메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
백민재 (고려대학교) 김성범 (고려대학교)
저널정보
대한산업공학회 대한산업공학회지 대한산업공학회지 제50권 제3호
발행연도
2024.6
수록면
189 - 201 (13page)
DOI
10.7232/JKIIE.2024.50.3.189

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Traditional control charts and machine learning methods have been used to detect equipment failures in semiconductor processes. However, detecting failures and identifying their root causes can be challenging because of the complexity of the process and structural characteristics of the equipment. Moreover, the anomaly sections for each part can be imbalanced, which can hinder classification performance. In this study, we propose a method to detect failures using the correlation of variables and data augmentation. The proposed method consists of five steps: (1) conversion of the multivariate time series data of the equipment into signature matrices, (2) detection of anomalies using a convolutional autoencoder, (3) augmenting the number of residual matrices of minority classes (4) learning convolutional neural network that use the residual matrixes of definite abnormal sections, and (5) application of Grad-CAM to interpret the convolutional neural network. We demonstrate the effectiveness and applicability of the proposed method using real-world multivariate time series data obtained from ashing process equipment in semiconductor manufacturing.
#Anomaly Detection #Data Augmentation #Explainable Artificial Intelligence #Multivariate Time Series Data #Semiconductor Equipment

목차

1. 서론
2. 관련 연구
3. 제안 방법론
4. 실험 결과
5. 결론
참고문헌

참고문헌 (42)

참고문헌 신청
Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., ... and Herrera, F. (2020), Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, Information fusion, 58, 82-115. google schola Awais, M. and Haq, A. (2018), A new cumulative sum control chart for monitoring the process mean using varied L ranked set sampling, Journal of Industrial and Production Engineering, 35(2), 74-90. google schola Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique, Journal of Artificial Intelligence Research, 16, 321-357. google schola Chen, Z., Yeo, C. K., Lee, B. S., and Lau, C. T. (2018, April). Autoencoder-based network anomaly detection, In 2018 Wireless telecommunications symposium (WTS), IEEE, 1-5. google schola Chien, C. F. and Hsu, C. Y. (2011), UNISON analysis to model and reduce step-and-scan overlay errors for semiconductor manufacturing, Journal of Intelligent Manufacturing, 22, 399-412. google schola

이 논문과 함께 이용한 논문

장면 이미지 속 한글 문자 인식을 위한 글자 단위 일관성 정규화 기반의 준지도학습 모델
김성수 ,  김성범 대한산업공학회지 2023 .06
컨볼루션 오토인코더와 다층 퍼셉트론을 이용한 냉장고 사이클 진공도 시계열 이상 패턴 탐지 및 분류
정재현 ,  노유정 ,  강영진 외 2명 대한산업공학회지 2025 .02
딥러닝 기반 객체 탐지를 활용한 엔진 유압 제어 장치 호스 조립 공정 검사 자동화 시스템
김창영 ,  조현건 ,  최준혁 외 1명 대한산업공학회지 2025 .02
의류 판매량 장기 예측을 위한 트랜스포머 기반 시계열 예측 모델
이진우 ,  박태남 ,  조용원 외 6명 대한산업공학회지 2025 .02
로봇 조립 특징 형상 분류를 위한 3D CNN 개발
도남철 ,  한효녕 ,  조준면 대한산업공학회지 2024 .12

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-089888633