스마트팩토리 가공공정 불량예측 자료조사

 

제조 공정에서 센서와 머신러닝을 활용한 불량예측 방안에 대한 연구

제조공정 생산설비 16개 부위에 센서를 부착하여 데이터 수집

센서 위치는 제품 무게에 큰 영향을 미치는 부분을 반영하여 결졍

제품의 생산공정 데이터와는 별도로 제품의 불량 여부를 판별하기 위해 제품 무게도 센서를 사용하여 수집

 

PROCESS

• 데이터 전처리
• 상관관계 분석
• 변수 선택
• 모델링

-> 제품의 불량을 사전에 예측하기 위해 생산 설비의 중요 처리 부위에 센서를 부착하여 압력, 속도, 온도 등의 품질에 영향을 미칠 수 있는 데이터를 실시간으로 수집하였고 제품의 불량 여부를 판별하기 위해 제품의 무게를 자동으로 계측하는 센서 장비를 사용하여 무게의 변동계수를 종속 변수로 사용하였다.

 

 

---

 

사물인터넷 환경에서 제품 불량 예측을 위한 기계 학습 모델에 관한 연구

각종 센서(온도, 속도, 거리) 장치와 연결된 컨트롤러에 의해 센서로부터 수집된 데이터를 PLC(Programmable logic Controller)와 상태 모니터링 서버로 전송됨. 모든 공정에서 불량을 판정하기 위한 센서를 사용하는 것은 비용적인 측면에서 효율적이지 못해 다음 설비까지 가기 전의 제품 불량을 분류하고 불량 여부를 예측하기 위해 제품 공정상에서 수집된 센서 데이터를 기반으로 기계학습 모델을 적용한 실시간 분석이 필요함.

제품 불량을 예측하기 위해 조건부 추론 트리 모델을 사용하였음

 

 

---

 

반도체 설비 센서 데이터를 활용한 딥러닝 기반의 불량예측 모델에 관한 연구

반도체 공장의 공정에서 발생하는 데이터의 특징

1. 시간의 길이가 일정하지 않은 시계열 데이터
2. 데이터의 라벨링이 어려움
3. 데이터의 불균형이 심함
4. 불량 원인 추적이 어려움

-> 해결가능한 연구 진행

 

• 선행 연구
  • TDA(Topology Data Analysis) 활용하여 전처리 및 Deep SVDD 모델링을 수행한 불량 예측
    • TDA
      • 데이터가 갖고 있는 위상학적인 특징을 추출하여 데이터를 추출하며 raw 데이터의 sampling noise, whith noise에 강함
      • 관련 논문 : Wasserman, L. (2018). Topological data analysis. Annual Review of Statistics and Its Application, 5, 501-532
      • 관련 사이트
    • Deep SVDD (support vector data description)
      • One-class Anomaly Detection Algorithm
      • 딥러닝 모델을 통해서 data를 새로운 representation으로 만들고, 가장 작은 구를 만드는 과정과 연결되어 학습
      • 관련 논문 : Deep One-Class Classification, ICML 2018
      • 관련 사이트 
    •  결과
      • 1,913의 정상과 8개의 불량을 갖는 데이터에서 모델은 538의 정상과 1383의 불량을 예측함. 즉, recall = 0.006, precision = 0.004 (정상=0, 불량=1)
      • 학습시간 1시간
  • FTT(Fast Fourier Transfor, 고속 푸리에 변환) 및 Deep SVDD를 활용한 불량 예측
    • FFT
      • 시계열 데이터에서 보이지 않던 부분을 보이게 해줌
      • 참고 사이트
    • 2,319의 정상과 7개의 불량을 갖는 데이터에서 모델은 1,678의 정상과 720의 불량을 예측함. 즉, recall = 0.01, precision = 0.007 (정상=0, 불량=1)
    • 학습시간 10분
  • LSTM 기반 Autoencoder를 활용한 불량 예측
    • 앞의 연구에서 문제였던 불량 발생 원인 분석이 불가능한 부분을 해결하기 위해 불량 원인 추적이 가능한 LSTM 기반의 오토인코더를 활용
    • 반도체 제조공정의 1회 사이클의 센서 데이터를 분석하여 공정중에서 센서 값이 급격하게 변화하는 시점을 기준으로 공정전, 공정중, 공정후로 구분하여 데이터를 세분화
    • 두번째 step으로 학습 및 평가를 진행 (이게 무슨 말이지?)
    • Raw data 값이 매우 작아 gredient가 거의 0에 가까운 값으로 학습 진행이 어려워 raw data에 100을 곱한 값을 이용하여 학습을 진행
    • 결과
      • 2,868의 정상과 7개의 불량을 갖는 데이터에서 모델은 2,817의 정상과 58의 불량을 예측함. 즉, recall = 0.12, precision = 0.09(정상=0, 불량=1)
      • 학습시간 5분 (하지만 각 라인에 대한 학습시간을 계산하면 총 8일이 걸려 실제 제조현장 적용함에 있어서 어려움)

 

 

• 데이터 수집과 전처리
  • 데이터 구조
    • 압력, 스피드, 가스, 전압, 필름두께 등 17개 유형의 센서 데이터를 수집
    •  

      Field	Description
      Equip	장비명
      Date & Time	이력 발생시간
      Setting Chamber	세팅 제품라인
      Actual Chamber	실제 제품라인
      Recipe	레시피명
      Lot	Lot 번호
      Wafer	웨이퍼 번호
      Value	데이터값

  • 수집된 데이터 중 설비 및 레시피 별 자료를 분류하여 동일한 설비 및 레시피에 대해 실험을 진행 (???)
  • 제조공정의 센서데이터는 시계열 데이터로 제조시마다 발생하는 시간 차이를 표준화하여 분석을 진행

-> 문제 :  앞의 선행 연구 사례를 보고 각 문제점을 개선한 해당 논문의 새로운 불량 예측 모델에 대한 정보를 주지 않음. 그냥 최종 결과만 보여주고 끝.

 

 

---

 

블로그

자동차 부품 사출 공정 데이터 분석 및 AI 적용사례

https://m.blog.daum.net/asgi2/18354598

자동차부품 사출 공정 데이터 분석 및 AI 적용사례

http://interxlab.com/use_case/575

자동차부품 사출공정 데이터 분석 및 AI 적용사례 - 제조 AI Use Case - 인터엑스 / InterX

 

---

 

대기업 사례

T world Biz에서 시행하고 있는 Die-Casting Manager

주조 공정(설비, 금형) 데이터 분석 기반 이상 감지 및 불량 예측

http://b2b.tworld.co.kr/bizts/solution/solutionTemplate.bs?solutionId=0089

Die-Casting Manager

LG+스마트팩토리에서 시행하는 팩토리 솔루션

https://www.uplus.co.kr/biz/bzma/RetrieveSubMainNew.hpi?bnnrClssCd=BSF&utm_source=google&utm_medium=cpc&utm_campaign=smartfactory&utm_content=main&utm_term=%EC%8A%A4%EB%A7%88%ED%8A%B8%ED%8C%A9%ED%86%A0%EB%A6%AC%EB%B9%85%EB%8D%B0%EC%9D%B4%ED%84%B0%EC%82%AC%EB%A1%80

개인 | LG U+

현대모비스

https://www.ebn.co.kr/news/view/975031

현대모비스, AI로 불량품 찾아내고 AS수요 예측한다