초록 ▼

본 발명은 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화

본 발명은 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하는 공정제어방법에 관한 것이다. 본 발명에 따른 공정제어방법 및 그를 포함하는 공정제어장치는 머신러닝을 통한 경험적 모델(AI 모델, 공정지능화 모델)을 도출함으로써, 복잡하게 구성된 공정시스템이나 거대한 크기의 현장에 대하여 적은 시간과 비용으로 분석이 가능할 수 있다.

대표청구항 ▼

(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표

(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하고,단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 공정제어방법.[식 1][식 2]