다변량 SPC 소개: MSPC 초보자 가이드

제품 개요

• 전통적인 한계: 단변량 SPC는 복잡한 제조 공정에서 종종 실패하는데, 이는 공정 변수들을 개별적으로 취급하고 변수들 간의 상호작용을 무시하기 때문입니다.
• 다변량 분석의 이점: MSPC는 변수 간의 관계를 분석하여 표준 차트가 놓치는 오류를 더 일찍 감지할 수 있도록 합니다.
• 주요 측정 항목 : 호텔링의 $T^2$ 및 제곱 예측 오차(SPE)와 같은 개념은 현대 고장 탐지의 핵심입니다.
• 기법: 주성분 분석(PCA)과 부분 최소 제곱법(PLS)은 방대한 데이터 세트를 실행 가능한 통찰력으로 축소합니다.
• 실제 적용: 반도체 제조부터 제약 배치 공정에 이르기까지 MSPC는 오경보를 방지하고 수율을 향상시킵니다.

개요

현대 제조 산업은 엄청난 양의 데이터를 생성합니다. 맥킨지 보고서(2018)에 따르면, 데이터 기반 제조는 기계 가동 중지 시간을 최대 50%까지 줄이고 품질 비용을 최대 20%까지 낮출 수 있습니다. 그러나 여전히 많은 시설에서는 거의 한 세기 전에 개발된 차트에 의존하고 있습니다.

공장에 수백 개의 센서가 설치되어 있다면, 센서를 하나씩 점검하는 것은 더 이상 효과적이지 않습니다. 마치 나무 한 그루만 보고 생태계 전체의 건강 상태를 판단하려는 것과 같습니다. 바로 이런 상황에서 다변량 SPC에 대한 체계적인 교육이 필요해집니다. 공정이 서로 긴밀하게 연결될수록, 개별 변수 값보다 변수 간의 관계가 훨씬 더 중요해지기 때문입니다.

엔지니어들이 이러한 상관관계를 무시하면 두 가지 값비싼 문제에 직면하게 됩니다. 실제 결함을 놓치거나(제2종 오류) 오경보로 인해 발생하는 허상을 쫓는 것(제1종 오류)입니다.

셰워트 차트를 넘어서

전통적인 통계적 공정 관리(SPC), 흔히 단변량 SPC라고 불리는 방법은 단순한 공정에 매우 효과적입니다. 예를 들어 피스톤 직경과 같은 하나의 변수가 있고, 이 변수를 상한선과 하한선에 따라 추적합니다. 직경이 설정된 범위 내에 있으면 해당 부품은 양호한 것으로 간주합니다.

하지만 산업 공정은 더 이상 그렇게 단순한 경우가 드뭅니다.

단변량 사고의 문제점

복잡한 시스템에서는 변수들이 서로 상호작용합니다. 화학 반응기에서 압력이 상승하면 평형을 유지하기 위해 온도가 특정 조건 하에서 상승해야 할 수도 있습니다.

기압 그래프만 보면 정상처럼 보입니다. 온도 그래프만 봐도 정상처럼 보입니다. 하지만 기압이 높고 온도가 낮으면 문제가 됩니다. 낮은반응이 실패할 수도 있습니다. 단변량 차트에서는 제품이 망가지는 동안에도 녹색 불이 켜진 것으로 나타날 것입니다.

다변량 통계적 공정 관리(MSPC)는 이 문제를 해결합니다. MSPC는 "이 변수가 허용 범위 내에 있는가?"라고 묻는 대신, "이 변수들 간의 관계가 정규 분포를 따르는가?"라고 묻습니다.

다변량 SPC의 핵심 개념

다변량 SPC를 이해하려면 "변수 공간"이라는 개념에 익숙해져야 합니다. 시계열 데이터처럼 데이터를 평평한 선상에 나타내는 대신, MSPC는 데이터를 다차원 공간에 나타냅니다.

호텔링의 $T^2$ 통계

다변량 SPC(MSPC) 방법에서 가장 흔히 사용되는 지표는 호텔링의 $T^2$입니다. 이는 표준편차의 강력한 버전이라고 생각하면 됩니다.

단변량 차트에서는 데이터 포인트가 평균에서 3표준편차($3\sigma$) 이상 떨어져 있는지 확인합니다. 다변량 데이터에서는 $T^2$가 상관 구조를 고려하여 데이터 포인트와 다변량 평균(데이터 클라우드의 중심) 사이의 거리를 측정합니다.

