반도체 제조 공장 Diffusion Furnace 장비의 온도 예측을 위한 물리 기반 모델과 데이터 기반 모델의 혼합 방법
Hybrid Method of Physical Based Model And Data-Driven Model (HMPD) for Predicting Temperature of Diffusion Furnace in a semiconductor FAB
- 주제(키워드) Predictive Model , Semiconductor Device , Furnace , Data-Driven Model , Physical Based Model
- 주제(DDC) 658.5
- 발행기관 아주대학교
- 지도교수 박상철
- 발행년도 2021
- 학위수여년월 2021. 8
- 학위명 석사
- 학과 및 전공 공학대학원 산업시스템공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000031217
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
이 논문은 반도체 제조 장비인 Diffusion Furnace의 온도 예측 모델로서 물리적 기반 모델과 데이터 주도 모델의 혼합하는 방법을 제시한다. 예측 모델은 k 시점의 7개 온도 센서와 7개 히터 파워를 예측 변수로 k+△t 시점의 7개의 온도 센서값을 응답 변수로 한다. 그 방법으로 본 연구에서는 물리 기반 모델과 데이터 기반 모델을 혼합한 형태의 새로운 모델을 제안한다. 1) 열역학 1 법칙을 이용한 수식 형태의 모델을 수립하고 2) 수식 형태에 맞추어 센서 데이터에서 특징을 추출하고 회귀 기술을 이용하여 수식의 계수를 추출한다. 이는 기존의 대표적인 블랙박스 모델인 ANN과 비교하여 2가지 차별점을 갖는다. 1) 적은 데이터로 높은 예측 정확도를 갖는 모델 학습이 가능하다. 2) 학습된 모델의 계수들이 물리적 의미를 갖기 때문에 모델의 해석이 가능하다. 제안하는 방법을 사용하여 온도 예측을 한 결과 ANN 대비 정확도가 2.6배 높았다. 예측 모델을 활용하여 가상 실험 환경을 실무에서 활용한 결과, 1hr 공정 시간을 3s 까지 줄여 1200 배 정도 업무 효율 개선이 되었다.
more초록/요약
This paper proposes a hybrid method of physical-based model and data-driven model as a temperature prediction model for Diffusion Furnace, a semiconductor manufacturing equipment. The prediction model takes seven temperature sensors at point k and seven heater power at point k as prediction variables and seven temperature sensor values at point k+△t as response variables. In this paper, we propose a novel method in the form of a mixture of physics-based and data-driven models. 1) We establish a model in the form of formulas using the first law of thermodynamics, 2) extract features from sensor data corresponding to the form of formulas, and extract the modulus of formulas using regression techniques. This has two differentiating points compared to ANN, a representative black-box model. 1) It is possible to learn models with high prediction accuracy with less data. 2) Interpretation of the model is possible because the coefficients of the learned model have physical meaning. The temperature prediction using the proposed method resulted in 2.6x higher accuracy compared to ANNs. Utilizing the prediction model to utilize the virtual experimental environment in practice, we reduced the process time from 1 hour to 3 seconds, resulting in a 1200x improvement in work efficiency.
more목차
Ⅰ. 서 론 1
1. 반도체 장비 산업 이해 1
2. 연구의 필요성 및 연구 방향 4
3. 논문의 구성 10
Ⅱ. 관련 개념 및 연구 11
1. Control System 11
1.1 Control System 11
1.2 Controller 13
1.3 Plant 15
2. Thermodynamics 18
2.1 열역학 제 1법칙 18
2.2 열전달 19
3. 디지털 트윈 23
3.1 디지털 트윈 개념 및 구분 24
3.2 디지털 트윈 활용 예시 25
Ⅲ. 연구 결과 28
1. 장비 데이터 구성 28
1.1 장비 구조와 센서 데이터 위치 28
1.2 공정 순서 설명 30
2. HMPD 예측 모델링 33
2.1 예측 모델링 스케메틱 33
2.2 열역학 이론 근거 수식 도출 34
2.3 데이터 전처리 36
2.4 모델링 39
2.5 모델 평가 41
3. ANN 예측 모델링 42
3.1 ANN 구조 43
3.2 모델링 및 모델 평가 44
4. 모델 간 정확도 비교 47
5. 실제 활용 사례 48
Ⅳ. 결론 49
참고 문헌 51
