시스템(10)의 구성을 나타낸다.

도 2에 도시한 바와 같이, RF 플라스마 전력 시스템(또는 RF 시스템)(10)은 RF 생성기(100), RF 매처(200), RF 플라스마 챔버(300) 및 고장 진단 장치(400)로 구성된다. 도 2에 도시된 RF 플라스마 전력 시스템(10)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 2에 도시된 구성 요소보다 많은 구성 요소에 의해 RF 플라스마 전력 시스템(10)이 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 RF 플라스마 전력 시스템(10)이 구현될 수도 있다.

또한, 상기 도 2에 도시한 바와 같이, 상기 RF 생성기(100)는 RF 저장부(110), 전원 장치(120), RF 신호 증폭기(130), RF 센서(140) 및 컨트롤러(150)로 구성된다. 도 2에 도시된 RF 생성기(100)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 2에 도시된 구성 요소보다 많은 구성 요소에 의해 RF 생성기(100)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 RF 생성기(100)가 구현될 수도 있다.

또한, 상기 RF 생성기(100)는 다른 단말들과의 통신 기능을 수행하기 위한 통신부(미도시), 다양한 정보 및 프로그램 실행 결과를 표시하기 위한 표시부(예를 들어 LED 표시등 등 포함)(미도시), 상기 다양한 정보 및 프로그램 실행 결과에 대응하는 음성 정보를 출력하기 위한 음성 출력부(미도시) 등을 더 포함할 수 있다.

상기 RF 생성기(RF Generator)(100)는 플라스마를 이용하는 반도체 장비에서 플라스마 방전을 위한 수십 kHz ~ 수백 MHz의 고주파(Radio Frequency: RF) 전력을 공급하는 장치이다.

또한, 상기 RF 생성기(100)는 220V 및 60Hz의 외부 전원(또는 발전소에서 생산되어 공장에 공급되는 전원)을 공급받아, 상기 반도체 장비에서 필요로 하는 고주파 전력을 생산(또는 공급)한다.

상기 RF 저장부(110)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.

또한, 상기 RF 저장부(110)는 상기 RF 생성기(100)가 작동하는데 필요한 데이터와 프로그램 등을 저장한다.

즉, 상기 RF 저장부(110)는 상기 RF 생성기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), RF 생성기(100)의 작동을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 RF 생성기(100)의 기본적인 기능을 위하여 출고 당시부터 RF 생성기(100) 상에 존재할 수 있다. 한편, 응용 프로그램은 상기 RF 저장부(110)에 저장되고, RF 생성기(100)에 설치되어, 상기 컨트롤러(150)에 의하여 상기 RF 생성기(100)의 작동(또는 기능)을 수행하도록 구동될 수 있다.

또한, 상기 RF 저장부(110)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, RF 생성기(100)는 인터넷(internet)상에서 RF 저장부(110)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 작동할 수도 있다.

또한, 상기 RF 저장부(110)는 상기 컨트롤러(150)의 제어에 의해 상기 RF 센서(140)를 통해 수집되는 레퍼런스 데이터, 운전 데이터 등을 저장한다.

상기 전원 장치(Power Supply Unit: PSU)(120)는 상기 RF 신호 증폭기(130)에 DC 전력을 공급한다.

상기 RF 신호 증폭기(RF Power Amplifier, RF 전력 증폭기)(130)는 상기 전원 장치(120)로부터 공급되는 전력(또는 DC 전력)을 증폭한다.

상기 RF 센서(RF Sensor)(140)는 상기 RF 신호 증폭기(130)로부터 출력되는 RF 전력의 전압과 전류를 측정한다.

즉, 상기 RF 센서(140)는 상기 RF 신호 증폭기(130)로부터 출력되는 진행파의 값(Forward Power)과 그에 따른 반사파의 값(Reflect Power)을 각각 검출(또는 측정)한다.

상기 컨트롤러(controller, 또는 MCU(microcontroller unit)(150)는 상기 RF 생성기(100)의 전반적인 제어 기능을 실행한다.

또한, 상기 컨트롤러(150)는 상기 RF 저장부(110)에 저장된 프로그램 및 데이터를 이용하여 RF 생성기(100)의 전반적인 제어 기능을 실행한다. 상기 컨트롤러(150)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 RF 저장부(110)에 액세스하여, 상기 RF 저장부(110)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 RF 저장부(110)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 작동을 수행할 수 있다.

또한, 상기 컨트롤러(150)는 상기 RF 센서(140)로부터 측정된 RF 전력의 전압과 전류를 미리 설정된 설정값(또는 Power Set-point)과 비교하여, RF 신호를 설정값에 따라 생성한다.

즉, 상기 컨트롤러(150)는 상기 RF 센서(140)로부터 측정된 진행파의 검출값과 설계자(또는 사용자)가 미리 선택한(또는 설정한) 기준값(또는 설정값)을 비교하고, 비교 결과에 따라 설계자가 원하는 RF 출력을 상기 RF 매처(200)를 통해 상기 RF 플라스마 챔버(300)에 공급(또는 제공)한다.

이와 같이, 상기 컨트롤러(150)는 플라스마를 이용하는 반도체 장비에서 플라스마 방전을 위해 사용할 수십 kHz ~ 수백 MHz의 고주파(Radio Frequency: RF) 전력을 공급(또는 출력)한다.

또한, 상기 RF 생성기(100)가 적용된 상기 RF 플라스마 전력 시스템(10)이 구동되는 경우, 상기 컨트롤러(150)는 수집부(미도시)를 통해 레퍼런스 데이터를 수집하고, 상기 수집된 레퍼런스 데이터를 상기 RF 저장부(110)에 저장한다. 여기서, 상기 레퍼런스 데이터(reference data, 초기 운전 데이터)는 제조사에서 최종 제조 과정에서 수행되는 출력 검증 평가 결과, 해당 RF 생성기(100)를 플라스마 반도체 설비(또는 상기 RF 플라스마 전력 시스템(10))에 설치한 직후 수행되는 작동 데이터 등을 포함하며, 상기 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈(미도시)이 작동하면서 전달하거나 전달받는 신호 등을 포함하며, 전력 제어를 위한 데이터(예를 들어 전력 셋포인트, 진행파/순방향 전력, 반사파/역방향 전력, 손실 전력, 주파수, 전력 증폭 드라이브 셋포인트/구동 셋포인트, 레일 셋포인트 등 포함), 전력 증폭을 위한 데이터(예를 들어 전력 증폭 전류, 전력 증폭 전압 등 포함), 전원 장치를 위한 데이터(예를 들어 전원 장치 팬 전류, 전원 장치 온도 등 포함), 추가 데이터(예를 들어 감마 크기, 감마 위상, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK(House Keeping) 전압 바이어스, 외기 온도, AC 파라미터 등 포함) 등을 포함한다. 이때, 상기 컨트롤러(150)는 설계자의 설정에 따른 주기마다 상기 레퍼런스 데이터를 수집할 수 있다. 이때, 상기 HK는 고장 진단 장치(400)가 적용된(또는 설치된) 환경에서 충분히 동작하도록 전원 상태, 온도 따위를 정상적인 상태로 유지하는 일을 나타낸다.

즉, 도 3에 도시된 바와 같이, 상기 컨트롤러(150)는 상기 수집부를 통해, 해당 컨트롤러(150)로 제공되는 전력 셋포인트, 상기 RF 센서(140)로부터 출력되는 진행파/순방향 전력과 반사파/역방향 전력, 상기 전원 장치(120)에서 상기 RF 신호 증폭기(130)에 제공되는 전력 증폭 전류(또는 PA 전류), 전력 증폭 전압(또는 PA 전압), 상기 컨트롤러(150)에서 상기 RF 신호 증폭기(130)에 제공되는 주파수와 전력 증폭 드라이브 셋포인트, 상기 RF 센서(140)에서 상기 RF 매처(200)로 제공되는 감마 크기와 감마 위상, 상기 컨트롤러(150)에서 상기 전원 장치(120)로 제공되는 레일 셋포인트(Rail Setpoint), 손실 전력, 전원 장치 팬 전류, 전원 장치 온도, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK 전압 바이어스, 외기 온도, AC 파라미터 등을 포함하는 상기 레퍼런스 데이터를 수집한다.

또한, 상기 컨트롤러(150)는 상기 수집된 레퍼런스 데이터를 해당 RF 생성기(100)에 연결된 상기 고장 진단 장치(400)에 제공(또는 전송)한다.

또한, 상기 RF 플라스마 전력 시스템(10)이 운전(또는 작동)하는 경우, 상기 컨트롤러(150)는 RF 출력 시점부터 RF 출력 종료 시점까지의 운전 데이터를 수집하고, 상기 수집된 운전 데이터를 상기 RF 저장부(110)에 저장한다. 여기서, 상기 운전 데이터는 상기 레퍼런스 데이터와 구분되며, RF 타임(RF time) 또는 웨이퍼(wafer) 넘버별 기설정된 조건으로 생성되는 데이터 등을 포함하며, 상기 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈이 작동하면서 전달하거나 전달받는 신호 등을 포함하며, 전력 제어를 위한 데이터(예를 들어 전력 셋포인트, 진행파/순방향 전력, 반사파/역방향 전력, 손실 전력, 주파수, 전력 증폭 드라이브 셋포인트/구동 셋포인트, 레일 셋포인트 등 포함), 전력 증폭을 위한 데이터(예를 들어 전력 증폭 전류, 전력 증폭 전압 등 포함), 전원 장치를 위한 데이터(예를 들어 전원 장치 팬 전류, 전원 장치 온도 등 포함), 추가 데이터(예를 들어 감마 크기, 감마 위상, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK 전압 바이어스, 외기 온도, AC 파라미터 등 포함) 등을 포함한다. 이때, 상기 컨트롤러(150)는 설계자의 설정에 따른 주기마다 상기 운전 데이터를 수집할 수 있다.

또한, 상기 컨트롤러(150)는 상기 수집된 운전 데이터를 해당 RF 생성기(100)에 연결된 상기 고장 진단 장치(400)에 제공(또는 전송)한다.

또한, 상기 컨트롤러(150)에서 상기 고장 진단 장치(400)에 제공한 레퍼런스 데이터, 운전 데이터 등에 대한 분석을 통해 해당 RF 플라스마 전력 시스템(10)이 정상 상태인 것으로 분류(또는 확인/진단)되는 경우, 상기 컨트롤러(150)는 상기 고장 진단 장치(400)로부터 제공되는 해당 RF 플라스마 전력 시스템(10)이 정상 상태임을 나타내는 정보를 수신하고, 해당 RF 생성기(100)의 일측에 구성된 상기 LED 표시등 및/또는 상기 음성 출력부를 통해 상기 수신된 해당 RF 플라스마 전력 시스템(10)이 정상 상태임을 나타내는 정보를 출력한다.