수학적으로, 표본 벡터 $x$에 대한 통계량은 다음과 같이 계산됩니다.

$$T^2 = (x – \bar{x})' S^{-1} (x – \bar{x})$$

어디에:

• $x$는 측정값 벡터입니다.
• $\bar{x}$는 평균 벡터입니다.
• $S^{-1}$은 공분산 행렬의 역행렬입니다.

$T^2$ 값이 계산된 한계를 초과하면 개별 센서의 모든 값이 "정상"으로 표시되더라도 공정이 제어 불능 상태가 됩니다.

제곱 예측 오차(SPE)

$T^2$는 프로세스가 모델에서 벗어났는지 여부를 알려주는 반면, 제곱 예측 오차(SPE), 또는 $Q$ 통계량이라고도 하는 이 값은 변수 간의 관계가 깨졌는지 여부를 알려줍니다.

정상적인 프로세스에서 변수 A와 변수 B가 동기화되어 움직이다가 갑자기 반대 방향으로 움직이면 SPE 값이 급증합니다. 이것이 MSPC가 센서 오류나 비정상적인 교란을 감지하는 주요 방식입니다.

실용적인 다변량 통계적 공정 관리 예시

반도체 에칭 공정과 관련된 구체적인 다변량 통계적 공정 관리 사례를 살펴보겠습니다.

시나리오:

플라즈마 에칭 챔버를 모니터링하고 있습니다. 주요 변수는 다음과 같습니다.

1. RF 전력
2. 챔버 압력
3. 가스 유량

단변량 관점:

• RF 전력: 505와트(상한값: 510와트). 상태: 정상.
• 압력: 42mTorr (상한: 45mTorr). 상태: 정상.
• 가스 흐름: 98 sccm (상한: 100). 상태: 정상.

표준 제어 시스템에서는 경보가 발생하지 않습니다. 작업자는 웨이퍼가 정상적으로 처리되고 있다고 판단합니다.

다변량 관점:

물리학적으로 챔버 압력이 떨어지면 플라즈마 밀도를 보상하고 유지하기 위해 가스 유량이 일반적으로 증가합니다.

이번 실험에서는 압력이 42로 약간 떨어졌지만 가스 유량은 또한 98로 떨어졌습니다. 개별적으로는 이 수치들이 문제가 없지만, 함께 놓고 보면 정상적인 작동 조건에서는 불가능합니다. 상관관계 구조가 무너진 것입니다.

MSPC 모델이라면 이런 현상을 즉시 감지했을 겁니다. T² 차트는 안정적으로 유지될 수 있지만, SPE 차트는 경고 신호를 보낼 겁니다. 엔지니어는 장비를 멈추고 질량 유량 제어기에서 막힘 현상을 발견하게 되죠. 만약 단변수 차트에만 의존했다면 웨이퍼가 가득 담긴 카세트 전체를 폐기했을 겁니다.

주요 다변량 SPC(MSPC) 방법

50개 또는 100개의 센서에서 수집된 데이터를 처리하려면 차원 축소가 필요합니다. 100차원 차트를 그대로 볼 수는 없기 때문입니다. 바로 이 부분에서 복잡한 알고리즘이 중요한 역할을 합니다.

주성분 분석 (PCA)

PCA는 연속적인 프로세스에 가장 널리 사용되는 도구입니다. PCA는 데이터의 분산을 설명하는 새롭고 상관관계가 없는 변수인 "주성분"을 찾아 데이터를 단순화합니다.

• PC1(주성분 1): 일반적으로 변동성의 가장 큰 부분을 설명합니다(예: 시스템의 전체 에너지 수준).
• PC2(주성분 2): 다음으로 가장 큰 부분을 설명합니다(예: 반응물 간의 균형).

100개의 원시 변수 대신 2~3개의 주성분을 모니터링하면 깔끔하고 읽기 쉬운 대시보드를 얻을 수 있습니다.

부분 최소 제곱법(PLS)

PCA는 입력 변수($X$)에 초점을 맞추는 반면, PLS는 수확량이나 품질과 같이 입력 변수($X$)와 출력 변수($Y$) 간의 관계에 초점을 맞춥니다.

품질 결함의 원인이 되는 공정 변수를 파악하고 싶다면 PLS(공정 선형 회귀 분석)가 최적의 방법입니다. PLS는 공정 데이터를 기반으로 품질을 예측하는 모델을 구축하고, 예측된 품질이 기준치 이하로 떨어지면 경고를 보냅니다.

전통 산업이 변화하는 이유는 무엇일까요?

