KR102247945B1 - 공정인자를 고려한 공정불량 예측방법 - Google Patents

공정인자를 고려한 공정불량 예측방법 Download PDF

Info

Publication number
KR102247945B1
KR102247945B1 KR1020180128603A KR20180128603A KR102247945B1 KR 102247945 B1 KR102247945 B1 KR 102247945B1 KR 1020180128603 A KR1020180128603 A KR 1020180128603A KR 20180128603 A KR20180128603 A KR 20180128603A KR 102247945 B1 KR102247945 B1 KR 102247945B1
Authority
KR
South Korea
Prior art keywords
factors
defects
correlation
factor
defect
Prior art date
Application number
KR1020180128603A
Other languages
English (en)
Other versions
KR20200052426A (ko
Inventor
안상의
Original Assignee
안상의
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 안상의 filed Critical 안상의
Priority to KR1020180128603A priority Critical patent/KR102247945B1/ko
Publication of KR20200052426A publication Critical patent/KR20200052426A/ko
Application granted granted Critical
Publication of KR102247945B1 publication Critical patent/KR102247945B1/ko

Links

Images

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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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]
    • G05B19/4184—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] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량을 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정인자를 고려한 공정불량 예측방법을 제시한다. 그 방법은 공정불량을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정불량 예측 플랫폼에서, 복수개의 공정인자에서 독립변수를 추출하고 종속변수를 설정하고, 독립변수에서 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 공정인자를 추출하며, 주요 공정인자 사이의 상관도를 검증하고, 상관도가 검증된 공정인자를 머신러닝 회귀분석 알고리즘을 적용하여 공정불량 예측모델식을 도출하며, 예측모델식으로부터 도출된 공정불량을 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정불량 최소 유의 수준을 분석하고, 유의 수준의 분석을 마친 공정불량의 공정관리 스펙을 결정하고 운용한다.

