초록 ▼

공정 중 생산품 불량예측시스템 및 학습모델 생성방법을 개시한다. 실시예에 따른 공정 중 생산품 불량예측 시스템은 전압, 전류, 누적가스량을 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈; 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성

공정 중 생산품 불량예측시스템 및 학습모델 생성방법을 개시한다. 실시예에 따른 공정 중 생산품 불량예측 시스템은 전압, 전류, 누적가스량을 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈; 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성하는 학습엔진; 생산품의 균열, 기공, 슬래그혼입, 융합상태를 포함하는 품질 세부정보를 파악하고, 불량예측학습모델을 이용하여 상기 생산품의 공정 별 불량확률, 불량확률의 오차범위 및 오차율을 산출하는 확률산출모듈; 및 산출된 불량확률이 기준수치를 초과하는 경우, 후속공정진입중지, 관리자 알림을 포함하는 공정제어명령을 생성하고, 불량확률이 기준수치 이상인 생산품을 잠정불량판정모델로 설정하고, 잠정불량판정모델의 모델명, 공정과정을 포함하는 세부정보를 파악하는 공정제어모듈; 을 포함한다.

대표청구항 ▼

공정 중 생산품 불량예측시스템에 있어서,전압, 전류, 누적 가스량, 순간전압, 순간전류를 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈;상기 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성하는 학습엔진; 생산품의 균열, 기공, 슬래그혼

공정 중 생산품 불량예측시스템에 있어서,전압, 전류, 누적 가스량, 순간전압, 순간전류를 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈;상기 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성하는 학습엔진; 생산품의 균열, 기공, 슬래그혼입, 융합상태를 포함하는 품질 세부정보를 파악하고, 상기 불량예측학습모델을 이용하여 상기 생산품의 공정 별 불량확률, 상기 불량확률의 오차범위 및 오차율을 산출하는 확률산출모듈; 및상기 산출된 불량확률이 기준수치를 초과하는 경우, 후속공정진입중지, 관리자 알림을 포함하는 공정제어명령을 생성하고, 상기 불량확률이 기준수치 이상인 생산품을 잠정불량판정모델로 설정하고, 상기 잠정불량판정모델의 모델명, 공정과정을 포함하는 세부정보를 파악하는 공정제어모듈; 을 포함하고상기 학습엔진은상기 불량예측학습모델 생성에 필요한 초기데이터가 기준량까지 누적되는 동안에는 MLP 알고리즘을 이용한 패턴학습을 통해 학습모델을 생성하고, 상기 초기데이터 기준량 이상이 되는 경우, RNN 알고리즘을 이용한 패턴학습을 통해 학습모델을 생성하고상기 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도 변경을 수행하여 반복적인 불량예측 학습을 수행하고, 상기 학습 결과로 신경망 연결강도인 불량패턴이 산출되면, 상기 산출된 불량패턴을 불량예측학습모델에 반영하여 불량예측학습모델을 업데이트하고, 산출된 불량패턴과 업데이트된 불량예측학습모델을 수집모듈로 전달하고공정작업기기의 상태 정보에 대한 임계값을 산출하고, 중심선, 상한선, 하한선을 포함하는 불량확률 및 공정작업 기기 상태정보를 통계 분석자료로 생성하고, 공정 도중 불량확률이 임계치를 초과하는 생산품은 추가 공정을 진행하지 않도록 하고상기 학습엔진은 잠정불량판정모델의 공정 별 전압, 전류, 가스량을 포함하는 계측정보를 파악하고, 계측정보에 판정결과정보를 부가하여 불량예측학습을 수행하고, 수행된 학습 결과에 따라 불량예측학습모델을 변경하고, 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도를 변경시키는 반복적인 불량예측학습을 수행하고상기 확률산출모듈은생산품의 품질정보에 따라 생산품의 불량확률을 산출하고, 생산품 별 공정과정에 따라 불량확률의 오차범위 및 불량확률의 오차 임계값을 산출하고상기 불량예측학습모델을 이용하여 시간, 전압, 전류, 가스를 포함하는 계측정보 각각이 불량확률에 영향을 미치는 가중치인 신경망 연결강도를 산출하고,상기 확률산출모듈은수학식 1: 불량확률=에 따라 생산품의 불량확률을 산출하고상기 수학식 1에서 가중치는 신경망 연결강도이고, 파라미터는 시간, 전압, 전류, 가스의 계측수치이고상기 생산품 불량예측 시스템은PLC(Programmable Logic Controller), 센서, 로봇, HMI(Human Machine Interface) 및 각종 공정기기를 포함하는 공정에 사용되는 시스템 각각으로부터 입출력 계측 데이터를 수집하여 실시간 품질 분석 결과를 제공하고, 포아송분포, 파레토도, 정규분포를 포함하는 생산품의 정량적 인자에 대한 통계자료를 제공하고, 실시간으로 수집된 계측정보를 학습모델에 반영하고 학습모델이 변경된 만큼 인공신경망의 강도를 변화시키는 과정을 반복하여 학습모델을 진화시키는 것을 특징으로 하는 생산품 불량 예측시스템.