지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 강필성
- 발행연도
- 2023
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수19
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
물류 자동화 시스템(automated material handling system)은 반도체 생산 공정에서 생산 설비로 웨이퍼(wafer)를 적시 적소에 공급하는 것을 목표로 한다. 이러한 목표를 달성하기 위해 변화하는 생산환경에 적절하게 대응하여 운영하는 것이 필요하며, 이를 통해 최적의 물류 반송이 수행될 때 최대 생산량 달성과 영업 이익의 증가를 꾀할 수 있다. 최적의 물류 반송 환경은 생산량 증가, 제품 변화, 시스템 패치, 라인 개조 개선 작업 등 생산 시스템 상황을 모니터링하고 적절한 시스템 제어와 작업 일정을 할당하여 운영할 때 유지될 수 있으며, 사전에 시스템 상태를 예측할 수 있다면 이를 더욱 효과적으로 수행할 수 있다. 본 연구는 물류 반송 시스템 처리량의 다중 시점 예측(multi-horizon forecasting)을 위한 딥러닝(deep learning) 기반 프레임워크 적용 및 개발 가능성을 제시한다. 이를 위해 실제 시스템 이벤트 로그와 메시지에서 변수를 추출하고, 비지도학습 기반의 이상탐지 모델로 데이터에 존재하는 이상치를 보간하여 예측 성능을 향상할 수 있는 학습 데이터를 확보하였다. 정제된 데이터를 학습하는 딥러닝 모델을 통하여 고전적인 통계적 예측 방법 대비 높은 성능을 달성하였고, 시계열 교차검증 (time series cross-validation)을 통해 강건한 예측 성능을 확인하였다. 본 연구는 높은 성능과 함께 예측에 영향을 준 주요 인자를 추출하여 반도체 물류 시스템에서 생산 환경변화에 선제적으로 대응할 수 있는 예측 방법론을 제시한다는 점에서 그 의의가 있다.
목차
1 서론 12 선행 연구 72.1 예측을 통한 물류 자동화 시스템 최적화 72.2 다양한 산업 현장에서의 예측 방법론 92.3 딥러닝 기반 다중 시점 예측 연구 103 제안 방법론 133.1 AMHS 예측 시스템 아키텍처 개요 143.1.1 데이터 취합 및 사전 처리 143.1.2 학습 데이터셋 정제 143.1.3 학습, 예측, 분석 방법론 173.2 딥러닝 기반 예측 모델 193.3 해석 가능한 예측 및 AMHS 환경 시뮬레이션 224 실험 설계 244.1 실제 반도체 생산 시스템 데이터 244.2 상세 실험 정보 255 실험 결과 275.1 예측 결과 분석 275.2 모델 견고성 평가 295.3 이상치 보간 효과 315.4 예측 해석력 검증 316 결론 37참고 문헌 39
최근 본 자료
댓글(0)
0