또한, 상기 컨트롤러(150)에서 상기 고장 진단 장치(400)에 제공한 레퍼런스 데이터, 운전 데이터 등에 대한 분석을 통해 해당 RF 플라스마 전력 시스템(10)이 비정상 상태인 것으로 분류(또는 확인/진단)되는 경우, 상기 컨트롤러(150)는 상기 고장 진단 장치(400)로부터 제공되는 해당 RF 플라스마 전력 시스템(10)이 비정상 상태임을 나타내는 정보, 해당 오류 원인(또는 오류 종류/고장 원인), 해당 오류 원인에 대응하는 대응 정보 등을 수신하고, 상기 LED 표시등 및/또는 상기 음성 출력부를 통해 상기 수신된 해당 RF 플라스마 전력 시스템(10)이 비정상 상태임을 나타내는 정보, 해당 오류 원인(또는 오류 종류/고장 원인), 해당 오류 원인에 대응하는 대응 정보 등을 출력한다.

상기 RF 매처(RF Matcher)(200)는 상기 RF 생성기(100)로부터 생성된 RF 전력(RF Power)을 상기 RF 플라스마 챔버(300)로의 안정적인 전력 전송을 위해서, 상기 RF 생성기(100)와 상기 RF 플라스마 챔버(300) 사이에 위치하여, 전력 전송선의 임피던스를 제어하는 매칭 네트워크(Matching Network)이다.

상기 RF 생성기(100)에서 생성된 RF 전력을 상기 RF 플라스마 챔버(300)에 효율적으로 전력 전송을 하기 위해서는 전압과 전류 위상을 일치시켜주어야 하며, 상기 RF 매처(200)는 상기 RF 생성기(100)에서 생성된 전력에 대해서 전압과 전류 위상을 일치시킨 후, 전압과 전류 위상이 일치된 전력을 상기 RF 플라스마 챔버(300)에 공급(또는 제공)한다.

상기 RF 플라스마 챔버(RF Plasma Chamber)(300)는 상기 RF 매처(200)를 경유하여 상기 RF 생성기(100)로부터 공급되는 고주파 전력을 이용해서 작동(또는 구동)한다.

상기 도 1에 도시된 바와 같이, 상기 고장 진단 장치(400)는 수집부(410), 저장부(420), 표시부(430), 음성 출력부(440) 및 제어부(450)로 구성된다. 도 1에 도시된 고장 진단 장치(400)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 고장 진단 장치(400)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 고장 진단 장치(400)가 구현될 수도 있다.

상기 고장 진단 장치(400)의 케이스(미도시)는 소정의 내부 공간을 구비(또는 구성)한다. 이때, 상기 고장 진단 장치(400)는 휴대할 수 있도록 구성할 수 있다.

상기 케이스는 적어도 하나의 재질로 구성(또는 형성)한다.

또한, 상기 케이스는 내부 공간에 배치되는 상기 수집부(410), 상기 저장부(420), 상기 제어부(450) 등과, 해당 케이스의 일측에 구성되는 상기 표시부(430), 상기 음성 출력부(440) 등을 외부로부터 보호하도록 구성한다.

또한, 상기 케이스는 적어도 하나의 면으로 구성한다.

예를 들어, 상기 케이스는 전면, 전면에 대향되는 후면, 전면과 후면 사이에 배치되는 복수의 측면을 구비할 수 있다.

또한, 상기 케이스의 전면에는 상기 표시부(430)가 위치되어 디스플레이되고, 상기 표시부(430)를 제어하기 위한 적어도 하나의 버튼(미도시)이 배치될 수 있다.

또한, 상기 케이스의 복수의 측면에는 적어도 하나 이상의 입출력 단자(미도시), 충전 단자(미도시) 등이 위치(또는 배치/연결/구성/형성)할 수 있다.

상기 입출력 단자는 입출력 인터페이스라 부를 수 있다.

상기 입출력 인터페이스는 상기 입출력 단자를 통해 입력되는 명령 또는 데이터를 버스(미도시)를 통해 상기 수집부(410), 상기 저장부(420), 상기 표시부(430), 상기 음성 출력부(440), 상기 제어부(450) 등에 전달한다.

예를 들어, 상기 입출력 인터페이스는 상기 표시부(430)를 통해 입력된 관리자의 터치 입력에 대한 데이터를 상기 제어부(450)로 제공하거나 또는, 상기 수집부(410)를 통해 입력된 구동 데이터를 상기 제어부(450)로 제공한다.

다른 예를 들어, 상기 입출력 인터페이스는 상기 버스를 통해 상기 수집부(410), 상기 저장부(420), 상기 표시부(430), 상기 제어부(450) 등으로부터 수신된 명령, 데이터, 구동 데이터 등을 출력 장치인 상기 음성 출력부(440)를 통해 출력하거나 또는, 상기 표시부(430)를 통해 표시한다.

상기 수집부(410)는 상기 케이스에 내장되며, 유/무선 통신을 통해 상기 RF 생성기(100) 내의 전원 장치(120)에 전기적으로 연결되거나 분리된다.

또한, 상기 수집부(410)는 통신부(미도시)를 포함한다. 여기서, 상기 통신부는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 상기 RF 생성기(100), 서버(미도시), 단말(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.

또한, 상기 통신부는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.

또한, 상기 통신부는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 RF 생성기(100), 상기 서버, 상기 단말 등과 무선 신호를 송수신한다.

또한, 상기 통신부는 RS-232, RS-485, UART 등과 같은 시리얼(serial) 통신, TCP/IP, EtherCAT, Modbus-TCP 등과 같은 이더넷 통신을 통해 상기 RS 생성기(100) 등과 데이터(또는 정보)를 송/수신할 수도 있다.

또한, 상기 수집부(410)는 상기 제어부(450)의 제어에 의해, 상기 케이스의 측면에 배치되는 입출력 단자를 통해, 상기 RF 생성기(100) 내의 전원 장치(120)와 전기적으로 연결되어, 적어도 하나의 구동 데이터를 제공하거나 전송받아 수집한다.

또한, 상기 수집부(410)는 상기 제어부(450)의 제어에 의해, 상기 통신부를 통해, 상기 전원 장치(120)와 전기적으로 연결되어, 적어도 하나의 구동 데이터를 제공하거나 전송받아 수집한다.

상기 저장부(또는 메모리)(420)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.

또한, 상기 저장부(420)는 상기 고장 진단 장치(400)가 동작하는데 필요한 데이터와 프로그램 등을 저장한다.

즉, 상기 저장부(420)는 상기 고장 진단 장치(400)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 고장 진단 장치(400)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 고장 진단 장치(400)의 기본적인 기능을 위하여 출고 당시부터 고장 진단 장치(400) 상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(420)에 저장되고, 고장 진단 장치(400)에 설치되어, 제어부(450)에 의하여 상기 고장 진단 장치(400)의 동작(또는 기능)을 수행하도록 구동될 수 있다.

또한, 상기 저장부(420)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 고장 진단 장치(400)는 인터넷(internet)상에서 저장부(420)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 동작할 수도 있다.

또한, 상기 저장부(420)는 상기 제어부(450)의 제어에 의해 상기 수집부(410)를 통해 수집되는 다양한 정보(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)를 저장한다.

상기 표시부(또는 디스플레이부)(430)는 상기 케이스의 일측면에 형성(또는 구성/배치/설치)한다.

또한, 상기 표시부(430)는 상기 제어부(450)의 제어에 의해 상기 저장부(420)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(430)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(430)는 터치 스크린 일 수 있다.

또한, 상기 표시부(430)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode), 빔프로젝터, 고글형 VR, 홀로그램 중에서 적어도 하나를 포함할 수 있다.

또한, 상기 표시부(430)는 상기 제어부(450)의 제어에 의해 상기 수집부(410)를 통해 수집되는 다양한 정보(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)를 표시한다.

상기 음성 출력부(440)는 상기 케이스의 일측면에 형성(또는 구성/배치/설치)한다.

또한, 상기 음성 출력부(440)는 상기 제어부(450)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(440)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.

또한, 상기 음성 출력부(440)는 상기 제어부(450)에 의해 생성된 안내 음성을 출력한다.

또한, 상기 음성 출력부(440)는 상기 제어부(450)의 제어에 의해 상기 수집부(410)를 통해 수집되는 다양한 정보(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)에 대응하는 음성 정보(또는 음향 효과)를 출력한다.

상기 제어부(또는 프로세서)(controller, 또는 MCU(microcontroller unit)(450)는 상기 케이스의 내부 공간의 일측에 구성(또는 형성/배치/설치)한다.

또한, 상기 제어부(450)는 상기 고장 진단 장치(400)의 전반적인 제어 기능을 실행한다.

또한, 상기 제어부(450)는 상기 저장부(420)에 저장된 프로그램 및 데이터를 이용하여 고장 진단 장치(400)의 전반적인 제어 기능을 실행한다. 상기 제어부(450)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(420)에 액세스하여, 상기 저장부(420)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(420)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.

또한, 상기 제어부(450)는 사전에 수집된 복수의 레퍼런스 데이터 및/또는 복수의 운전 데이터를 지속적인 기계학습(또는 딥러닝)의 데이터로 활용한다. 여기서, 상기 기계학습을 위한 입력 데이터세트는 상기 복수의 레퍼런스 데이터 및/또는 복수의 운전 데이터를 미리 설정된 비율(예를 들어 5:1 등 포함)로 훈련 세트(train set)(또는 훈련 데이터)와 테스트 세트(test set)(또는 테스트/시험/검증 데이터)로 분할하여, 훈련 및 테스트 기능을 수행할 수 있다.

또한, 상기 기계학습을 위한 입력 데이터세트는 추후 수집되는 복수의 레퍼런스 데이터 및/또는 복수의 운전 데이터를 등을 포함한다. 또한, 상기 기계학습을 위한 출력 데이터세트는 예측하고 싶은 부분으로, 수집된 레퍼런스 데이터, 운전 데이터 등을 학습하고, 추후에 이를 예측하여 해당 RF 플라스마 전력 시스템(10)의 고장 여부, 오류 원인 등을 포함한다.

