[논문]데이터마이닝 기법을 이용한 PCB 제조라인의 불량 혐의 공정 및 설비 분석

심현식; 김창욱

doi:10.3745/ktsde.2015.4.2.65

데이터마이닝 기법을 이용한 PCB 제조라인의 불량 혐의 공정 및 설비 분석
Fault-Causing Process and Equipment Analysis of PCB Manufacturing Lines Using Data Mining Techniques 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.4 no.2, 2015년, pp.65 - 70

초록
AI-Helper

PCB(Printed Circuit Board) 제조공정에서의 수율은 제품의 원가와 품질을 결정하는 중요한 관리 요인이다. PCB 제조공정은 일반적으로 많은 단계의 미세공정을 거쳐서 제품인 칩(Chip)이 생산되기 때문에 높은 수율을 보장하기가 현실적으로 어렵다. 제품의 수율을 향상시키기 위해서는 저수율의 원인이 되는 불량요인을 분석하고, 불량요인에 영향을 미치는 중요공정 및 설비를 찾아서 관리해야 한다. 본 연구는 로지스틱 회귀분석 및 변수선택법을 이용하여 혐의공정 및 설비를 찾는 방법을 제안하였다. 데이터는 실제 현장의 로트 데이터를 사용하였고, 각 로트는 진행한 설비 및 불량유형별 불량수를 갖고 있다. 또한 분석 결과는 실제 현장 확인을 통하여 수율에 미치는 영향을 확인하였다.

Abstract ▼ AI-Helper

In the PCB(Printed Circuit Board) manufacturing industry, the yield is an important management factor because it affects the product cost and quality significantly. In real situation, it is very hard to ensure a high yield in a manufacturing shop because products called chips are made through hundreds of nano-scale manufacturing processes. Therefore, in order to improve the yield, it is necessary to analyze main fault process and equipment that cause low PCB yield. This paper proposes a systematic approach to discover fault-causing processes and equipment by using a logistic regression and a stepwise variable selection procedure. We tested our approach with lot trace records of real work-site. A lot trace record consists of the equipment sequence that the lot passed through and the number of faults for each fault type in the lot. We demonstrated that the test results reflected the real situation of a PCB manufacturing line.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 1차 회로 형성 공정을 대상으로 회로 형성후 검사공정의 수율 및 수율에 영향을 미치는 불량요인을 분석하고, 불량요인별로 가장 영향을 많이 주는 혐의공정및 설비를 분석하였다. 불량요인은 앞에서 선정한 6개이다.
본 연구의 목적은 PCB 제조공정의 수율에 영향을 미치는 주 불량요인을 분석하고, 공정별로 설비 분석을 진행하여 주요 불량요인별로 가장 큰 영향을 미치는 혐의공정 및 혐의설비를 찾아 선택된 설비의 집중관리를 통해 불량요인을 개선하고 최종적으로 제품의 수율을 향상시키는 데 있다. 이를 위해 본 연구에서는 중요 공정 및 설비의 선택을 위해 1차 회로 공정의 수율에 영향을 미치는 불량요인을 선별하고, 선택된 인자별 경로설비(범주형 데이터) 분석을 로지스틱 회귀분석[11]을 적용해 적합도를 측정하고 선택된 중요 공정 및 설비가 주 불량요인에 미치는 영향을 확인했다.
본 연구의 목적은 현재 폭넓게 보급된 PCB 제품을 생산하는 공정의 수율에 영향을 미치는 공정 및 설비를 분석함으로써 PCB 제조라인의 수율 향상과 생산성 향상에 따른 기업 경쟁력을 확보하는 데 있다. 이를 위해 본 논문에서는 PCB 제조라인의 불량 데이터 및 설비변수 데이터를 분석하여 어떤 공정이 수율에 영향을 미치는지를 분석하고, 공정별로 제품을 가공한 설비를 분석하여 불량에 가장 많은 영향을 미치는 혐의설비가 무엇인지 발견하는 분석기법을 제안했다.
이와 같은 FDC는 설비 센서 데이터를 실시간으로 모니터링하여 이상을 감지하는 방법인 데 비하여, 본 연구는 제조 라인의 전체 공정으로부터 축적되는 공정 데이터를 이용하여 최종 수율에 영향을 가장 많이 미치는 공정 및 설비를 찾는 연구이다.