Description

공정인자를 고려한 공정불량 예측방법{Method of predicting processing fault considering process factor}
본 발명은 공정불량 예측방법에 관한 것으로, 보다 상세하게는 공정에 영향을 주는 공정인자와 공정불량률의 상관성을 실시간으로 분석하여 불량의 원인을 유추하고 실시간으로 그 추이를 예측하는 공정불량 예측방법에 관한 것이다.
최근 ICT(Information and Communications Technologies)는 4차 산업혁명의 핵심으로 인간과 인간 사이의 연결뿐만 아니라 인간과 사물의 연결, 사물과 사물의 연결도 가능하게 하여 발전가능성이 무한하다. 상기 ICT의 핵심 중이 하나인 무선통신은 시간과 공간의 한계를 넘어서 언제 어디서나 연결되고 소통할 수 있게 하고 있다. 최근에는 ICT를 활용하여, 공정 중에서 발생하는 다양한 문제를 효율적으로 해결하고 생산성 및 품질의 향상을 이루려는 공정관리의 노력이 지속되고 있다. 종래의 공정관리는 공정불량의 추이가 상승할 때, 후속 공정의 이상상태를 확인하여 공정불량의 상승요인을 추정하는 방식으로 진행되어 왔다. 이러한 공정관리는 사후조치인 관계로 공정불량이 발생한 후에 조치하게 되어, 작업 및 설비의 가동 등이 비효율적이고 경제적으로도 많은 손실을 초래하고 있다.
한편, 국내공개특허 제2013-0125527호는 시뮬레이션 및 공정 데이터를 활용하는 디지털 제조 최적화하는 방안을 제시하고 있다. 하지만, 상기 특허는 공정인자와 공정불량과의 상관성을 확인할 수 없고, 사후적인 조치에 그치고 있어서 미봉책에 해당한다. 이에 따라, 공정관리는 ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량의 예측이 가능한 공정관리 플랫폼이 요구되고 있다. 또한, 종래의 공정관리는 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하지 못하고 있고, 측정값들의 중심위치와 산포도에 대한 고려가 부족한 실정이다.
본 발명이 해결하고 하는 과제는 ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량을 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정인자를 고려한 공정불량 예측방법을 제공하는 데 있다.
본 발명의 과제를 해결하기 위한 공정인자를 고려한 공정불량 예측방법은 공정불량을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정불량 예측 플랫폼에서, 먼저, 복수개의 공정인자에서 독립변수를 추출하고 종속변수를 설정한다. 그후, 상기 독립변수에서 상기 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 공정인자를 추출한다. 상기 주요 공정인자 사이의 상관도를 검증한다. 상기 상관도가 검증된 공정인자를 머신러닝 회귀분석 알고리즘을 적용하여 공정불량 예측모델식을 도출한다. 상기 예측모델식으로부터 도출된 공정불량을 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정불량 최소 유의 수준을 분석한다. 상기 유의 수준의 분석을 마친 공정불량의 공정관리 스펙을 결정하고 운용한다.
본 발명의 방법에 있어서, 상기 복수개의 공정인자는 각각 독립된 투입공정, 생산공정 및 완료공정에서의 공정인자일 수 있다. 상기 상관도 검증의 상관분석 코드는
# pip install seaborn <<- in virtualenv !!
import seaborn as sns
fig, ax = plt.subplots(figsize=(10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)일 수 있다.
본 발명의 바람직한 방법에 있어서, 상기 공정불량 예측모델식을 도출하기 이전에, 오차를 검증하고 주요 공정인자의 가중치를 최적화하는 단계를 더 포함할 수 있다. 상기 오차의 검증은 회귀분석 예측값과 실측값의 편차량의 분석에 의해 이루어질 수 있다. 상기 ANOVA 기법은 유의차 지수 P-value가 유의 수준 이하이면 공정의 영향인자로 판정하고 이에 대한 스펙을 양호수준으로 조정한다. 상기 ANOVA 기법에 의한 공정불량 판정결과 공정불량이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정불량이 아니면(OK)이면, ONE-HOT 코드의 1로 변환할 수 있다.