즉, 상기 제어부(450)는 미리 설정된 학습용 데이터를 통해 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)에 대해서 특정 로우 데이터와 관련해서 특정 레퍼런스 데이터, 특정 운전 데이터 등에 대해서 RF 플라스마 전력 시스템(10)의 고장 여부를 분류(또는 확인/판단)하고, 고장 시 오류 원인을 분류(또는 확인/판단)하기 위한 학습 기능을 각각 수행한다. 이때, 상기 제어부(450)는 로우 데이터(또는 스펙트로그램 이미지)를 병렬 및 분산하여 저장하고, 저장된 로우 데이터(또는 학습용 데이터 등 포함) 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터, 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하고, 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하고 적어도 하나의 종류의 기계학습에 기반하여 학습, 훈련 및 테스트를 진행하여 빅데이터를 구축할 수 있다. 이때, 적어도 하나의 종류의 기계학습은 지도 학습(Supervised Learning), 반지도 학습(Semi-Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 및 심층 강화 학습(Deep Reinforcement Learning) 중 어느 하나 또는 적어도 하나의 조합으로 이루어질 수 있다.

또한, 상기 제어부(450)는 상기 학습용 데이터를 통해 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델에 대해서 특정 로우 데이터와 관련해서 특정 레퍼런스 데이터, 특정 운전 데이터 등에 대해서 RF 플라스마 전력 시스템(10)의 고장 여부를 분류(또는 확인/판단)하기 위한 학습 기능을 수행한다.

또한, 상기 제어부(450)는 상기 학습용 데이터를 통해 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델에 대해서 특정 로우 데이터와 관련해서 특정 레퍼런스 데이터, 특정 운전 데이터 등에 대해서 RF 플라스마 전력 시스템(10)의 오류 원인을 분류(또는 확인/판단)하기 위한 학습 기능을 수행한다.

이와 같이, 상기 제어부(450)는 상기 학습용 데이터 등을 통해서 뉴럴 네트워크(Neural Networks) 형태의 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등에 대해서 학습 기능을 수행한다.

본 발명에서의 데이터는 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈(미도시)이 작동하면서 전달하거나 전달받는 신호 등을 포함한다.

본 발명의 실시예에서 사용하는 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)은 원본 데이터 셋의 공간적/위상적 특성을 유지하면서, 데이터가 필터에 의해 일차적으로 걸러지기 때문에, 적은 계산량을 가지므로 임베디드 보드에 구현하기에 적합하다.

즉, 도 4에 도시된 바와 같이, 상기 2개의 예측 건전성 진단 모델(RF Power System Prognostic Health Diagnosis model)은 12개의 특성(feature)을 가지고 277개의 데이터 길이를 가지는 16개의 테스트 데이터(또는 테스트 샘플 데이터)에서 각 특성을 추출하기 위한 3×1 콘벌루션 필터(convolution filter)를 사용하여 한 층의 콘벌루션 레이어를 구성한다.

또한, 도 5에 도시된 바와 같이, 2×1 맥스 풀링 필터(Max Pooling filter)를 사용하여 입력 데이터 셋의 2×1 필터의 각 범위에 대해 최댓값을 선택하여 데이터의 전체 크기를 줄인다. 그러면서도 2×1 필터 입력 데이터 값들의 최댓값을 선택하여 전체적인 특성을 유지한다. 이를 통해 각 특성에 대해 샘플 수를 줄이고, 그 특성은 유지한다.

또한, 상기 2×1 맥스 풀링 필터의 사용을 통해, 상기 2개의 예측 건전성 진단 모델이 특정 데이터에 과적합(over-fitting)되는 것을 방지하여, 새로운 데이터 즉, 테스트 데이터(또는 검증 데이터)에 대해서도 해당 2개의 예측 건전성 진단 모델이 정상적으로 작동하도록 구성한다.

또한, 완전 결합층(Fully Connected Layer)을 사용하여 상기 콘벌루션 필터와 상기 맥스 풀링 필터의 미리 설정된 횟수만큼의 반복 수행한 결과(예를 들어 2D 형태의 데이터)를 최종 데이터(예를 들어 1D 형태의 데이터)로 변환(또는 적용/생성)한다.

이와 같이, 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델/이진 분류 신경망 진단 모델)은 복수의 3×1 콘벌루션 필터, 복수의 2×1 맥스 풀링 필터 및 완전 결합층으로 구성할 수 있다.

도 6에 도시된 바와 같이, 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델/이진 분류 신경망 진단 모델)은 RF 플라스마 전력 시스템(10)의 사양별, 공정별로 수집한(또는 취득한) 데이터를 사전에 학습하여, 현 상태 데이터(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)에 대해 현장에서 즉각적으로 정상 상태와 비정상 상태를 판단하는 기능을 수행한다.

즉, 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델은 다양한 변수들로 이뤄진 운전 데이터를 입력값으로 학습 기능을 수행하여, 해당 RF 플라스마 전력 시스템(10)의 현 상태의 정상 상태와 비정상 상태를 진단한다.

도 7은 사전에 정상 상태와 비정상 상태로 구별된(labeling) 데이터에 대한 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델에 대한 랩 테스트(Lab test) 결과이다.

상기 도 7에 도시된 바와 같이, 해당 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델이 정상 상태로 예측한 데이터가 실제 정상 상태 데이터인 경우가 7개이고, 해당 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델이 비정상 상태로 예측한 데이터가 실제 비정상 상태 데이터인 경우가 13개로, 해당 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델과 실제 데이터의 상태가 다른 경우가 없이, 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델은 정상 상태와 비정상 상태를 실제 구별된 상태와 동일하게 정확히 추정하였다.

도 8에 도시된 바와 같이, 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델/멀티 분류 신경망 진단 모델)은 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델을 통해 해당 RF 플라스마 전력 시스템(10)의 정상과 비정상 운전 상태를 판별한 후, 비정상 운전 상태인 경우, 해당 비정상 운전 상태를 오류 유형별로 재분류하여 오류의 원인을 진단하는 기능을 수행한다.

즉, 상기 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델은 다양한 변수들로 이뤄진 운전 데이터를 입력값으로 학습 기능을 수행하여, 해당 RF 플라스마 전력 시스템(10)의 현 상태(예를 들어 비정상 상태)에서의 오류 원인(또는 오류 종류/고장 원인)을 진단한다.

도 9는 정상 상태와 비정상 상태로 구별된(labeling) 데이터에 대한 상기 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델에 대한 랩 테스트(Lab test) 결과이다.

상기 도 9에 도시된 바와 같이, 해당 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델이 비정상 상태로 예측한 13개의 데이터에 대해서, 오류 원인별로 각각 분류하였다. 여기서, 상기 오류 원인은 히트싱크 온도 에러(Heatsink Temp. Error), 드라이버 업퍼 리미트 에러(Driver Upper Limit Error), CIC 필터 데시메이션 에러(CIC filter Decimation Error), 외기 온도 에러(Ambient Air Temp. Error), 애자일 레일 임계값 에러(Agile Rail Threshold Error) 등을 포함한다. 여기서, 상기 애자일 레일 임계값은 상기 RF 플라스마 전력 시스템(10)의 내부 파라미터일 수 있다.

이와 같이, 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)을 이용해서, 공장에서 사전에 정상 상태의 데이터와 비정상 상태의 데이터를 모사한 5가지 경우 각각에 대해 10개 ~ 20개의 운전 데이터(또는 운전 상태 로그 데이터)를 수집하여, 해당 2개의 예측 건전성 진단 모델을 훈련(training)하여, 해당 RF 플라스마 전력 시스템(10)의 고장 진단을 위한 모델의 가중치(weight value), 편향값(offset) 등을 최적화(optimized)한다.

이러한 최적화 과정을 위해 해당 2개의 예측 건전성 진단 모델을 학습시키는 훈련 데이터셋과 학습된 모델의 유효성을 검증하기 위한 테스트 데이터 셋은 미리 설정된 비율(예를 들어 5:1 등 포함)로 분류하고, 훈련 데이터셋으로 모델을 학습시키고, 테스트 데이터셋으로 모델의 적합성 및 유효성을 검증한다.

또한, 상기 제어부(450)는 상기 입출력 인터페이스 또는 상기 통신부를 통해 상기 RF 생성기(100)와 연결된 상태에서, 상기 RF 생성기(100)가 적용된 RF 플라스마 전력 시스템(10)이 구동되는 경우, 상기 RF 생성기(100)로부터 제공되는(또는 전송되는) 레퍼런스 데이터를 수신한다.

또한, 상기 제어부(450)는 상기 수신된 레퍼런스 데이터를 상기 저장부(420)에 저장(또는 관리)한다. 여기서, 상기 레퍼런스 데이터(reference data, 초기 운전 데이터)는 제조사에서 최종 제조 과정에서 수행되는 출력 검증 평가 결과, 해당 RF 생성기(100)를 플라스마 반도체 설비(미도시)에 설치한 직후 수행되는 작동 데이터 등을 포함하며, 상기 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈(미도시)이 작동하면서 전달하거나 전달받는 신호 등을 포함하며, 전력 제어를 위한 데이터(예를 들어 전력 셋포인트, 진행파/순방향 전력, 반사파/역방향 전력, 손실 전력, 주파수, 전력 증폭 드라이브 셋포인트/구동 셋포인트, 레일 셋포인트 등 포함), 전력 증폭을 위한 데이터(예를 들어 전력 증폭 전류, 전력 증폭 전압 등 포함), 전원 장치를 위한 데이터(예를 들어 전원 장치 팬 전류, 전원 장치 온도 등 포함), 추가 데이터(예를 들어 감마 크기, 감마 위상, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK 전압 바이어스, 외기 온도, AC(또는 교류 입력 전원) 파라미터 등 포함) 등을 포함한다. 이때, 상기 RF 생성기(100)는 설계자의 설정에 따른 주기마다 상기 레퍼런스 데이터를 수집할 수 있다. 또한, 상기 AC(Alternating Current)는 AC는 시간에 따라 그 크기와 극성 (방향)이 주기적으로 변하는 전류를 나타내며, 일반적으로 RF 전원장치의 입력 전원은 교류 380V일 수 있다.

또한, 상기 제어부(450)는 상기 입출력 인터페이스 또는 상기 통신부를 통해 상기 RF 생성기(100)와 연결된 상태에서, 상기 RF 생성기(100)로부터 제공되는(또는 전송되는) RF 출력 시점부터 RF 출력 종료 시점까지의 운전 데이터를 수신한다.

