Adaptive and Self-Explainable AI Framework for Intelligent Manufacturing Systems = 지능형 제조 시스템을 위한 적응형 및 자기설명형 인공지능 프레임워크

국문 초록 (Abstract)

제품과 관련 공정이 고도화되고 대형화됨에 따라, 운전자의 휴리스틱과 경험지식에만 의존하지 않는 자동 의사결정을 가능케 하는 지능형 제조 시스템의 필요성이 증대되고 있다. 이를 실현하려면 현대 계측기술이 제공하는 방대한 고차원 데이터 스트림과 AI의 급속한 발전을 바탕으로 한 고도화된 데이터 기반 공정 모니터링이 필수적이다. 그럼에도 불구하고 산업 현장에서 AI를 단순 적용하는 것은 여러 난제를 동반한다. 첫째, 실제 운전 환경의 잡음으로 유의미한 신호가 빈번히 가려지므로 낮은 신호대잡음비(SNR)에서도 효과적으로 정보를 추출할 수 있는 방법이 요구된다. 둘째, 설비환경·운전조건의 변화로 인한 공변량 변화(covariate shift)는 지도학습의 i.i.d. 가정을 상시 위배하여 많은 공정 AI 모델들의 일반화 성능을 저해한다. 셋째, 안전 및 리스크 관리 측면에서 모델 의사결정의 해석이 요구되나, 이는 딥러닝의 블랙박스 특성과 배치되기 때문에 설명 가능한 AI 체계가 필요하다. 이러한 한계를 해소해야만 공정 AI가 단순 벤치마크 데이터셋을 넘어 실제 산업 환경에서의 문제들을 해결하는데 역할을 할 수 있다.
첫째, 본 연구는 고차원 분광계측 데이터를 위한 신호 인지형 전처리를 제안한다. 기준 전이 구간에 정합된 로지스틱 시그모이드와 각 변수 간 상관도를 이용하는 상관 기반 파장대 (spectral band) 선택 기법으로, 낮은 SNR 및 라디오 주파수 펄싱에 따른 진동 환경에서도 뚜렷한 엔드포인트 동역학을 보이는 파장을 추출한다. 선별된 채널은 강건한 실시간 가상계측을 위한 트랜스포머 기반 모델링 헤드로 입력되며, 전체 파이프라인은 불규칙 분산에 대한 민감도는 낮추고 운전 전이 시점의 급격한 동역학은 보존하여 소음이 큰 산업 환경에서도 정확한 온라인 의사결정을 가능하게 한다.
둘째, 플라즈마 식각 공정에서 레이블이 없는 새로운 분포로 가상계측 능력을 이전하기 위해, 소스 도메인 선택과 챔버 적응 파이프라인을 제안한다. 레이블이 없는 타겟 분포에 대해 지지집합이 부분적으로 겹치지 않더라도 안정적인 특성을 보이는 Wasserstein 거리를 사용해 가장 유사한 분포의 소스 챔버를 선택하고, 엔트로피가 가중합된 적대적 학습과 대조학습을 결합한 챔버 적응 학습을 수행한다. 제안한 프레임워크는 타겟 챔버에 대한 레이블 없이도 실시간 적응을 지원하며, 선행 연구에서 제안된 지식전이 방법 대비 다양한 적응 시나리오에서 일관된 성능 향상을 보인다.
셋째, 공정 흐름, 단위장치, 제어루프로 구성된 방향 그래프로 플랜트를 모델링하고, 물리적으로 의미 있는 엣지에 한해 메시지를 전달하는 그래프 어텐션 네트워크를 학습함으로써, 모니터링 모델에 공정 인지형 유도편향(inductive bias)과 내재적 설명성을 부여한다. 이 접근은 과도한 매개변수화를 완화하여 일반화를 향상시키며, 정상운전 기준과의 어텐션 계수 편차를 통해 원인 경로를 학습된 모델로부터 직접 식별하는 자기 설명을 가능하게 한다. 그 결과, 모델의 추론은 공정의 인과 전파와 정합되고, 이전에 관찰되지 않은 결함에 대해서도 효과적으로 원인 분석이 수행됨을 보인다.

다국어 초록 (Multilingual Abstract)

As products and their associated processes become increasingly sophisticated and scale up, there is a growing need for intelligent manufacturing systems that enable automated decision-making beyond operator heuristics and prior knowledge. Realizing this vision requires advanced data-driven process monitoring, which is becoming increasing feasible due to modern measurement technology yielding massive, high-dimensional data streams, and rapid progress in AI models. Nevertheless, naïve deployment of AI in industrial settings introduces several challenges. First, meaningful signals are frequently obscured by noise inherent to real operating environments, necessitating methods that extract informative features under low signal-to-noise conditions. Second, covariate shift across tools, recipes, and operating conditions routinely violates the i.i.d. assumption underlying supervised learning, thereby limiting the generalization of many AI models used in industrial processes. Finally, safety and risk management considerations demand interpretability of model decisions, which stands in tension with the black-box nature of deep learning, underscoring the need for explainable AI frameworks. Addressing these limitations is essential for process AI to move beyond performance on benchmark datasets and deliver reliable value in real industrial environments.
First, we develop a signal-aware front end for high-dimensional spectroscopy, a correlation-based spectral band selection that scores each variable against a logistic sigmoid aligned to the ground-truth transition, extracting wavelengths that exhibit sharp endpoint dynamics even under low signal-to-noise ratio and RF-induced oscillations. These selected channels feed a Transformer-based modeling head for robust, real-time virtual metrology. Together, the pipeline reduces sensitivity to spurious variance while preserving the abrupt kinetics at the operating transition, enabling accurate online decisions in noisy industrial settings.
Second, to transfer virtual metrology capability of the AI model to new data distribution without labels in plasma etching process, we introduce a principled source-domain selection and chamber adaptation pipeline. We select the source with the most similar distribution to the unlabeled target using the Wasserstein distance, which is preferred for its stability on disjoint supports. Then, we perform contrastive entropy-conditioned chamber adaptation (CECCA), which combines entropy-weighted adversarial alignment with a contrastive objective to preserve target-specific structure. The resulting end-to-end learning supports real-time adaptation with only unlabeled target streams and consistently improves model performance across various adaptation scenarios compared with alternative knowledge-transfer methodologies.
Third, we endow the monitoring models with process-aware inductive biases and built-in explanations by casting the plant as a directed graph of streams, units, and control loops, and training graph-attention networks to pass messages only along physically meaningful edges. This reduces overparameterization, improves generalization, and most importantly enables self-explanation, in which the root causes are directly identified by deviations of computed attention coefficients from their normal-operation baselines, aligning the model’s rationale with causal propagation in the plant and remaining effective even for previously unseen faults.

목차 (Table of Contents)

• Abstract i
• 1. Introduction 1
• 2. Backgrounds and Preliminaries 6
• 3. Adaptive Learning Under Covariate Shifts in Real-World Industrial Processes 19
• 4. Self-Explainable AI for Fault Diagnosis in Industrial Processes with Graph Attention 93
• 5. Concluding Remarks 136
• Bibliography 141