[학회후기]

2018년 11월 9일 금요일 한양대학교에서 개최된 대한산업공학회에 다녀왔다. 역시 머신러닝을 산업현장에 적용한 연구가 가장 많았고, 더불어 텍스트마이닝, Transfer Learning 등 딥러닝 관련 다양한 연구를 살펴볼 수 있었다. 또한, 학부시절 교수님과 동기들을 만날 수 있는 장이 되었고 오랜만에 연구실 인원들과 커피한잔 여유를 즐길 수 었던 시간이었다.

[발표후기] 

제목: '다채널 센서데이터 기반 제조공정 내 최정공정 및 원인분석 방법론'

제조공정 내 품질을 예측하고 그 원인을 분석하는 것은 매우 중요한 문제다. 최근 공정이 복잡해지고 고도화 되며 미세한 원인으로 야기된 품질불량을 탐지하기 어려운 실정으로, 공정상황을 면밀히 반영하는 다채널 센서데이터를 사용하여 품질분석 방법론 연구가 활발히 이루이지고 있다. 본 연구에서는 다채널 센서데이터를 2차원 형태로 전처리한 후 딥러닝(CNN)을 기반으로 불량률(y, continuous)을 예측 및 CAM(Class Activation Mapping)을 기반으로 원인을 분석하고자 하였다. CNN은 연속형 반응변수(불량률)을 예측하기 위해 회귀모델로 디자인하였고, CAM으로부터 도출되는 확률행렬에서 column(변수)별로 더한 값을 변수 중요도로 보고 중요변수(센서)를 선택하였다. 그리고 중요변수 내 높은 확률값을 보이는 부분을 원인구간으로 설정하여 불량률이 가장 작은 케이스와 높았던 케이스를 비교하여 분석한 결과를 소개하였다.

첫번째 질문: CNN 모델은 어떻게 디자인 되었는가?

답변: 먼저 CNN 분류모델과 회귀모델의 가장 큰 차이점을 갖는 부분은 Dense Layer 내 클래스 개수를 1로 부여한 점과 Activation Fuction이 'Linear'라는 점이다. 또한, VGG Net 등 명명된 CNN 모델을 사용한 것이 아닌 Conv,Batch Norm, Max Pooling 조합을 5번 적용한 CNN 회귀모델이다.

두번째 질문: 혐의공정 원인을 분석할 때 정상데이터도 함께 적용한 이유는 무엇인가?

답변: 동일 조건으로 공정이 수행될 때, 불량이 발생하는 원인은 특정 구간에서 정상센서데이터와 미세한 차이를 보이는 불량센서데이터로 인한 것이다. 그리하여 그 차이가 발생하는 부분이 어디인지 원인구간을 도출하는 데 집중한 연구를 소개한 것이다.

[청취후기]

제목: '다단계 공정에서의 제품 품질 변화를 야기하는 공정 경로 구간의 탐색 및 Golden path 도출방법'

발표자가 눈에 익어 반가웠다. 발표자는 ​내가 ​지난 해 HMM(Hidden Markov Model) 기반 혐의공정설비 시퀀스 탐색 방법론을 발표했을 때 관심갖고 연락을 주고받던 연구원이다. 내가 혐의공정 설비시퀀스를 찾고 있다면 이 분은 최적 공정 설비 시퀀스를 찾고, 제조공정 수행시 설비할당 룰(Dispatching Rules)에 반영하고자 하는 것이 목적이었다. 보통 최적설비시퀀스는 BOB(Best of Best Path)로 명명하는 줄 알고있었는데 Golden Path라고 칭한것이 매우 인상적이다. 항상 궁금했던 점은 Golden Path를 찾았을 때, 그 Golden Path로 모든 제품을 할당한다면 분명 병목현상이 할텐데 정확히 어떤식으로 반영하는지 궁금했다. 하지만 장점은 분명하다. 동일한 조건으로 공정을 지시했을 때, 최적설비 시퀀스를 알 수 있다면 그 최적설비의 공정 스펙(spec)을 기준삼아 공정수행에 반영할 수 있을 것이다. 연구적으로 또 어떤 가치가 있을 지 생각해보면 다음과 같다. 보통 반도체 제조공정은 안정된 공정수행을 유지한다. 하지만 불량이 발생했을 때 그 손해는 막대하다. 즉, 불량 데이터는 부족하지만 반드시 탐지해야하는 상황이다. 대표적으로 OCC(one class classification)문제로 가져올 수 있으며 OCC를 학습할 때 최적설비시퀀스로부터 발생되는 다채널센서데이터에 가중치를 더해주면 좋을 것 같다. 개인적으로 요즘 FDC(Fault Detection and Classification) 데이터(보통 설비에서 발생되는 센서데이터를 칭하는 데이터)를 많이 갖고있는데 한번 적용해볼 계획이다.