반도체 공장에서 딥러닝 기반의 물류 자동화 시스템 처리량 다중 시점 예측
초록/요약
Automated material handling systems aim to supply wafers to the right place at the right time, from the semiconductor production process to the production facility. Appropriate management in response to the changing production environment is necessary to achieve this goal, and the implementation of optimal material handling based on this management can result in maximum output and increased operating profit. An optimal material handling environment can be maintained by monitoring the production system status such as production increase, product change, system patching, line modification and improvement work, and assigning appropriate system control and work schedules. This implementation can be more effective if the system status can be predicted in advance. This study presents the possibility of application and development of a deep learning-based framework for multi-horizon forecasting of throughput in the automated material handling system. For this purpose, we acquired the training data that can improve prediction performance by extracting variables from actual system event logs and messages, and interpolating anomalies present in the data through an anomaly detection model based on unsupervised learning. The application of a deep learning model trained with the cleansed data resulted in outperformance compared to the classical statistical prediction methods, and robust prediction performance was further confirmed through time series cross-validation. This study is important as it presents a prediction method that can preemptively respond to the change in the production environments in a semiconductor automated material handling system by extracting the major factors that influenced the prediction along with high performance.
more초록/요약
물류 자동화 시스템(automated material handling system)은 반도체 생산 공정에서 생산 설비로 웨이퍼(wafer)를 적시 적소에 공급하는 것을 목표로 한다. 이러한 목표를 달성하기 위해 변화하는 생산환경에 적절하게 대응하여 운영하는 것이 필요하며, 이를 통해 최적의 물류 반송이 수행될 때 최대 생산량 달성과 영업 이익의 증가를 꾀할 수 있다. 최적의 물류 반송 환경은 생산량 증가, 제품 변화, 시스템 패치, 라인 개조 개선 작업 등 생산 시스템 상황을 모니터링하고 적절한 시스템 제어와 작업 일정을 할당하여 운영할 때 유지될 수 있으며, 사전에 시스템 상태를 예측할 수 있다면 이를 더욱 효과적으로 수행할 수 있다. 본 연구는 물류 반송 시스템 처리량의 다중 시점 예측(multi-horizon forecasting)을 위한 딥러닝(deep learning) 기반 프레임워크 적용 및 개발 가능성을 제시한다. 이를 위해 실제 시스템 이벤트 로그와 메시지에서 변수를 추출하고, 비지도학습 기반의 이상탐지 모델로 데이터에 존재하는 이상치를 보간하여 예측 성능을 향상할 수 있는 학습 데이터를 확보하였다. 정제된 데이터를 학습하는 딥러닝 모델을 통하여 고전적인 통계적 예측 방법 대비 높은 성능을 달성하였고, 시계열 교차검증 (time series cross-validation)을 통해 강건한 예측 성능을 확인하였다. 본 연구는 높은 성능과 함께 예측에 영향을 준 주요 인자를 추출하여 반도체 물류 시스템에서 생산 환경변화에 선제적으로 대응할 수 있는 예측 방법론을 제시한다는 점에서 그 의의가 있다.
more목차
1 서론 1
2 선행 연구 7
2.1 예측을 통한 물류 자동화 시스템 최적화 7
2.2 다양한 산업 현장에서의 예측 방법론 9
2.3 딥러닝 기반 다중 시점 예측 연구 10
3 제안 방법론 13
3.1 AMHS 예측 시스템 아키텍처 개요 14
3.1.1 데이터 취합 및 사전 처리 14
3.1.2 학습 데이터셋 정제 14
3.1.3 학습, 예측, 분석 방법론 17
3.2 딥러닝 기반 예측 모델 19
3.3 해석 가능한 예측 및 AMHS 환경 시뮬레이션 22
4 실험 설계 24
4.1 실제 반도체 생산 시스템 데이터 24
4.2 상세 실험 정보 25
5 실험 결과 27
5.1 예측 결과 분석 27
5.2 모델 견고성 평가 29
5.3 이상치 보간 효과 31
5.4 예측 해석력 검증 31
6 결론 37
참고 문헌 39
