뉴로퍼지와 WECR 알고리즘을 이용한 실시간 상수관망 이상감지

황재문 충북대학교 2018 국내박사

The difference of supplied and received tap water rate is higher than develop edcountries, and it is estimated that this is mainly due to the leakage of the water pipe network. Leakage from a water supply network is often judged when the minimum flow at night or supply flow increase compared to previous days. In this case, only daily analysis is possible and there is no real-time anomaly detection capability. Recent leakage reduction studies have been carried out by mainly focusing on minimizing leaks and accidents through optimization of the water pressure of a distribution network. However, in case of pipeline accidents such as a sudden increase in water leakage like pipeline deviation and breakage,there is no real-time analyzing system to acknowledge its position promptly and they are usually reported from citizens, which leads to late response and causes inconveniences and economic losses. In order to determine the leakage of the water through the pipe network in realtime, the prediction algorithm and the abnormality detection method should be concurrently performed in order to analyze the supply flow and the water flow rate. In this dissertation, we propose an optimal algorithm by estimating flow and pressure through artificial intelligence algorithms such as linear regression, neuralnetwork, and neuro fuzzy to investigate the possibility of distinguishing pipe leakage according to data combination of instruments installed in thepipeline. WECR (Western ElectricControlRule) is used to decide the leakage by analyzing the error between thepredicted and measured values statistically. As a result of estimating the flow and pressure through the sensor combination, the bias compensation was needed for the error between the supply and the feed flow even in the situation equipped with all flow meters. The nonlinear relationship between the pressure and the flow rate should be considered in case of the flow estimation with pressure. Therefore, if the flowmeter is fully equipped, Both the linear model and neuro-fuzzy model can be use dowing to the almost same performance. However, the neuro-fuzzy model should be used if the flowmeter is not fully equipped. The detection of the anomaly was confirmed by calculating the errors between the predicted value and the measured value and applying them to WECR method, which can detect the errors over 3σ every minute. The result of analyzing leakage detection according to sensor combination showed better results with more consideration of flow sensor, and even pressure data could be used to detect it. As a result of discrimination of the anomaly detection ability by the algorithm, it is suggested that applying the neuro-fuzzy algorithm with WECR is an optimal combination rather than applying the linear regression technique. In this dissertation, the difference more than 3.3% of the supply and predicted flow rate can be detected on realtime and expected to minimize the inconvenience of the citizens through rapid response. 수돗물의 생산량 대비 공급량으로 정의되는 유수율은 선진국에 비해 낮게 나타나고 있으며, 이는 대부분 상수관망의 누수에 기인한 것으로 추정된다. 상수도 관망에서 누수는 야간최소유량 또는 공급량이 이전 일들과비교하여 증가할 시 누수라 판단하는 경우가 많다.이러한 경우 일일 단위의 분석만 가능하며 실시간 관로 이상감지는 불가하다. 현재까지 진행 되어온 누수저감 연구와 활동들은 주로 배수관망의 수압 최적화를 통하여 누수를 최소화하여 관로사고와 누수량을 줄이는 방법으로 진행되어 왔다. 하지만 급격하게 누수량이 증가하는 관로의 이탈이나 소손 등 관로사고의 경우 주민의 신고나 근무자의 모니터링에 의존하고 있어서 신속하게 대처하지 못하고 있으며,단수에 따른 국민 불편 및 경제적 손실이 발생하고 있다. 상수관망의 관로누수를 실시간 판별하기 위해서는 공급유량과 수수유량 관계로 해석하는 예측 알고리즘과 이상감지 방법이 병행되어야 한다. 본 논문에서는 관망에 설치된 다양한 센서 조합을 가정하여,데이터 조합에 따른 관로누수 판별 가능성을 검토하기 위하여 선형회귀,신경망,뉴로퍼지 등의 인공지능 알고리즘을 통한 유량과 압력 예측을 실시하여 최적알고리즘을 도출하였다. 이를 통해 예측된 결과와 실측값과의 오차를 구하고, 이를 통계적 기법으로 분석하는 WECR(Western Electric Control Rule)을 적용하여 이상감지를 실시하였다. 센서 조합에 따른 상수관망에서 유량 및 압력을 예측한 결과,유량계가 있는 경우에도 공급과 수수유량사이에 오차가 발생함에 따라 오차 보상을 위한 알고리즘이 필요하였으며,유량계가 없는 경우 압력과 유량과의 비선형적인 관계를 고려하여야 하였다.따라서 유량계가 완비된 경우에는 회귀모델과 뉴로퍼지 모델의 오차가 크지 않아 차별성이 적었으며, 유량계가 미 완비된 경우에는 오차가 발생함에 따라 뉴로퍼지 알고리즘에 의한 예측이 반드시 선행되어야 하였다. 이상감지는 예측 알고리즘에 따른 유량과 압력 예측값과 실측값의 오차를 계산한 후 이를 WECR 판별기법에 적용한 결과, 3σ가 최소 1번 이상 발생한 경우를 누수로 판별하는 것이 가장 정확히 판정하는 것으로 확인되었다.센서 조합에 따른 누수판별을 분석한 결과는 유량센서를 많이 고려할수록 더 좋은 결과를 얻었으며,압력자료를 이용하더라도 양호한 감지능력을 나타내었다.알고리즘에 따른 이상감지 능력을 판별한 결과 선형회귀 기법을 적용하는 것보다 뉴로퍼지 알고리즘을 적용하는 것이 이상감지에 최적조합임을 제시하였다. 본 논문을 통하여 공급유량과 예측유량에서 약 3.3% 이상의 차이가 발생하는 경우 실시간 관로 이상감지가 가능하여 신속한 조치를 통한 시민들의 불편을 최소화하는데 기여할 것으로 사료된다.

