1 |
1
센서 데이터의 입력층(input layer)에서, 수용 영역(receptive field)을 시간축에서만 순차적으로 이동시키면서 로컬 특징(local feature)들을 수집하는 로컬 특징 수집부;상기 수집된 로컬 특징(local feature)들로부터 1차원의 특징 맵들을 추출하여 콘볼루션층(convolution layer)을 생성하는 1차원의 특징 맵 추출부; 및상기 생성된 콘볼루션층(convolution layer)에 기초하여 상기 센서 데이터를 분류하는 데이터 분류부; 및상기 분류된 센서 데이터에 기초하여 상기 센서 데이터의 불량을 진단하는 불량 진단부를 포함하고,상기 수용 영역(receptive field)의 일축은 상기 입력층(input layer)의 변수축에 상응하는 크기를 갖는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
2 |
2
제1 항에 있어서,상기 데이터 분류부는, 상기 1차원의 특징 맵들을 풀링 영역(pooling field)을 이용하여 시간축으로 축소하여 풀링층(pooling layer)을 생성하는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
3 |
3
제2 항에 있어서,상기 데이터 분류부는, 상기 콘볼루션층(convolution layer)과 상기 풀링층(pooling layer)을 누적하여 전역 특징(global feature)들을 학습하는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
4 |
4
제1 항에 있어서,상기 1차원의 특징 맵 추출부는, 상기 로컬 특징(local feature)들을 상기 시간축을 따라 1차원 1차원의 특징 맵들로 상기 콘볼루션층(convolution layer)에 추출하는 반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
5 |
5
삭제
|
6 |
6
제1 항에 있어서,상기 불량 진단부는, 각 수용 영역(receptive field) 별로 센서 변수의 기여도(Contribution Level of Variable, CLV)를 계산하는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
7 |
7
제6 항에 있어서,상기 불량 진단부는, 상기 각 수용 영역(receptive field)의 긍정 가중치 평균, 전체 센서 변수의 수, 가중치 분포의 편차, 각 센서 변수 별 긍정 가중치 평균 및 긍정 가중치 평균의 중간값에 기초하여 상기 센서 변수의 기여도(Contribution Level of Variable, CLV)를 계산하고,상기 각 수용 영역의 센서 변수 중 어느 하나 이상의 긍정 가중치 평균이 상기 가중치 분포 상의 양의 축으로 이상치(outlier)을 나타내는 경우, 어느 하나 이상의 센서 변수의 기여도(Contribution Level of Variable, CLV)를 기준값 이상으로 계산하는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
8 |
8
제6 항에 있어서,상기 불량 진단부는, 정상 학습 데이터에 해당하는 1차원의 특징 맵의 평균과 분산 정보를 활용하여 시간축으로 서로 다른 제1 클래스 및 제2 클래스 각각에 해당하는 정규화된(normalized) 1차원의 특징 맵들을 생성하는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
9 |
9
제8 항에 있어서,상기 불량 진단부는, 원천(raw) 데이터에 대해 상기 제1 클래스 및 상기 제2 클래스 간에 정규화된(normalized) 1차원의 특징 맵의 패턴이 다르게 형성된 구간을 계산하고, 상기 다르게 형성된 구간에서 센서 변수의 기여도(Contribution Level of Variable, CLV)에 기초하여 불량을 진단하는반도체 공정에서 센서 데이터의 불량을 진단하는 장치
|
10 |
10
센서 데이터의 입력층(input layer)에서, 수용 영역(receptive field)을 시간축에서만 순차적으로 이동시키면서 로컬 특징(local feature)들을 수집하는 단계;상기 수집된 로컬 특징(local feature)들로부터 1차원의 특징 맵들을 추출하여 콘볼루션층(convolution layer)을 생성하는 단계;상기 생성된 콘볼루션층(convolution layer)에 기초하여 상기 센서 데이터를 분류하는 단계; 및상기 분류된 센서 데이터에 기초하여 상기 센서 데이터의 불량을 진단하는 단계를 포함하고,상기 수용 영역(receptive field)의 일축은 상기 입력층(input layer)의 변수축에 상응하는 크기를 갖는반도체 공정에서 센서 데이터의 불량을 진단하는 방법
|
11 |
11
삭제
|
12 |
12
제10 항에 있어서,상기 센서 데이터의 불량을 진단하는 단계는,각 수용 영역(receptive field) 별로 센서 변수의 기여도(Contribution Level of Variable, CLV)를 계산하는 단계를 포함하는반도체 공정에서 센서 데이터의 불량을 진단하는 방법
|
13 |
13
제12 항에 있어서,상기 센서 변수의 기여도를 계산하는 단계는,상기 각 수용 영역(receptive field)의 긍정 가중치 평균, 전체 센서 변수의 수, 가중치 분포의 편차, 각 센서 변수 별 긍정 가중치 평균 및 긍정 가중치 평균의 중간값에 기초하여 상기 센서 변수의 기여도(Contribution Level of Variable, CLV)를 계산하는 단계; 및상기 각 수용 영역의 센서 변수 중 어느 하나 이상의 긍정 가중치 평균이 상기 가중치 분포 상의 양의 축으로 이상치(outlier)을 나타내는 경우, 어느 하나 이상의 센서 변수의 기여도(Contribution Level of Variable, CLV)를 기준값 이상으로 계산하는 단계를 포함하는반도체 공정에서 센서 데이터의 불량을 진단하는 방법
|
14 |
14
제12 항에 있어서,상기 센서 데이터의 불량을 진단하는 단계는,정상 학습 데이터에 해당하는 1차원의 특징 맵의 평균과 분산 정보를 활용하여 시간축으로 서로 다른 제1 클래스 및 제2 클래스 각각에 해당하는 정규화된(normalized) 1차원의 특징 맵들을 생성하는 단계를 포함하는반도체 공정에서 센서 데이터의 불량을 진단하는 방법
|
15 |
15
제14 항에 있어서,상기 센서 데이터의 불량을 진단하는 단계는,원천(raw) 데이터에 대해 상기 제1 클래스 및 상기 제2 클래스 간에 정규화된(normalized) 1차원의 특징 맵의 패턴이 다르게 형성된 구간을 계산하고, 상기 다르게 형성된 구간에서 센서 변수의 기여도(Contribution Level of Variable, CLV)에 기초하여 불량을 진단하는 단계를 포함하는반도체 공정에서 센서 데이터의 불량을 진단하는 방법
|