또한, 상기 제어부(450)는 상기 수신된 운전 데이터를 상기 저장부(420)에 저장(또는 관리)한다. 여기서, 상기 운전 데이터는 상기 레퍼런스 데이터와 구분되며, RF 타임(RF time) 또는 웨이퍼(wafer) 넘버별 기설정된 조건으로 생성되는 데이터 등을 포함하며, 상기 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈이 작동하면서 전달하거나 전달받는 신호 등을 포함하며, 전력 제어를 위한 데이터(예를 들어 전력 셋포인트, 진행파/순방향 전력, 반사파/역방향 전력, 손실 전력, 주파수, 전력 증폭 드라이브 셋포인트/구동 셋포인트, 레일 셋포인트 등 포함), 전력 증폭을 위한 데이터(예를 들어 전력 증폭 전류, 전력 증폭 전압 등 포함), 전원 장치를 위한 데이터(예를 들어 전원 장치 팬 전류, 전원 장치 온도 등 포함), 추가 데이터(예를 들어 감마 크기, 감마 위상, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK 전압 바이어스, 외기 온도, AC 파라미터 등 포함) 등을 포함한다. 이때, 상기 RF 생성기(100)는 설계자의 설정에 따른 주기마다 상기 운전 데이터를 수집할 수 있다.

도 10에 도시된 바와 같이, 상기 제어부(450)는 최초 운전 및 정상 상태에서 수집한 상태 데이터들(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)과, 비정상 상태에서 수집한 상태 데이터들을 관리한다.

또한, 도 11 및 도 12에 도시된 바와 같이, 상기 제어부(450)는 상기 레퍼런스 데이터 및 상기 운전 데이터로부터 미리 설정된 특성(feature)을 추출한다. 여기서, 상기 특성(또는 항목/파라미터(parameter)/아이템(item)/데이터-셋의 열(column))은 해당 레퍼런스 데이터 및 해당 운전 데이터와 관련한 파라미터명(또는 항목)으로, 상기 수집된 레퍼런스 데이터의 항목의 이름 및 상기 수집된 운전 데이터의 항목의 이름(또는 데이터 셋의 항목/특징/열)에 해당하며, 전력 셋포인트 항목, 진행파/순방향 전력 항목, 반사파/역방향 전력 항목, 손실 전력 항목, 전력 증폭 드라이브 셋포인트 항목, 레일 셋포인트 항목, 전력 증폭 전류 항목, 전력 증폭 전압 항목, 전원 장치 팬 전류 항목, 전원 장치 온도 항목, 히트싱크 온도 항목, 센서 온도 항목, 소프트 스타트 전압 항목, HK 전압 바이어스 항목, 외기 온도 항목, AC 파라미터 항목 등을 포함한다.

즉, 상기 제어부(450)는 분석할 데이터의 항목 중에서 데이터 분포에 의미 없는 항목(mean-less features)을 제거하기 위해서, 상기 수집된 레퍼런스 데이터와 상기 수집된 운전 데이터를 같은 파라미터 열로 하나로 이어서 합쳐(또는 연결하여/이어붙여), 합치기 행렬(concatenate matrix)을 생성한다. 여기서, 상기 항목(또는 특성(feature)/파라미터(parameter)/아이템(item)/데이터-셋의 열(column))은 상기 수집된 레퍼런스 데이터의 항목의 이름 및 상기 수집된 운전 데이터의 항목의 이름(또는 데이터 셋의 항목/특징/열)에 해당한다.

또한, 상기 제어부(450)는 상기 생성된 합치기 행렬을 근거로 각 항목별 정규화된 표준편차를 계산(또는 산출)한다.

즉, 상기 제어부(450)는 같은 항목으로 분류하여 하나로 이어서 합친 데이터(또는 결과물)인 상기 합치기 행렬을 다음의 [수학식 1]에 적용하여, 각 항목별 데이터의 평균값 대비 각 샘플 데이터의 변위(또는 차이)의 실효값을 샘플의 길이로 나누어, 각 항목별 정규화된 표준편차를 계산(또는 산출)한다.

여기서, 상기 SD(standard deviation)는 표준편차를 나타내고, 상기 X는 상기 합치기 행렬(또는 각 샘플 데이터)을 나타내고, 상기 N은 샘플의 길이(또는 시험 구간/데이터 길이)를 나타내고, 상기 μ는 상기 X의 각 항목별 데이터의 평균값을 나타낸다.

또한, 상기 제어부(450)는 상기 계산된(또는 산출된) 각 항목별 정규화된 표준편차 중에서 0에 가까운 파라미터는 샘플의 길이에 대해서 편차가 거의 없는 항목(또는 데이터 분포에 의미 없는 항목)을 나타내므로, 상기 계산된(또는 산출된) 각 항목별 정규화된 표준편차 중에서 해당 샘플의 길이에서 편차가 없는 항목(deviation zero feature)을 제거(또는 삭제)하여, 특성(또는 추출 데이터//추출 데이터 매트릭스/행렬)을 생성(또는 추출)한다.

즉, 상기 제어부(450)는 상기 계산된(또는 산출된) 각 항목별 정규화된 표준편차 중에서 미리 설정된 제거 범위(예를 들어 0에 가까운 0 ~ 0.5)에 해당하는 하나 이상의 파라미터(또는 항목/특징)를 제거하여, 상기 특성을 생성(또는 추출)한다.

이와 같이, 상기 제어부(450)는 상기 합치기 행렬에 포함된 데이터 중에서 데이터 분포에 의미 없는 항목에 해당하는 데이터를 제거하여, 상기 특성을 생성(또는 추출)할 수 있다.

데이터가 가진 특성의 스케일이 심하게 차이가 나는 경우, 데이터 셋이 가진 특성들을 비교하여 데이터의 패턴을 찾는데 왜곡이 발생할 수 있으므로 문제가 될 수 있다.

이러한 문제를 해결하기 위해서, 본 발명의 실시예에서는 정규화 과정을 수행한다.

또한, 상기 제어부(450)는 상기 추출된 특성과 관련한 특성값을 정규화(normalization)한다. 여기서, 상기 특성값은 상기 레퍼런스 데이터 및 상기 운전 데이터의 특성별 측정값(또는 파라미터별 측정값)을 나타낸다.

즉, 도 13에 도시된 바와 같이, 상기 제어부(450)는 모든 데이터(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)의 특성이 동일한 정도의 스케일(또는 중요도)(예를 들어 0 에서 1 사이)로 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)에 반영되도록 하기 위해서, 다음의 [수학식 2]를 이용해서 정규화를 수행한다. 이때, 상기 고장 진단 장치(400)는 상기 모든 데이터에 대해서 레퍼런스 데이터(

)를 기준으로 Min-Max 정규화를 수행할 수 있다.

여기서, 상기

는 상기 레퍼런스 데이터 및 상기 운전 데이터의 정규화 데이터를 나타내고, 상기

는 상기 레퍼런스 데이터 및 상기 운전 데이터를 나타내고, 상기

는 상기 레퍼런스 데이터 집합을 나타낸다.

이때, 상기 정규화된 복수의 레퍼런스 데이터의 개수(또는 데이터 모수) 및 상기 정규화된 복수의 운전 데이터의 개수(또는 데이터 모수)가 미리 설정된 기준 개수보다 작거나 또는, 미리 설정된 테스트 환경과 상기 RF 플라스마 전력 시스템(10)가 적용된 실제 환경(또는 실제 상황)이 다른 경우, 상기 고장 진단 장치(400)는 다음의 [수학식 3]을 이용해서, 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 대상으로 데이터 증강(Data Augmentation)을 통해서 데이터 모수를 늘린다(또는 증가한다).

여기서, 상기 y는 원본 데이터(x)에 대해 증강된 데이터 모수를 나타내고, 상기

는 원본 데이터의 평균값을 나타내고, 상기 시그마(

)는 표준편차(예를 들어 0.005)를 나타내고, 상기

는 상기 가우시안 랜덤 노이즈를 나타낸다.

예를 들어, 도 14에 도시된 바와 같이, 샘플 데이터 개수가 100개이고, 가우시안 노이즈(예를 들어 평균 : 0, 표준편차/시그마 = 0.005)인 경우, 상기 제어부(450)는 데이터 증강을 통해 10배로 데이터를 증강하여 1,000개의 데이터를 생성한다.

이와 같이, 상기 제어부(450)는 진단 모델 학습용 데이터가 부족하거나 또는, 갖고 있는 데이터셋이 실제 상황에서의 입력값과 다를 경우, 상기 [수학식 3]의 에러값을 갖고 있는 데이터에 첨가하여 진단 모델 학습용 데이터를 인위적으로 늘려줄 수 있다. 이러한 데이터 증강 기법을 통해 데이터를 늘릴뿐 아니라, 진단 모델이 실제로 환경에서 잘 작동할 수 있도록 도와줄 수 있다.

즉, 상기 정규화된 복수의 레퍼런스 데이터의 개수(또는 데이터 모수) 및 상기 정규화된 복수의 운전 데이터의 개수(또는 데이터 모수)가 미리 설정된 기준 개수보다 작은 경우, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)의 상황을 정확하게 분석할 수 있도록 하기 위해서, 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 대상으로 앞선 [수학식 2]를 이용해서 데이터 증강을 수행하여, 데이터 증강한 정규화된 레퍼런스 데이터 및 데이터 증강한 정규화된 운전 데이터를 생성한다.

또한, 상기 미리 설정된 테스트 환경(예를 들어 잡음이 없는 최적의 상태/환경)과 상기 RF 플라스마 전력 시스템(10)가 적용된 실제 환경(예를 들어 주변 상황에 의해 잡음이 많은 상태/환경)이 다른 경우, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)이 적용된 상황에서의 충분한 데이터를 확보하기 위해서, 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 대상으로 앞선 [수학식 2]를 이용해서 데이터 증강을 수행하여, 데이터 증강한 정규화된 레퍼런스 데이터 및 데이터 증강한 정규화된 운전 데이터를 생성한다.

또한, 상기 도 15에 도시된 바와 같이, 상기 제어부(450)는 상기 정규화된 레퍼런스 데이터 및 상기 정규화된 운전 데이터(또는 상기 데이터 증강한 정규화된 레퍼런스 데이터 및 상기 데이터 증강한 정규화된 운전 데이터)를 훈련 데이터와 테스트 데이터(또는 시험/검증 데이터)로 분류한다. 여기서, 일반적으로 훈련 데이터와 테스트 데이터 간의 비율을 8:2로 가져가지만, 본 발명에서는 해당 고장 진단 장치(400)가 휴대용 진단 장치로 데이터 개수가 제한적인 경우가 많으므로, 상기 고장 진단 장치(400)는 훈련 데이터와 테스트 데이터의 비율을 5:1이 되도록 하여, 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)이 훈련 데이터에 과적합(over-fitting)되는 것을 방지하고, 테스트 데이터를 충분히 가져가서 해당 2개의 예측 건전성 진단 모델이 훈련되지 않은 일반적인 데이터에 대해서도 정확하게 진단할 수 있도록 구성(또는 설계)한다.

