CO2 레이저드릴 이상탐지 : 한달 전 이상징후 예측·탐지율 93%

반도체 후공정 패키징 단계에서 CO2 레이저드릴을 활용해 웨이퍼에 미세한 구멍을 뚫거나 절단하는 공정은 정밀한 작업이 필요해 자주 병목이 되는 공정(bottle-neck)입니다. 이에 장비의 이상 발생 시 비가동 시간이 증가하여 전체 생산성 감소에 큰 영향을 줍니다. CO2 레이저드릴 모니터링을 위해 데이터를 수집하고 있으나 다량의 장비에서 나오는 수십개의 데이터를 개별적으로 모니터링 해야하고, 최대/최소값 등 단순한 규칙 조건만 제공하여 이상징후를 사전에 효과적으로 읽어내기 어렵습니다.

정상 데이터 분포를 학습한 딥러닝 기반 이상탐지 모델을 활용해 CO2 레이저드릴의 이상징후를 사전에 탐지할 수있는 모니터링 체계를 구축합니다. 개별 데이터의 예측값-실제값 차이를 복합적인 패턴으로 분석해 종합적 이상도를 판별하는 하나의 지표를 제공합니다.

복합적인 패턴을 분석 가능한 딥러닝 기반 이상탐지 모델이 약 93%의 탐지율로 10여대의 CO2 레이저드릴의 이상징후를 한 달 전에 감지합니다. 모델 기반 해석 알고리즘(XAI, Explainable AI)을 이용해 이상이 발생한 주요 센서에 대한 요약 인사이트를 확인할 수 있습니다.

학습 적절성 판단 알고리즘을 통해 모델을 지속적으로 재학습시키고, 일부 센서에 문제가 발생하더라도 추론 결과 도출이 가능한 강건한 모델을 설계하여 딥러닝 모델 운영 환경(MLOps, Machine Learning Operations)을 기반으로 안정적인 운영을 보장합니다.