제안 방법

[10]는 반도체의 공정 중 하나인 CVD(Chemical Vapor Deposition)공정에 적용하여 품질에 영향을 미치는 중요 파라미터를 관리하고 수율을 증가시켰다. CVD의 공정을 이루는 3개의 챔버(Chamber) 데이터에 대해서 Wilcoxon rank sum test, Clustering, Regression 방법을 이용하여 31개의 중요 파라미터를 찾아내고, 새로운 규격 한계선을 설정하고 관리하여 수율을 개선하였다.
1과 같이 원자재 투입, 1차 회로 형성, 적층, 가공, 도금1, 2차 회로 형성, SR(Solder Resist), 도금2 공정으로 구성된다[1]. 가장 먼저 원자재인 기판을 제품 종류별로 재단하여 공정에 투입한다. 1차 회로 형성 과정에서 원자재 기판에 전도층을 위한 표면도금을 형성하고, 감광 레지스트를 밀착 후 자외선 노광 및 필요한 패턴을 현상하고 에칭, 박리하여 필요한 회로를 형성한다.
공정별로 혐의설비를 찾는 분석은 각 공정별로 2대 이상 설비로 작업된 공정을 대상으로 분석하였다. 4.
3절에서 분석한 결과를 토대로 불량요인별 영향이 큰 공정별로 양호설비, 불량설비를 구분하였다. 구체적으로 불량요인별로 4.2절에서 선정된 누적 영향도가 큰 3 개 공정을 선정하고, 다시 공정별로 양호설비와 불량설비를 구분하였다. Table 5는 각 불량요인별로 혐의공정 및 설비를 찾은 결과(Table 3, Table 4)를 정리하여, 공정별로 영향 도가 큰 설비를 추출하였다.
다른 불량요인에 대하여도 상기와 같은 방법으로 분석하여 영향도를 계산하고 혐의공정을 영향도가 큰 순서로 선정 하였다. 분석 결과 각 불량요인별로 영향을 많이 미치는 공정은 Table 3과 같이 추출되었다.
따라서 전체 불량에 공통적으로 영향을 미치는 4개의 공정(P3, P6, P7, P9)을 우선적으로 관리하는 것이 효과가 클 것으로 예상된다. 다음으로는 각 불량요인별로 혐의가 큰 공정 내에서 어떤 설비가 가장 영향을 크게 미쳤는지 혐의설비를 찾는 분석 작업을 진행했다.
수율은 각 공정이 끝난 후 수율을 계산하여 관리하고 있으나, 1차 회로 형성 공정에서 불량이 발생할 시, 후공정에서 공정원가가 증가하고 불량원인을 찾아서 개선하는 것이 어려워지므로 1차 회로 형성 공정의 수율 관리가 중요하다. 따라서 개선목표를 1차 회로 형성 공정의 수율을 향상시키는 것으로 선정하였다.
본 연구에서는 PCB 공정에서 높은 수율 확보를 위해 로지스틱 회귀분석을 실시하였는데, 종속변수는 불량 유무를, 독립변수는 공정의 설비를 의미하고 로트가 해당 설비를 거쳐 가면 1 아니면 0을 갖는 이산형 변수로 변환하여 종속변수와 독립변수 사이의 상관성을 측정하였다. 이진변수의 로지스틱 회귀모형에서는 불량을 나타낼 확률 P가 0.
따라서 검사 공정이 완료 되면 로트의 설비 경로와 불량요인별 불량 칩의 개수가 산출된다. 본 연구에서는 불량요인별로 총 검사 수량분의 불량 개수를 계산하여 불량률로 변환하였고, 설비경로는 하나의 로트가 특정 설비를 거쳐 갔으면 1, 아니면 0값을 가지도록 하였다.
본 연구에서는 월별 생산량이 많은 제품 중에서 수율이 평균치보다 낮은 제품을 선정하였고, 선정된 제품의 해당 기간 중 생산된 로트들의 회로공정 검사 결과를 분석하여 수율을 산출하였다. 수율은 각 공정이 끝난 후 수율을 계산하여 관리하고 있으나, 1차 회로 형성 공정에서 불량이 발생할 시, 후공정에서 공정원가가 증가하고 불량원인을 찾아서 개선하는 것이 어려워지므로 1차 회로 형성 공정의 수율 관리가 중요하다.
본 절에서는 4.3절에서 분석한 결과를 토대로 불량요인별 영향이 큰 공정별로 양호설비, 불량설비를 구분하였다. 구체적으로 불량요인별로 4.
본 연구의 목적은 현재 폭넓게 보급된 PCB 제품을 생산하는 공정의 수율에 영향을 미치는 공정 및 설비를 분석함으로써 PCB 제조라인의 수율 향상과 생산성 향상에 따른 기업 경쟁력을 확보하는 데 있다. 이를 위해 본 논문에서는 PCB 제조라인의 불량 데이터 및 설비변수 데이터를 분석하여 어떤 공정이 수율에 영향을 미치는지를 분석하고, 공정별로 제품을 가공한 설비를 분석하여 불량에 가장 많은 영향을 미치는 혐의설비가 무엇인지 발견하는 분석기법을 제안했다. 중요 인자로 분류된 공정 및 설비들은 현장 엔지니어의 의견을 수렴해 집중적으로 관리될 필요가 있으며, 추가로 설비변수와의 연계분석을 통하여 차후 더 발전된 요인 선택 연구를 진행할 가능성도 존재한다.
본 연구의 목적은 PCB 제조공정의 수율에 영향을 미치는 주 불량요인을 분석하고, 공정별로 설비 분석을 진행하여 주요 불량요인별로 가장 큰 영향을 미치는 혐의공정 및 혐의설비를 찾아 선택된 설비의 집중관리를 통해 불량요인을 개선하고 최종적으로 제품의 수율을 향상시키는 데 있다. 이를 위해 본 연구에서는 중요 공정 및 설비의 선택을 위해 1차 회로 공정의 수율에 영향을 미치는 불량요인을 선별하고, 선택된 인자별 경로설비(범주형 데이터) 분석을 로지스틱 회귀분석[11]을 적용해 적합도를 측정하고 선택된 중요 공정 및 설비가 주 불량요인에 미치는 영향을 확인했다.
제조공정에서는 오래전부터 제품의 가공이 끝난 후 기판의 회로검사 또는 도금두께나 선폭 등을 계측하여 불량 여부를 확인하는 통계적 공정관리(Statistical Process Control) 기법을 도입하여 품질관리를 수행해왔다. 특히 1차 회로 형성 후 회로선의 연결 여부와 회로의 상태 등을 검사하여 수율을 산출한다. 1차 회로공정의 불량은 불량품의 후공정 진행 시 더 큰 공정 원가가 발생하여 제품의 원가를 가중시키는 중요한 요인으로 작용하기 때문에, 불량을 최소화하고 수율을 극대화하는 것이 절대적으로 필요하다.

