연구기간: 2025.04 - 2026.03

1. 과제개요

  - DRAM 반도체 생산라인은 실시간으로 대용량 데이터를 수집하여 수율 관리 및 품질 최적화를 도모하고 있다. 현업에서는 전수 계측 방식의 비효율성 및 비현실성을 감안하여 샘플링 계측 방식을 채택하고 있으며,  계측 정합성 제고를 위해 계측 보간 (Virtual Metrology) 기법을 활용하여 고차원 데이터를 수집 및 관리하고 있다. 이에 따라 수많은 계측 보간 인자들이 수율에 미치는 복잡한 관계성을 규명하고, 불량 발생 시 해당 원인을 해석할 수 있는 체계적인 방법론의 개발이 지속적으로 요구되어 왔다. 본 연구는 고차원 계측 보간 인자들 (X) 과 품질 (Y) 간 내재된 관계성을 규명하는 근사 모델을 개발하고, 나아가 극소수의 불량 제품에 대해 실시간으로 혐의 공정인자 및 영향도를 규명할 수 있는 해석 가능한 모델을 구축함을 목표로 한다. 계측 보간 방식에 기해 품질 불량의 원인을 체계적으로 진단하고 해석할 수 있는 모델을 개발함으로써, 반도체 공정 최적화 및 품질관리 혁신에 기여하고자 한다.

연구기간: 2024.09 - 2025.08

(전체 연구기간: 2023.09-2028.08)

1. 과제개요

  - OHT 가이드 휠의 이상 탐지를 위해 최적의 카메라 위치, 각도, 조명 조건을 연구하여 데이터 수집 환경을 최적화하고자 한다. 또한, 1차년도에서 개발한 생성형 AI 기반 데이터 증강 기법을 개선하고 가이드 휠 특성에 맞는 맞춤형 데이터 증강 알고리즘을 개발을 진행 중이다. 또한 레이블이 없는 대량의 데이터를 활용하는 준지도 학습 기법을 적용하여 모델의 성능을 향상시키고, 이를 통해 제한된 데이터 환경에서도 효과적인 이상 탐지 시스템을 구축하고자 한다.

연구기간: 2024.11 - 2025.10 

(전체 연구기간: 2023.08–2026.10)

1. 과제개요

  - H형강은 건물의 기둥이나 보로 사용되는 강재이다. 원하는 형태의 H 형강을 제조하기 위해서는 공정 중 형태의 변화 및 물리적 변형을 고려하여 공정을 개선/수정해야 한다. 이를 위해 기존에는 유한 요소 해석 (FEA) 기법을 이용한 시뮬레이션을 활용하였다. 그러나 많은 공수와 시간이 소요되므로, 1차년 연구를 통해 인공지능 기반 예측 알고리즘을 개발하고, GUI 기반 자동화 프로그램을 제시하였다. 2차년 연구에서는 '역설계 기술 개발'을 통한 공정 스케줄 설계를 실현하는 것을 목표로 한다. 

연구기간: 2023.09 - 2024.08

(전체 연구기간: 2023.09-2028.08)

1. 연구 목표

반도체 제조 현장에서 핵심 역할을 수행하는 OHT(Overhead Hoist Transport) 시스템의 신뢰성 확보와 유지보수 효율성 향상을 위해, 본 연구는 생성형 인공지능을 활용한 OHT 휠 결함 탐지 모델을 개발하고자 하였다. 특히, 데이터 부족 문제를 해결하고 미세 결함에 강인한 자동화된 탐지 프레임워크를 제안함으로써, 실시간 적용 가능한 산업용 딥러닝 솔루션을 목표로 한다.

