http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
머신러닝 기법을 활용한 와이어본더 설비 부품 수명 분류 및 예측
박아영(A.-Y. Park),김승만(S. Kim),송준엽(J.-Y. Song),이재학(J. H. Lee),한성흠(S. Han, S. Kang),강수민(S. Kang) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
본 연구에서는 반도체 후공정 장비의 설비 예지 보전을 위하여 가장 널리 쓰이는 와이어 본더를 선정하고, 장비에서 추출할 수 있는 데이터와 더불어 센서를 통하여 실제 가동 중인 와이어 본더의 소음 진동 데이터를 수집하였다. 이 때 수집 된 데이터는 강제 고장 등의 비정상 데이터가 아닌 실제 라인의 정상 공정 데이터이며, 주기적으로 교체되는 부품의 전주기 데이터를 포함한다. 규칙적인 간격으로 수집 된 데이터를 사용 횟수에 따라 타깃 부품 수명 초기, 중기, 말기로 분류하고 각 단계에서 무작위로 데이터를 추출하여 데이터 셋을 만든다. FFT 계산을 통하여 Fundamental Frequency 를 수집하고 수명 초, 중, 말기의 값을 라벨링하여 KNN, XGBoost 등의 지도 학습 알고리즘을 적용하여 학습을 수행한 후 테스트 데이터를 사용하여 데이터 분류를 수행하였다. 또한 분류 정확도 개선을 위하여 노이즈 필터링 외 전처리 되지 않은 Raw Data 를 이용한 것과 주성분 분석을 통하여 차원이 축소된 데이터를 이용 했을 때의 분류 정확도를 분석하였다. 이와 같은 설비 부품 수명 분류 및 예측을 통하여 현재 사용하고 있는 부품의 수명 단계를 확인하고 설비 예지 보전 단계에서의 불필요한 운용 비용을 절감할 수 있다.