| 1 |
1
개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 장치에서 제조 공정의 이상을 탐지하고 원인을 진단하는 방법에 있어서, 제조 공정의 센서(들)로부터 측정된 데이터(xi)를 수집하는 단계;수집된 데이터 중 정상을 나타내는 제1 데이터(S0)와 실시간으로 수집되는 제2 데이터(Sw)를 구분하여 클래스를 부여하는 단계;랜덤 포레스트를 이용하여 상기 제1 데이터(S0)와 상기 제2 데이터(Sw)를 학습하고 의사결정트리(Tj)의 예측 결과()를 생성하는 단계;상기 예측 결과()에 가중치(wj)를 적용하여 가중치가 적 용된 분류 확률()을 계산하는 단계;상기 가중치가 적용된 분류 확률()을 이용하여 제조 공정의 이상을 탐지하기 위한 모니터링 통계량()을 생성하는 단계; 및상기 모니터링 통계량()이 관리한계선을 벗어나는 경우, 이상으로 탐지하는 단계;를 포함하고,상기 가중치가 적용된 분류 확률()은 아래의 식을 이용하여 계산하는 개선된 RTC 기법을 이용한 지능형 이상 진단 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서, 상기 모니터링 통계량()은 아래의 식을 이용하여 계산하는 개선된 RTC 기법을 이용한 지능형 이상 진단 방법
|
| 4 |
4
제1항에 있어서, 신규의 데이터가 수집될 때마다, 클래스를 부여하는 단계, 의사결정트리(Tj)의 예측 결과()를 생성하는 단계, 가중치가 적용된 분류 확률()을 계산하는 단계, 및 모니터링 통계량()을 생성하는 단계를 반복하여 모니터링 통계량()을 갱신하는 개선된 RTC 기법을 이용한 지능형 이상 진단 방법
|
| 5 |
5
제1항에 있어서, 상기 가중치(wj)는 F-measure(Fj)를 이용한 제1 가중치(), G-mean(Gj)을 이용한 제2 가중치(), 또는 MCC(Matthews correlation coefficient, Mj)를 이용한 제3 가중치() 중 어느 하나인 개선된 RTC 기법을 이용한 지능형 이상 진단 방법
|
| 6 |
6
제1항에 있어서,지니 계수를 이용하여 이상의 원인이 되는 부분을 진단하는 단계를 더 포함하는 개선된 RTC 기법을 이용한 지능형 이상 진단 방법
|
| 7 |
7
제조 공정의 센서(들)로부터 측정된 데이터(xi)를 수집하고, 수집된 데이터 중 정상을 나타내는 제1 데이터(S0)와 실시간으로 수집되는 제2 데이터(Sw)를 구분하여 클래스를 부여하고, 랜덤 포레스트를 이용하여 상기 제1 데이터(S0)와 상기 제2 데이터(Sw)를 학습하고 의사결정트리(Tj)의 예측 결과()를 생성하는 학습 모듈, 상기 예측 결과()에 가중치(wj)를 적용하여 가중치가 적용된 분류 확 률()을 계산하고, 상기 가중치가 적용된 분류 확률()을 이용하여 제조 공정의 이상을 탐지하기 위한 모니터링 통계량()을 생성하여, 상기 모 니터링 통계량()이 관리한계선을 벗어나는 경우, 이상으로 탐지하는 이상 탐지 모듈, 및지니 계수를 이용하여 이상의 원인이 되는 부분을 진단하는 이상 진단 모듈 을 포함하고, 상기 가중치가 적용된 분류 확률()은 아래의 식을 이용하여 계산하고, (이때, OOB는 의사결정트리(Tj)를 학습할 때 사용되지 않은 데이타셋, 는 의사결정트리(Tj)의 예측결과()가 실제 클래스 k와 일치하면 1을, 일치하지 않으면 0을 반환하는 함수)상기 모니터링 통계량()은 아래의 식을 이용하여 생성하는,(이때, N0는 제1 데이터(S0)의 사이즈)개선된 RTC 기법을 이용한 지능형 이상 진단 장치
|
| 8 |
8
삭제
|
| 9 |
9
제7항에 있어서, 상기 가중치(wj)는 F-measure(Fj)를 이용한 제1 가중치(), G-mean(Gj)을 이용한 제2 가중치(), 또는 MCC(Matthews correlation coefficient, Mj)를 이용한 제3 가중치() 중 어느 하나인 개선된 RTC 기법을 이용한 지능형 이상 진단 장치
|