본 발명의 공정인자를 고려한 공정불량 예측방법에 의하면, 머신런닝의 기법에 AHP 및 ANOVA 기법을 활용하여 공정불량을 예측함으로써, ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량의 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려하여 예측한다.
도 1은 본 발명에 의한 공정인자를 고려한 공정불량 예측방법을 나타내는 흐름도이다.
도 2는 본 발명에 의한 공정불량 예측방법에 적용되는 상관도 검증을 설명하기 위한 도면이다.
도 3은 본 발명에 의한 공정불량 예측방법에 적용되는 가중치 분석을 설명하기 위한 그래프이다.
도 4는 본 발명에 의한 공정불량 예측방법에 적용되는 ANOVA 기법을 설명하기 위한 그래프이다.
이하 첨부된 도면을 참조하면서 본 발명의 바람직한 실시예를 상세히 설명한다. 다음에서 설명되는 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상술되는 실시예에 한정되는 것은 아니다. 본 발명의 실시예는 당 분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다.
본 발명의 실시예는 머신런닝의 기법에 AHP 및 ANOVA 기법을 활용하여 공정불량을 예측함으로써, ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량의 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정불량 예측방법을 제시한다. 이를 위해, 공정불량을 예측하는 표준 알고리즘에 대하여 구체적으로 알아보고, AHP 및 ANOVA 기법을 부가하여 예측의 정확도를 높이는 방법을 상세하게 설명하기로 한다. 본 발명의 실시예는 표준 알고리즘에 의해 공정불량을 실시간으로 예측하는 공정관리로써, 사후적인 조치에 그치는 종래의 공정관리와는 구분된다.
도 1은 본 발명의 실시예에 의한 공정인자를 고려한 공정불량 예측방법을 나타내는 흐름도이다. 다만, 엄밀한 의미의 도면을 표현한 것이 아니며, 설명의 편의를 위하여 도면에 나타나지 않은 구성요소가 있을 수 있다.
도 1에 의하면, 공정불량 예측방법은 먼저, 각각 공정의 공정인자로부터 측정된 데이터를 IoT에 의해 전송받아 플랫폼에 저장한다(S10). 그후, 공정인자에서 독립변수를 추출하고(S11), 종속변수를 설정한다(S12). 표 1은 본 발명의 실시예에 의한 예측방법에 적용되는 공정인자 및 불량률의 관계를 설명하기 위한 것이다.
투입공정 생산공정 … 생산공정 완료공정
공정인자 1 공정인자 2 … 공정인자 (n-1) 공정인자 n
불량률 1 불량률 2 … 불량률 (m-1) 불량률 m
추가인자 1 추가인자 2 … 추가인자 (k-1) 추가인자 k
표 1에 의하면, 상기 각각의 공정은 제품을 제조하는 투입공정, 복수개의 생산공정 및 완료공정과 같이 각각 독립된 공정들이다. 제품을 제조하기 위해서는 원료, 부품 등을 투입하는 투입공정, 투입공정을 거치면 복수개의 생산공정을 거쳐 제품이 생산되고, 최종적으로 완료공정에 의해 제품의 제조가 완료된다. 각각의 공정에는 공정불량에 영향을 주는 공정인자를 포함한다. 이러한 공정인자에는 본 발명의 실시예에 의한 예측방법으로 실시간으로 예측된 실시간 불량률이 포함되며, 실시간으로 불량률을 예측하는 과정에서 공정불량에 영향을 주는 추가인자가 추가될 수 있다. 추가인자는 상기 공정인자 이외에 공정불량에 영향을 주는 인자들이다.
공정인자는 예컨대, 전류, 전압, 공압, 온도, 습도, 정전기, 조도, 분진량 등이 있을 수 있다. 추가인자는 예컨대 습도일 수 있다. 투입공정에는 공정인자 1, 생산공정에는 공정인자 2, …, 공정인자 (n-1) 및 완료공정에는 공정인자 n이 있을 수 있다. 공정인자 1~n 각각에서의 공정인자는 앞에서 제시한 공정인자들이 약간의 차이가 있을 수 있으나, 적어도 하나의 공정인자를 포함한다. 투입공정, 생산공정 및 완료공정에서의 공정인자 1, 2~(n-1) 및 n은 각각 다를 수 있다. 예컨대, 투입공정의 공정인자 1은 전류, 전압, 공압, 온도, 정전기이고, 생산공정의 공정인자 2~(n-1)은 전류, 전압은 제외시키고 분진량이 추가될 수 있다.