또한, 상기 제어부(450)는 상기 분류된 훈련 데이터를 고장 진단 및 고장의 오류 유형/원인을 분류하기 위한 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)에 각각 적용하여, 해당 2개의 예측 건전성 진단 모델을 학습시킨다.

본 발명의 실시예에서는, 특성 추출 과정, 정규화 과정 및 데이터 분류 과정을 순차로 수행하는 것을 주로 설명하고 있으나, 이에 한정되는 것은 아니며, 상기 고장 진단 장치(400)는 특성 추출 과정, 데이터 분류 과정 및 정규화 과정의 순서로 데이터를 처리할 수도 있다.

또한, 상기 제어부(450)는 상기 분류된 테스트 데이터(또는 테스트 데이터/정규화된 후 분류된 테스트 데이터)를 미리 학습된 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델/이진 분류 신경망 진단 모델)의 입력값으로 하여 기계 학습(또는 인공지능/딥 러닝)을 수행하고, 기계 학습 결과(또는 인공지능 결과/딥 러닝 결과)를 근거로 해당 RF 플라스마 전력 시스템(10)의 정상 상태 또는 비정상 상태를 분류(또는 확인/진단/생성/계산/산출/설정/결정)한다.

즉, 상기 제어부(450)는 상기 RF 플라스마 전력 시스템(10)과 관련한 정규화된 테스트 데이터를 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 해당 RF 플라스마 전력 시스템(10)이 정상 상태인지 또는 비정상 상태인지를 분류한다.

도 16에 도시된 바와 같이, 상기 RF 플라스마 전력 시스템(10)에서 RF 전력의 셋포인트(또는 지령 전력값)에 따라, 해당 RF 전력의 셋포인트에 상응하여 상태값들과 센서값들이 변경된다.

즉, 상기 도 16에 도시된 바와 같이, 셋포인트가 변경됨에 따라, 순방향 전력(forward power), 역방향 전력(reverse power), 손실 전력(dissipated power), RF 신호 증폭기(130)의 전압(Power Amplifier voltage), RF 신호 증폭기의 전류(Power Amplifier current) 등과 같은 상기 셋 포인트(또는 지령/셋업) 전력에 종속적인 상태값들(또는 인자들/파라미터들)이 바뀐다.

또한, 상기 제어부(450)는 상기 운전 데이터를 RF 플라스마 전력 시스템(10)에 최적화된 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델에 입력하여, 해당 RF 플라스마 전력 시스템(10)의 정상 유무를 판별하여, 상기 도 16에 도시된 바와 같이, 해당 표시부(130)의 일측에 정상 또는 비정상을 표시한다.

또한, 해당 RF 플라스마 전력 시스템(10)이 정상 상태인 것으로 분류(또는 확인/진단)되는 경우, 상기 고장 진단 장치(400)는 상기 RF 플라스마 전력 시스템(10)이 정상 상태임을 나타내는 정보를 출력한다. 여기서, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)이 정상 상태임을 나타내는 정보를 해당 고장 진단 장치(400)에 구성된 표시부(430)를 통해 표시하거나 또는, 상기 RF 생성기(100)와 연동하여 해당 RF 생성기(100)의 일측에 구성된 LED 표시등(미도시)을 통해 표시(예를 들어 녹색등으로 표시)할 수 있다.

또한, 상기 고장 진단 장치(400)는 앞서 상기 RF 생성기(100)로부터 운전 데이터를 제공받는 과정을 수행한다.

또한, 해당 RF 플라스마 전력 시스템(10)이 비정상 상태인 것으로 분류(또는 확인/진단)되는 경우, 상기 고장 진단 장치(400)는 상기 분류된 테스트 데이터(또는 정규화된 후 분류된 테스트 데이터)를 미리 학습된 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델/멀티 분류 신경망 진단 모델)의 입력값으로 하여 다른 기계 학습(또는 다른 인공지능/다른 딥 러닝)을 수행하고, 다른 기계 학습 결과(또는 다른 인공지능 결과/다른 딥 러닝 결과)를 근거로 해당 RF 플라스마 전력 시스템(10)의 오류 원인(또는 오류 종류/고장 원인)을 분류(또는 확인/진단/생성/계산/산출/설정/결정)한다.

즉, 해당 RF 플라스마 전력 시스템(10)이 고장 상태인 것으로 분류되는 경우, 상기 고장 진단 장치(400)는 상기 RF 플라스마 전력 시스템(10)과 관련한 정규화된 테스트 데이터를 상기 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 기계 학습을 수행하고, 다른 기계 학습 결과를 근거로 해당 RF 플라스마 전력 시스템(10)의 오류 원인(또는 오류 종류/고장 원인)을 분류한다. 이때, 상기 고장 진단 장치(400)는 상기 저장부(420)에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 해당 오류 원인에 대응하는 대응 정보(또는 조치 방안)를 확인(또는 검색)할 수 있다.

또한, 도 17에 도시된 바와 같이, 상기 고장 진단 장치(400)는 상기 분류된 해당 RF 플라스마 전력 시스템(10)이 비정상 상태임을 나타내는 정보, 상기 분류된 해당 오류 원인(또는 오류 종류/고장 원인), 상기 확인된 해당 오류 원인에 대응하는 대응 정보 등을 출력한다. 여기서, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)이 비정상 상태임을 나타내는 정보, 해당 오류 원인(또는 오류 종류/고장 원인), 해당 오류 원인에 대응하는 대응 정보 등을 해당 고장 진단 장치(400)에 구성된 표시부(430)를 통해 표시하거나 또는, 상기 RF 생성기(100)와 연동하여 해당 RF 생성기(100)의 일측에 구성된 LED 표시등을 통해 표시(예를 들어 빨간색등으로 표시)할 수 있다.

이에 따라, 사용자는 해당 고장 여부, 오류 원인, 대응 정보 등을 확인한 후, 바로 현상을 파악하고 조치할 수 있다.

이와 같이, RF 신호 증폭기(또는 RF 전력 증폭기)(130)의 DC 전력을 공급하는 전원 장치(120)가 오랜 시간 열화되어 그 기능이 점차 상실되어 갔을 경우, 해당 전원 장치(120)의 출력이 서서히 낮아질수록 정상 상태 데이터와 다르게 분포되어 본 발명에서의 2개의 건전성 진단 모델을 통해 1차로 정상 상태와 비정상 상태를 판단하고, 그 이후 세부 오류 유형별 분류를 수행하여 그 오류 원인과 대처 방안을 상기 표시부(430) 및/또는 상기 음성 출력부(440)를 통해 출력할 수 있다.

또한, 이와 같이, 상기 고장 진단 장치(400)는 장소에 구애 없이 반도체 제조 현장에서 손쉽고 정확한 RF 플라스마 전력 시스템(10) 진단을 수행하면서도, 연산량이 많지 않아 고성능의 PC나 GPU가 없이도 일반 PC, 임베디드 시스템 등뿐만 아니라, 설비의 펌웨어 코드에도 적용하여 정확한 고장 유무를 판단하고, 고장 유형별 분류를 할 수 있다.

또한, 이와 같이, 상기 고장 진단 장치(400)는 플라스마 설비의 공정 진행 중 즉, 상기 RF 플라스마 전력 시스템(10) 구동 중 발생하는 내부 제어인자 또는 관리인자를 활용하여, 해당 RF 플라스마 전력 시스템(10)의 이상 진단(또는 고장 진단) 및 수명예측을 위해 저장된 데이터를 통해 학습할 수 있다.

또한, 이와 같이, 상기 고장 진단 장치(400)는 별도의 RF 플라스마 전력 시스템(10)의 자가 운전 시험을 통해 측정한 데이터를 기존 공정 진행 시 저장된 데이터를 통해 학습된 복수의 예측 건전성 진단 모델을 통해 예측된 데이터와 비교하여 고장 상태를 진단할 수 있다.

또한, 상기 고장 진단 장치(400)는 상기 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)의 결과를 설명 가능하게 하고, 모델 진단 결과를 시각화하기 위해서, 다음의 [수학식 4]와 같이 손실 함수(Loss Function)를 정의하여, 결정 경계(decision boundary)를 시각화한다.

여기서, 상기

은 훈련 데이터를 나타내고, 상기

는 테스트 데이터를 나타낸다.

상기 손실 함수는 훈련 데이터셋(training dataset)에 가장 비슷한 데이터 분포를 가질수록 결과값(Loss value)이 작아진다.

상기 RF 플라스마 전력 시스템(10)이 비정상 상태인 경우, 도 18에 도시된 바와 같이, 일부 상태 인자에서 기준(또는 레퍼런스) 데이터의 결과값 대비 운전 데이터(또는 테스트 데이터)의 결과값이 차이를 보인다. 이는 테스트가 여러 번 진행될수록 일부 상태 인자에서 기분 범위(Criterion Range) 밖으로 점점 벗어나는 것을 의미하여, 이것이 주된 고장 원인(Fault Cause)이 된다.

RF 신호를 증폭하여 출력을 내는 전력 증폭기(또는 신호 증폭기, Power Amplifier)의 DC 전력을 공급하는 전원 장치가 시간이 지남에 따라 점차 감소하여 이상 작동을 보였을 때, 도 19에 도시된 바와 같이, 상기 RF 플라스마 전력 시스템(10)의 내부 상태 인자들 중 해당 전원 장치와 관련된 특정 상태 인지가 기준 범위 밖으로 벗어난 것을 확인할 수 있다.

이를 통해, 사용자는 해당 RF 플라스마 전력 시스템(10)의 이상 작동을 확인하고, 문제의 원인을 파악할 수 있다.

도 20은 본 발명의 RF 플라스마 전력 시스템(10)의 고장 진단 및 수명 예측을 위한 기능(또는 알고리즘)을 적용하였을 때, RF 설비 및 부품의 MTBF(Mean Time Between Failure: 설비 가용도) 측면에서의 효과를 나타낸다.

즉, 상기 RF 플라스마 전력 시스템(10)에 문제가 있는 상태로 계속 사용하게 되면, 상기 도 20에 도시된 T1과 같이, 설비 수명이 기대 수명보다 짧아지며, 이는 예상치 못한 이른 시기에 장비 고장이 일어나게 됨을 의미한다.