  - OHT 휠의 결함 특성을 반영한 실사 기반 가상 결함 데이터 생성 기법 개발

  - YOLO-SAM 기반 자동 관심영역 추출 기술 구현

  - U-Net 기반 의미론적 분할 모델을 활용한 픽셀 수준 결함 탐지

  - 결함 탐지 정확도 향상을 위한 실험계획법 기반 증강 파라미터 최적화

  - 데이터 부족 환경에서의 일반화 성능 및 확장 가능성 검증

2. 연구 내용

  1) OHT 휠 데이터 수집 및 전처리

    - 반도체 장비용 실제 OHT 휠을 활용한 실사 이미지 촬영

    - 등급화된 결함 수준에 따라 휠 데이터 분류 및 분할 학습용 구성

  2) 객체 탐지 및 관심영역 추출

    - YOLOv6을 이용해 휠 위치 자동 탐지

    - SAM을 활용한 고무 타이어 영역 자동 분할 및 후처리 기반 관심영역 추출

  3) 가상 결함 생성 및 증강

    - 펄린 노이즈와 Stable Diffusion 기반 실사형 변색 및 균열 결함 생성

    - 대규모 언어모델(Claude 3.5)을 활용한 고도화된 프롬프트 설계

    - 실험계획법(2인자 3수준)을 통해 결함 강도/영역 최적화

  4) 의미론적 분할 모델 학습

    - U-Net 기반 딥러닝 모델로 결함 위치·형태·유형을 픽셀 단위로 예측

    - 자동 생성된 가상 결함을 활용한 학습 및 실제 불량 이미지 기반 평가

3. 연구 결과

  1) 실사형 가상 결함 증강 데이터셋 구축

    - 24장의 실제 정상 이미지 기반 5,000장의 가상 결함 이미지 생성

    - 자동 라벨링 구조를 통해 학습 효율성과 정확도 향상

    - 고성능 자동화 결함 탐지 프레임워크 구현

  2) YOLO + SAM 기반 자동 관심영역 추출 → U-Net 예측 → 양불판정

    - 실제 불량이 없는 환경에서도 효과적인 결함 예측 가능성 입증

  3) 미세 결함 탐지 및 일반화 성능 우수

    - 픽셀 수준에서의 결함 위치 및 형태 식별 가능

    - 다양한 산업 현장 확장 가능성과 실시간 적용성 확보

연구기간: 2022.09 - 2023.08 

 

1. 연구배경

고객의 소리(VOC)를 체계적으로 수집하고 분석하는 것은 서비스 품질 향상과 사후 품질보증 전략 수립의 핵심 수단이다. 특히 제조·서비스 기업에서는 수집된 고객 클레임을 활용해 결함을 조기에 식별하고, 개선 우선 순위를 설정하며, 자원을 효율적으로 배분할 수 있다. 그러나 고객 클레임은 데이터가 비교적 적고, 표현 방식이 비정형적이며, 세부 유형이 다양하다는 특성을 갖는다. 이를 정확히 분류하지 못하면 문제 진단 및 해결 과정이 지연될 뿐 아니라 품질 개선을 위한 투자가 비효율적으로 이루어질 수 있다는 위험이 존재한다.

다양한 기업에서는 여전히 작업자 중심의 주관적 분류 방식이 사용되고 있다. 문제는 같은 내용의 고객 클레임이라도 고객 또는 접수자의 자유로운 서술로 인해 서로 다른 언어로 표현되거나, 엔지니어의 경험적 판단에 의존하기 때문에 개인적 해석에 따라 상이한 유형으로 기록되는 사례가 많이 발생한다는 것이다. 이러한 한계를 극복하고자, 본 연구에서는 계층적 카테고리 구조를 고려한 자동화된 고객 클레임 분류 알고리즘을 개발하는 것을 목표로 한다.

 

2. 연구내용 

본 연구에서는 두 계층으로 이루어진 고객 클레임 유형을 분류하기 위해 세 가지 과정을 거친다. 

첫 번째 단계는 전처리와 증강 단계이다. 고객 클레임은 그 표현이 모호하거나 같은 내용도 다르게 표현된 경우가 많아 데이터 품질이 낮기 때문에, 일관된 기준을 수립해 각 데이터에 대한 전처리를 진행하였다. 이후 유형별 표본 수가 극히 적은 경우를 완화하기 위해 같은 내용 또는 데이터 내의 몇 단어를 제거·수정한 내용으로 증강하였다. 이렇게 수집된 데이터셋에 분류 모델을 적용하기 위해 DTM과 TF-IDF를 활용해 텍스트의 벡터화를 진행하였다.

두 번째 단계에서는 상위 계층의 유형인 supercategory를 분류했으며, 그 방법으로 머신러닝과 딥러닝의 대표 모델을 적용해 성능을 비교하였다.

마지막으로, 세 번째 단계에서는 하위 계층의 유형인 subcategory를 분류하였다. Supercategory가 확정된 데이터 집합 내부에서 텍스트 유사도 기반 최근접 이웃 방식으로 subcategory를 결정하였다.

본 연구의 분류 전략은 단계별로 적합한 분류 모델 적용을 통한 높은 분류 성능을 도출하고, 희소 데이터 환경에서도 일관된 분류를 가능하게 하였으며, 엔지니어 교체 또는 경험 편차에 따른 오분류를 줄일 수 있다는 데에 의의가 있다.

