본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

국문 요약

목차

제1장 서론 12

제1절 연구배경 및 목적 12

제2장 이론적 배경 및 선행연구 고찰 15

제1절 생산관리 15

1. 생산관리 개념 15

2. 생산관리에서 스케쥴링의 역할 19

3. 반도체 산업 및 스케쥴링 대한 선행연구 고찰 22

제2절 인공지능과 머신러닝 26

1. 지도 학습(Supervised Learning) 26

2. 비지도 학습(Unsupervised Learning) 27

3. 강화 학습(Reinforcement Learning) 29

제3절 데이터 정규화 31

1. Standard Scaler 31

2. Minmax Scaler 31

3. Max-abs Scaler 31

4. Robust Scaler 32

5. Uniform quantile Scaler 32

6. GS-quantile Scaler 32

7. L2 norm Scaler 33

제3장 연구 방법 34

제1절 연구 문제 및 제안 방법 34

제2절 분석 대상 및 자료수집 방법 38

제3절 분석 대상 및 자료수집 41

제4장 데이터 현황 및 데이터 전처리 42

제1절 스케쥴 로그 데이터 현황 42

제2절 데이터 클리닝 44

1. 데이터 파싱(Parsing) 44

2. 피쳐 선택(Feature selection) 44

제5장 실험 및 결과 분석 46

제1절 상관관계 분석 46

제2절 비지도 학습 48

1. 주성분 분석(PCA: Principal Component Analysis) 48

제3절 K-Means 군집화와 의사결정 트리 통한 연합 학습 50

1. K-Means 군집화 50

2. 의사 결정 트리 52

제6장 결론 및 제한점 55

제1절 연구 결과와 요약 55

제2절 연구의 제한점 및 향후 연구방향 56

참고문헌 59

Abstract 64

표목차

〈표 1〉 생산관리의 핵심 요소와 활동 17

〈표 2〉 스케쥴링의 주요 분야와 예시 20

〈표 3〉 연구 절차 및 방법 39

〈표 4〉 스케쥴 가중치 파라메터별 상관관계 47

〈표 5〉 K-Means Clustering, 실루엣 스코어 51

〈표 6〉 K-Means Clustering, DBI 51

〈표 7〉 K-Means Clustering, optimal K(distortion elbow method) 51

그림목차

〈그림 1〉 제품종류와 생산량에 따른 생산방식 변화 25

〈그림 2〉 기간 1(1992∼1996)과 기간 6(2017∼2019) 사이의 대량 맞춤형 생산 연구 패러다임변화 25

〈그림 3〉 반도체 생산관리 흐름도 35

〈그림 4〉 Area 별 스케쥴 된 Job 트랜잭션 43

〈그림 5〉 Area 별 스케쥴 분포 43

〈그림 6〉 정규화 방법론별 Scree Plot 49

〈그림 7〉 의사결정 트리 52

초록보기

 반도체 생산관리는 여러 개의 프로세스가 여러 개의 설비에 할당되어야 하는 Job shop 방식으로 생산관리 방법 중 가장 어려운 것으로 꼽힌다. 반도체 칩 사이즈가 점점 줄어듦에 따라 실제 반도체 생산라인에서 하나의 제품을 만들기 위해서는 800 개가 넘는 프로세스를 진행해해야 하며 Bare wafer 투입부터 완제품에 가기까지의 소요시간(TAT: Turn Around Time)은 최대 7 개월이 걸린다.

최근 강화학습의 등장으로 생산관리 분야에서 시뮬레이션 기반으로 보상(Reward)을 최대화하는 새로운 스케쥴 방법론에 대한 연구가 나오고 있다. 하지만 실제 현업에서 생산관리 실무자들은 하루하루 정해진 물량이 정해진 프로세스 sequence 를 지나는지(cut off)를 관리하고 있다. Domain experts 는 장기간의 시뮬레이션을 통해 변동성이 많은 생산라인의 예측 시뮬레이션 결과를 믿는 것은 한계가 있다고 판단하고 있어 시뮬레이션은 현재 생산관리 자동화 분야에서 8 시간~24 시간 예측 부분에서만 제한적으로 활용되고 있다. 이 결과 실제 생산관리 전문가는 시뮬레이션보다 하루 동안 일어난 생산이 그들이 원하는 관점에서 이루어지는지 한 눈에 확인할 수 있는 솔루션이 필요하다는 니즈가 많다. 필자는 현업의 요구사항을 바탕으로 실제 반도체 Fab 에서 dispatching 된 log 를 머신 러닝으로 분석하여 Fab Automation 에 영향을 끼치는 decision making factor 를 한 번에 분석하고 보여줄 수 있는 솔루션에 대해 연구하였다.

본 연구는 복잡한 반도체 생산 스케쥴의 의사결정 팩터를 분석하고, 비전문가도 쉽게 알아볼 수 있는 의사결정 트리로 주요 특성을 시각화 하는 데 중점을 두었다. 이를 통해 반도체 Fab(생산시설) 스케줄을 결정하는 주요 인자를 파악하고, 자동화된 의사결정의 규칙과 휴리스틱 접근법의 차이를 이해할 수 있을 것이다. 또한, 고객 수요의 변화가 스케줄링에 미치는 영향을 분석하며, 비전문가도 이해할 수 있는 결과를 제공함으로써, 복잡한 생산라인을 단순화하고, 자동화된 생산라인 구축에 기여한다. 또한, 스케줄 의사결정 팩터를 파라메터화 함으로써 향후 스케줄의 방향성을 제시하여 장기적으로는 Autonomous Fab 을 구축하는 데 기반을 마련할 것으로 기대된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차