다변량 통계적 공정 관리의 도입이 가속화되고 있습니다. 국제자동제어연맹(IFAC)에 따르면, 산업 시스템의 복잡성으로 인해 경쟁력 있는 생산량 확보를 위해서는 데이터 기반 모니터링이 필수적입니다(Qin, 2012).

감소된 거짓 경보

경보가 이유 없이 너무 자주 울리면 작업자는 결국 경보를 무시하게 됩니다. 상관관계가 높은 데이터에 대한 단변량 차트는 엄청난 양의 통계적 노이즈를 생성합니다. MSPC는 이러한 노이즈를 걸러냅니다. 즉, 노이즈를 고려하여 경보가 울리면 작업을 수행해야 할 시점임을 알려줍니다.

결함 진단

아는 그 뭔가 잘못됐다는 걸 아는 건 좋은 일이죠. 뭐 "잘못됐다"라고 하는 게 더 낫습니다.

최신 MSPC 소프트웨어에는 "기여도 그래프" 기능이 포함되어 있습니다. $T^2$ 또는 SPE 경보가 발생하면 소프트웨어는 경보 발생에 가장 큰 영향을 미친 변수를 정확하게 보여주는 막대 그래프를 생성합니다. 이를 통해 유지보수팀은 고장난 히터 또는 오차가 발생한 센서를 즉시 찾아낼 수 있습니다.

참고 : 시스템의 성능은 입력되는 데이터의 질에 달려 있습니다. 신뢰할 수 있는 MSPC는 적절한 데이터 입력에서 시작됩니다. SECS/GEM 장비 통합또한, 보정된 센서와 일관된 데이터 기록 기능을 갖추고 있습니다.

귀사 시설에 MSPC를 구현하기

다변량 SPC를 처음 접하면 다소 부담스러울 수 있지만, 논리적인 과정을 따라가면 됩니다.

1. 데이터 수집: 공정이 원활하게 진행되었던 시기의 과거 데이터를 수집하십시오. 이것이 바로 "골든 배치" 또는 참조 세트입니다.
2. 모델 교육 : 이 과거 데이터에 대해 PCA 또는 PLS를 실행하는 소프트웨어를 사용하십시오. 소프트웨어는 상관 구조를 정의하고 관리 한계를 계산합니다.
3. 확인: 알려진 오류가 포함된 데이터 세트를 사용하여 모델을 테스트하십시오. 모델이 오류를 감지합니까?
4. 온라인 모니터링: 모델을 배포하여 실시간으로 실행하며, 종종 전용 지원팀이 이를 지원합니다. SPC 관리도 소프트웨어 이는 실시간 데이터를 기준 모델과 비교하는 것입니다.

작은 규모로 시작하는 것이 현명합니다. 한 번에 전체 플랜트를 모델링하려고 하지 마십시오. 증류탑이나 CNC 기계와 같은 핵심 단위 공정을 하나 선택하여 먼저 그 가치를 입증하십시오.

일반적인 과제와 오해

다변량 SPC의 강력한 기능에도 불구하고, 그것이 만능 해결책은 아닙니다.

• 블랙박스에 대한 공포: 엔지니어들은 주성분의 물리적 의미를 "눈으로 확인할 수 없다"는 이유로 MSPC를 거부하는 경우가 있습니다. 이 부분에서는 교육이 필수적입니다. 팀은 수학적 원리를 신뢰해야 합니다.
• 선형성 가정: 표준 PCA는 선형 관계를 가정합니다. pH 중화와 같이 공정이 고도로 비선형적인 경우 커널 PCA와 같은 고급 버전을 사용해야 할 수 있습니다.
• 정적 모델: 공정은 변합니다. 공구 부품은 마모되고, 원자재 공급업체도 바뀝니다. MSPC 모델은 정확성을 유지하기 위해 주기적인 유지 보수가 필요합니다.

맺음말

제조 공정은 단순한 선 그래프로는 더 이상 설명할 수 없는 수준으로 발전했습니다. 다변량 SPC 입문서는 복잡하고 데이터가 방대한 환경을 다시 통제할 수 있도록 돕는 첫걸음입니다. 엔지니어는 변수들을 개별적으로 취급하는 대신 변수들 간의 관계를 분석함으로써 결함을 조기에 발견하고 낭비를 크게 줄일 수 있습니다.

반도체, 제약, 중공업 등 어떤 분야에 종사하든 MSPC로의 전환은 선택이 아니라 현대 품질 보증의 표준입니다.