대상 데이터

불량요인은 앞에서 선정한 6개이다. Table 1에서 보듯이 대상 공정은 1차 회로 형성에 영향을 미치는 10개 공정을 선정하였고, 공정별로는 동일한 가공을 수행하는 설비가 최소 2개에서 최대 5개 배치되어있다. 이 표에서 P는 공정(Process)의 약자이고 E는 설비(Equipment) 의 약자이다.
이 표의 결과에서 보듯이 불량요인 B(Short)에 영향을 많이 미치는 공정은 영향도가 큰 기준으로 볼 때 노광(P5), 현상(P6), 박리(P9) 공정의 순으로 중요한 공정이 선정되었다. 본 연구에서는 공정별 누적 영향도를 계산하여 전체 중 약 70%가 되는 3개 공정을 선정하였다(P8, P10은 P-Value가 0.05 이상임).
2와 같다¹⁾ . 수율에 가장 많은 영향을 미치는 주 불량요인은 Short(B), Defect(D), Open(F) 등 6개를 선정하였다. 수십 개의 불량요인 중 A～F를 제외한 불량요인은 전체 불량 중 1% 미만이므로 본 연구에서는 제외한다.

데이터처리

공정별로 혐의설비를 찾는 분석은 각 공정별로 2대 이상 설비로 작업된 공정을 대상으로 분석하였다. 4.2절에서 단계적 변수 선택법을 이용하여 선정된 공정에 대하여 최대우도 추정법을 이용하여 각 독립변수(설비)의 로지스틱 회귀식의 계수를 추정하였다. 이때 추정값이 작은 설비가 불량이 발생할 확률이 작다.
본 연구에서는 상기모델에 따라 최적의 모형식을 통계적으로 만들고 독립변수별 유의성 검정을 통하여 p-value가 0.05 이하이면서, Chi-square값을 기준으로 값이 큰 변수를 선정하였다. 여기서 Chi-square값은 종속변수(불량률)에 독립변수(공정 또는 설비)가 미치는 영향 정도를 설명한다.