연구기간: 2023.08 - 2024.07

1. 연구 배경

  - H형강(H-beam)은 구조물에 널리 사용되는 강재 제품으로, 중량 대비 강도가 우수하다는 특징이 있다. 이러한 구조적 성능은 단면 형상에 크게 의존하므로, 생산 공정에서 단면 형상의 정밀 제어가 매우 중요하다. H형강은 수십 회에 걸친 연속적인 압연 공정을 통해 형상이 점진적으로 형성되며, 각 압연 단계에서의 정밀도 누적이 최종 형상에 큰 영향을 미친다. 현재는 FEM(Finite Element Method)을 활용한 구조 해석 기반의 시뮬레이션으로 롤 패스 설계가 수행되고 있으며, 1회 설계 조합에 대해 수십 시간이 소요되는 등 시간·자원 소모가 막대하다는 단점이 존재한다. 이러한 한계를 극복하고, 산업 현장에서 실시간으로 공정을 최적화할 수 있는 대리 모델이 요구되고 있다. 본 산학 프로젝트는 FEM 기반 해석 결과를 빠르게 예측할 수 있는 CNN 기반 대리모델(surrogate model)을 개발하여 H형강 압연 공정의 형상, 온도, 등가변형률 예측을 실시간으로 가능하게 하는 것을 목표로 한다.

그림1. H-beam rolling process

2. 연구 내용

  - FEM 대리모델을 구축하기 위해 세 가지 주요 단계를 거쳤다.

    첫번째로, 다양한 공정 조건을 반영한 FEM 데이터를 생성하였다. H형강 압연 공정 중 중간압연(IM) 및 마무리압연(UF) 단계의 롤패스 조건을 변수로 설정하고, 실험계획법(DOE)을 통해 시뮬레이션 조합을 구성하였다. 각 시뮬레이션 케이스는 수천 개 이상의 노드로 구성되어 있으며, 각 노드는 좌표, 온도, 등가변형률 등의 정보를 포함한다.

    두번째로, 수치 데이터 기반의 FEM 결과를 CNN이 학습 가능한 형태로 변환하기 위해 이미지를 생성하였다. 이를 위해 Delaunay 삼각분할 기법을 활용하여 노드 기반 데이터를 2차원 이미지로 변환하였으며, 롤패스 정보는 마스크 레이어로 추가하였다. 최종 입력 이미지는 350x350 해상도의 4채널 이미지(형상, 온도, 등가변형률, 마스크)로 구성하였고, 출력은 3채널(형상, 온도, 등가변형률) 이미지로 구성하였다.

    세번째로, 변환된 데이터를 활용하여 U-Net 기반의 CNN 모델을 학습하였다. UR, Edger 압연 단계는 공정 조건이 상이하기 때문에 개별적으로 모델을 구축하였으며, UF 단계는 UR 모델에 통합하여 학습시켰다. U-Net은 다운샘플링과 업샘플링 구조를 통해 지역적 특성과 전체적인 맥락을 동시에 학습할 수 있어, 반복 예측(iterative prediction)에서 발생할 수 있는 누적 오차 문제를 효과적으로 완화하였다.

그림2. Training image generation process and results (a) roll pass mask (b) material (c) EQ-strain

3. 연구 결과

  - 개발된 CNN 기반 FEM 대리모델은 단일 패스 예측과 반복 패스 예측 모두에서 우수한 성능을 보였다. 단일 패스 예측 실험에서 형상 예측은 평균 F1-score 0.9794를 기록하였고, 온도 및 등가변형률 예측에서 평균 MAPE는 각각 1.57%, 16.9%로 나타났다. 특히 반복 예측 실험에서는 16회에 걸친 연속 예측에도 불구하고 형상 예측의 F1-score는 0.9801로 단일 예측보다 오히려 향상되었으며, 이는 롤패스 마스크 레이어의 보정 효과 때문으로 해석된다. 온도와 등가변형률 예측에서도 이론적으로 예상된 오차 누적보다 훨씬 낮은 수준인 MAPE 3.66%, 34.13%를 유지하였다. 또한 기존 FEM 시뮬레이션에 32시간이 소요되던 예측이 대리모델을 통해 단 0.85초 만에 완료되어, 예측 속도 면에서도 큰 개선을 보였다.

  - 본 연구는 CNN 기반 대리모델을 다단계 연속 공정에 반복 적용하여 형상을 예측한 첫 사례로서, 공정 설계와 품질 관리 측면에서 실시간 적용 가능성을 입증하였다. 향후에는 모델의 일반화 성능을 강화하고, 다른 복잡 제조 공정에도 적용하는 방향으로 확장될 수 있다.

그림3. Iterative prediction performances by pass (a) material F1-score (b) temperature MAPE (c) EQ-strain MAPE

연구기간: 2022.05 - 2022.10  

연구기간: 2022. 3. – 2027. 2. 

1. 연구 배경 

2. 연구 목표

3. 연구 내용

4. 세부 연구 주제