불량률은 투입공정에는 불량률 1, 생산공정에는 불량률 2, …, 불량률 (m-1) 및 완료공정에는 공정인자 m이 있을 수 있다. 마찬가지로 추가인자는 투입공정에는 추가인자 1, 생산공정에는 추가인자 2, …, 추가인자 (k-1) 및 완료공정에는 공정인자 k가 있을 수 있다. 각각의 공정에는 추가인자가 포함되지 않거나 적어도 하나 이상을 포함할 수 있다. 추가인자는 예를 들어 작업자의 수면량, 작업자 체온, 작업자 경력, 작업자 시력 등이 있을 수 있다.
다음에, AHP 기법을 활용하여 상기 공정인자 중에서 주요 공정인자를 추출한다(S13). 상기 AHP(analytic hierarchy process) 기법은 Saaty에 의해 개발된 다기준 의사결정모델(mult-criteria decision making model)로, 의사결정 프로세스를 체계적으로 분석하기 위한 것으로, 선택된 평가항목들 중 2개의 평가항목에 대해 쌍대비교(pairwise comparison)를 수행하는 것으로 전체 평가항목에 대해 쌍대비교를 수행하고, 평가항목들에 대한 상대적 중요도를 산출함으로써 합리적 결과를 도출하기 위한 모델이다. 특히, AHP는 정성적인 문제를 정량적인 방법으로 해석함으로, 의사결정을 체계적으로 수행하도록 지원하며, 복잡하고 불명확한 문제를 여러 계층으로 정리하고, 부분적인 관계는 쌍대비교(pairwise comparison)를 통해 각자의 중요성을 수치화된 척도로 평가함으로써, 보다 정확한 의사 결정을 하도록 지원한다.
주요 공정인자의 추출을 마치면, 상관도를 검증한다(S14). 상관도의 검증은 도 2와 같이 진행된다. 도 2에 의하면, 상관도 검증 도표는 공정인자간의 상관관계을 나타낸 상관 계수의 일람표(chart)를 활용한다. 오른 쪽은 상관계수의 범위 1 ~ -1의 범위를 색상의 채도로 나타내면서 그 상관값을 표현한다. 그리고 X축과 Y축은 각각 종속변수(Y)와 독립변수(X1~ X8) 항목을 나열하여 각각의 공정인자간 상관정도를 표현함으로써 종속변수(Y)와 독립변수(X1~X8)의 상관계수를 알 수 있다. 또한 독립변수(X1~X8)간의 상관계수도 알 수 있다. 이를 통하여 공정인자간의 정상관과 역상관의 관계성과 관계정도를 파악할 수 있다.
이때, 상관분석 코드는 다음과 같다.
# pip install seaborn <<- in virtualenv !!
import seaborn as sns
fig, ax = plt.subplots(figsize=(10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)
상관도의 검증을 마치면, 머신러닝 회귀분석 알고리즘을 적용하고(S15), 이를 통하여 공정불량 예측모델식을 도출한다(S18). 회귀분석은 인공지능에 근거한 머신러닝 알고리즘 중의 하나이다. 상기 회귀분석이란 둘 또는 그 이상의 공정인자 사이의 관계, 특히 공정인자 사이의 상관관계를 분석하는 추측통계의 한 분야이다. 회귀분석은 특정 공정인자 실측값의 변화와 다른 공정인자 실측값의 변화가 가지는 수학적 선형의 함수식을 파악함으로써 상호관계를 추론하게 되는데 추정된 함수식을 회귀식이라고 한다. 이러한 회귀식을 통하여 특정 공정인자 실측값(독립변수라고 함)의 변화가 다른 공정인자 실측값(종속변수라고 함)의 변화와 어떤 관련성이 있는지 관련이 있다면 어느 공정인자 실측값의 변화가 원인이 되고 어느 공정인자 실측값의 변화가 결과적인 현상인지 등에 관한 사항을 분석할 수 있다.
이러한 회귀분석은 인과관계가 아닌 단순한 공정인자 실측값 사이의 관계의 밀접도만을 조사하는 상관분석과 차이가 있다. 회귀분석은 본질적으로 인과관계가 있는 두 변수 즉 독립변수와 종속변수 사이의 함수식을 분석대상으로 삼는다. 회귀분석은 실증분석을 통해 가설의 타당성 여부를 검토하는 데 유용한 도구이다. 회귀식이 타당한 상황일 경우, 독립변수의 값을 기초로 종속변수의 값을 추정 또는 예측할 수 있다. 회귀분석은 독립변수가 하나인 경우와 2개 이상인 경우로 구분되는데, 하나인 경우를 단순회귀분석, 2개 이상인 경우를 다중회귀분석이라고 한다.
구체적으로, 회귀분석은 몇몇 공정인자인 입력변수(X)들이 출력값(Y)에 미치는 영향을 예측하고자 할 경우 그 관계를 함수 관계(회귀 방정식)와 결정계수로 나타내는 분석하는 방법론이다. 이를 통해서 어떤 공정인자가 출력값(Y)에 얼마만큼의 영향을 미치는지를 확인하여 원하는 출력값을 얻기 위해서는 입력변수(X)를 어떤 수준으로 공정관리 해야 하는지의 정보를 알게 해준다. 회귀분석은 수집된 데이터를 산점도를 확인하고, 적합선을 그리며, 분산분석을 수행하고, 회귀모형을 검증하며, 잔착분석의 순서로 진행된다.