엣지 컴퓨팅과 LMS 알고리즘 기반의 열화상 카메라를 이용한 분전반 이상감지 시스템 설계

이상배 공주대학교 일반대학원 2020 국내석사

본 논문에서는 최근 발생한 전체 화재 중에서 발생 빈도가 높은 전기화재 의 발화요인 및 발화기기를 분석하였다. 전기 설비 중 분전반의 화재 위험성이 높았고 분전반의 화재예방을 위하여 과열에 대한 이상감지시스템을 설계하였다. 현재까지 다양한 센서를 활용한 이상감지시스템이 개발되었지만 화재가 발생한 뒤에 감지가 되거나 오감지율이 높다는 측면에서 화재예방에 한계가 있음이 조사되었다. 이러한 한계를 극복하기위해 화재예방 측면에서 온도를 모니터링 할 수 있는 열화상카메라가 활용되고 있다. 열화상카메라를 활용하는 이상감지시스템의 연구·개발도 진행되고 있다. 대부분의 열화상카메라를 활용한 이상감지시스템은 비용과 네트워크 문제로 인해 카메라의 수량을 최소로 사용하는 방법을 적용하는 상황이다. 그러나 실제 산업 현장에서는 대량의 열화상카메라가 요구된다. 대량의 카메라로 시스템을 구축하면 서버와 네트워크 과부화가 발생된다. 이를 해결하려면 서버 또는 PC가 많이 필요하므로 비용문제가 발생한다. 본 논문에서는 열화상카메라에 엣지 컴퓨팅을 적용하여 온도를 모니터링 하는 이상감지시스템을 설계하여 데이터양의 증가로 인한 서버 및 네트워크 과부하를 해결한다. 엣지 컴퓨팅을 통해 데이터양을 통제해서 서버와 네트워크 과부하를 해결한다. 엣지 컴퓨팅이 적용된 열화상카메라에서 데이터를 통제하기 위해서는 온도에 대한 판단기준이 정확해야하는데 이를 위해 LMS 알고리즘을 적용하였다. 본 논문에서 구현한 이상감지시스템은 분전반의 화재 또는 과열 감시 시스템으로 활용될 수 있을 것으로 예상된다. In this paper, the major causes and major devices of electric fires with a high frequency of occurrence among the recent fires were analyzed. Among the electrical installations, the risk of fire in the distribution panel was high. To prevent fire in the distribution panel, an anomaly detection system for overheating was designed. Until now, an anomaly detection system using various sensors has been developed, but it has been investigated that there is a limit to fire prevention in that it is detected after a fire or has a high false detection rate. In order to overcome these limitations, thermal imaging cameras that can monitor the temperature in terms of fire prevention are being used. Research and development of an anomaly detection system using a thermal imaging camera is also in progress. An anomaly detection system that utilizes most thermal imaging cameras uses a method that uses the minimum number of cameras due to cost and network problems. However, a large amount of thermal imaging cameras are required in actual industrial sites. If you build a system with a large number of cameras, server and network overload occurs. To solve this, it requires a lot of servers or PC, which incurs a cost problem. In this paper, by designing an anomaly detection system that monitors temperature by applying edge computing to a thermal imaging camera, it solves the server and network overload caused by an increase in the amount of data. It solves server and network overload by controlling the amount of data through edge computing. In order to control data in the thermal imaging camera to which edge computing is applied, the criterion for temperature must be accurate. For this, the LMS algorithm is applied. It is expected that the anomaly detection system implemented in this paper can be used as a fire or overheating monitoring system in the distribution panel.