반면, 본 발명의 RF 플라스마 전력 시스템(10)의 고장 진단 및 수명 예측을 위한 기능(또는 알고리즘)을 적용하게 되면, 상기 도 20에 도시된 T2와 같이, 설비 수명이 기대 수명보다 길어지며, 이는 설비의 장기간 무사고 운전이 가능하게 됨을 의미한다.

또한, 본 발명은 RF 플라스마 전력 시스템(10)의 고장 예측 및 수명 관리 알고리즘을 사용하여 정확한 시스템 진단이 가능하고, 해당 RF 플라스마 전력 시스템(10)의 다양한 측량 및 센서 데이터를 2개의 예측 건전성 진단 모델을 통해 설비의 정상 유무를 정확히 판단하고, 비정상 상태에 대한 고장 유형을 분류하여, 해당 RF 플라스마 전력 시스템(10)의 수명(lifecycle)을 관리할 수 있다.

또한, 본 발명의 고장 진단 및 수명 관리 알고리즘은 해당 RF 플라스마 전력 시스템(10)에 최적화된 진단 알고리즘을 제공하며, 잡음(noise, 잘못 기록된 값)과 극단치 데이터(outlier data)에 강인한 설비 진단을 수행하면서도, 연산량이 많지 않아도 예측 성능이 우수한 다변량 CNN 모델(multivariate CNN model)을 사용하여 고성능의 컴퓨팅 장비 없이도 임베디드 장치, 설비의 펌웨어(firmware) 코드에 적용하여, 상기 RF 플라스마 전력 시스템(10)의 고장 진단 및/또는 수명 예측이 가능할 수 있다.

도 21은 본 발명의 2개의 예측 건전성 진단 모델의 성능 평가를 위해 140번의 RF 시스템 샘플 테스트를 통해 얻은 혼동 행렬(confusion matrix) 결과이다. 여기서, 상기 혼동 행렬은 분류 모델의 성능을 측정하기 위해서, 예측값과 실제 결과값을 비교한 표이며, Actual Value는 실제 결과값을 나타내고, Predict Value는 예측값을 나타낸다.

또한, 상기 도 21에 도시된 실험 결과로부터 다음의 내용을 도출할 수 있다.

첫 번째로, 정밀도(Precision)는 100%, 즉 1의 값에 가까울수록 정밀한 분류가 가능한 정확한 알고리즘이라고 불 수 있다. 실험 결과를 살펴보면, 1.0(100%)으로 1의 값과 동일하므로, 본 발명의 기술적 특징들로 상기 RF 플라스마 전력 시스템(10)의 정확한 진단이 가능한 것으로 볼 수 있다.

두 번째로, 재현율(Recall)은 실제 결과가 정상인 것 중, 알고리즘이 정상으로 분류한 비율이며, 1의 값에 가까울수록 좋은 알고리즘이라고 할 수 있다. 본 발명의 기술적 특징의 성능 평가 시험에서 재현율 값은 1.0으로 완벽한 재현 성능을 나타냈다.

또한, 알고리즘의 성능을 측정하는 데 있어서, 정밀도와 재현율 값은 그 자체로도 유용하게 사용되며, 또한 이로부터 F1 점수(F1 score)를 계산할 수 있다. 여기서, F1 점수는 알고리즘이 얼마나 효과적인지를 설명할 수 있는 지표로, 정밀도와 재현율의 조화 평균으로 본 알고리즘의 F1 점수는 다음의 [수학식 5]와 같다.

F1 점수는 정밀도와 재현율을 모두 동등한 비중으로 계산한 식이므로, 본 발명과 관련한 F1 점수가 1.0에 가까운 값을 나타내므로, 본 발명의 분류 성능을 입증하였다.

본 발명의 실시예에서는 상기 고장 진단 장치(400)가 스탠드 얼론(standalone) 형태로 독립적으로 구성되어, 휴대성 및/또는 이동성을 구비하도록 구성하고 있으나, 이에 한정되는 것은 아니며, 해당 고장 진단 장치(400)의 구성은 상기 RF 생성기(100) 내에 임베디드되어, 해당 고장 진단 장치(400)의 구성을 구비한 RF 생성기(100)에서 해당 RF 플라스마 전력 시스템(10)의 고장 진단 기능, 오류 원인 분류 기능 등을 수행할 수도 있다.

또한, 본 발명의 실시예에서는, 상기 고장 진단 장치(400)가 상기 RF 플라스마 전력 시스템(10)에 적용되는 예를 주로 다루고 있으나, 이에 한정되는 것은 아니며, 상기 고장 진단 장치(400)는 계통 연계 인버터의 전력 스위치의 고장 진단에도 적용할 수 있다.

즉, 도 22에 도시된 바와 같이, 계통 연계 인버터의 전력 스위치의 고장 시뮬레이션 회로에 대해서, 상기 고장 진단 장치(400)를 적용한 경우, 도 23 내지 도 25에 도시된 바와 같이, IGBT(Insulated Gate Bipolar Transistor)-T1a 개방, IGBT-T1a 쇼트, IGBT-T2a 개방, IGBT-T2a 쇼트, IGBT-T3a 개방 및 IGBT-T3a 쇼트에 대해서, 전력 스위치의 고장 상황을 시뮬레이션하였다.

또한, 도 26에 도시된 바와 같이, 상기 고장 진단 장치(400)는 이상 검출 및 고장 유형별로 오류 원인을 분류(또는 검출/진단)하였다.

또한, 도 27에 도시된 바와 같이, 정확도는 100%를 만족하였다.

이와 같이, RF 생성기로부터 수집되는 초기 운전 데이터인 레퍼런스 데이터와 운전 데이터를 근거로 특성을 추출하고, 추출된 특성의 특성값을 정규화한 후, 정규화된 특성값을 훈련 데이터와 테스트 데이터로 분류하고, 훈련 데이터를 이용해서 미리 설정된 RF 전력 시스템 예측 건전성 진단 모델을 학습시키고, 테스트 데이터를 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 학습 기능을 수행하고, 학습 기능 수행 결과에 따라 정상 상태 또는 비정상 상태로 분류할 수 있다.

또한, 이와 같이, 1차 분류 결과 비정상 상태로 분류된 경우, 테스트 데이터를 다른 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 학습 기능을 수행하고, 다른 학습 기능 수행 결과에 따라 미리 설정된 복수의 오류 유형 중 어느 하나의 유형으로 비정상 상태에 따른 오류 원인을 분류할 수 있다.

이하에서는, 본 발명에 따른 RF 플라스마 전력 시스템에서의 고장 진단 방법을 도 1 내지 도 28을 참조하여 상세히 설명한다.

도 28은 본 발명의 실시예에 따른 RF 플라스마 전력 시스템에서의 고장 진단 방법을 나타낸 흐름도이다.

먼저, RF 생성기(100)가 적용된 RF 플라스마 전력 시스템(10)이 구동되는 경우, 상기 RF 생성기(100)는 레퍼런스 데이터를 수집한다. 여기서, 상기 레퍼런스 데이터(reference data, 초기 운전 데이터)는 제조사에서 최종 제조 과정에서 수행되는 출력 검증 평가 결과, 해당 RF 생성기(100)를 플라스마 반도체 설비(미도시)에 설치한 직후 수행되는 작동 데이터 등을 포함하며, 상기 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈(미도시)이 작동하면서 전달하거나 전달받는 신호 등을 포함하며, 전력 제어를 위한 데이터(예를 들어 전력 셋포인트, 진행파/순방향 전력, 반사파/역방향 전력, 손실 전력, 주파수, 전력 증폭 드라이브 셋포인트/구동 셋포인트, 레일 셋포인트 등 포함), 전력 증폭을 위한 데이터(예를 들어 전력 증폭 전류, 전력 증폭 전압 등 포함), 전원 장치를 위한 데이터(예를 들어 전원 장치 팬 전류, 전원 장치 온도 등 포함), 추가 데이터(예를 들어 감마 크기, 감마 위상, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK 전압 바이어스, 외기 온도, AC 파라미터 등 포함) 등을 포함한다. 이때, 상기 RF 생성기(100)는 설계자의 설정에 따른 주기마다 상기 레퍼런스 데이터를 수집할 수 있다.

또한, 상기 RF 생성기(100)는 상기 수집된 레퍼런스 데이터를 고장 진단 장치(400)에 제공(또는 전송)한다.

또한, 상기 고장 진단 장치(400)는 상기 RF 생성기(100)로부터 제공되는(또는 전송되는) 레퍼런스 데이터를 수신하고, 상기 수신된 레퍼런스 데이터를 저장(또는 관리)한다.

일 예로, 제 1 RF 생성기(100)가 적용된 제 1 RF 플라스마 전력 시스템(10)이 초기 구동할 때, 상기 제 1 RF 생성기는 미리 설정된 제 1 주기(예를 들어 1ms)마다 복수의 레퍼런스 데이터를 수집하고, 상기 수집된 복수의 레퍼런스 데이터를 해당 제 1 RF 생성기에 연결된 제 1 고장 진단 장치(400)에 제공한다.

또한, 상기 제 1 고장 진단 장치는 상기 제 1 RF 생성기로부터 제공되는 복수의 레퍼런스 데이터를 수신하고, 상기 수신된 복수의 레퍼런스 데이터를 저장한다(S2810).

이후, 상기 RF 플라스마 전력 시스템(10)이 운전(또는 작동)하는 경우, 상기 RF 생성기(100)는 RF 출력 시점부터 RF 출력 종료 시점까지의 운전 데이터를 수집한다. 여기서, 상기 운전 데이터는 상기 레퍼런스 데이터와 구분되며, RF 타임(RF time) 또는 웨이퍼(wafer) 넘버별 기설정된 조건으로 생성되는 데이터 등을 포함하며, 상기 RF 플라스마 전력 시스템(10)이 작동하는데 필요한 여러 내부 제어 신호, 통신을 통한 전달값, 각 세부 전자 모듈이 작동하면서 전달하거나 전달받는 신호 등을 포함하며, 전력 제어를 위한 데이터(예를 들어 전력 셋포인트, 진행파/순방향 전력, 반사파/역방향 전력, 손실 전력, 주파수, 전력 증폭 드라이브 셋포인트/구동 셋포인트, 레일 셋포인트 등 포함), 전력 증폭을 위한 데이터(예를 들어 전력 증폭 전류, 전력 증폭 전압 등 포함), 전원 장치를 위한 데이터(예를 들어 전원 장치 팬 전류, 전원 장치 온도 등 포함), 추가 데이터(예를 들어 감마 크기, 감마 위상, 히트싱크 온도, 센서 온도, 소프트 스타트 전압, HK 전압 바이어스, 외기 온도, AC 파라미터 등 포함) 등을 포함한다. 이때, 상기 RF 생성기(100)는 설계자의 설정에 따른 주기마다 상기 운전 데이터를 수집할 수 있다.

