CNN을 이용한 반도체 장비 데이터 이상성 검출
- 주제(키워드) 반도체 제조 설비 , 유지 보수 , 공정 레시피 , 합성곱 신경 망(CNN) , 이상성 검출
- 주제(DDC) 621
- 발행기관 아주대학교
- 지도교수 이정원
- 발행년도 2022
- 학위수여년월 2022. 2
- 학위명 석사
- 학과 및 전공 IT융합대학원 IT융합공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000031386
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문은 반도체 제조 설비로부터 나오는 데이터를 이용하여 이상성 검출 모델을 생성하고, 공정이 진행되기 전에 이상성 데이터를 사전 검출하여 유지 보수 비용을 줄이는 방안을 제안한다. 기존에는 반도체 제조 설비에서 발생하는 센서 데이터의 불량을 탐지하고 예측하기 위해 FDC(Fault Detection and Classification)와 SPC(Statistical Process Control) 시스템이 활용되고 있다. 하지만 반도체 공정 기술이 고도화되면서, 이전보다 센서 데이터의 종류가 많아지고 짧은 주기로 빠르게 생성되어 체계적인 데이터 수집과 분석이 필요한 실정이다. 그뿐만 아니라 반도체 설비 엔지니어가 수많은 센서 알람과 복잡한 제어 로직으로부터 설비 결함의 근본 원인을 빠르게 찾아내거나, RUL(Remaining Useful Life)을 예측하는 등 유지 보수 비용을 줄이는 요구 사항이 커지고 있다. 본 연구에서는 빠르고 안정적으로 반도체 제조 설비로부터 수집된 데이터를 이용하여 CNN(Convolution Neural Network) 학습을 진행하였다. 공정 진행 중 품질에 영향을 주는 플라즈마를 생성하기 전 단계인 공정 레시피 내의 안정화 단계의 데이터를 CNN 모델로 학습하여, 이상성 데이터의 탐지하고 동시에 결함의 원인을 제시한다. 반도체 설비로부터 획득한 실제 데이터를 가지고 실험한 결과, 평균 정확도, 정밀도, 재현도, F1 score 모두 99.8%로 높은 성능을 보였다.
more목차
1 서론 1
2 관련 연구 7
2.1 반도체 유지 보수 전략 7
2.2 CNN을 이용한 결함 검출 9
3 학습을 위한 공정 제어 레시피 데이터 특징 추출 11
3.1 데이터 수집 11
3.2 데이터 특징 분석 및 추출 14
3.2.1 공정 제어 레시피 14
3.2.2 학습 데이터 추출 16
3.2.3 이상성 데이터 특성 및 분류 18
4 설비 데이터 이상성 사전 검출을 위한 학습 22
4.1 데이터 전처리 22
4.2 CNN 학습 모델 구축 24
5 실험 및 검증 28
5.1 실험 및 테스트 환경 28
5.2 데이터 준비 30
5.3 평가 33
5.3.1 학습 모델 정확성 검증 33
5.3.2 정상 및 이상성 데이터 분류 검증 34
5.3.3 평가 결과 요약 47
6 결론 50
참고문헌 52
