Reference & Project
Case study
객관적 데이터로 풀어낸 노리시스템의 핵심 인사이트
AI 사례
반도체 핵심 설비 환경에서 수집한 시계열 데이터를 바탕으로, 정상 이용 패턴을 학습해 미세 이상 징후를판별하는 비지도 학습 기반의 화재 예측 연구 성과를 소개합니다.
기존 화재 감지기 대비 속도 개선
2분 30초 단축 (약 6.3% 개선)
유기 화합물 및 초기 연기 양상의 변동률 추정을 통한 감지 속도 향상 결과
데이터 검증 스케일
2개월 연속 데이터 추적
WSS 공정 4개 대형 설비(Pump, POU Scrubber) 기반의 시계열 데이터셋 확보
반도체 공정은 고온 장비의 이용 및 인화성 화학물질의 잦은 취급으로 인해 화재 리스크가 상존합니다. 실제 화재 발생 시 인사 사고와 더불어 생산 라인의 장시간 중단과 같은 심각한 경제적 손실이 유발될 수 있습니다.
기성 화재 감지 장치들은 단순 임계값 초과 여부에 의존하기 때문에 비화재 상황(무해 가스, 수증기 등)에서도 빈번하게 오경보를 발생시킵니다. 불필요한 공정 중단을 막고 신뢰성 있게 화재 여부를 판단할 시스템이 요구됩니다.
실제 WSS 공정의 Pump 및 POU Scrubber 총 4개소 설비 인접 영역에서 장기간 추적된 시계열 환경 데이터를 구축하여 연구 기반을 다졌습니다.
가스 및 매연 감지 데이터
TVOC, CO₂, 연기 밀도 데이터 수집을 통한 초기 화재 특성 포착
비화재 식별 프로세스 적용
평상시 정상 데이터를 모델에 미리 학습시킨 뒤, 실시간 정상 데이터가 모델이 정의한 통계적 정상 오차 범주 안에 머무는지(비화재) 혹은 이탈하는지(화재)를 분석하여 정밀하게 판별합니다.
정상 가동 데이터 학습을 바탕으로 이상 이후 수치를 계산하여 모니터링하는 감지 파이프라인
공정이 정상 가동되는 상태에서 환경 변화 데이터를 확보하여 기준 모델용 데이터셋을 구축합니다.
결측치를 식별·처리하고, 수집 채널 간 환경적 편향을 완화하는 정규화를 수행합니다.
시계열 데이터 분석에 적합한 LSTM 알고리즘으로 공정의 정상적 패턴 특징을 기계 학습시킵니다.
학습이 끝난 모델에 실시간 입력값을 지속적으로 매핑하여 정상 상태 유지 여부를 예측 측정합니다.
한 시점의 수치가 설정된 정상 분포 한계 범위를 유의미하게 벗어날 경우 이상으로 조기 경보합니다.
실험 규격과 배치 규칙에 맞춰 실제 복합 환경 센서를 조밀 배치하고 정상 동작 유무를 먼저 점검한 뒤, 객관적 환경에서 다중 반복 화재 시나리오 검증을 수행하였습니다.
설계 배치도에 따라 다차원 센서 기기를 거리별로 배치하고, 수집 소프트웨어의 감도 및 하드웨어 연결 상태를 초기 점검합니다.
발화 지점 위치에서 일반 전선, 난연 전선의 단심/묶음 피복 및 전기 부자재(종이 등)를 토치 장비로 2분간 가열하여 초기 이분해 상황을 유도합니다.
가열 차단 이후 약 15분 동안 확산되는 가스 변동 및 미세 분진 농도를 센서 거리별로 면밀히 계측하여 유효 시계열 값을 분석합니다.
대기 수치가 정상 기준점으로 안정화되도록 40분간 충분히 환기를 수행하고 정상 복귀를 확인합니다. 이 검증 주기를 3~4회 반복하여 측정값의 재현성을 확보했습니다.
단순 임계값 대비 기반의 센서가 포착하지 못하던 미세한 시계열 변동성 가중치를 탐색하여 화재 초기 조기 경보 가능성을 높였습니다.
전선 단락, 전선 묶음, 난연 피복, 가연물 외 다양한 물리적 화재 시나리오 데이터셋을 직접 확보하고 평가하여 범용적인 화재 감지 알고리즘으로서의 적용성을 확인했습니다.
정상 범주 이내의 일시 가스 방출이나 굴뚝 수증기로 유발되는 불필요한 라인 다운 빈도를 예방하고, 효율적인 공정 가동 및 안전 관리 체계 구축에 실질적인 기여가 가능합니다.