신경망을 이용한 동적 수율 개선 모형

Abstract

기업에서는 경쟁력을 표현하고자 다양한 성능지표들을 사용하고 있다. 다양한 성능지표 중 수율은 생산성, 수익성, 업체의 성과 측면에서 쉽게 표현이 가능한 척도이다. 수율은 전자산업, 자동차산업, 부품산업 등에서 중요하게 사용되고 있다. 기업의 생산라인들은 정보기술의 발전과 더불어 온라인 기반의 실시간으로 공정을 관리하는 자동화 시스템으로 발전하여 운영되고 있다. 또한 생산라인들은 제품 구조가 복잡해지고 다양해지면서 하나의 특성치보다는 여러 개의 연관된 특성치들과 공정 변수들을 동시에 관리해야 하는 다변량 공정들로 구성되어있다. 이러한 다변량 공정은 공정의 변수가 상호작용하면서 수율과 비선형의 복잡한 관계를 가지기 때문에 수율 관리와 수율 저하의 원인을 신속하고 정확하게 파악해서 개선하기가 어렵다. 따라서 이 연구에서는 온라인 기반의 자동화 시스템 운용이 요구되는 환경에서 신경망 예측 기법을 이용하여 동적으로 수율을 개선할 수 있는 모형을 제안 하고자 한다. 자동화 생산라인에서는 높은 수율을 유지하고 나아가 수율을 향상시키기 위한 실시간 동적 수율 개선 방법이 중요하다. 신경망 예측 모형을 이용하여 수율을 예측하며, 실시간으로 수율을 개선하고 유지할 수 있도록 하기위한 모형 개발이 필요한 것이다. 제안 모형은 수율 저하 시, 수율 개선에 영향이 많은 공정과 변수 조정값을 예측하고, 예측한 정보를 피드백하여 공정을 조정하는 모형이다. 제안 모형을 통해 수율 개선에 필요한 정보를 파악하여 공정의 수율을 동적으로 개선하고 유지가 가능할 것이다.; Yield is a measure which describes the productivity, profitability and performance of company. So, the yield as the most important measure is used in many industries. With the development of the information technology and online-based real-time process monitoring, many industries operate the production lines that are developed into automation system. In these production lines, the product structures are complex and of variety. So, there are many multi-variate processes that need to be monitored with many quality characteristics and associated process variables at the same time. These situations have made it possible to obtain super-large manufacturing process data sets. However, there are many difficulties with finding the cause of process variation or useful information in the high capacity database. In order to solve this problem, neural networks technique is a favorite technique that predicts the yield of process for process control. This paper uses a neural networks technique for improvement and maintenance of yield in manufacturing process. The purpose of this paper is to model the prediction of a sub process that has much effect to improve yields in total manufacturing process and the prediction of adjustment values of this sub process. These informations feed back into the process and the process adjusts. We show that the proposed model is useful to the manufacturing process through the case study.