또한, 상기 RF 생성기(100)는 상기 수집된 운전 데이터를 상기 고장 진단 장치(400)에 제공(또는 전송)한다.

또한, 상기 고장 진단 장치(400)는 상기 RF 생성기(100)로부터 제공되는(또는 전송되는) 운전 데이터를 수신하고, 상기 수신된 운전 데이터를 저장(또는 관리)한다.

일 예로, 상기 제 1 RF 플라스마 전력 시스템이 초기 구동 이후 정상적으로 운전할 때, 상기 제 1 RF 생성기는 상기 미리 설정된 제 1 주기(예를 들어 1ms)마다 복수의 운전 데이터를 수집하고, 상기 수집된 복수의 운전 데이터를 상기 제 1 고장 진단 장치에 제공한다.

또한, 상기 제 1 고장 진단 장치는 상기 제 1 RF 생성기로부터 제공되는 복수의 운전 데이터를 수신하고, 상기 수신된 복수의 운전 데이터를 저장한다(S2820).

이후, 상기 고장 진단 장치(400)는 상기 레퍼런스 데이터 및 상기 운전 데이터로부터 미리 설정된 특성(feature)(또는 칼럼(column))을 추출한다. 여기서, 상기 특성은 해당 레퍼런스 데이터 및 해당 운전 데이터와 관련한 파라미터명(또는 항목)으로, 전력 셋포인트 항목, 진행파/순방향 전력 항목, 반사파/역방향 전력 항목, 손실 전력 항목, 전력 증폭 드라이브 셋포인트 항목, 레일 셋포인트 항목, 전력 증폭 전류 항목, 전력 증폭 전압 항목, 전원 장치 팬 전류 항목, 전원 장치 온도 항목, 히트싱크 온도 항목, 센서 온도 항목, 소프트 스타트 전압 항목, HK 전압 바이어스 항목, 외기 온도 항목, AC 파라미터 항목 등을 포함한다.

일 예로, 상기 제 1 고장 진단 장치는 상기 수신된 복수의 레퍼런스 데이터 및 상기 수신된 복수의 운전 데이터로부터 미리 설정된 전력 셋포인트 항목, 진행파/순방향 전력 항목, 반사파/역방향 전력 항목, 손실 전력 항목, 전력 증폭 드라이브 셋포인트 항목, 레일 셋포인트 항목, 전력 증폭 전류 항목, 전력 증폭 전압 항목, 전원 장치 팬 전류 항목, 전원 장치 온도 항목, 히트싱크 온도 항목, 센서 온도 항목, 소프트 스타트 전압 항목, HK 전압 바이어스 항목, 외기 온도 항목, AC 파라미터 항목 등을 포함하는 특성을 추출한다(S2830).

이후, 상기 고장 진단 장치(400)는 상기 추출된 특성과 관련한 특성값을 정규화(normalization)한다. 여기서, 상기 특성값은 상기 레퍼런스 데이터 및 상기 운전 데이터의 특성별 측정값(또는 파라미터별 측정값)을 나타낸다.

즉, 상기 고장 진단 장치(400)는 모든 데이터(예를 들어 레퍼런스 데이터, 운전 데이터 등 포함)의 특성이 동일한 정도의 스케일(또는 중요도)(예를 들어 0 에서 1 사이)로 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)에 반영되도록 하기 위해서, 앞선 [수학식 2]를 이용해서 정규화를 수행한다. 이때, 상기 고장 진단 장치(400)는 상기 모든 데이터에 대해서 Min-Max 정규화를 수행할 수 있다.

또한, 상기 정규화된 복수의 레퍼런스 데이터의 개수(또는 데이터 모수) 및 상기 정규화된 복수의 운전 데이터의 개수(또는 데이터 모수)가 미리 설정된 기준 개수보다 작거나 또는, 미리 설정된 테스트 환경과 상기 RF 플라스마 전력 시스템(10)가 적용된 실제 환경(또는 실제 상황)이 다른 경우, 상기 고장 진단 장치(400)는 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 대상으로 데이터 증강을 통해서 데이터 모수를 늘린다(또는 증가한다).

즉, 상기 정규화된 복수의 레퍼런스 데이터의 개수(또는 데이터 모수) 및 상기 정규화된 복수의 운전 데이터의 개수(또는 데이터 모수)가 미리 설정된 기준 개수보다 작은 경우, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)의 상황을 정확하게 분석할 수 있도록 하기 위해서, 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 대상으로 앞선 [수학식 3]을 이용해서 데이터 증강을 수행하여, 데이터 증강한 정규화된 레퍼런스 데이터 및 데이터 증강한 정규화된 운전 데이터를 생성한다.

또한, 상기 미리 설정된 테스트 환경(예를 들어 잡음이 없는 최적의 상태/환경)과 상기 RF 플라스마 전력 시스템(10)가 적용된 실제 환경(예를 들어 주변 상황에 의해 잡음이 많은 상태/환경)이 다른 경우, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)이 적용된 상황에서의 충분한 데이터를 확보하기 위해서, 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 대상으로 앞선 [수학식 3]을 이용해서 데이터 증강을 수행하여, 데이터 증강한 정규화된 레퍼런스 데이터 및 데이터 증강한 정규화된 운전 데이터를 생성한다.

일 예로, 상기 제 1 고장 진단 장치는 상기 추출된 특성과 관련한 특성값을 앞선 [수학식 2]를 이용해서 0 에서 1 사이의 값 중 어느 하나의 값(예를 들어 0 ~ 1 사이의 정수)으로 정규화를 수행한다(S2840).

이후, 상기 고장 진단 장치(400)는 상기 정규화된 레퍼런스 데이터 및 상기 정규화된 운전 데이터(또는 상기 데이터 증강한 정규화된 레퍼런스 데이터 및 상기 데이터 증강한 정규화된 운전 데이터)를 훈련 데이터와 테스트 데이터(또는 시험/검증 데이터)로 분류한다. 여기서, 일반적으로 훈련 데이터와 테스트 데이터 간의 비율을 8:2로 가져가지만, 본 발명에서는 해당 고장 진단 장치(400)가 휴대용 진단 장치로 데이터 개수가 제한적인 경우가 많으므로, 상기 고장 진단 장치(400)는 훈련 데이터와 테스트 데이터의 비율을 5:1이 되도록 하여, 2개의 예측 건전성 진단 모델(예를 들어 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델, 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델 등 포함)이 훈련 데이터에 과적합(over-fitting)되는 것을 방지하고, 테스트 데이터를 충분히 가져가서 해당 2개의 예측 건전성 진단 모델이 훈련되지 않은 일반적인 데이터에 대해서도 정확하게 진단할 수 있도록 구성(또는 설계)한다.

일 예로, 상기 제 1 고장 진단 장치는 상기 정규화된 복수의 레퍼런스 데이터 및 상기 정규화된 복수의 운전 데이터를 미리 설정된 비율인 5:1이 되도록 훈련 데이터와 테스트 데이터로 분류한다(S2850).

이후, 상기 고장 진단 장치(400)는 상기 분류된 테스트 데이터(또는 정규화된 후 분류된 테스트 데이터)를 미리 학습된 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델/이진 분류 신경망 진단 모델)의 입력값으로 하여 기계 학습(또는 인공지능/딥 러닝)을 수행하고, 기계 학습 결과(또는 인공지능 결과/딥 러닝 결과)를 근거로 해당 RF 플라스마 전력 시스템(10)의 정상 상태 또는 비정상 상태를 분류(또는 확인/진단/생성/계산/산출/설정/결정)한다.

즉, 상기 고장 진단 장치(400)는 상기 RF 플라스마 전력 시스템(10)과 관련한 정규화된 테스트 데이터를 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 해당 RF 플라스마 전력 시스템(10)이 정상 상태인지 또는 비정상 상태인지를 분류한다.

일 예로, 상기 제 1 고장 진단 장치는 상기 분류된 테스트 데이터를 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 제 1-1 기계 학습 결과를 근거로 해당 정규화된 테스트 데이터와 관련해서 상기 제 1 RF 플라스마 전력 시스템이 정상 상태인 것으로 분류한다.

다른 일 예로, 상기 제 1 고장 진단 장치는 상기 분류된 테스트 데이터를 상기 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 제 1-2 기계 학습 결과를 근거로 해당 정규화된 테스트 데이터와 관련해서 상기 제 1 RF 플라스마 전력 시스템이 비정상 상태인 것으로 분류한다(S2860).

이후, 해당 RF 플라스마 전력 시스템(10)이 정상 상태인 것으로 분류(또는 확인/진단)되는 경우, 상기 고장 진단 장치(400)는 상기 RF 플라스마 전력 시스템(10)이 정상 상태임을 나타내는 정보를 출력한다. 여기서, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)이 정상 상태임을 나타내는 정보를 해당 고장 진단 장치(400)에 구성된 표시부(430)를 통해 표시하거나 또는, 상기 RF 생성기(100)와 연동하여 해당 RF 생성기(100)의 일측에 구성된 LED 표시등(미도시)을 통해 표시(예를 들어 녹색등으로 표시)할 수 있다.

또한, 상기 고장 진단 장치(400)는 앞서 상기 RF 생성기(100)로부터 운전 데이터를 제공받는 과정을 수행한다.

일 예로, 상기 제 1-1 기계 학습 결과를 근거로 해당 정규화된 테스트 데이터와 관련해서 상기 제 1 RF 플라스마 전력 시스템이 정상 상태인 것으로 분류될 때, 상기 제 1 고장 진단 장치는 해당 제 1 RF 플라스마 전력 시스템이 정상 상태임을 나타내는 정보에 대응하는 녹색 불빛을 출력하고, 앞서 상기 제 1 RF 생성기로부터 운전 데이터를 제공받는 과정(예를 들어 S2820 단계)을 수행한다(S2870).

또한, 해당 RF 플라스마 전력 시스템(10)이 비정상 상태인 것으로 분류(또는 확인/진단)되는 경우, 상기 고장 진단 장치(400)는 상기 분류된 테스트 데이터(또는 정규화된 후 분류된 테스트 데이터)를 미리 학습된 상기 RF 전력 시스템 예측 건전성 진단 모델(또는 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델/멀티 분류 신경망 진단 모델)의 입력값으로 하여 다른 기계 학습(또는 다른 인공지능/다른 딥 러닝)을 수행하고, 다른 기계 학습 결과(또는 다른 인공지능 결과/다른 딥 러닝 결과)를 근거로 해당 RF 플라스마 전력 시스템(10)의 오류 원인(또는 오류 종류/고장 원인)을 분류(또는 확인/진단/생성/계산/산출/설정/결정)한다.

즉, 해당 RF 플라스마 전력 시스템(10)이 고장 상태인 것으로 분류되는 경우, 상기 고장 진단 장치(400)는 상기 RF 플라스마 전력 시스템(10)과 관련한 정규화된 테스트 데이터를 상기 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 기계 학습을 수행하고, 다른 기계 학습 결과를 근거로 해당 RF 플라스마 전력 시스템(10)의 오류 원인(또는 오류 종류/고장 원인)을 분류한다. 이때, 상기 고장 진단 장치(400)는 해당 고장 진단 장치(400)에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 해당 오류 원인에 대응하는 대응 정보(또는 조치 방안)를 확인(또는 검색)할 수 있다.

또한, 상기 고장 진단 장치(400)는 상기 분류된 해당 RF 플라스마 전력 시스템(10)이 비정상 상태임을 나타내는 정보, 상기 분류된 해당 오류 원인(또는 오류 종류/고장 원인), 상기 확인된 해당 오류 원인에 대응하는 대응 정보 등을 출력한다. 여기서, 상기 고장 진단 장치(400)는 해당 RF 플라스마 전력 시스템(10)이 비정상 상태임을 나타내는 정보, 해당 오류 원인(또는 오류 종류/고장 원인), 해당 오류 원인에 대응하는 대응 정보 등을 해당 고장 진단 장치(400)에 구성된 표시부(430)를 통해 표시하거나 또는, 상기 RF 생성기(100)와 연동하여 해당 RF 생성기(100)의 일측에 구성된 LED 표시등을 통해 표시(예를 들어 빨간색등으로 표시)할 수 있다.

일 예로, 상기 제 1-2 기계 학습 결과를 근거로 해당 정규화된 테스트 데이터와 관련해서 상기 제 1 RF 플라스마 전력 시스템이 비정상 상태인 것으로 분류될 때, 상기 제 1 고장 진단 장치는 상기 분류된 테스트 데이터를 상기 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 제 2 기계 학습 결과를 근거로 해당 정규화된 테스트 데이터와 관련해서 상기 제 1 RF 플라스마 전력 시스템에서 발생한 오류 원인이 무엇인지에 대한 정보(예를 들어 전원 공급장치 고장, RF Amp 고장)를 분류한다.

또한, 상기 제 1 고장 진단 장치는 해당 제 1 고장 진단 장치에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 상기 오류 원인(예를 들어 전원 공급장치 고장, RF Amp 고장)에 대응하는 제 1 대응 정보(예를 들어 AC Power Reset, FRE(Fault Reset: 고장 리셋) 커맨드로 Fault 제거 등 포함)를 확인한다. 여기서, 상기 FRE는 고장 리셋 커맨드로, 고장 발생으로 장비가 고장 시퀀스로 들어간 후, 고장 상황이 해소되면 FRE(고장 리셋) 커맨드를 통해서 고장 시퀀스롤 리셋하고 대기상태(Idle) 상태로 복귀하도록 한다.

또한, 상기 제 1 고장 진단 장치는 해당 제 1 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보에 대응하는 빨간색 불빛을 출력하고, 해당 오류 원인(예를 들어 전원 공급장치 고장, RF Amp 고장) 및 해당 제 1 대응 정보(예를 들어 AC Power Reset, FRE 커맨드로 Fault 제거 등 포함)를 해당 제 1 고장 진단 장치에 구성된 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다(S2880).

본 발명의 실시예는 앞서 설명된 바와 같이, RF 생성기로부터 수집되는 초기 운전 데이터인 레퍼런스 데이터와 운전 데이터를 근거로 특성을 추출하고, 추출된 특성의 특성값을 정규화한 후, 정규화된 특성값을 훈련 데이터와 테스트 데이터로 분류하고, 훈련 데이터를 이용해서 미리 설정된 RF 전력 시스템 예측 건전성 진단 모델을 학습시키고, 테스트 데이터를 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 학습 기능을 수행하고, 학습 기능 수행 결과에 따라 정상 상태 또는 비정상 상태로 분류하여, 다양한 센서를 통해 수집된 모든 데이터에 대한 학습을 통해 RF 시스템의 상태를 진단하여, 양품과 불량품을 정확히 구별하고, 고장을 사전에 예측하여, RF 시스템의 수명을 관리할 수 있다.

또한, 본 발명의 실시예는 앞서 설명된 바와 같이, 1차 분류 결과 비정상 상태로 분류된 경우, 테스트 데이터를 다른 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 학습 기능을 수행하고, 다른 학습 기능 수행 결과에 따라 미리 설정된 복수의 오류 유형 중 어느 하나의 유형으로 비정상 상태에 따른 오류 원인을 분류하여, RF 시스템의 고장을 진단하고, 수명을 예측함으로써, RF 시스템의 고장 여부를 사전에 예측할 수 있다.

전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

10: RF 플라스마 전력 시스템/RF 시스템
100: RF 생성기 200: RF 매처
300: RF 플라스마 챔버 400: 고장 진단 장치
110: RF 저장부 120: 전원 장치
130: RF 신호 증폭기 140: RF 센서
150: 컨트롤러 410: 수집부
420: 저장부 430: 표시부
440: 음성 출력부 450: 제어부

Claims (10)

1. RF 플라스마 전력 시스템에 적용된 RF 생성기로부터 제공되는 레퍼런스 데이터 및 운전 데이터를 수집하는 수집부; 및
   상기 레퍼런스 데이터 및 상기 운전 데이터로부터 미리 설정된 특성(feature)을 추출하고, 상기 추출된 특성과 관련한 특성값을 정규화하고, 상기 정규화된 레퍼런스 데이터 및 상기 정규화된 운전 데이터를 미리 설정된 비율로 훈련 데이터와 테스트 데이터로 분류하고, 상기 분류된 테스트 데이터를 미리 학습된 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 정상 상태 또는 비정상 상태를 분류하는 제어부를 포함하는 RF 플라스마 전력 시스템에서의 고장 진단 장치.
2. 제 1 항에 있어서,
   상기 레퍼런스 데이터는,
   제조사에서 최종 제조 과정에서 수행되는 출력 검증 평가 결과 및 상기 RF 생성기를 플라스마 반도체 설비에 설치한 직후 수행되는 작동 데이터를 포함하고,
   상기 운전 데이터는,
   상기 RF 플라스마 전력 시스템이 운전할 때, RF 출력 시점부터 RF 출력 종료 시점까지의 운전 데이터인 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 장치.
3. 제 1 항에 있어서,
   상기 제어부는,
   상기 RF 플라스마 전력 시스템이 비정상 상태인 것으로 분류될 때, 상기 분류된 테스트 데이터를 미리 학습된 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 기계 학습을 수행하고, 다른 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 오류 원인을 분류하는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 장치.
4. 제 3 항에 있어서,
   상기 제어부는,
   상기 RF 생성기와 연동하여, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보 및, 상기 오류 원인을 상기 RF 생성기에서 출력하도록 제어하는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 장치.
5. 제 3 항에 있어서,
   상기 제어부는,
   저장부에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 상기 오류 원인에 대응하는 대응 정보를 확인하고, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보, 상기 오류 원인 및 상기 오류 원인에 대응하는 대응 정보를 표시하기 위해서 표시부를 제어하는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 장치.
6. 수집부에 의해, RF 플라스마 전력 시스템에 적용된 RF 생성기로부터 제공되는 레퍼런스 데이터 및 운전 데이터를 수집하는 단계;
   제어부에 의해, 상기 레퍼런스 데이터 및 상기 운전 데이터로부터 미리 설정된 특성을 추출하는 단계;
   상기 제어부에 의해, 상기 추출된 특성과 관련한 특성값을 정규화하는 단계;
   상기 제어부에 의해, 상기 정규화된 레퍼런스 데이터 및 상기 정규화된 운전 데이터를 미리 설정된 비율로 훈련 데이터와 테스트 데이터로 분류하는 단계; 및
   상기 제어부에 의해, 상기 분류된 테스트 데이터를 미리 학습된 고장 진단용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 정상 상태 또는 비정상 상태를 분류하는 단계를 포함하는 RF 플라스마 전력 시스템에서의 고장 진단 방법.
7. 제 6 항에 있어서,
   상기 추출된 특성과 관련한 특성값을 정규화하는 단계는,
   다음의 수학식을 이용해서 상기 추출된 특성과 관련한 특성값을 정규화하며,
   

   

   
   상기

   

   는 상기 레퍼런스 데이터 및 상기 운전 데이터의 정규화 데이터를 나타내고, 상기

   

   는 상기 레퍼런스 데이터 및 상기 운전 데이터를 나타내고, 상기

   

   는 상기 레퍼런스 데이터 집합을 나타내는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 방법.
8. 제 6 항에 있어서,
   상기 RF 플라스마 전력 시스템이 정상 상태인 것으로 분류될 때, 상기 제어부에 의해, 상기 RF 플라스마 전력 시스템이 정상 상태임을 나타내는 정보를 표시부 및 음성 출력부 중 적어도 하나를 통해 출력하는 단계를 더 포함하는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 방법.
9. 제 6 항에 있어서,
   상기 RF 플라스마 전력 시스템이 비정상 상태인 것으로 분류될 때, 상기 제어부에 의해, 상기 분류된 테스트 데이터를 미리 학습된 오류 원인 분류용 RF 전력 시스템 예측 건전성 진단 모델의 입력값으로 하여 다른 기계 학습을 수행하고, 다른 기계 학습 결과를 근거로 상기 RF 플라스마 전력 시스템의 오류 원인을 분류하는 단계; 및
   상기 제어부에 의해, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보 및, 상기 오류 원인을 표시부 및 음성 출력부 중 적어도 하나를 통해 출력하는 단계를 더 포함하는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 방법.
10. 제 9 항에 있어서,
    상기 제어부에 의해, 저장부에 미리 저장된 복수의 오류 원인별 대응 정보 중에서 상기 오류 원인에 대응하는 대응 정보를 확인하는 단계; 및
    상기 제어부에 의해, 상기 RF 플라스마 전력 시스템이 비정상 상태임을 나타내는 정보, 상기 오류 원인 및 상기 오류 원인에 대응하는 대응 정보를 상기 표시부 및 상기 음성 출력부 중 적어도 하나를 통해 출력하는 단계를 더 포함하는 것을 특징으로 하는 RF 플라스마 전력 시스템에서의 고장 진단 방법.

Images