반도체 장비 센서데이터와 딥러닝을 활용한 불량예측모델에 관한 연구
A Study on the Failure Prediction Model Using Sensor Data in Semiconductor Equipment and Deep Learning
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구는 반도체 제조 공정중 설비에서 발생하는 센서데이터를 딥러닝을 활용하여 제품 품질을 AI기반으로 예측하는 모델을 제안한다. 반도체 공장에서는 FDC((Fault Detection and Classification)라는 불량을 예측하는 시스템이 있지만, 수많은 알람 빈도와 복잡도가 높은 자동화 시스템으로 인해 공정 관리자가 센서기준을 설정 및 관리하는데 한계가 있다. 이를 해결하기 위해 설비 센서데이터를 딥러닝을 활용하여 센서 데이터를 학습시켜 센서기준정보를 자동으로 제공하는 것을 제안한다. 1개공정의 동일 설비의 동일 레시피에 대한 1년간의 설비 센서 데이터를 사용한 판정결과로는 Accuracy, Precision, Recall, F1-score를 제공하였고, 기존 FDC시스템보다 성능이 우수함을 확인하였다.
Abstract
This study proposes a model that predicts product quality based on AI by using deep learning from sensor data generated in facilities during the semiconductor manufacturing process. In semiconductor factories, there is a system for predicting defects called FDC (Fault Detection and Classification), but there is a limitation in setting and managing sensor standards for process managers due to the large number of alarm frequencies and high complexity automation systems. It is proposed to automatically provide sensor reference information by learning sensor data using deep learning of sensor data. The judgment result using the facility sensor data for one year for the same recipe of the same facility in one process is Accuracy, Precision, Recall, and F1-score were provided, and it was confirmed that the performance is superior to the existing FDC system.
참고문헌 (9)
- 김광용, "데이터마이닝 기법의 성과평가 및 새로운 위험분류측정에 관한 실증적 연구-보험사기 데이터를 중심으로-", 보험금융연구, 33, pp.33~166 (2001)
- 이군희, "개인신용평가 모형을 위한 딥러닝 활용에 대한 연구", 한국경영과학회 학술대회논문집, 4, pp.4042~4047 (2017)
- 이동창, "반도체 라인의 효율적 이상 감지를 위한 멀티에이전트 기반 시뮬레이터 도구의 개발", 한국정보과학회 학술발표논문집, pp.1355~1357 (2017)
- Bolton, Richard J., "Unsupervised profiling methods for fraud detection", Credit Scoring and Credit Control, VII, pp.235~255 (2001)
- Ding, Qi, "Intrusion as(anti)social communication : characterization and detection", Proc. ACM Int. Conf. Knowledge Discovery and Data Mining, pp.886~894 (2012)
- Kumar, Mohit, "Data mining to predict and prevent errors in health insurance claims processing", Proc. ACM Int. Conf. Knowledge Discovery and Data Mining, pp.65~74 (2010)
- Showbridge, Peter, "Detection of abnormal change in dynamic networks", Proc. IEEE Int. Conf. Information, Decision and Control, pp.557~562 (1999)
- Stanisavljevic, Darko, "A review of related work on machine learning in semiconductor manufacturing and assembly Lines", SAMI@ iKNOW, ~ (2016)
- Taniguchi, M., "Fraud detection in communication networks using neural and probabilistic methods", Proc. IEEE Int. Conf. Acoustics, Speech and Signal Processing, 2, pp.1241~1244 (1998)