Projects 2019-12-10T14:49:20+00:00

Projects

Ongoing Projects

● 설비 이상 감지 시스템의 관리한계선 설정을 위한 통계적 방법론 개발

연구기간: 2019. 04. 15 – 2019. 10. 15 (6개월)
연구내용:

     본 연구는 반도체 제조 환경에서 생산되는 다양한 데이터의 특성을 고려한 설비 이상 감지 시스템을 만드는 것을 목표로 한다. 과거에는 단순한 통계적 기법을 이용하여 공정관리가 이루어졌지만 반도체 제조공정의 데이터를 그대로 기존 방법에 적용한다면 데이터의 특성을 온전히 반영하지 못하게 되는 문제점이 존재하게 되며, 센서에서 수집되는 데이터의 속성을 고려하지 않은 관리도와 관리 한계선의 적용은 결국 부정확한 결과를 낼 수 있다. 따라서, 반도체 제조 환경에서 생산되는 비선형성, 비정규성, 고차원 같은 다양한 데이터의 특성을 고려하여 기초 통계 기반의 설비 이상 감지 시스템 관리한계선 설정을 위한 전체 분석 process 정립 및 세부 방법론을 제시한다.
     첫째, 추출된 표본이 모집단을 대표할 수 있는지에 대한 신뢰성 검정을 실시한다. 전수를 조사하기에는 많은 비용과 시간을 요구하기 때문에 전수 모집단으로부터 표본을 추출하여 진행하는 것이 필요하지만 추출된 표본이 모집단을 대표할 수 있는지에 대해 확신하기에는 어려움 존재한다. 따라서, 설비의 이상을 감지하기 위한 데이터의 신뢰성 확보가 필요하다. 본 연구에서는 추출된 표본이 전체 모집단을 대표할 수 있는지 검증하는 방법을 추정과 검정을 사용한다. 둘째, 다양한 비정규분포에 대한 분포 특성을 추정한다. 제안하는 프로세스는 정규분포 뿐만이 아니라 감마분포, 베타분포, student’s t 분포와 같은 비정규 분포도 판단 가능하며 sample에 대한 분포를 정규분포를 따르는 데이터와 특수한 분포를 따르는 데이터로 추정하고 그 외에 분포 특성을 파악할 수 없는 데이터로 구분한다. 마지막으로, 비정규분포에 대한 분포특성별 분석법을 사용하여 정규분포를 따르는 데이터는 전통적인 관리도를 사용하고 정규분포를 따르지 않는 다양한 비정규분포는 분포 특성별로 적절한 관리한계선을 사용한다.

 

지원기관: 삼성전자


● 멀티 스트리밍 센서 데이터 분석을 위한 캡슐화된 딥 네트워크 기법 개발

연구기간: 2019. 03. 01 – 2022. 02. 28 (3년)
연구내용:

      본 연구는 IoT 센서로부터 수집되는 멀티 스트리밍 센서 데이터 분석을 위한 캡슐화된 딥 네트워크 기법을 개발하는 것을 목표로 한다. 반도체, 자동차, 조선과 같은 분야에서 공정 지능화를 목적으로 멀티 스트리밍 센서 데이터 수집이 활발히 이루어지고 있다. 딥러닝(deep learning)과 같은 인공지능 기술은 많은 양의 데이터를 학습할수록 탁월한 성능을 보이며, 많은 연구자들이 관심을 가지고 연구를 진행하고 있다.
     반도체, 자동차, 조선 분야에서 수집되는 IoT 기반 멀티 스트리밍 센서 데이터는 고차원성(multi-dimensionality)을 갖는다. 또한, 장시간 수집된 멀티 스트리밍 센서 데이터는 서로 다른 성질을 갖는 데이터셋(dataset)의 집합으로 구성되며, 데이터셋 사이에는 순차성(sequentiality)이 존재한다. 시간의 흐름에 따른 영향력을 반영하는 시계열성과는 다르게, 순차성은 데이터셋 간의 상관관계를 의미한다.
      기존의 딥러닝 기법은 결과값을 스칼라(scalar)로 표현하기 때문에 멀티 스트리밍 센서 데이터와 같이 순차성을 갖는 데이터를 표현하기 어렵다. 따라서, 멀티 스트리밍 센서 데이터를 효율적으로 분석하기 위해서는 순차성을 갖는 고차원 데이터의 특질을 추출할 수 있는 멀티 스트리밍 센서 데이터 정제 기법과 데이터셋 간의 상관관계를 반영할 수 있는 캡슐화된 딥 네트워크 아키텍처 개발이 필수적이다. 또한, 본 연구에서 개발하는 해석가능한 캡슐화된 딥 네트워크 기법은 계층적 강화학습 기법을 이용한 진화적 보전 기법(EVM: EVolutionary Maintenance)을 개발하는데 활용될 수 있고, 스마트 생산시스템의 SDPS(Smart Diagnostics & Prognostics System)를 구축하는데 활용될 수 있다.
     본 연구에서 제안하는 캡슐화된 딥 네트워크 기법은 멀티 스트리밍 센서 데이터가 수집되는 대부분의 산업 분야에 폭넓게 적용될 수 있다. 특히 반도체, 자동차, 조선과 같은 첨단 산업에서 수행되었던 설비의 이상 탐지, 예지 보전, 품질 관리 분야에 보다 신뢰성 높은 연구성과가 도출될 것으로 기대된다.


지원기관: 연구재단


● 최적화/통계 알고리즘 기반의 반도체 제조 현장 지향형 이상 분석 기법 개발

연구기간: 2015. 07. 01 – 2020. 06. 30 (5년)
연구내용:

     본 연구는 반도체 제조 공정에서 발생하는 데이터에 기반하여 공정의 특성과 제품의 최종 품질 및 수율을 반영한 데이터 분석 기법을 제안하고, 정확한 설비 건강과 공정의 정상 및 이상 상태를 정의할 수 있는 현장 적응형 데이터 마이닝 모델 개발을 목표로 한다. 반도체 제조 공정은 오랜 시간 동안 여러 복잡한 단계를 거쳐 제품이 완성되는 다단공정으로써, 각 단계별로 다양한 공정 및 설비들이 존재하며, 공정과정 중 생성된 데이터는 각 단계별 특징이 혼재되어 있다. 이 데이터는 정규성(Normality), 선형성(Linearity) 등 일반적인 통계적 가정을 만족하지 않으며 다중공선성(Multicollinearity) 및 시계열(Time series)적 특성이 있기 때문에 단순한 데이터 마이닝 기법만으로 분석하는 것이 어렵다. 기존의 통계적인 분석 방법의 가정을 만족하지 않고 일반적인 데이터 마이닝 기법을 적용하기 어려운 조건 때문에 공정의 특성을 반영하여 데이터를 정확하게 분석할 필요가 있다. 이러한 필요성과 공정에서 제조 설비의 상태가 제조 품질에서 차지하는 비중이 큼에도 불구하고, 대부분의 제조 현장에서는 여전히 제조 설비의 상태보다는 최종 제품의 품질과 공정상의 일부 데이터만을 가지고 제품의 품질 관리를 하고 있는 상황이다. 또한 제조 설비의 건강을 위한 유지보수를 하는 경우에도 공정에서 발생되는 데이터에 기반을 둔 방법이 아니라 엔지니어의 경험에 따른 경우가 대부분이며, 이로 인해 효과적이고 과학적인 설비 건강 유지가 힘든 상황이다. 따라서 본 연구에서는 반도체 제조 공정에서 발생되는 데이터에 기반하여 공정의 특성과 제품의 최종 품질 및 수율을 반영한 데이터 분석 기법들을 제안하고, 정확한 설비 건강과 공정의 정상 및 이상 상태를 정의할 수 있는 현장 적응형 데이터 마이닝 모델을 개발하고자 한다.

 

지원기관: 삼성전자


 

 

Past Projects

Subject. ‘빅 데이터 기반 스마트팩토리 구현을 위한 프리딕티브 에널리틱스 기법 개발’
Term. 2016. 06. 01 – 2019. 05. 31
Support. 한국연구재단

Subject. ‘딥러닝 기반의 부품성능 정보를 이용한 차량 성능 예측 프로세스 개발’
Term. 2018. 09. 01 – 2018. 12. 31
Support. 현대자동차

Subject. ‘디스플레이 설비의 온도와 PCW 데이터를 이용한 이상 탐지 기법 개발’
Term. 2018. 05. 01 – 2018. 10. 31
Support. 원익테라세미콘

Subject. ‘시계열 데이터에 특화된 데이터 마이닝 기법을 이용한 차량 부품 온도 특성 예측 기법 개발’
Term. 2017. 07. 24 – 2018. 01. 23
Support. 현대자동차

Subject. ‘무인화 로봇라인 가동 이상탐지 및 원인분석 기술/Advanced 스케줄링 기술 개발’
Term. 2017. 06. 01 – 2017. 11. 30
Support. 삼성전자

Subject. ‘반도체 설비 상태 진단 및 돌발 이상 탐지를 위한 빅데이터 분석 알고리즘 개발’
Term. 2016.08.01 – 2017.01.31
Support. SK C&C

Subject. ‘제품 수율 분석 SPC/FDC 알고리즘 개발’
Term. 2016.02.01 – 2017.01.31
Support. 삼성전자TP

Subject. ‘제조공정에 특화된 빅 데이터 분석 방법론 개발’
Term. 2013.06.01 – 2016.05.31
Support. 한국연구재단

Subject. ‘생산계획을 고려한 첨단 생산 장비 건강 감시 및 분석 시스템을 위한 알고리즘 개발’
Term. 2014.12.01 – 2015.11.30
Support. 중소기업청

Subject. ‘반도체 전 설비에 적용 가능한 Wide-Spectrum용 SPC Logic 개발’
Term. 2010.07.01 – 2015.06.30
Support. 삼성전자

Subject. ‘설비 노후화를 고려한 이상진단 및 잔존 수명 예측 모델 개발’
Term. 2015.08.07 – 2015.12.24

Support. 삼성SDS

Subject. ‘ 다변량 시계열 데이터 마이닝 프레임워크 연구’
Term. 2011.09.01 – 2014.08.31

Support. 한국연구재단

Subject. ‘반도체,디스플레이 생산시스템의 에너지절감을 위한 Smart에너지 관리기술 개발’
Term. 2011.08.01 – 2014.07.31

Support. 정보통신산업진흥원

Subject. ‘ 2차 전지 제조 부문의 최적 공정 경로/조건 분석’
Term. 2013. 6. 01 – 2013. 12. 31

Support. 삼성SDI

Subject. ‘반도체 수율 및 품질 향상을 위한 Test data분석 방법론 연구’
Term. 2011.01.01 – 2013.12.31

Support. SK Hynix

Subject. ‘BK21 Networked Enterprise 팀’
Term. 2009.03.01 – 2013.02.28

Support. 교육과학기술부

Subject. ‘나노 공정 제어를 위한 공정 상태를 고려한 지능형 통합 제어 알고리듬 개발’
Term. 2009.05.01 – 2012.04.30

Support. 한국연구재단

Subject. ‘초미세 FAB 공정의 수율 기반 이상 판단 및 분류 알고리즘 개발’
Term. 2009.05.01 – 2012.04.30

Support. 한국연구재단

Subject. ‘반도체 전 설비에 적용 가능한 wide-Spectrum용 SPC Logic개발’
Term. 2010.07.01 – 2012.06.30

Support. 삼성전자

Subject. ‘냉장고 생산 공정의 지능형 생산 스케쥴러 개발’
Term. 2011.05.01 – 2011.12.31

Support. LG전자 생산기술연구원

Subject. ‘반도체 수율 및 품질 향상을 위한 Yield Managemenet Methods 개발’
Term. 2011.01.01 – 2011.12.31

Support. SK Hynix

Subject. ‘하수슬러지 혐기성소화조로부터 메탄가스 생산을 극대화하기 위한 혐기소화 모델 및 공정개발’
Term. 2010.12.01 – 2011.12.31

Support. 서울특별시(상수도연구원)

Subject. ‘WAVELET FDC LOGIC 개발’
Term. 2010.01.01 – 2010.02.28

Support. (주)비스텔

Subject. ‘융합소프트웨어 신뢰성 기술개발 연구’
Term. 2009.07.01 – 2010.12.31

Support. 한국소프트웨어진흥원

Subject. ‘Advanced PCS Algoritm 개발’
Term. 2009.01.01 – 2009.06.30

Support. (주)비스텔

Subject. ‘반도체 진공공정 FDC/APC 시스템 개발’
Term. 2008.12.01 – 2011.09.30

Support. 한국산업기술평가관리원

Subject. ‘반도체 나노공정의 효율적인 제어를 위한 차세대 PCS 프레임워크 개발’
Term. 2008.07.01 – 2009.06.30

Support. 중소기업청