이론/모형

계수 β를 추정하는 방법은 기존 선형 회귀분석에서는 최소 자승법(Least Sqaures Method)을 통하여 잔차의 제곱합을 최소화하는 회귀계수를 사용하지만, 로지스틱 회귀분석에서는 사건의 발생 가능성을 최대로 하는 최대우도 추정법(Maximum Likelihood Method)을 이용하여 계수를 추정한다[16].
5보다 작으면 집단 0(정상)으로 분류한다. 그리고 마지막으로 추정한 로지스틱 회귀모형을 바탕으로 단계적 변수선택법(Stepwise Selection Method)을 사용하여 불량에 영향을 미치는 핵심 설비 요인을 발견한다[10, 17].
한 개의 종속변수와 여러 개의 독립변수 간의 상호관련성을 분석할 때 선형 회귀모형을 적용한다. 일반적으로 선형 회귀모형에서 종속변수는 연속적인 값을 가지는 변수로 가정하지만, 독립변수에 따른 양품, 불량 여부를 판단하거나, 종속변수가 0 혹은 1로 표시되는 이항적인 사건을 다루는 경우에는 기존의 선형 회귀분석으로는 독립변수와 종속변수의 관계를 충분히 설명해주지 못한다[12].

성능/효과

이 중에서 전체 불량요인에 공통으로 영향을 많이 미치는 공정은 화학동(P3), 현상(P6), 도금(P7), 박리(P9) 공정이 선정되었다. P1, P2, P4, P5, P8, P10은 거의 영향이 없거나 특정 불량인자에게만 영향을 미친 것으로 분석되었다. 따라서 전체 불량에 공통적으로 영향을 미치는 4개의 공정(P3, P6, P7, P9)을 우선적으로 관리하는 것이 효과가 클 것으로 예상된다.
불량요인에 가장 많은 영향을 미치는 공정은 실제 제조 현장에서 관리하는 공정인자(선폭, 도금두께 등) 데이터를 분석하여 실제로 해당공정 불량요인에 영향을 미쳤다는 사실을 확인하였다. 실제로 도금 공정에서 설비조건에 따라 공정인자값이 변하고 불량요인에 영향을 미치는 것을 이론적으로 확인하였다.

후속연구

실제로 도금 공정에서 설비조건에 따라 공정인자값이 변하고 불량요인에 영향을 미치는 것을 이론적으로 확인하였다. 또한 각 공정별 양호설비와 불량설비는 직접 실험을 할 수는 없지만, 설비 조건이나 상태에 따라서 공정인자가 변하고 불량요인에 영향을 준다는 사실이 확인된 만큼 설비별로 설비변수 분석을 통한 검증 작업이 추가로 필요하다.
중요 인자로 분류된 공정 및 설비들은 현장 엔지니어의 의견을 수렴해 집중적으로 관리될 필요가 있으며, 추가로 설비변수와의 연계분석을 통하여 차후 더 발전된 요인 선택 연구를 진행할 가능성도 존재한다. 마지막으로 아직까지 PCB 생산 공정에서 설비 데이터를 수집하고 생산성 향상에 활용하는 연구 사례가 부족한 상황에서 실제 공정 환경을 고려한 다양하고 새로운 데이터 분석 기법의 개발이 요구된다.
[9]은 어느 관리도에서든 불량이 감지됐을 때, 불량의 유형별로 이상 원인을 즉시 식별할 수 있는 특화된 관리도 (Type-Specific Control Chart)를 제안하였다. 이를 6개 불량 유형, 19개 공정 파라미터를 가진 에칭 공정에 적용하였지만 여전히 더 많은 연구가 필요하다고 언급하였다. Ma et al.
이를 위해 본 논문에서는 PCB 제조라인의 불량 데이터 및 설비변수 데이터를 분석하여 어떤 공정이 수율에 영향을 미치는지를 분석하고, 공정별로 제품을 가공한 설비를 분석하여 불량에 가장 많은 영향을 미치는 혐의설비가 무엇인지 발견하는 분석기법을 제안했다. 중요 인자로 분류된 공정 및 설비들은 현장 엔지니어의 의견을 수렴해 집중적으로 관리될 필요가 있으며, 추가로 설비변수와의 연계분석을 통하여 차후 더 발전된 요인 선택 연구를 진행할 가능성도 존재한다. 마지막으로 아직까지 PCB 생산 공정에서 설비 데이터를 수집하고 생산성 향상에 활용하는 연구 사례가 부족한 상황에서 실제 공정 환경을 고려한 다양하고 새로운 데이터 분석 기법의 개발이 요구된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	PCB란 무엇인가?	PCB는 전자부품을 탑재하여 부품과 부품 사이 혹은 신호선과 신호선 사이를 구리로 된 회로를 통해 전기적으로 접속시켜주는 회로 기판이다. PCB는 TV와 같은 일반 전자 제품 뿐 아니라 핸드폰이나 태블릿 컴퓨터와 같은 정밀 기기에까지 광범위하게 사용되고 있다.
	PCB 공정의 구성은 어떻게 되는가?	PCB 공정은 Fig. 1과 같이 원자재 투입, 1차 회로 형성, 적층, 가공, 도금1, 2차 회로 형성, SR(Solder Resist), 도금2 공정으로 구성된다[1]. 가장 먼저 원자재인 기판을 제품 종류별로 재단하여 공정에 투입한다.
	PCB 공정의 마지막 공정에 대한 특징은?	SR 공정은 제품의 표면 회로를 보호하기 위해 절연 잉크를 도포하는 과정이다. 마지막으로 솔더볼의 전기 전도율 향상과 내부식성 증가를 위한 도금2(금도금) 공정을 거친다.

