초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

오늘날 대부분의 장치산업은 많은 복잡한 공정 파라미터와 데이터들로 구성되어 있으며, 이로 인해 원인을 파악하는 데 많은 시간, 비용 및 자원을 요구한다. 이러한 환경을 극복하고 경쟁에서 앞서나가려면 생산 경쟁력이 요구되는데 이제까지는 경쟁력 향상 방안의 하나로써 일부 기업들을 중심으로 6시그마 방법론을 주로 사용하였다. 그러나 위와 같이 Volume, Variety, Velocity특성을 내포하는 ...

오늘날 대부분의 장치산업은 많은 복잡한 공정 파라미터와 데이터들로 구성되어 있으며, 이로 인해 원인을 파악하는 데 많은 시간, 비용 및 자원을 요구한다. 이러한 환경을 극복하고 경쟁에서 앞서나가려면 생산 경쟁력이 요구되는데 이제까지는 경쟁력 향상 방안의 하나로써 일부 기업들을 중심으로 6시그마 방법론을 주로 사용하였다. 그러나 위와 같이 Volume, Variety, Velocity특성을 내포하는 빅데이터를 사용해야 하는 과제에서는 분석에 있어 한계에 직면하게 된다. 근래 디스플레이, 반도체 등 장치산업에서는 빅데이터 분석을 활용하여 공정최적화에 상당한 효과를 거두고 있지만, 빅데이터 활용을 통한 이점 뿐 아니라 다른 부작용, 예를 들면 상관관계를 인과관계로 해석하거나 편향된 결과로 오판할 수도 있으며, 전체적 관점의 문제 해결이 아닌 국부적 요소 최적화로 재현성 확보가 어려울 뿐 만 아니라 예측 적확도가 오히려 떨어질 수도 있다. 이를 위해 6시그마 방법론의 전체 관점 문제 해결 프로세스, 빅데이터 분석의 데이터 형태와 관계없이 전수데이터를 중심으로 한 분석 및 최적화, 즉 6시그마 방법론과 빅데이터 분석 방법론의 장점을 접목한 새로운 적용 방안을 연구하고자 하며, 솔라셀 공정을 사례로 하여 효과를 검증하였다. 빅데이터 분석과6시그마의 대표적인 프로세스인 Define – Measure – Analyze – Improve – Control (DMAIC)를 접목한 새로운 문제해결 방법론 적용으로 보다 체계적이고 논리적인 변수선택 방법론을 제시하였고, 솔라셀 공정의 결과 수 천개의 공정 파라미터를 수 십개로 축소한 가운데 예측 적확도는 90%를 달성하였고 중요 특성인 효율 또한 Max 0.23%까지 개선 하였다.

주제어