회귀분석은 하나의 독립변수(X)와 하나의 종속변수(Y)간의 관계를 방정식화하여 나타내는 방법이다. 회귀분석의 모델은 다음과 같다.
y = α + βχ1 + εi이고,
여기서, εi ~ N(0, σ2)이며 독립적이고 정규분포를 따르고, σ2는 미지의 상수이다. y = a + bx는 수집된 데이터를 통하여 추정한 직선이고, E(Y1) = α + βχ으로 미지의 참 직선이다.
한편, 함수관계인 회귀방정식은 입력변수(X)인 공정인자 데이터를 사용하여, 이에 상응하는 출력값(Y)에 대한 예측을 가능하게 하는 예측방정식으로 앞에서와는 달리 반드시 선형적인 필요는 없다. 회귀방정식은 독립변수가 1개이며 종속변수와의 관계가 직선인 단순회귀, 독립변수가 1개이며 종속변수와의 관계가 곡선인 곡선회귀, 독립변수가 여러 개이고 종속변수와의 관계가 선형의 1차 함수인 중회귀가 있다. 또한, 독립변수가 여러 개이고 종속변수와의 관계가 1차 함수 이상인 다항회귀 및 회귀식의 모양이 미지의 모수 βi의 선형관계를 이루지 않는 비선형회귀가 있다.
본 발명의 실시예는 앞의 회귀방정식에서 다항회귀를 통한 예측방정식을 구현한다. 상기 다항회귀는 종속변수의 변화를 설명하기 위하여 2개 이상의 독립변수를 고려한 분석이다. 종속변수는 2개 이상의 독립변수에 영향을 받으므로, 영향이 큰 여러 개의 독립변수를 선택하여 종속변수의 변화하는 특성을 확인하면, 단순회귀에 비해 정확한 분석을 할 수 있다. 따라서 독립변수 X를 전류, 전압, 온도, 공압, 습도, 정전기, 조도 등으로 설정하고 종속변수 Y를 알고자 하는 공정불량 유형에 대하여 예측적합도가 높은 관계식을 만들고 이에 대한 독립변수의 최적 공정관리 스펙을 설정한다.
한편, 공정불량 예측모델식을 도출하기 이전에, 오차를 검증하고(S16), 주요 공정인자의 가중치를 최적화한 다음(S17), 상관도 검증(S14)을 마친 머신러닝 회귀분석 알고리즘에 적용시킨다. 오차검증(S16)는 예컨대, 각각의 공정에 대하여, 회귀분석 예측값과 상기 실측값의 편차량을 검증한다. 여기서, 편차량은 직선의 방정식 Y = a + bx에서 최적선은 실제 데이터와 직선 사이의 제곱의 차이의 합을 최소화함으로써 생기는 상관계수(a와 b)를 갖고 있는 직선에서, 실제 데이터의 점들과 직선 사이의 차이를 말한다. 또한, 회귀분석의 예측값에서의 공차를 감안한 공정불량에 대한 공정관리 스펙을 설정된다. 설정된 스펙을 기준으로 측정된 데이터를 지속적으로 축적하여 빅데이터를 형성한다. 가중치 분석은 도 3과 같이 상관을 분석하여 결정된다.
공정불량 예측모델식이 도출되면, ANOVA 기법을 활용하여 공정불량 최소 유의수준을 분석한다(S19). 이때, ANOVA 기법은 2개 이상의 모집에 대한 평균을 비교하는 것으로, 데이터는 계량형 형태를 사용한다. ANOVA 기법은 도 4와 같이 데이터 불량 유의차에 관련된 공정인자의 산포를 관리하는 것이다. 구체적으로, ANOVA 기법은 공정의 유의차 판정기준을 공정인자 사이의 평균값 차이에 대한 가설검증을 통해서, 유의차 지수 P-value가 예컨대 유의 수준인 예컨대 0.05 이하이면 이를 통해서 공정의 영향인자로 판정하고, 이에 대한 스펙을 양호수준으로 조정해 나가는 것이다. 그후, 공정불량 개선관리의 스펙이 결정되면, 이를 기준으로 운영한다(S20).
표 2는 본 발명의 실시예에 의한 공정관리 스펙을 위한 회귀분석 결과 사례를 나타낸 것이다.
Figure 112018105845073-pat00001
표 2에 의하면, 머신러닌의 회귀분석 알고리즘을 이용하여 실시간으로 공정불량의 예측하고, AHP 기법으로 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, ANOVA 기법으로 측정값들의 중심위치와 산포도를 고려한 공정인자를 고려한 공정불량 예측할 수 있다. 공정불량 판정결과 공정불량이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정불량이 아니면(OK)이면, ONE-HOT 코드의 0으로 변환한다. 이러한 과정을 반복하여 빅데이터로 활용할 수 있다.
이상, 본 발명은 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않으며, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형이 가능하다.

Claims (7)

  1. 공정불량을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정불량 예측 플랫폼에서,
    복수개의 공정인자에서 독립변수를 추출하고 종속변수를 설정하는 단계;
    상기 독립변수에서 상기 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 공정인자를 추출하는 단계;
    상기 주요 공정인자 사이의 상관도를 검증하는 단계;
    상기 상관도가 검증된 공정인자를 머신러닝 회귀분석 알고리즘을 적용하여 공정불량 예측모델식을 도출하는 단계;
    상기 예측모델식으로부터 도출된 공정불량을 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정불량 최소 유의 수준을 분석하는 단계; 및
    상기 유의 수준의 분석을 마친 공정불량의 공정관리 스펙을 결정하고 운용하는 단계를 포함하고,
    상기 상관도 검증의 상관분석 코드는
    # pip install seaborn <<- in virtualenv !!
    import seaborn as sns
    fig, ax = plt.subplots(figsize=(10,10))
    sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)인 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.
  2. 제1항에 있어서, 상기 복수개의 공정인자는 각각 독립된 투입공정, 생산공정 및 완료공정에서의 공정인자인 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.
  3. 삭제
  4. 제1항에 있어서, 상기 공정불량 예측모델식을 도출하기 이전에, 오차를 검증하고 주요 공정인자의 가중치를 최적화하는 단계를 더 포함하는 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.
  5. 제4항에 있어서, 상기 오차의 검증은 회귀분석 예측값과 실측값의 편차량의 분석에 의해 이루어지는 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.
  6. 제1항에 있어서, 상기 ANOVA 기법은 유의차 지수 P-value가 유의 수준 이하이면 공정의 영향인자로 판정하고 이에 대한 스펙을 양호수준으로 조정하는 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.
  7. 제1항에 있어서, 상기 ANOVA 기법에 의한 공정불량 판정결과 공정불량이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정불량이 아니면(OK)이면, ONE-HOT 코드의 0으로 변환하는 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.
KR1020180128603A 2018-10-26 2018-10-26 공정인자를 고려한 공정불량 예측방법 KR102247945B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180128603A KR102247945B1 (ko) 2018-10-26 2018-10-26 공정인자를 고려한 공정불량 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180128603A KR102247945B1 (ko) 2018-10-26 2018-10-26 공정인자를 고려한 공정불량 예측방법