참고문헌 (18)

김강희, 이병엽, "The PCB," 북두, 2013.
I. Guyon, A. Elisseeff, "An introduction to variable and feature selection," The Journal of Machine Learning Research, 3, pp.1157-1182, 2003.
P. A. Estevez, M. Tesmer, C. A. Perez, and J. M. Zurada, "Normalized mutual information feature selection," IEEE Transactions on Neural Networks, Vol.20, No.2, pp.189-201, 2009.

상세보기
Z. S. Hua, Y. Wang, X. Xu, B. Zhang, and L. Liang, "Predicting corporate financial distress based on integration of support vector machine and logistic regression," Expert Systems with Applications, Vol.33, No.2, pp.434-440, 2007.

상세보기
C. Lawson, D. C. Montgomery, "Logistic Regression Analysis of Customer Satisfication Data," Quality and Reliability Engineering International, Vol.22, pp.971-984, 2006.

상세보기
D. Hosmer, S. Lameshow, "Applied Logistic Regression," Wiley, 2000.
G. A. Cherry, S. J. Qin, "Multiblock Principal Component Analysis Based on a Combined Index for Semiconductor Fault Detection and Diagnosis," IEEE Transactions on Semiconductor Manufacturing, Vol.19, No.2, pp.159-172, 2006.

상세보기
L. Yan, "A PCA-based PCM Data Analyzing Method for Diagnosing Process Failures," IEEE Transactions on Semiconductor Manufacturing, Vol.19, No.4, pp.404-410, 2006.

상세보기
B. E. Goodlin, D. S. Boning, H. H. Sawin, and B. M. Wise, "Simultaneous Fault Detection and Classification for Semiconductor Manufacturing Tools," Journal of the Electrochemical Society, Vol.150, No.12, pp.778-784, 2003.

상세보기
M. D. Ma, D. H. Wong, S. S. Jang, and S. T. Tseng, "Fault detection based on statistical multivariate analysis and microarray visualization," Industrial Informatics, IEEE Transactions on, Vol.6, No.1, pp.18-24, 2010.

상세보기
D. Montgomery, E. A. Peck, and G. Vining, "Introduction to Linear Regression Analysis," 4th Edition, Wiley, 2007.
R. D. Cook, "Detection of influential observations in linear regression," Technometrics, Vol.19, pp.15-18, 1977.

상세보기
R. D. Berger, "Comparison of the Gompertz and Logistic Equations to Describe Plant Disease Progress," Phytopathology, Vol.71, No.7, pp.716-719, 1981.

상세보기
George Y. Wong, William M. Mason, "The hierarchical Logistic Regression Model for Multilevel Analysis," Journal of the American Statistical Association, Vol.80, No.391, pp.513-524, 1985.

상세보기
W. H. David, S. Lemeshow, "Applied Logistic Regression," John Wiley, New York, 1989.
A. Albert, J. A. Anderson, "On the existence of maximum likelihood estimates in logistic regression models," Biometrika, Vol.71, No.1, pp.1-10, 1984.

상세보기
S. Galit, R. P. Nitin, and C. B. Peter, "Data mining for Business Intelligence," Wiley, 2009.
E. W. Ronald, H. M. Raymond, L. M. Sharon, and Y. Keying, "Probability & statistics for engineering and scientists," 9th Edition, Pearson Press, 2011.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증