MLP모델을 활용한 고주파 유도 용해로 이상감지 예지보전 시스템 구현

김진 부산대학교 대학원 2020 국내석사

In the casting industry, high-frequency induction melting furnaces have a great impact on increasing productivity and improving the manufacturing environment, but from an industrial accident management perspective, industrial accidents are frequently caused by fires, explosions and ruptures caused by foundry furnaces. In particular, small and medium-sized casting manufacturing plants are always exposed to risks, which necessitates countermeasures. Currently, foreign production equipment manufacturers of high frequency induction melting furnaces in the U.S. and Germany want to predict the remaining life of the production equipment and prevent large industrial accidents by detecting the conditions of the production equipment in advance. And by connecting IoT sensors to detect abnormal signals and By analyzing maintenance cycles of production equipment and abnormal detection signals, intelligent research activities such as AI predictive learning models are taking place. Therefore, if the abnormal detection prediction maintenance monitoring system of this study is applied to the manufacturing plant, it will reduce the risk of industrial accidents in the casting industry and have the substitution effect of commercial S/W localization. In this paper implemented the high frequency induced melting furnace abnormal detection and prediction maintenance monitoring system using MLP model. To collect data on the condition of production equipment operation in real time by analyzing the electrical and mechanical characteristics of high-frequency melting furnaces, It were implemented production equipment interlocking interface function that collects digital converter devices from IoT sensors and PLC modules in a stable and accurate method. Although it depends on production operation rate, a service that collects about 200,000 monthly production equipment status data is operational and monitored. The PLC Repository Master server is established independently for reliable transmission and storage of the collected data, and the data can be analyzed and distributed processing using the abnormal detection monitoring and predictive learning model of the melting furnace production equipment. The pre-processing phase of equipment operation data collected for more than a few months was carried out to analyze the correlation of 18 data related to the fault prediction of equipment. Of these, six input data were finally selected and the predicted accuracy results were obtained 91% in 10 times learning testing using the predictive learning model. If time series data is secured through continuous storage and monitoring management of systematically collected production equipment history data, it is believed that the learning model of time series analysis can be studied and developed by upgrading to LSTM predictive learning model in the future. 주조 산업에서 고주파 유도 용해로는 생산성 증대와 제조 환경 개선에 많은 영향을 주고 있으나 산업재해 관리 관점에서는 주조 제조공장 용해로에 의한 화재, 폭발, 파열로 인한 산업 재해 사고가 빈번하게 발생하고 있다. 특히 중소기업형 주조 제조 공장에는 항상 위험에 노출되어 있어 이에 대한 대책이 필요한 상황이다. 현재 미국과 독일의 고주파 유도(Induction) 용해로의 해외 설비 제조회사들은 설비상태를 사전에 이상감지 하여 설비의 잔존 수명을 예측하고, 대형 산업재해 사고를 방지하기 위하여 이상 신호 감지를 위한 IoT 센서를 접목한 데이터 수집 기술과 보전주기와 이상감지 신호를 분석하여 인공지능 예측 학습모델등 지능화 연구 활동이 이루지고 있다. 그래서 본 연구의 이상 감지 예지보전 모니터링 시스템이 제조공장에 적용되면, 주조 산업의 산업재해 위험 감소와 상용 S/W 국산화 대체효과를 거둘 수 있을 것이다. 본 논문은 MLP모델을 활용한 고주파 유도 용해로 이상감지 예지보전 모니터링 시스템을 구현하였다. 고주파 용해로의 전기적인 기계적인 특징을 분석하여 설비 운영 상태 값의 데이터를 실시간으로 수집하기 위하여 IoT 센서 정착과 PLC 모듈에 디지털 컨버터 디바이스를 장착하여 안정적이고 정확하게 수집하는 설비 연동 Interface 기능을 구현하였다. 생산 가동률에 따라 차이는 있지만 월 평균 20만 건 정도의 설비 상태 데이터를 수집하는 서비스가 가동되고 모니터링이 되고 있다. 수집한 데이터를 안정적으로 전송되고 보관하기 위하여 PLC Repository Master 서버를 독립적으로 구축하고, 용해로 설비의 이상감지 모니터링과 예측 학습모델을 이용하여 데이터를 분석하고 분산처리 할 수 있게 구성되어 있다. 수개월 이상 수집한 설비운영 상태 데이터를 데이터 전처리 단계 과정을 수행하여, 설비 이상감지와 관계가 있는 18개 데이터에 대해 상관관계를 분석하였다. 그 중에서 6개 Input 데이터를 최종 선별하여 예측 학습모델을 이용하여 10회의 학습 실험에서 91%의 예측 정확도 결과를 도출하였다. 향후, 체계적으로 수집된 설비 이력 데이터를 지속적으로 저장 및 모니터링 관리를 통해 시계열 데이터가 확보되면, 시계열 분석의 학습모델을 연구하여, 향후에는 LSTM 예측 학습모델로 업그레이드하여 발전 할 수 있을 것으로 본다.

원심펌프와 파이프 계통의 이상감지 및 진단에 관한 연구

김태한 檀國大學校 大學院 1995 국내석사

본 연구에서는 타여자 직류 전통기로 구동되는 원심펌프에 의한 액체 수송관 시스템에 대하여 세개의 관측자를 설계하여 센서 이상을 감지할 수 있고, 타여자 직류 전동기, 원심펌프 및 파이프 계통에서 발생 가능한 공정요소 이상을 감지 및 진단할 수 있는 이상 감지 전략을 제시한다. 타여자 직류 전동기, 원심펌프 및 액체 수송관 시스템은 공정을 잘 표시할 수 있고 이론적으로 유도된 수학적 모델을 근거로 하였고, 이러한 대상 시스템의 입력값과 이용 가능한 출력값을 그 입력값으로 이용하여 세개의 관측자를 구동하므로써 시스템 각각의 상태변수를 추정하였다. 공정 상태변수 측정값들과 서로 다른 관측자에서 추정한 추정값들의 적절한 함수로 주어지는 잔차를 이용하여 진단규칙을 만들고, 센서 및 공정요소의 이상 유무에 대하여 적용하므로써, 발생 가능한 이상 및 고장들을 조기에 감지 및 진단할 수 있음을 확인하였다. 이러한 이상 감지 전략을 통하여 산업계에서 많이 사용되는 원심펌프의 이상 및 고장을 조기에 감지하고, 유체의 안전한 수송과 경비의 절감에 효과적일 것으로 기대된다. This is paper shows a fault detection strategy that discriminates the faulty sensor using three observers and that detects the process components fault for the DC motor-centrifugal pump and pipe line system in which sensor and process component fault may occur. The DC motor-centrifugal pump and pipe line system based on theoretically drived process models and this paper estimated state variables of each system using observers established from the input values and some usable output values of this object system. We made decision rule using residuals obtained by comparing the estimated state variables from different observers so the sensor and process components fault can be detected and diagnosed early for some faults and amlfunctions which may happen. Thus we can expect an effective transportation of fluids and saving costs by of detecting fault aid malfunction of centrifugal pump commonly used in the industrial circles.

머신러닝을 활용한 산업용 Rotary 설비의 이상 감지 기법

박효정 아주대학교 IT융합대학원 2025 국내석사

자동화 설비 운용 중 시스템 이상 동작은 순간정지(Breakdown) 혹은 공정중단(Process Down)으로 이어진다. 순간정지는 설비의 고장으로 인한 즉각적인 가동 정지를 의미하며, 중대한 경우 몇 시간 심지어는 하루 이상의 유지 보수 시간이 필요하다. 공정중단은 해당 공정을 완료한 제품이 공정 조건 값을 벗어난 경우 수동으로 설비 가동을 중단하는 것을 말한다. 이는 설비 가동률 및 수율 저하의 원인이 되고 경영적 손실과 직결된다. 이를 예방하는 것이 바로 자동화 설비 운용의 핵심 전략이다. 본 논문에서 Rotary 타입의 자동화 설비의 Loadcell을 활용한 이상 감지 System을 제안하여 그 전략을 실행하고자 한다. 대상으로 하는 설비는 여러 개의 Disk와 Gear로 연결되어 360도 회전하면서 반복적인 공정을 수행하는 회전형 물류 기계로 자동화 설비의 한 종류이다. Rotary설비에서 가장 많이 쓰이는 유지보수 방안은 설정된 모터의 최고부하치를 넘어서는 경우를 고장으로 판단하는 것이다. 그러나 이는 설비의 상태가 정상 임계점을 초과한 상황으로 예후가 좋지 않으며 특정 공정의 이상 여부를 알 수 없다는 단점이 있다. 위와 같은 배경으로 본 논문에서는 실험 설비의 가장 주요한 공정인 가압공정에 주목했고, 공정 진행 중의 Loadcell 데이터의 경시변화(Time Variation)를 이상감지에 활용했다. 이는 가압력이 낮은 경우 가압 공정 중심에 위치한 용접 공정시 약용접이 발생하고 , 반대로 높은 경우 기구부의 파손 혹은 제품의 Crack이 발생하는 밀접한 연관성이 있기 때문이다. 본 제안을 실험·평가하기 위하여 설비의 정상 및 이상 동작에 따른 Loadcell 값을 수집하는 테스트 환경을 구축했다. 이후 수집된 Loadcell 데이 터를 통합하고 이를 활용하여 모델 훈련 및 검증했다. 학습한 각각의 모델을 검증 및 비교한 결과, k-NN 모델이 전체적인 OK·NG 패턴과 수량을 100% 가깝게 분류하며 일반화 검증 시에도 가장 안정적임을 검증했다. 주제어 : 생산자동화, 유지 보수, CBM, 머신러닝, 이상감지

비정상적 시변 회전 기기의 고장 유형 예측에서 기계학습과 심층학습의 분류 정확도 비교

문기영 인하대학교 대학원 2022 국내석사

본 연구는 회전수가 지속적으로 변하는 회전 기기의 정상 가동 여부와 고장 종류를 판별하기 위한 기계학습의 적용 절차를 제시하였다. 회전 장비로부터 계측된 센서의 신호는 비정상(Non-stationary)적 특성이 있으므로, 상태 신호의 한계치는 고장 판별의 기준이 되기 어렵다는 점을 해결하고자 하였다. 특히, 기존의 합성곱 방법이 회전수가 변하는 장비가 가진 비정상적 시계열로부터 정확하게 고장을 판별할 수 있으나, 연산 시간이 매우 길다는 단점을 보완할 필요로부터 본 연구가 시작되었다. 기계학습의 고장진단 정확성을 향상시킬 수 있도록 계측 신호로부터 시간 및 주파수 영역의 속성을 추출하여 이를 특징 벡터로 변환하였다. 기계학습을 정상 가동 여부 및 고장진단에 적용하였다. 다만, 비정상 혹은 고장 신호가 없을 경우를 대비하여 오토인코더를 이상감지에 추가로 적용하였다. 또한, 기계학습의 정확성을 비교하기 위하여 합성곱 기반의 심층학습 방법으로 고장을 진단하였다. 진단 과정에 k-NN(k-Nearest Neighbor), SVM(Support Vector Machine), Random Forest의 기계학습 알고리즘을 적용하였다. 심층학습으로는 CNN (Convolution Neural Network)을 적용하여 고장진단을 수행하고 진단 결과를 기계학습과 비교하였다. 특징 벡터를 구성하는 과정에서 차원 축소 및 카이 제곱 기법을 적용하여 고장진단의 정확성을 높이도록 하였다. 최종적으로 기계학습의 분류 알고리즘이 비정상적 회전 신호를 가진 회전 장비의 고장 예측에 활용될 수 있음을 보였다.

Deep Visual Anomaly Detection with Data Augmentation

이진하 과학기술연합대학원 한국전자통신연구원 스쿨 2021 국내석사

Recent developments in deep learning technology have opened new horizons in various fields of research. Especially in the abnormal detection task, research is being conducted to automate the labor-intensive features of this domain, such as monitoring tasks to detect anomalous situations immediately. However, the nature of an anomaly where data collection is difficult or impossible, which remains as a problem. Recent studies have focused on the One-Class Classification technique with generative model. This technique requires only normal data for the training of the neural networks, so it does not necessarily require the collection of abnormal data. Labeling can also be simplified as the data only consist of a single normal class. While it is a certain advantage that it can be operated by utilizing only normal data which is relatively cost-efficient compared to abnormal data, there are disadvantages as well for the same reason. As a neural network can only observe normal data during the training, the criteria for judgment are also built on top of it. However, this is also an incomplete criterion because the training dataset cannot contain all normalities and also cannot see abnormal data as well. The criteria set in this way are prone to error on new inputs. For example, it is easy to misjudge when new normal data that is different from what model learned, or abnormal data similar to the learned data are entered. Therefore, the preparation of appropriate data to establish the criteria for the neural network is critical. In this study, two methods are presented to complement the existing research. Each method is called Negative Learning (NL) and Pseudo Anomaly Generation (PAG), which of each can be used depending on a situation: using a small amount of abnormal data to guide the network or using normal data to augment abnormal data if it’s not available. The proposed methods showed improved performance over the baseline in anomaly detection task and demonstrated superior performance against other state-of-the-art studies in different sets of benchmark dataset for anomaly detection. We also provide an in-depth analysis of the composition of the proposed approach, presented through the experiments. 근래 딥러닝 기술의 발전은 다양한 연구분야에서 새로운 지평을 열고있다. 특히 이상 감지 분야에선 인력을 필요로 하는 감시 업무나 이상 상황의 인식 등을 딥러닝 모델로 대체하기 위한 연구가 이루어 지고있다. 하지만 데이터 수집이 어렵거나 불가능한 이상 상황의 자연적 특징은 아직 해결해야할 문제로 남아있다. 최근의 연구는 데이터 수집의 난점을 회피하기 위해 정상 상황만을 학습에 사용하는 단일 범주 분류(One-Class Classification) 기법과 비지도 학습에 기반한 생성 모델(Generative Model)이 각광받고 있다. 이는 정상 데이터만을 학습에 필요로 하여, 비정상 데이터의 수집을 반드시 요구하지 않는다. 또한 단일 범주의 데이터를 이용하기에 레이블 작업이 간단하게 이루어 질 수 있다. 수집하기 어려운 이상 데이터에 비해 상대적으로 수집 비용이 적게 요구되는 정상데이터만을 활용하는 것은 장점이지만 이로 인한 단점 또한 존재한다. 신경망은 학습 중 정상 데이터만을 관측 가능하기에 이에 기반한 의사 결정 기준(Decision Boundary)을 수립하지만 수집된 데이터 셋이 모든 정상을 포함할 수 없기에 이는 필연적으로 불완전 한 기준이 된다. 이렇게 설정된 기준은 새로운 입력에 대해 오류를 범하기 쉽다. 예를 들어 학습된 기준과 다른 새로운 정상 데이터 혹은 학습된 데이터와 유사한 이상데이터가 입력될 때 잘못 판단하기 쉽다. 따라서 네트워크의 기준을 확립하기 위한 적절 한 데이터의 준비는 매우 중요하다. 본 연구에서는 기존 연구의 단점을 보완하기 위해 두가지 방법을 제시한다. 각각의 방법은 부정학습(Negative Learning)과 가짜이상생성 (Pseudo Anomaly Generation)으로, 적은 양의 이상 데이터를 활용하여 성능을 개선하는 방법과 이상 데이터를 전혀 수집할 수 없을 때 정상데이터를 활용하여 이상데이터를 증강하는 방법이다. 정상 데이터 만 아니라 이상데이터를 활용하여 네트워크의 이상 판단 기준 확립에 도움을 주는 방법을 통해 기존 연구에 단점을 보완하여 개선된 성능을 보여주었으며, 여러 벤치마크 데이터 셋에서 여러 최신의 연구들 보다 뛰어난 성능을 입증하였다. 또한 실험을 통해 제시된 방법의 구성에 대한 심도 깊은 분석을 제공한다.

스마트 팩토리를 위한 특정 객체 마스킹이 가능한 자기 지도학습 CNN 기반 이상 동작 검출 CNN 연구

홍상욱 충북대학교 2023 국내석사

Autoencoders have been widely used in anomaly detection networks. However, the anomaly detection method based on an autoencoder has a disadvantage in that it cannot correctly detect a situation in which there is an object to be judged normal at an irregular location in the input image. To address this problem, we propose an integrated CNN with both an autoencoder and an object segmentation heads. In addition, we propose an automatic labeling technique which utilizes an autoencoder of the integrated CNN to add pseudo labels to the images containing normal objects. compared with the conventional autoencoder model, the proposed integrated CNN model increases the total accuracy of overall anomaly detection by 15.90%.

디스플레이 제조 성능 향상을 위한 대기압 플라즈마 장비 이상 감지 고도화 기술

박상수 연세대학교 일반대학원 2026 국내석사

디스플레이 제조 성능 향상을 위한 대기압 플라즈마 장비 이상 감지 고도화 기술 디스플레이 제조 공정에서 고종횡비 미세 패턴 제작 요구가 증가하면서 표면 세정의 중요성이 더욱 커지고 있다. 이러한 배경에서 대기압 플라즈마(Atmospheric Pressure Plasma, AP Plasma) 표면 세정 설비는 진공 시스템 없이 인라인 공정이 가능하여 널리 사용되고 있다. 그러나 AP Plasma 설비는 반복적인 열응력과 고주파 방전으로 인해 아노다이징된 전극의 절연층에 미세 크랙이 발생하며, 이는 플라즈마 밀도 불균일을 야기하여 후속 공정 불량 및 생산 수율 저하를 초래한다. 기존 반도체 공정에서 일반적으로 사용되는 플라즈마 상태 진단 기술인 Langmuir probe, 광학 방출 분광법(Optical Emission Spectroscopy, OES), 잔류 기체 분석법(Residual Gas Analyzer, RGA)은 진공 환경이나 국부적인 위치에서만 측정이 가능한 기술로서 대면적 디스플레이 제조 공정에 적용하기에는 구조적,기술적 한계가 있다. 따라서 대면적 AP Plasma 설비의 실시간 이상 감지를 위한 새로운 진단 기술 개발이 필수적으로 요구된다. 본 연구에서는 AP Plasma 설비 시스템을 등가회로로 모델링하여 전극 크랙으로 인한 플라즈마 상태 변화를 임피던스 관점에서 수학적으로 증명하고, 접지선 전류 모니터링 시스템을 통해 실시간 이상 감지가 가능함을 실험적으로 검증하였다. 제안된 기술은 기존 진단 기술로는 측정이 어려웠던 대면적 대기압 플라즈마의 상태 변동을 저비용으로 실시간 모니터링할 수 있으며, 장비의 운전 안정성과 디스플레이 제조 성능 향상 등 실질적인 산업적 효과를 기대할 수 있다.

설비 Data 를 이용한 비지도 학습 이상 감지

하민성 성균관대학교 일반대학원 2023 국내석사

본 연구는 반도체 제조 공정에서 설비내 센서 데이터를 활용하여 Unsupervised Learning 기반으로 불량을 예측하는 모델을 제안한다. 반도체 공정에는 센서 Data 기반으로 구성된 Monitoring System이 있지만 단순 threshold Interlock 기능과 공정 관리자 기반으로 불량을 예측하고 있지만, 공정의 복잡도가 높고 센서의 종류가 많아 공정 관리자가 모든 센서의 기준을 설정 및 관리하는데 한계가 있다. 따라서 이를 해결하기 위해 본 논문에서는 Autoencoder, Adversarial Training 방식을 이용한 Unsupervised 방식으로 공정 설비의 다변량 센서 데이터의 정상 여부를 판정하는 모델을 제안한다. 또한, 공공 Dataset과 실제 반도체 공정 센서 데이터와 유사하게 생성된 Dataset 으로 높은 이상 감지 성능을 제공한다. This paper proposes a model for predicting defects based on Unsupervised Learning by using sensor data in the facility in the semiconductor manufacturing process. The semiconductor process has a monitoring system based on sensor data, but it predicts defects based on the simple threshold interlock function and process manager, but the process is complicated and there are many types of sensors, so it is limited for process managers to set and manage standards for all sensors. Therefore, to solve this problem, this paper proposes a model for determining whether multivariate sensor data of process facilities are normal or not in an unsupervised manner using the Autoencoder and Adversarial Training method. In addition, we provide high anomaly detection performance with a public Dataset and a Dataset generated similarly to real semiconductor process sensor data.