Publications (2)

Publication Number Publication Date
KR20200052426A KR20200052426A (ko) 2020-05-15
KR102247945B1 true KR102247945B1 (ko) 2021-05-03

Family

ID=70678596

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180128603A KR102247945B1 (ko) 2018-10-26 2018-10-26 공정인자를 고려한 공정불량 예측방법

Country Status (1)

Country Link
KR (1) KR102247945B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230067395A (ko) * 2021-11-09 2023-05-16 재단법인대구경북과학기술원 사출 공정 변수의 최적화를 위한 장치 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102583854B1 (ko) * 2021-04-28 2023-09-27 주식회사 파인브이티 하네스 케이블 제작 공정에서 산출되는 케이블의 불량 여부를 판단하기 위한 공정 모니터링 장치 및 그 동작 방법
CN117172431B (zh) * 2023-11-03 2024-01-19 山东锦都食品有限公司 一种食品加工器械设备管理方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002323924A (ja) * 2001-02-21 2002-11-08 Toshiba Corp 不良装置検出方法、不良装置検出装置、プログラム及び製品の製造方法
KR101466798B1 (ko) * 2014-05-20 2014-12-01 삼성전자주식회사 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치
JP2017138885A (ja) * 2016-02-05 2017-08-10 株式会社チノー パラメータ選定方法、パラメータ選定プログラム及びパラメータ選定装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101843572B1 (ko) * 2016-06-28 2018-03-30 다이텍연구원 회귀분석 알고리즘을 적용한 직물 염색 공정 최적화 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002323924A (ja) * 2001-02-21 2002-11-08 Toshiba Corp 不良装置検出方法、不良装置検出装置、プログラム及び製品の製造方法
KR101466798B1 (ko) * 2014-05-20 2014-12-01 삼성전자주식회사 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치
JP2017138885A (ja) * 2016-02-05 2017-08-10 株式会社チノー パラメータ選定方法、パラメータ選定プログラム及びパラメータ選定装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230067395A (ko) * 2021-11-09 2023-05-16 재단법인대구경북과학기술원 사출 공정 변수의 최적화를 위한 장치 및 방법
KR102585970B1 (ko) * 2021-11-09 2023-10-06 재단법인대구경북과학기술원 사출 공정 변수의 최적화를 위한 장치 및 방법

Also Published As

Publication number Publication date
KR20200052426A (ko) 2020-05-15

Similar Documents

Publication Publication Date Title
KR102247945B1 (ko) 공정인자를 고려한 공정불량 예측방법
CN112384924B (zh) 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测***
KR100915339B1 (ko) 이중 단계 가상 계측 방법
TWI539298B (zh) 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
CN113655768B (zh) 装配良率控制方法、设备及计算机可读存储介质
US20140222376A1 (en) Method for searching, analyzing, and optimizing process parameters and computer program product thereof
WO2015175629A1 (en) System and method for modeling and/or analyzing manufacturing processes
US20130173332A1 (en) Architecture for root cause analysis, prediction, and modeling and methods therefor
TWI584134B (zh) 製程異因分析方法與製程異因分析系統
JP2006148070A (ja) センサデータの補正方法及びインターロックシステムのインターロック評価方法
CN101118422A (zh) 半导体制造的虚拟量测预估与建立预估模型的方法与***
US20230095827A1 (en) Systems and methods for modeling a manufacturing assembly line
CN111428329A (zh) 基于模型的机器学习***
CN111095143B (zh) 实时建模和量化地评估眼科镜片预期总体品质水平的方法
US20200086546A1 (en) Method for controlling film production
CN110263472B (zh) 基于回归法综合寿命试验数据的机电产品可靠度评估方法
CN113204857A (zh) 基于极端梯度提升树算法的电子器件剩余寿命预测方法
KR100706544B1 (ko) 전산해석 신뢰도 분석방법
US20230052392A1 (en) Process abnormality identification using measurement violation analysis
KR20200052451A (ko) 공정 택트타임을 활용한 공정효율 예측방법
Fallahnezhad et al. A new optimization model for designing acceptance sampling plan based on run length of conforming items
Eidukas et al. Models Quality of Electronics Products
Nishimura et al. Anomaly detection and analysis by a gradient boosting trees and neural network ensemble model
Banihashemi et al. Developing two variables sampling plans considering the compliance rate with the ideal OC curve

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant