설비 Data 를 이용한 비지도 학습 이상 감지

국문 초록 (Abstract)

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.

다국어 초록 (Multilingual Abstract)

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.

목차 (Table of Contents)

• 목차
• 제 1 장 서 론 1
• 1. 연구목적과 연구 방법론 . 1
• 1) 반도체 산업에서 생산성 향상 1
• 2) 반도체 산업에서 이상 감지의 중요성 2
• 3) 이상감지에서 머신러닝 기법 2
• 제 2 장 관련 연구 6
• 1. 이상 감지 . 6
• 2. 반도체 데이터 6
• 3. 모델 9
• 제 3 장 제안된 방법 13
• 1. Autoencoder Training . 14
• 2. Adversarial Training . 16
• 3. Anomaly Detection . 18
• 4. Autoencoder Architecture 19
• 1) Add Activation Function . 19
• 2) Stacked autoencoder 21
• 제 4 장 실험 방법 및 결과 . 23
• 1. 데이터 셋 . 23
• 2. 평가 방법 . 24
• 3. 실험결과 . 25
• 1) 성능 비교 . 25
• 2) Hyper Parameter 26
• 3) Ablation Studies 27
• 가. Discriminator 변화에 따른 결과값 27
• 나. Activation function 변화에 따른 결과값. 29
• 다. Layer 변화에 따른 결과값 30
• 제 5 장 결론 32
• 참고문헌 . 33
• ABSTRACT . 36