KR102655010B1 - Smd 기반 불량예측장치 및 그 동작 방법 - Google Patents

Smd 기반 불량예측장치 및 그 동작 방법 Download PDF

Info

Publication number
KR102655010B1
KR102655010B1 KR1020220042259A KR20220042259A KR102655010B1 KR 102655010 B1 KR102655010 B1 KR 102655010B1 KR 1020220042259 A KR1020220042259 A KR 1020220042259A KR 20220042259 A KR20220042259 A KR 20220042259A KR 102655010 B1 KR102655010 B1 KR 102655010B1
Authority
KR
South Korea
Prior art keywords
aoi
defect
data
spi
item
Prior art date
Application number
KR1020220042259A
Other languages
English (en)
Other versions
KR20230143414A (ko
Inventor
서상진
김병기
박철홍
Original Assignee
엠아이큐브솔루션주식회사
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 엠아이큐브솔루션주식회사 filed Critical 엠아이큐브솔루션주식회사
Priority to KR1020220042259A priority Critical patent/KR102655010B1/ko
Publication of KR20230143414A publication Critical patent/KR20230143414A/ko
Application granted granted Critical
Publication of KR102655010B1 publication Critical patent/KR102655010B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/086—Supply management, e.g. supply of components or of substrates
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은 SMT(Surface Mounter Technology) 라인의 공정 과정에서 발생하는 PCB(Printed Circuit Board) 불량을 후 공정의 진행 이전에 예측하기 위한 SMD 기반 불량예측장치 및 그 동작 방법에 관한 것이다.

Description

SMD 기반 불량예측장치 및 그 동작 방법{FAULT PREDICTION APPARATUS BASED ON SURFACE MOUNTING DEVICE, AND CONTROL METHOD THEREOF}
본 발명은 SMT(Surface Mounter Technology) 라인의 공정 과정에서 발생하는 PCB(Printed Circuit Board) 불량을 후 공정의 진행 이전에 예측하기 위한 방안에 관한 것이다.
SMT(Surface Mounter Technology) 라인에서는, 크게 스크린 프린터를 통해 솔더 페이스트를 PCB(Printed Circuit Board)에 인쇄하고, 마운터를 통해서 솔더 페이스트의 인쇄가 완료된 PCB에 실제 부품들을 실장하는 공정이 이루어지는 것이 일반적이다.
또한, SMT 라인에서는 점검 장비를 활용하여 PCB의 불량 상태를 점검할 수 있으며, SMT 기술이 발달함에 따라 이러한 점검 장비의 수요 또한 점차 증가되고 있는 추세이다.
그러나, 이러한 PCB 불량 상태 점검은, 공정 중 또는 후에 이루어질 수 있는데, 공정이 완료된 후에 이루어지는 불량 상태 점검의 경우, 제품 생산 후 이루어지는 것이므로 품질 비용의 증가를 초래하며, 장비의 고장 가능성에 대해서도 확인이 어렵다는 한계점을 가진다.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, SMT(Surface Mounter Technology) 라인의 공정 과정에서 발생하는 PCB(Printed Circuit Board) 불량을 후 공정의 진행 이전에 예측하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 SMD 기반 불량예측장치는, SMT(Surface Mounting Technology) 라인에서 PCB(Printed Circuit Board)의 상태를 점검하는 적어도 하나의 점검 장비로부터 점검 데이터를 획득하는 획득부; 상기 점검 데이터를 전처리 한 학습 데이터 셋을 생성하는 생성부; 및 상기 학습 데이터 셋을 기반으로, PCB 불량 항목의 예측을 위한 불량예측모델을 학습하는 학습부를 포함하는 것을 특징으로 한다.
구체적으로, 상기 장치는, 상기 불량예측모델을 통해서 상기 PCB의 상태 점검 이후의 후속 공정에서 발생하는 PCB 불량 항목을 예측하는 예측부를 더 포함할 수 있다.
구체적으로, 상기 획득부는, 상기 적어도 하나의 점검 장비로부터 이종의 점검 데이터를 획득하며, 상기 생성부는, 상기 이종의 점검 데이터를 서로 연계시키는 전처리를 통해서 학습 데이터 셋을 생성할 수 있다.
구체적으로, 상기 이종의 점검 데이터는, SPI(Solder Paste Inspection) 장비의 점검 데이터인 SPI 수치데이터, 및 AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 불량 항목 별 판정 결과를 포함하며, 상기 생성부는, 상기 AOI 불량 항목 별 판정 결과가 상기 SPI 수치데이터의 레이블(label)로 참조되도록, 상기 SPI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킬 수 있다.
구체적으로, 상기 이종의 점검 데이터는, AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 수치데이터, 및 AOI 불량 항목 별 판정 결과를 포함하며, 상기 생성부는, 상기 AOI 불량 항목 별 판정 결과가 상기 AOI 수치데이터의 레이블(label)로 참조되도록, 상기 AOI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킬 수 있다.
구체적으로, 상기 예측부는, 상기 불량예측모델을 통해서 상기 SPI 수치데이터로부터 상기 AOI 불량 항목을 예측할 수 있다.
구체적으로, 상기 예측부는, 상기 불량예측모델을 통해서 상기 AOI 수치데이터로부터 상기 AOI 불량 항목을 예측할 수 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 SMD 기반 불량예측장치의 동작 방법은, SMT(Surface Mounting Technology) 라인에서 PCB(Printed Circuit Board)의 상태를 점검하는 적어도 하나의 점검 장비로부터 점검 데이터를 획득하는 획득단계; 상기 점검 데이터를 전처리 한 학습 데이터 셋을 생성하는 생성단계; 및 상기 학습 데이터 셋을 기반으로, PCB 불량 항목의 예측을 위한 불량예측모델을 학습하는 학습단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 방법은, 상기 불량예측모델을 통해서 상기 PCB의 상태 점검 이후의 후속 공정에서 발생하는 PCB 불량 항목을 예측하는 예측단계를 더 포함할 수 있다.
구체적으로, 상기 획득단계는, 상기 적어도 하나의 점검 장비로부터 이종의 점검 데이터를 획득하며, 상기 생성단계는, 상기 이종의 점검 데이터를 서로 연계시키는 전처리를 통해서 학습 데이터 셋을 생성할 수 있다.
구체적으로, 상기 이종의 점검 데이터는, SPI(Solder Paste Inspection) 장비의 점검 데이터인 SPI 수치데이터, 및 AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 불량 항목 별 판정 결과를 포함하며, 상기 생성단계는, 상기 AOI 불량 항목 별 판정 결과가 상기 SPI 수치데이터의 레이블(label)로 참조되도록, 상기 SPI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킬 수 있다.
구체적으로, 상기 이종의 점검 데이터는, AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 수치데이터, 및 AOI 불량 항목 별 판정 결과를 포함하며, 상기 생성단계는, 상기 AOI 불량 항목 별 판정 결과가 상기 AOI 수치데이터의 레이블(label)로 참조되도록, 상기 AOI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킬 수 있다.
구체적으로, 상기 예측단계는, 상기 불량예측모델을 통해서 상기 SPI 수치데이터로부터 상기 AOI 불량 항목을 예측할 수 있다.
구체적으로, 상기 예측단계는, 상기 불량예측모델을 통해서 상기 AOI 수치데이터로부터 상기 AOI 불량 항목을 예측할 수 있다.
이에, 본 발명의 SMD 기반 불량예측장치 및 그 동작 방법에서는, SMT(Surface Mounter Technology) 라인의 공정 과정에서 발생하는 PCB(Printed Circuit Board) 불량을 후 공정의 진행 이전에 예측함에 따라, 그에 따른 조치를 통해 품질 비용을 경감시킬 수 있으며, 또한 점검 데이터에 기반한 PCB 불량 예측을 통해 불량 항목을 사전에 알람할 수 있으므로 장비 고장에 의한 불량품 발생 확률을 크게 낮출 수 있다.
도 1은 본 발명의 일 실시예에 따른 SMT(Surface Mounter Technology) 라인의 예시도.
도 2는 본 발명의 일 실시예에 따른 불량 예측 환경을 설명하기 위한 예시도.
도 3은 본 발명의 일 실시예에 따른 불량예측장치의 구성을 설명하기 위구성도.
도 4 및 도 5는 본 발명의 일 실시예에 따른 학습 데이터 셋을 설명하기 위한 예시도.
도 6은 본 발명의 일 실시예에 따른 불량예측모델을 설명하기 위한 예시도.
도 7은 본 발명의 일 실시예에 따른 불량예측장치의 동작 방법을 설명하기 위한 순서도.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 설명한다.
본 발명의 일 실시예에서는, SMT(Surface Mounter Technology) 라인에서의 PCB(Printed Circuit Board) 불량 예측에 관한 기술을 다룬다.
일반적으로, SMT 라인에서는, 예컨대 도 1에서와 같이 스크린 프린터(Screen Printer)를 통해 솔더 페이스트를 PCB(Printed Circuit Board)에 인쇄하고, 마운터(Chip & Flexible Mounter)를 통해서 솔더 페이스트의 인쇄가 완료된 PCB에 실제 부품들을 실장하는 공정이 이루어진다.
이와 관련하여, SMT 라인에서는 점검 장비를 활용하여 PCB의 불량 상태를 점검할 수 있다.
즉, SPI(Solder Paste Inspection) 장비(3D SPI)는, 스크린 프린터(Screen Printer)를 통해 PCB에 도포된 납의 상태를 점검하고, AOI(Automated Optical Inspection) 장비(3D AOI)에서는, 리플로우(N2 Reflow)를 통한 부품 접합 이후, 촬상 이미지를 이용하여 PCB 상 부품의 위치 이탈, 뒤틀림, 기울임 등 정상적인 실장 여부를 점검할 수 있다.
그러나, 이러한 PCB 불량 상태 점검은, 위에서 살펴본 바와 같이 공정 중 또는 공정이 완료된 후에 이루어질 수 있는데, 특히 공정이 완료된 후에 이루어지는 불량 상태 점검의 경우, 제품 생산 후에야 비로소 이루어지는 것이므로 품질 비용의 증가를 초래할 수 있으며, 장비의 고장 가능성에 대해서도 확인이 어렵다는 한계점을 가진다.
이에, 본 발명의 일 실시예에서는 SMT 라인의 공정 과정에서 PCB의 불량을 후 공정의 진행 이전에 예측할 수 있는 새로운 방안을 제안하고자 한다.
이와 관련하여, 도 2에서는 본 발명의 일 실시예에 따른 PCB 불량 예측 환경을 예시적으로 보여주고 있다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 PCB 불량 예측 환경에는, SMT 라인의 공정 과정에서 PCB의 불량을 예측하는 불량예측장치(100)를 포함할 수 있다.
여기서, 불량예측장치(100)는, PCB의 상태를 점검한 점검 데이터로부터 불량예측모델을 학습하고, 이처럼 학습된 불량예측모델을 통해 PCB 불량 항목을 예측하는 장치를 일컫는다.
이러한 불량예측장치(100)는, SMT 라인에서 PCB에 도포된 납의 상태를 점검하는 SPI 장비(3D SPI), 및 PCB 상 부품의 정상적인 실장 여부를 점검하는 AOI 장비(3D AOI) 그 자체이거나, 또는 SPI 장비(3D SPI) 및 AOI 장비(3D AOI)와는 별도의 장치로 구현될 수 있다.
참고로, SPI 장비(3D SPI) 및 AOI 장비(3D AOI)와는 별도의 장치로 불량예측장치(100)가 구현되는 경우, 불량예측장치(100)는 서버의 형태로 구현될 수 있으며, 여기서의 서버는, 예컨대, 웹 서버, 데이터베이스 서버, 프록시 서버 등의 형태로 구현될 수 있으며, 네트워크 부하 분산 메커니즘, 내지 서비스 장치가 인터넷 또는 다른 네트워크 상에서 동작할 수 있도록 하는 다양한 소프트웨어 중 하나 이상이 설치될 수 있으며, 이를 통해 컴퓨터화된 시스템으로도 구현될 수 있다.
이상 본 발명의 일 실시예에 따른 PCB 불량 예측 환경에서는 전술한 구성을 통해, SMT 라인의 공정 과정에서 이전 공정으로 인해 발생할 수 있는 PCB의 불량을 후 공정의 진행 이전에 예측할 수 있는데, 이하에서는 이를 실현하기 위한 불량예측장치(100)의 구성을 보다 구체적으로 설명하기로 한다.
도 3에는 본 발명의 일 실시예에 따른 불량예측장치(100)의 개략적인 구성을 보여주고 있다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 불량예측장치(100)는 점검 데이터를 회득하는 획득부(110), 학습 데이터 셋을 생성하는 생성부(120), 및 불량예측모델을 학습하는 학습부(130)를 포함하는 구성을 가질 수 있다.
또한, 본 발명의 일 실시예에 따른 불량예측장치(100)는 전술한 구성 이외에 불량 항목을 예측하는 예측부(140)를 더 포함할 수 있다.
이상의 획득부(110), 생성부(120), 학습부(130), 및 예측부(140)를 포함하는 불량예측장치(100)의 전체 구성 내지는 적어도 일부 구성은 하드웨어 모듈 형태 또는 소프트웨어 모듈 형태로 구현되거나, 하드웨어 모듈과 소프트웨어 모듈이 조합된 형태로 구현될 수 있다
여기서, 소프트웨어 모듈이란, 예컨대, 불량예측장치(100) 내에서 연산을 제어하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 불량예측장치(100) 내 메모리에 탑재된 형태를 가질 수 있을 것이다.
이상 본 발명의 일 실시예에 따른 불량예측장치(100)는 전술한 구성을 통해서 SMT 라인의 공정 과정에서 이전 공정으로 인해 발생할 수 있는 PCB의 불량을 후 공정의 진행 이전에 예측할 수 있는데, 이하에서는 이를 실현하기 위한 불량예측장치(100) 내 구성에 대해 보다 구체적인 설명을 이어 가기로 한다.
획득부(110)는 점검 데이터를 획득하는 기능을 수행한다.
보다 구체적으로, 획득부(110)는 SMT 라인에서 PCB의 상태에 관한 점검 데이터를 획득하게 된다.
이때, 획득부(110)는 SMT 라인 상에서 PCB의 상태를 점검하는 적어도 하나의 점검 장비로부터 이종의 점검 데이터를 획득할 수 있다.
여기서, 점검 데이터가 획득되는 적어도 하나의 점검 장비에는, PCB에 도포된 납의 상태를 점검하는 SPI 장비(3D SPI), 및 PCB 상 부품의 정상적인 실장 여부를 점검하는 AOI 장비(3D AOI)가 포함될 수 있다.
또한, 이러한 점검 장비로부터 획득되는 이종의 점검 데이터에는, SPI 장비(3D SPI)의 점검 데이터인 SPI 수치데이터, AOI 장비(3D AOI)의 점검 데이터인 AOI 수치데이터, 및 AOI 불량 항목 별 판정 결과가 포함될 수 있다.
한편, SPI 장비(3D SPI)와 AOI 장비(3D AOI)로부터 획득되는 이종의 점검 데이터는, 예컨대, CSV(Comma-Separated Values) 파일 형태로 저장될 수 있다.
또한, 이하에서 구체적으로 설명하겠지만, SPI 장비(3D SPI)의 점검 데이터인 SPI 수치데이터와 AOI 장비(3D AOI)의 점검 데이터인 AOI 불량 항목 별 판정 결과는, PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목을 예측하기 위한 불량예측모델(SPI-AI 모델)의 학습에 이용되며, 그리고 AOI 장비(3D AOI)의 점검 데이터인 AOI 수치데이터와 AOI 불량 항목 별 판정 결과는, AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목을 예측하기 위한 불량예측모델(AOI-AI 모델)의 학습에 이용된다.
생성부(120)는 학습 데이터 셋을 생성하는 기능을 수행한다.
보다 구체적으로, 생성부(120)는 SMT 라인에서 PCB의 상태에 관한 점검 데이터가 획득되면, 획득된 점검 데이터를 전처리한 학습 데이터 셋을 생성하게 된다.
이때, 생성부(120)는 이종의 점검 데이터를 서로 연계시키는 전처리를 통해서 학습 데이터를 생성할 수 있다.
이와 관련하여, 생성부(120)는 PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목의 예측을 지원하는 학습 데이터 셋의 전처리로서, 예컨대, 도 4에서와 같이 SPI 수치데이터와 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시켜 AOI 불량 판정 결과가 SPI 수치데이터의 레이블(label)로 참조될 수 있도록 한다.
또한, 생성부(120)는 AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목의 예측을 지원하는 학습 데이터 셋의 전처리로서, 예컨대, 도 5에서와 같이 AOI 수치데이터와 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시켜 AOI 불량 판정 결과가 AOI 수치데이터의 레이블(label)로 참조될 수 있도록 한다.
학습부(130)는 불량예측모델을 학습하는 기능을 수행한다.
보다 구체적으로, 학습부(130)는 점검 데이터를 전처리한 학습 데이터 셋이 생성되면, 생성된 학습 데이터 셋을 기반으로 PCB 불량 항목의 예측을 위한 불량예측모델을 학습하게 된다.
이때, 학습부(130)는 SPI 수치데이터와 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋으로부터 PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(SPI-AI 모델)을 학습할 수 있다.
여기서, PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목으로는, 예컨대, 도 6에서와 같이, Bridge-Lead, Overhang-Lead, 및 Coplanarity-Lead 항목이 포함될 수 있다.
이와 관련하여, 본 발명의 일 실시예에 따라 Bridge-Lead 항목을 예측하기 위한 불량예측모델(SPI-AI 모델)의 학습에는 예컨대, OSS(One-Side Selection)과, SVM(Support Vector Machine)이 이용되며, Overhang-Lead과 Coplanarity-Lead 항목을 예측하기 위한 불량예측모델(SPI-AI 모델)의 학습에는 예컨대, Balanced Bagging Classifier가 이용될 수 있다.
또한, 학습부(130)는 API 수치데이터와 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋으로부터 AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(AOI-AI 모델)을 학습할 수 있다.
여기서, PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목으로는, 앞서 예시한 도 6에서와 같이, Coplanarity-Body, 및 Dimension-Body 항목이 포함될 수 있다.
이와 관련하여, 본 발명의 일 실시예에 따라 Coplanarity-Body, 및 Dimension-Body 항목을 예측하기 위한 불량예측모델(AOI-AI 모델)의 학습에는 예컨대, OneClass SVM이 이용될 수 있다.
예측부(140)는 불량 항목을 예측하는 기능을 수행한다.
보다 구체적으로, 예측부(140)는 불량예측모델에 대한 학습이 완료되면, 학습 완료된 불량예측모델을 통해서 PCB의 상태 점검 이후의 후속 공정에서 발생하는 PCB 불량 항목을 예측하고, 예측 결과를 알람하게 된다.
이때, 예측부(140)는 PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(SPI-AI 모델)을 이용하여 SPI 수치데이터로부터 AOI 불량 항목(Bridge-Lead, Overhang-Lead, 및 Coplanarity-Lead)을 예측할 수 있다.
또한, 예측부(140)는 AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(AOI-AI 모델)을 이용하여 AOI 수치데이터로부터 AOI 불량 항목(Coplanarity-Body, 및 Dimension-Body)을 예측할 수 있다.
한편, 예측부(140)는 전술한 바와 같이 불량예측모델을 통해 불량 항목이 예측되면, 자삽데이터 DB로부터 불량 항목이 예측된 부품정보(보드종류, 불량품목, 부품위치)를 조회하고, 설비 DB로부터 불량 항목을 발생시킨 장비를 조회하며, 불량원인 DB로부터 조회된 불량 원인과 함께 각 조회 결과를 사용자에게 알람(표시)할 수 있다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 불량예측장치(100)의 구성에 따르면, SMT 라인의 공정 과정에서 PCB의 불량을 후 공정의 진행 이전에 예측함에 따라, 그에 따른 조치를 통해 품질 비용을 경감시킬 수 있으며, 또한 점검 데이터에 기반한 PCB 불량 예측을 통해 불량 항목을 사전에 알람할 수 있으므로 장비 고장에 의한 불량품 발생 확률을 크게 낮출 수 있음을 알 수 있다.
이하에서는, 도 7을 참조하여, 본 발명의 일 실시예에 따른 불량예측장치(100)의 동작 방법을 설명하기로 한다.
먼저, 획득부(110)는 SMT 라인에서 PCB의 상태에 관한 점검 데이터를 획득한다(S110-S120).
이때, 획득부(110)는 SMT 라인 상에서 PCB의 상태를 점검하는 적어도 하나의 점검 장비로부터 이종의 점검 데이터를 획득할 수 있다.
여기서, 점검 데이터가 획득되는 적어도 하나의 점검 장비에는, PCB에 도포된 납의 상태를 점검하는 SPI 장비(3D SPI), 및 PCB 상 부품의 정상적인 실장 여부를 점검하는 AOI 장비(3D AOI)가 포함될 수 있다.
또한, 이러한 점검 장비로부터 획득되는 이종의 점검 데이터에는, SPI 장비(3D SPI)의 점검 데이터인 SPI 수치데이터, AOI 장비(3D AOI)의 점검 데이터인 AOI 수치데이터, 및 AOI 불량 항목 별 판정 결과가 포함될 수 있다.
한편, SPI 장비(3D SPI)와 AOI 장비(3D AOI)로부터 획득되는 이종의 점검 데이터는, 예컨대, CSV(Comma-Separated Values) 파일 형태로 저장될 수 있다.
또한, 이하에서 구체적으로 설명하겠지만, SPI 장비(3D SPI)의 점검 데이터인 SPI 수치데이터와 AOI 장비(3D AOI)의 점검 데이터인 AOI 불량 항목 별 판정 결과는, PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목을 예측하기 위한 불량예측모델(SPI-AI 모델)의 학습에 이용되며, 그리고 AOI 장비(3D AOI)의 점검 데이터인 AOI 수치데이터와 AOI 불량 항목 별 판정 결과는, AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목을 예측하기 위한 불량예측모델(AOI-AI 모델)의 학습에 이용된다.
그리고 나서, 생성부(120)는 SMT 라인에서 PCB의 상태에 관한 점검 데이터가 획득되면, 획득된 점검 데이터를 전처리한 학습 데이터 셋을 생성한다(S130).
이때, 생성부(120)는 이종의 점검 데이터를 서로 연계시키는 전처리를 통해서 학습 데이터를 생성할 수 있다.
이와 관련하여, 생성부(120)는 PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목의 예측을 지원하는 학습 데이터 셋의 전처리로서, 예컨대, 도 4에서와 같이 SPI 수치데이터와 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시켜 AOI 불량 판정 결과가 SPI 수치데이터의 레이블(label)로 참조될 수 있도록 한다.
또한, 생성부(120)는 AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목의 예측을 지원하는 학습 데이터 셋의 전처리로서, 예컨대, 도 5에서와 같이 AOI 수치데이터와 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시켜 AOI 불량 판정 결과가 AOI 수치데이터의 레이블(label)로 참조될 수 있도록 한다.
나아가, 학습부(130)는 점검 데이터를 전처리한 학습 데이터 셋이 생성되면, 생성된 학습 데이터 셋을 기반으로 PCB 불량 항목의 예측을 위한 불량예측모델을 학습한다(S140).
이때, 학습부(130)는 SPI 수치데이터와 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋으로부터 PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(SPI-AI 모델)을 학습할 수 있다.
여기서, PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목으로는, 앞서 예시한, 도 6에서와 같이, Bridge-Lead, Overhang-Lead, 및 Coplanarity-Lead 항목이 포함될 수 있다.
이와 관련하여, 본 발명의 일 실시예에 따라 Bridge-Lead 항목을 예측하기 위한 불량예측모델(SPI-AI 모델)의 학습에는 예컨대, OSS(One-Side Selection)과, SVM(Support Vector Machine)이 이용되며, Overhang-Lead과 Coplanarity-Lead 항목을 예측하기 위한 불량예측모델(SPI-AI 모델)의 학습에는 예컨대, Balanced Bagging Classifier가 이용될 수 있다.
또한, 학습부(130)는 API 수치데이터와 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋으로부터 AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(AOI-AI 모델)을 학습할 수 있다.
여기서, PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목으로는, 앞서 예시한 도 6에서와 같이, Coplanarity-Body, 및 Dimension-Body 항목이 포함될 수 있다.
이와 관련하여, 본 발명의 일 실시예에 따라 Coplanarity-Body, 및 Dimension-Body 항목을 예측하기 위한 불량예측모델(AOI-AI 모델)의 학습에는 예컨대, OneClass SVM이 이용될 수 있다.
이후, 예측부(140)는 불량예측모델에 대한 학습이 완료되면, 학습 완료된 불량예측모델을 통해서 PCB의 상태 점검 이후의 후속 공정에서 발생하는 PCB 불량 항목을 예측하고, 예측 결과를 사용자에게 알람한다(S150-S170).
이때, 예측부(140)는 PCB에 도포된 납의 상태에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(SPI-AI 모델)을 이용하여 SPI 수치데이터로부터 AOI 불량 항목(Bridge-Lead, Overhang-Lead, 및 Coplanarity-Lead)을 예측할 수 있다.
또한, 예측부(140)는 AOI 장비(3D AOI) 자체에서 기인하는 AOI 불량 항목의 예측을 위한 불량예측모델(AOI-AI 모델)을 이용하여 AOI 수치데이터로부터 AOI 불량 항목(Coplanarity-Body, 및 Dimension-Body)을 예측할 수 있다.
한편, 예측부(140)는 전술한 바와 같이 불량예측모델을 통해 불량 항목이 예측되면, 자삽데이터 DB로부터 불량 항목이 예측된 부품정보(보드종류, 불량품목, 부품위치)를 조회하고, 설비 DB로부터 불량 항목을 발생시킨 장비를 조회하며, 불량원인 DB로부터 조회된 불량 원인과 함께 각 조회 결과를 사용자에게 알람(표시)할 수 있다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 불량예측장치(100)의 동작 방법에 따르면, SMT 라인의 공정 과정에서 PCB의 불량을 후 공정의 진행 이전에 예측함에 따라, 그에 따른 조치를 통해 품질 비용을 경감시킬 수 있으며, 또한 점검 데이터에 기반한 PCB 불량 예측을 통해 불량 항목을 사전에 알람할 수 있으므로 장비 고장에 의한 불량품 발생 확률을 크게 낮출 수 있음을 알 수 있다.
한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다. 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 처리하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.
컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 "시스템"이나 "장치"라 함은 예컨대 프로그래머블 프로세서, 컴퓨터 혹은 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 포괄한다. 처리 시스템은, 하드웨어에 부가하여, 예컨대 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 애플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명에 따른 SMD 기반 불량예측장치 및 그 동작 방법에 따르면, SMT(Surface Mounter Technology) 라인의 공정 과정에서 발생하는 PCB(Printed Circuit Board) 불량을 후 공정의 진행 이전에 예측할 수 있다는 점에서, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
100: 불량예측장치
110: 획득부 120: 생성부
130: 학습부 140: 예측부

Claims (14)

  1. SMT(Surface Mounting Technology) 라인에서 PCB(Printed Circuit Board)의 상태를 점검하는 적어도 하나의 점검 장비로부터 점검 데이터를 획득하는 획득부;
    상기 점검 데이터를 전처리 한 학습 데이터 셋을 생성하는 생성부;
    상기 학습 데이터 셋을 기반으로, PCB 불량 항목의 예측을 위한 불량예측모델을 학습하는 학습부; 및
    상기 불량예측모델을 통해서 상기 PCB의 상태 점검 이후의 후속 공정에서 발생하는 PCB 불량 항목을 예측하는 예측부를 포함하며,
    상기 생성부는,
    상기 점검 데이터가 SPI(Solder Paste Inspection) 장비의 점검 데이터인 SPI 수치데이터, 및 AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 불량 항목 별 판정 결과인 경우, 상기 AOI 항목 별 불량 판정 결과가 상기 SPI 수치데이터의 레이블(label)로 참조되도록, 상기 SPI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킨 학습 데이터 셋을 생성하고,
    상기 점검 데이터가 AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 수치데이터, 및 AOI 불량 항목 별 판정 결과인 경우, 상기 AOI 항목 별 불량 판정 결과가 상기 AOI 수치데이터의 레이블(label)로 참조되도록, 상기 AOI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킨 학습 데이터 셋을 생성하며,
    상기 예측부는,
    상기 SPI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋을 기반으로 학습된 상기 불량예측모델을 통해서 상기 SPI 수치데이터로부터 상기 AOI 불량 항목을 예측하고,
    상기 AOI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋을 기반으로 학습된 상기 불량예측모델을 통해서 상기 AOI 수치데이터로부터 상기 AOI 불량 항목을 예측하며,
    상기 불량예측모델은,
    One Class SVM(One Class Support Vector Machine)을 이용하여 학습되고, 이를 통해 Coplanarity-Body, 및 Dimension-Body 항목을 예측하는 AOI-AI 모델,
    OSS(One-Side Selection)과 SVM(Support Vector Machine)을 이용하여 학습되고, 이를 통해 Bridge-Lead 항목을 예측하는 SPI-AI 모델, 및
    Balanced Bagging Classifier을 이용하여 학습되고, 이를 통해 Overhang-Lead과 Coplanarity-Lead 항목을 예측하는 SPI-AI 모델을 포함하는 것을 특징으로 하는 SMD 기반 불량예측장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. SMT(Surface Mounting Technology) 라인에서 PCB(Printed Circuit Board)의 상태를 점검하는 적어도 하나의 점검 장비로부터 점검 데이터를 획득하는 획득단계;
    상기 점검 데이터를 전처리 한 학습 데이터 셋을 생성하는 생성단계;
    상기 학습 데이터 셋을 기반으로, PCB 불량 항목의 예측을 위한 불량예측모델을 학습하는 학습단계; 및
    상기 불량예측모델을 통해서 상기 PCB의 상태 점검 이후의 후속 공정에서 발생하는 PCB 불량 항목을 예측하는 예측단계를 포함하며,
    상기 생성단계는,
    상기 점검 데이터가 SPI(Solder Paste Inspection) 장비의 점검 데이터인 SPI 수치데이터, 및 AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 불량 항목 별 판정 결과인 경우, 상기 AOI 항목 별 불량 판정 결과가 상기 SPI 수치데이터의 레이블(label)로 참조되도록, 상기 SPI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킨 학습 데이터 셋을 생성하고,
    상기 점검 데이터가 AOI(Automated Optical Inspection) 장비의 점검 데이터인 AOI 수치데이터, 및 AOI 불량 항목 별 판정 결과인 경우, 상기 AOI 항목 별 불량 판정 결과가 상기 AOI 수치데이터의 레이블(label)로 참조되도록, 상기 AOI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 바코드(Barcode)를 통해서 서로 연계시킨 학습 데이터 셋을 생성하며,
    상기 예측단계는,
    상기 SPI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋을 기반으로 학습된 상기 불량예측모델을 통해서 상기 SPI 수치데이터로부터 상기 AOI 불량 항목을 예측하고,
    상기 AOI 수치데이터와 상기 AOI 불량 항목 별 판정 결과를 서로 연계시킨 학습 데이터 셋을 기반으로 학습된 상기 불량예측모델을 통해서 상기 AOI 수치데이터로부터 상기 AOI 불량 항목을 예측하며,
    상기 불량예측모델은,
    One Class SVM(One Class Support Vector Machine)을 이용하여 학습되고, 이를 통해 Coplanarity-Body, 및 Dimension-Body 항목을 예측하는 AOI-AI 모델,
    OSS(One-Side Selection)과 SVM(Support Vector Machine)을 이용하여 학습되고, 이를 통해 Bridge-Lead 항목을 예측하는 SPI-AI 모델, 및
    Balanced Bagging Classifier을 이용하여 학습되고, 이를 통해 Overhang-Lead과 Coplanarity-Lead 항목을 예측하는 SPI-AI 모델을 포함하는 것을 특징으로 하는 SMD 기반 불량예측장치의 동작 방법.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
KR1020220042259A 2022-04-05 2022-04-05 Smd 기반 불량예측장치 및 그 동작 방법 KR102655010B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220042259A KR102655010B1 (ko) 2022-04-05 2022-04-05 Smd 기반 불량예측장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220042259A KR102655010B1 (ko) 2022-04-05 2022-04-05 Smd 기반 불량예측장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20230143414A KR20230143414A (ko) 2023-10-12
KR102655010B1 true KR102655010B1 (ko) 2024-04-05

Family

ID=88291610

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220042259A KR102655010B1 (ko) 2022-04-05 2022-04-05 Smd 기반 불량예측장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102655010B1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7103874B2 (en) * 2003-10-23 2006-09-05 Microsoft Corporation Model-based management of computer systems and distributed applications
KR20130066140A (ko) * 2011-12-12 2013-06-20 삼성전기주식회사 인쇄회로기판의 언로딩 시스템 및 방법
KR101883483B1 (ko) * 2013-11-27 2018-07-31 한화에어로스페이스 주식회사 Smt 설비 이상 감시 및 예측 시스템 및 그의 동작 방법
KR20210014992A (ko) * 2019-07-31 2021-02-10 삼성전자주식회사 불량을 예측하는 전자 장치 및 그 전자 장치의 제어 방법

Also Published As

Publication number Publication date
KR20230143414A (ko) 2023-10-12

Similar Documents

Publication Publication Date Title
KR20200004825A (ko) 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체
KR102321768B1 (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
CN104518924A (zh) 自动化测试及结果比对方法及***
US20210142456A1 (en) Image Analysis System for Testing in Manufacturing
CN112527484B (zh) 工作流断点续跑方法、装置、计算机设备及可读存储介质
KR20220085589A (ko) 딥러닝 기반 제품 불량 검출방법 및 시스템
CN105700490B (zh) 一种提高产品良率的方法及***
CN113661035A (zh) 用于机器人代理管理的***和方法
CN112084110A (zh) 数据处理方法、装置、设备以及存储介质
CA3166581A1 (en) Method and system for training inspection equipment for automatic defect classification
CN105446909A (zh) 用于缓存管理的方法和***
KR102655010B1 (ko) Smd 기반 불량예측장치 및 그 동작 방법
CN108830833B (zh) 工件识别项目的在线评估方法、服务器及终端
JP2019039727A (ja) 画像検査装置、画像検査方法および画像検査プログラム
CN117499412A (zh) 一种基于高可用链路的集群优化处理方法及其相关设备
CN110875832B (zh) 异常业务监控方法、装置、***及计算机可读存储介质
US20230237642A1 (en) System and method for tracing components of electronic assembly
US11493901B2 (en) Detection of defect in edge device manufacturing by artificial intelligence
CN112860854A (zh) 售货机的线上监控及故障修复***及方法
CN112748950A (zh) 一种软件代码审查方法及装置
CN111552631A (zh) ***测试方法、装置及计算机可读存储介质
WO2022199266A1 (en) Multicomponent module design and fabrication
KR20200000684A (ko) 테스트 통합 관리시스템 및 그 제어방법
EP3928263A1 (en) Training a model for use with a software installation process
Bate et al. Better, faster, cheaper, and safer too—Is this really possible?

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant