다단계 제조 공정에서 품질 이탈 유발 설비 군-체류시간 구간 조건 탐색을 위한 Interval Lower-Bound QuantMiner
Interval Lower-Bound QuantMiner for Identifying Equipment Group–Time Interval Conditions Inducing Quality Degradation in Multi-Stage Manufacturing
Article information
Trans Abstract
Purpose
In multi-stage manufacturing, quality rarely stems from a single operation. It arises from the interaction of equipment routing and continuous conditions such as residence time. Conventional association rule mining is interpretable but confined to categorical conditions. Its reliance on discretization and defect count consequents obscures joint equipment and time effects and misses early quality degradation.
Methods
We propose the Interval Lower-bound QuantMiner (ILQ-Miner). Each antecedent combines a categorical equipment group template with a continuous residence time interval [L, U]. The consequent is a lower-bound condition on deviation from the target quality level (res ≥θ). A genetic search first restricts the space using frequent templates. It then jointly optimizes the interval and threshold within each template through a bounded fitness function, and prunes redundant rules by an anchor-based strategy.
Results
On a semiconductor dataset (Commonality4000), adding residence time conditions improved rule discrimination. Across identical equipment combinations, lift rose from about 1.01–1.17 to 1.17–1.81, and ARI from 0.01–0.14 to 0.15–0.45. Rules with negative ARI fell from 19.49% to 3.21%.
Conclusion
ILQ-Miner captures joint equipment and time causes that categorical mining cannot express. The rules offer actionable evidence and support root cause analysis and quality control.
1. 서 론
현대 제조 산업은 수백 개 이상의 세부 단위 공정이 연속적으로 연결된 다단계 제조 공정(Multistage Manufacturing Processes)을 기반으로 운영된다. 이러한 환경에서 개별 공정은 독립적으로 존재하는 것이 아니라, 전공정의 처리 결과가 후공정의 입력 조건으로 전달되는 강한 상호의존성을 갖는다. 즉, 최종 제품의 품질은 특정 단일 공정의 결과로 환원되기보다, 공정 경로 전반을 통과하면서 누적된 공정 변동의 집합적 효과에 의해 결정된다(Shi and Zhou, 2009). 따라서 공정 전반에 걸친 품질 산포를 제어하고 수율을 확보하기 위해서는, 품질 이탈이 발생했을 때 그 근본 원인을 신속하고 정확하게 추적하는 근본 원인 분석(Root Cause Analysis, RCA)이 무엇보다 중요하다(Pietsch et al., 2024). 특히 공정의 복잡도와 단계 수가 증가함에 따라, 단순한 설비 고장뿐만 아니라 공정 파라미터의 미세한 변동이 여러 공정 단계를 거치며 품질 이탈로 발현되는 경우가 빈번해, 단일 공정 혹은 단일 변수 중심의 분석만으로는 원인 규명이 제한된다. 이에 따라 다단계 공정 이력 전반을 고려한 체계적인 RCA 접근이 제조 수율 극대화를 위한 필수 과제로 부상하고 있다.
기존의 데이터 기반 RCA 연구들은 PCA나 PLS와 같은 다변량 통계 기법부터 랜덤 포레스트 및 신경망 등의 머신러닝 모델에 이르기까지 다양한 방법론을 통해 품질 변동에 기여하는 주요 변수를 식별하고 공정 데이터 내의 비선형적 상관구조를 포착하는 데 집중해 왔다(Ge et al., 2017). 그러나 이러한 접근들은 실제 다단계 공정의 복합적인 특성을 반영하는 데 한계가 있다. 제품의 품질은 특정 공정 경로, 설비 조합, 체류시간과 같은 환경에 따라 달라지는 경우가 많은데, 기존 접근은 이러한 맥락 의존적 구조를 명시적으로 표현하거나 의사결정에 직접 연결되는 형태로 결과를 제공하는데 한계를 보인다. 그 결과, 분석 결과가 현업 운영자에게 구체적인 설비 조정이나 경로 최적화와 같이 즉각적으로 실행 가능한 의사결정 근거를 제공하기 어렵다는 문제가 남는다.
이러한 맥락 의존적 조건과 품질 결과 간의 패턴을 사전 가설 없이 규칙 형태로 탐색할 수 있는 연관 규칙 마이닝(Association Rule Mining, ARM)은 다단계 공정 RCA에 적합한 도구로 주목받아 왔으며, 공정 경로 및 설비 조합을 중심으로 결함 원인을 규명하는 다양한 연구가 수행되어 왔다(Chen et al., 2005; Sim et al., 2014). 그러나 전통적인 ARM은 Apriori 알고리즘의 특성상 빈발 항목 집합을 항목의 존재 여부로 표현되는 이산적 형태로 전제하고 탐색을 수행한다. (Agrawal and Srikant, 1995). 이로 인해, 체류시간과 같은 연속형 공정 변수나 목표 품질 수준으로부터의 편차와 같은 연속형 품질 지표를 규칙 탐색에 직접 반영하지 못하는 근본적인 한계를 지닌다. 결과적으로 연속형 수치 정보의 부재는 특정 설비라는 물리적 요인과 처리 시간이라는 공정 조건이 상호 작용하여 형성되는 복합적 원인을 규명하는 데 있어 근본적인 제약이 된다.
이러한 제약은 제조 공정 데이터에 설비 식별자와 같은 범주형 변수뿐만 아니라, 온도·압력·체류시간과 같이 그 값의 크기와 범위 자체가 품질 결과를 결정하는 연속형 변수가 다수 포함되어 있다는 점에서 더욱 심각한 문제로 부각된다. 특히 반도체 클러스터 설비와 같은 공정 환경에서 체류시간은 단순한 물류적 대기 시간이 아니라, 챔버 내 잔류 가스 및 열 노출을 통해 웨이퍼 표면의 화학적 변성을 유발할 수 있는 핵심 품질 제약 요인으로 보고되어 왔으며, 따라서 규칙 탐색 과정에서 반드시 고려되어야 한다(Lee, 2008). 그럼에도 불구하고 연속형 변수를 ARM에 적용하기 위해서는 연속적인 값의 범위를 사전에 구간으로 분할하는 이산화(discretization) 과정이 필요하다(Srikant and Agrawal 1996). 그러나 이산화는 구간 경계 설정 방식에 따라 정보 손실 수준과 추출 규칙의 통계적 유의성이 크게 달라지며, 특히 데이터의 실제 분포를 고려하지 않은 정적 경계 설정은 경계 근처의 의미 있는 패턴을 인위적으로 분절하여 누락시키는 문제를 수반한다(Dougherty et al., 1995). 또한 인접 구간의 조합이 증가할수록 후보 규칙 수가 기하급수적으로 증가하는 규칙 폭발 현상이 발생할 수 있어(Mata et al., 2002), 정적 이산화 방식은 연속형 공정 변수가 품질에 미치는 영향 범위를 정밀하게 포착하는 데 구조적인 한계를 지닌다.
정적 이산화 방식의 구조적 한계를 극복하기 위해 Salleb-Aouissi et al. (2007)은 유전 알고리즘(Genetic Algorithm, GA) 기반의 수치형 연관 규칙 마이닝 기법인 QuantMiner를 제안하였다. 이를 기반으로 Lee et al. (2024)은 불량 발생의 심각성을 정량적으로 반영하는 적합도 함수를 새롭게 정의하고, 이를 QuantMiner의 목적함수로 재구성하여 알고리즘을 재설계하였다. 제안된 방법은 PCB 제조 공정 데이터에 적용되어 결함 유발 설비 조합을 보다 효과적으로 도출하는 성과를 보였다. 그러나 Lee et al. (2024)은 불량의 원인을 범주형 설비 조합으로만 한정하고, 체류시간 같은 연속형 공정 변수를 규칙의 전건 조건으로 직접 다루지 않았다는 점에서, 앞서 지적한 복합적 원인 규명의 한계를 여전히 극복하지 못하였다. 또한 후건을 불량 개수 기반의 구간 조건으로 정의하였는데, 불량 개수는 공정 완료 후 사후적으로 집계되는 결과값으로서 공정이 서서히 악화되는 초기 단계의 품질 저하 신호에 둔감할 뿐만 아니라, 개별 불량 간 심각도 차이를 규칙 탐색 과정에 정교하게 반영하는 데에도 한계를 지닌다. 미세한 공정 조건 차이가 수율을 좌우하는 제조 환경에서 이는 결정적인 한계로 작용하며, 불량 판정 이전의 품질 저하까지 포착할 수 있는 정밀한 품질 지표와 그 심도를 탐색 기준에 직접 반영하는 목적함수 설계가 요구된다.
이에 본 연구는 다단계 제조 공정 이력 데이터로부터 품질 수준 이탈을 유발하는 핵심 조건을 해석 가능한 규칙 형태로 도출하는 Interval Lower-bound QuantMiner (ILQ-Miner)를 제안한다. 첫째, ILQ-Miner는 규칙의 전건을 범주형 설비 조합과 연속형 체류시간 구간의 결합으로 구성함으로써, 특정 설비라는 물리적 요인과 처리 시간이라는 공정 조건이 복합적으로 작용하는 결합 원인을 직접적으로 규명할 수 있도록 설계되었다. 둘째, 후건을 불량 개수 기반의 구간 조건이 아닌 목표 품질 수준으로부터의 편차에 대한 하한 임계치(lower-bound) 조건으로 정의하여, 불량 판정 이전의 품질 저하 신호까지 포착할 수 있는 민감한 규칙 탐색을 가능하게 한다. 즉, 불량 판정 이전의 초기 품질 저하 신호와 편차 강도를 탐색 기준에 직접 반영한다. 셋째, 빈발 설비군 템플릿 기반 탐색 공간 축소, [0,1]로 정규화된 bounded fitness 함수, 그리고 체류시간 대응 공정을 앵커로 정의하는 누적 페널티 가지치기를 결합하여, 중복을 억제하면서 공정 전반을 조망하는 압축된 핵심 규칙 집합을 도출한다. 본 연구의 제안은 기존 ARM 기반 제조 결함 분석이 범주형 조건에 국한되어 온 한계와 불량 집계 기반 후건 정의의 둔감성 문제를 동시에 극복함으로써, 다단계 제조 공정에서의 데이터 기반 품질 관리에 기여할 것으로 기대된다.
본 논문의 구성은 다음과 같다. 2장에서는 제조 공정 결함 분석, 연관 규칙 마이닝, 수치형 연관 규칙 마이닝 분야의 선행 연구를 검토한다. 3장에서는 공정이력 데이터 기반 결함 탐지, 연관 규칙 마이닝, 수치형 연관 규칙 마이닝의 기술적 배경을 정리한다. 4장에서는 제안하는 ILQ-Miner의 문제 정의, 규칙 생성 방법, 그리고 규칙 가지치기 절차를 상세히 기술한다. 5장에서는 반도체 제조 공정 데이터를 활용한 사례 연구를 통해 제안 방법론의 유효성을 검증한다. 마지막으로 6장에서는 본 연구의 결론과 향후 연구 방향을 제시한다.
2. 선행 연구
제조 공정의 복잡도 증가와 대규모 공정 데이터의 가용성 확대에 따라, 머신러닝(Machine Learning, ML) 및 딥러닝(Deep Learning, DL) 기법을 활용하여 제조 공정 데이터로부터 품질 이탈의 근본 원인을 규명하는 연구(Root Cause Analysis, RCA)가 활발히 수행되어 왔다. 초기에는 주성분 분석(Principal Component Analysis, PCA), 부분 최소 제곱법(Partial Least Squares, PLS) 등 다변량 통계 투영 기법(Multivariate Statistical Projection Methods)을 활용하여 고차원 공정 변수 간의 상관 구조를 저차원 잠재 공간으로 압축하고, 기여도 분석(Contribution Analysis)을 통해 품질 변동에 기여하는 주요 변수를 식별하는 연구가 주를 이루었다(Kourti and MacGregor, 1995). 이러한 투영 기반 방법론은 고차원 공정 데이터에서 이상 원인 변수를 통계적으로 추적하는 체계적 틀을 제공함으로써, 이후 ML 기반 RCA 연구의 방법론적 기반을 형성하였다. 이후 앙상블 및 커널 기반 분류 모델이 다양한 제조 공정 데이터에서 결함 탐지 및 원인 변수 선별에 적용되었으며, Ge et al. (2017)은 공정 산업에서 다양한 ML 기법의 역할을 체계적으로 정리하며 고차원 공정 데이터로부터 패턴을 추출하고 의사결정을 지원하는 데 데이터 마이닝 및 ML 기법이 활용될 수 있음을 제시하였다. 최근에는 합성곱 신경망(Convolutional Neural Network, CNN), 장단기 기억 신경망(Long Short-Term Memory, LSTM) 등 딥러닝 구조가 시계열 공정 신호 및 센서 데이터 기반의 이상 탐지와 결함 분류 문제에 도입되고 있다. 이러한 모델들은 공정 변수 간의 복잡한 비선형적 상관관계와 시간적 의존성(Temporal Dependency)을 학습함으로써 대규모 다변량 공정 데이터로부터 이상 패턴을 추출하는 데 적용되고 있다(Choi et al., 2021). 그러나 이러한 ML/DL 기반 접근들은 예측 성능 향상에도 불구하고, 분석 결과를 현업에서 해석 가능한 형태로 제공하는 데 공통적인 한계를 지닌다. 구체적으로, 어떤 공정 조건의 조합이 품질 이탈을 유발하는지를 규칙 형태로 명시적으로 기술하거나, 현장 운영자가 직접 활용할 수 있는 실행 가능한 의사결정 근거를 도출하는 데 구조적 제약이 공통적으로 내재한다.
이러한 흐름은 국내 품질경영 분야에서도 활발히 이어지고 있다. Kim et al. (2024)은 디지털 품질경영 관점에서 제조 분야의 머신러닝 활용 연구를 체계적 문헌 고찰을 통해 정리하고, 품질경영 활동 중에서도 품질 결함 분석(quality defect analysis)과 관련하여 머신러닝 기술 활용 연구가 가장 활발히 이루어지고 있음을 보고하였다. 실제로 Hong et al. (2024)은 CNC 가공 공정 데이터에 대해 설명가능 인공지능 기법인 SHAP(SHapley Additive ex-Planations)를 적용하여 불량에 영향을 미치는 주요 공정 변수를 규명함으로써, 예측 성능을 넘어 해석 가능성을 확보하고자 하였다. 또한 Ha et al. (2025)은 반도체 화학기상증착(CVD) 공정의 센서 데이터에 그래프 신경망(Graph Neural Network, GNN) 기반 이상탐지를 적용하고 센서 간 상호작용과 근본 원인을 시각화하여, 현장 엔지니어가 활용 가능한 진단 정보를 제공하였다. 이들 연구는 공통적으로 제조 품질 저하의 근본 원인을 현장에서 해석하고 활용할 수 있는 형태로 제시하는 것을 지향한다는 점에서 본 연구와 문제의식을 공유한다. 다만 이들은 변수 중요도나 센서 관계 시각화의 형태로 원인을 제시하는 데 반해, 본 연구는 설비 조합과 체류시간 구간이라는 조건을 명시적 규칙(IF-THEN)으로 도출함으로써 특정 설비의 운전 범위 조정과 같은 직접적 제어 지점을 제공한다는 점에서 차별성을 갖는다.
ML/DL 기반 RCA 연구의 주요 하위 흐름 중 하나로, 블랙박스 모델의 구조적 불투명성을 우회하여 해석 가능성을 확보하려는 시도로서, 공정 이력 데이터를 트랜잭션 구조로 표현하고 데이터 마이닝 기법을 직접 적용함으로써 불량 발생 메커니즘을 규명하는 연구가 일찍부터 독립적인 흐름으로 발전하여 왔다. 특히 제품의 공정 경로와 설비 이력을 트랜잭션 구조로 표현할 수 있다는 점에서, 연관 규칙 마이닝(Association Rule Mining, ARM)은 공정 이력 기반 RCA에 자연스럽게 적용될 수 있는 도구로 주목받아 왔다. Chen et al. (2005)은 RMI(Root-cause Machine Identifier) 방법론을 제안하여, 제품의 공정 경로를 단계-설비 쌍(step-machine pair)으로 표현하고 빈발 경로 집합을 추출함으로써 ARM이 결함 원인 분석에 효과적임을 입증하였다. 이들은 단순한 지지도 및 신뢰도 지표의 한계를 극복하기 위해 연속성 기반 흥미도 척도(Continuity-based Interestingness)를 도입하여 실제 불량 원인 설비를 높은 순위로 식별하였다. Sim et al. (2014)은 베이지안 네트워크를 통해 불량 유형 간의 확률적 의존성(품질-품질 인과구조)을 학습하고, 이를 결함 규칙 마이닝과 연계함으로써 공정 설비 시퀀스와 불량 발생 간의 관계(공정-품질 인과구조)를 통합적으로 모델링하였다. 특히 다단계 공정에서 전공정의 미세한 변동이 후공정 결과에 전이되는 누적 효과(Cumulative Effect)를 CE 점수(CE score)로 정량화함으로써 집중 관리가 필요한 핵심 설비를 효과적으로 식별하였다. Wang and Yang (2023)은 DRAM 제조 공정에서 관리도(Control Chart) 기반의 군집화(Clustering)와 연관 규칙 분석을 결합하여, 특정 파라미터 변동에 유의미한 영향을 미치는 핵심 설비 조합을 식별하는 프레임워크를 제시하였다. 그러나 이상의 연구들은 불량 원인을 설비 간 조합 또는 설비 이력과 같은 정적인 이산 정보에만 국한하여 분석하였다는 공통적인 한계를 지닌다. 이는 설비 내 체류시간, 온도, 압력 등 실제 품질 결정에 영향을 미치는 공정 파라미터의 연속적인 변동성과 그로 인한 동적 품질 변화를 모델링에 반영하지 못한다는 점에서 결정적인 제약이 된다.
한편, 연속형 공정 변수를 규칙 탐색에 직접 반영하기 위한 수치형 연관 규칙 마이닝(Numerical Association Rule Mining, NARM)은 이산형 데이터를 전제로 하는 전통적 ARM의 구조적 한계를 극복하기 위한 별도의 연구 흐름으로 발전하여 왔다. 초기 연구인 Srikant and Agrawal (1996)은 속성 도메인을 사전에 분할하는 정적 이산화(static discretization) 방식을 통해 연속형 변수를 ARM에 적용하는 방법을 제안하였으나, 이 방식은 고정된 구간 경계 부근에서 의미 있는 패턴이 누락되는 정보 손실 문제와, 인접 구간 조합이 증가할수록 후보 규칙 수가 기하급수적으로 증가하는 규칙 폭발(rule explosion) 현상을 수반한다. 이러한 정적 이산화의 경직성을 극복하기 위해 유전 알고리즘(Genetic Algorithm, GA)을 활용하여 데이터 분포에 최적화된 구간을 동적으로 탐색하는 방법들이 제시되었다(Mata et al. 2002). Alcala-Fdez et al. (2010)은 GA 기반 방식이 탐색 공간을 효율적으로 제어하여 규칙 폭발 문제를 완화하고 대규모 데이터에서도 선형적인 연산 효율성을 보임을 입증하였다. 초기 GA 기반 접근들은 주로 빈발 항목 집합 발견을 위한 지지도 최적화에 집중하여 규칙의 신뢰도를 직접적으로 고려하지 못하였는데, Salleb-Aouissi et al. (2007)은 이를 확장하여 QuantMiner 시스템을 제안하였다. QuantMiner는 사용자 정의 템플릿(예: 규칙의 구조)을 도입하여 탐색 공간을 전략적으로 축소하고, 규칙 내 다차원 수치 구간을 동시에 최적화함으로써 기존 GA 방식의 낮은 신뢰도와 연산 비효율성 문제를 해결하였다. 특히, 지지도와 신뢰도의 균형을 맞추는 동적 최적화 메커니즘을 통해 데이터 분포에 기반한 정밀한 구간 설정을 가능케 하였으며, 대규모 데이터셋에 대한 확장성을 입증하였다. 이러한 방식은 분석가가 주관적으로 구간 경계를 설정할 필요 없이 데이터 분포에 최적화된 범위를 자율적으로 탐색한다는 점에서 큰 장점을 가진다. 그러나 QuantMiner의 적합도 함수는 지지도와 신뢰도 같은 범용적인 통계적 흥미도 척도에 의존하기 때문에, 규칙 후건에 정의된 품질 목표값 편차의 물리적 심각도를 탐색 과정에 직접 반영하지 못한다는 한계가 있다. 즉, 통계적으로 빈번하게 발생하는 일반적인 패턴과 품질 목표를 크게 벗어나 엄격한 관리가 요구되는 치명적 편차 패턴을 변별력 있게 구별하여 최적화하기에는 부족함이 있다. Lee et al.(2023)은 이를 보완하여 불량 발생의 심각성을 적합도 함수에 직접 반영하는 방식으로 QuantMiner를 재설계하였으며, PCB 제조 공정 이력 데이터에 적용하여 결함 유발 설비 조합을 효과적으로 식별하는 성과를 보였다. 그러나 Lee et al. (2024)은 불량의 원인을 범주형 설비 조합으로만 한정하여, 체류시간과 같은 연속형 공정 변수를 규칙의 전건 조건으로 직접 다루지 않았다. 또한 후건을 불량 개수 기반의 구간 조건으로 정의함으로써, 공정이 서서히 악화되는 초기 단계의 품질 저하 신호나 개별 불량 간 심각도 차이를 탐색 과정에 정교하게 반영하는 데에도 한계를 지닌다.
한편, 산출된 규칙이 실제 제조 현장에서 활용되기 위해서는 규칙의 통계적 타당성과 해석 가능성을 동시에 확보하는 평가 및 정제 절차가 필요하다. Tan et al. (2002)은 데이터의 희소성과 불균형성을 고려한 평가 척도의 선택이 규칙 탐색 결과에 미치는 영향을 분석하고, 다양한 흥미도 지표들 간의 일관성 확보가 규칙의 통계적 신뢰도와 해석 가능성을 동시에 제고한다는 점을 논의하였다. Yun et al. (2003)은 고정된 지지도 임계값 기반의 Apriori 알고리즘이 발생 빈도는 낮지만 잠재적으로 유의미한 패턴을 간과하는 한계를 지적하고, 상대적 지지도(Relative Support) 개념을 도입한 RSAA 알고리즘을 제안하여 데이터 불균형 환경에서도 희소하지만 높은 연관성을 가진 항목 조합을 효과적으로 발굴할 수 있음을 입증하였다. 또한 Schoch et al. (2024)은 BMW 자동차 제조 데이터 분석에서 베이지안 빈도 보정을 통해 연관 규칙의 기대 예측 정확도(Expected Predictive Accuracy)를 추정하고, 상위 n개의 핵심 규칙만을 동적으로 선별하는 전략을 제시하였다. 이 접근은 임계값 설정에 대한 의존도를 낮추는 동시에, 기존의 단순 신뢰도 기반 선별 방식 대비 정밀도 향상을 통해 실제 제조 현장의 의사결정 효율을 개선할 수 있음을 시사한다. 앞서 규칙 생성 단계에서 언급한 Lee et al. (2024)은 비용 함수(Cost Function)를 별도로 도입하여 정보량이 적거나 중복된 규칙을 제거하는 가지치기 기법을 제안함으로써, 규칙 탐색 이후의 정제 단계에서도 실용적 기여를 하였다. 이상의 연구들은 규칙의 생성 뿐만 아니라 생성된 규칙 집합으로부터 실질적으로 유의한 규칙을 선별하는 과정이 데이터 기반 제조 RCA의 실용성을 결정하는 핵심 요소임을 시사한다.
이상의 선행 연구를 종합하면, 공정 이력 기반 ARM 연구는 결함 원인을 해석 가능한 형태로 제시하는 강점을 지니나 대체로 범주형 설비 조합에 국한되어 왔고, NARM 연구는 연속형 변수를 다룰 수 있으나 지지도, 신뢰도 중심의 범용 척도에 의존하여 품질 편차의 심각도를 직접 반영하지 못하며, 후건 또한 불량 집계 기반의 사후 지표에 머물러 왔다. 표 2는 주요 선행 연구와 본 연구(ILQ-Miner)를 설비 조합 고려 여부, 연속형 변수 처리 방식, 사전 이산화 필요 여부, 후건 품질 지표, 품질 이탈 정도 반영 여부, 규칙 가지치기 적용 여부의 관점에서 비교한 것이다. 본 연구는 범주형 설비군 조건과 연속형 체류시간 구간을 결합한 전건 구조, 목표 편차 하한(res ≥ θ) 형태의 후건, 그리고 앵커 기반 가지치기를 통합함으로써 기존 연구들이 개별적으로 지녔던 한계를 하나의 프레임워크 안에서 동시에 보완한다는 점에서 차별성을 갖는다.
3. 기술적 배경
3.1 공정이력 데이터 기반 제조 결함 탐지
다단계 제조 공정에서는 제품이 여러 공정 단계와 장비를 순차적으로 거치면서 생산되기 때문에, 개별 공정 변수보다는 공정 간 상호작용과 누적 효과에 의해 품질 문제가 발생하는 경우가 많다. 특히 PCB 제조 공정과 같이 다수의 공정과 장비가 연속적으로 연결된 환경에서는 특정 결함이 단일 장비나 단일 공정 조건에 의해 발생한다고 가정하기 어렵다. 이러한 특성으로 인해 제조 결함의 근본 원인을 직관적으로 식별하는 데에는 한계가 존재한다. 이러한 문제를 해결하기 위해 다단계 PCB 제조 라인에서 발생하는 복잡한 결함 원인을 분석하기 위한 데이터 마이닝 기반 접근 방식이 제안되었다(Sim et al., 2014). 해당 연구에서는 여러 장비와 공정 조건의 누적 효과로 인해 결함 원인이 분산되어 나타나는 제조 환경의 특성을 고려하여, 공정이력 데이터를 활용한 결함 분석의 필요성을 강조하였다. 공정이력 데이터 기반 결함 탐지는 다단계 제조 공정에서 발생하는 결함을 공정 순서와 장비 조합의 관점에서 분석하여 근본 원인을 규명하는 접근으로 정의할 수 있다. 이는 결함 발생 시점의 개별 공정 조건만을 분석하는 방식과 달리 결함 제품이 통과한 공정 경로 전반을 고려함으로써 공정 간 상호작용 효과를 반영할 수 있다는 장점을 가진다. Lee et al. (2024) 은 PCB 제조 공정과 같이 복잡한 공정 구조를 갖는 환경에서는 단일 공정보다 공정 간 연계성과 장비 조합 효과를 함께 고려하는 분석이 결함 원인 규명에 있어 중요하다고 지적하였다. 이러한 흐름 속에서 공정이력 데이터를 활용하여 결함 발생 시 근본 원인을 공정 경로 및 설비 조합 수준에서 규명하려는 문제 설정이 제시되었으며(Chen et al., 2005), 이는 제조 결함 분석을 개별 변수 중심의 접근에서 벗어나 보다 구조적인 관점으로 확장할 필요성을 시사한다. 따라서 공정이력 데이터 기반 결함 탐지는 다단계 제조 공정에서 발생하는 복잡한 결함 메커니즘을 체계적으로 분석하기 위한 핵심적인 접근으로 이후 연관 규칙 마이닝과 같은 패턴 탐색 기법을 적용하기 위한 기반을 제공한다.
3.2 제조 공정에서의 연관 분석 기법
연관 규칙 마이닝(Association Rule Mining)은 대규모 데이터로부터 항목 간의 동시 발생 관계를 규칙 형태로 탐색하는 대표적인 데이터 마이닝 기법이다. 일반적으로 연관 규칙은 “IF X THEN Y”의 구조를 가진다. 지지도(Support), 신뢰도(Confidence), 향상도(Lift) 등의 지표를 통해 규칙의 통계적 유의성을 평가한다. 구체적으로 규칙 X⇒Y 에 대해 지지도는 전건과 후건을 동시에 만족하는 관측치의 비율을, 신뢰도는 전건 X가 만족되었을 때, 후건 Y가 함께 나타날 조건부 확률을, 향상도는 그 조건부 확률이 후건의 전체 발생 확률 대비 얼마나 증가하는지를 나타내는 상대적 지표다. 전체 관측치 수를 N, 전건과 후건을 동시에 만족하는 관측치 수를 n (X∩Y), 전건을 만족하는 관측치 수를 n (X)라 하면 각 지표는 다음과 같이 정의된다.
이 중, 향상도는 전건과 후건 간 연관성의 방향과 강도를 나타내는데, 1보다 크면 전건 조 건이 후건 발생과 양의 연관성을, 1이면 독립, 1보다 작으면 음의 연관성을 의미한다. 이러한 지표들은 규칙의 통계적 유의성을 평가하는 표준적인 기준으로 널리 사용된다.
이러한 규칙 기반 표현 방식은 분석 결과의 해석 가능성이 매우 높다는 장점이 있어 복잡한 제조 공정분석 분야에서 널리 활용되어 왔다. 제조 공정 데이터는 제품 단위로 다양한 공정 단계와 장비 정보를 포함하며, 결함 여부와 같은 품질 결과와 밀접하게 연관되어 있다. 특히 다단계 제조 환경에서는 단일 공정 변수보다 여러 공정 조건이나 설비 조합이 함께 작용하여 결함이 발생하는 경우가 많다. 연관 규칙 마이닝은 이러한 환경에서 공정 조건과 품질 결과 간의 반복적인 패턴을 사전 가설 없이 탐색할 수 있다는 점에서 근본 원인 분석에 적합한 도구로 평가된다. 기존 연구에서는 연관 규칙 마이닝을 활용하여 특정 기계 조합과 결함 발생 간의 동시 출현 관계를 분석하는 시도가 이루어졌다. Chen et al. (2005) 은 다단계 제조 공정에서 제품이 거쳐 간 설비 조합을 항목 집합으로 정의하고, 결함 발생을 설명하는 핵심 설비 세트를 탐색하는 방법론을 제안하였다. 이 연구는 Apriori 알고리즘의 속성을 활용하여 빈번한 설비 조합 세트 후보를 단계적으로 탐색함으로써 탐색 공간을 효율적으로 축소하고 결함과 연관된 설비 조합을 도출하였다. 이러한 접근은 공정이력 데이터를 트랜잭션 형태로 변환하여 연관 규칙 마이닝을 적용할 수 있음을 보여준다. 다만 전통적인 연관 규칙 마이닝은 주로 범주형 변수로 구성된 데이터 구조를 가정하므로, 체류시간과 같은 연속형 공정 변수를 규칙에 직접 반영하기 위해서는 연속형 변수를 다룰 수 있는 확장된 규칙 마이닝 기법이 요구된다. 이에 대한 논의는 다음 절에서 수치형 연관 규칙 마이닝을 중심으로 다룬다.
3.3 수치형 연관 규칙 마이닝(Numerical Association Rule Mining)
수치형 연관 규칙 마이닝(NARM)은 연속형 변수를 포함하는 데이터에서 변수 간의 상관관계를 규칙 형태로 탐색하는 기법이다. 제조 공정 데이터는 온도, 압력, 시간 등 다수의 수치형 운영 변수를 포함하고 있어, 전통적인 범주형 ARM을 적용하는 데 한계가 존재한다. 이를 극복하기 위해 연속형 변수를 직접 처리할 수 있는 다양한 NARM 기법이 제안되어 왔다. 그러나 NARM은 무한한 연속적 값 범위를 탐색 대상으로 삼기에 탐색 공간이 매우 방대하다. 이로 인해 규칙 탐색의 계산 복잡도가 급격히 증가하는 문제를 안고 있다. 2장에서 논의한 바와 같이, 초기 연구들이 취한 사전 이산화 방식은 구간 경계 설정에 따라 규칙 품질이 크게 좌우되고 공정 조건의 미세한 변동을 충분히 반영하지 못하는 한계를 지닌다(Salleb-Aouissi et al., 2007).
이러한 문제를 해결하기 위해 Salleb-Aouissi et al. (2007)이 제안한 QuantMiner는 사전 이산화 과정 없이 규칙 탐색 과정에서 수치형 속성의 구간을 동적으로 최적화하도록 설계되었다. 이 방법은 규칙의 지지도(Support)와 신뢰도(Confidence)뿐만 아니라, 수치형 조건의 구간 폭(Interval width)을 함께 고려한 적합도 함수(Fitness function)를 통해 의미 있는 규칙을 도출한다. 본 연구가 제안하는 방법 역시 이러한 GA 기반 동적 구간 최적화 구조를 기반으로 하되, 적합도 함수와 탐색 단위, 후건 정의를 제조 공정 특성에 맞게 재구성한다. QuantMiner 계열 접근이 지지도와 신뢰도 중심으로 유의성을 평가함으로써 불량 발생 빈도가 낮은 불균형 환경에서 중요한 결함 유발 조건을 놓칠 수 있고, 유사 조건을 공유하는 중복 규칙이 다수 생성되어 해석을 약화시킬 수 있다는 한계는 2장에서 상술하였으며, 본 연구는 이를 각각 편차 강도를 반영한 fitness와 앵커 기반 가지치기로 보완한다. 이와 같이 연속형 공정 변수를 규칙의 구성 요소로 직접 반영하는 접근은 정보 손실을 최소화하면서 공정 조건과 품질 결과 간의 관계를 해석 가능한 규칙으로 제시한다는 점에서, 연속형 변수의 비중이 높은 제조 공정 데이터 분석에 중요한 의의를 갖는다.
3.4 공정이력 데이터 기반 연관 규칙 접근 확장 필요성
앞선 절에서 살펴본 바와 같이 연관규칙 마이닝과 수치형 연관 규칙 마이닝은 제조 공정 데이터로부터 결함 발생과 관련된 공정 조건을 규칙 형태로 탐색할 수 있다는 점에서 유용한 데이터 마이닝 접근법이다. 특히 다단계 제조 공정 환경에서 공정 경로, 설비 조합, 수치형 공정 지표를 동시에 고려할 수 있다는 점은 결함 발생 메커니즘을 해석 가능한 형태로 제시하는 데 기여한다. 공정이력 데이터에 이러한 기법을 직접 적용할 경우 몇 가지 구조적인 한계가 존재한다. 우선 공정 단계 수와 설비 종류가 많아질수록 전건 후보 공간이 급격히 확장되어 조합 폭발 문제가 발생한다. 이로 인해 해석 가치가 제한적인 다수의 규칙이 생성될 수 있다. 특히 수치형 연관 규칙의 경우 연속형 변수의 구간 탐색까지 포함되므로 계산 복잡도가 더욱 증가하는 문제가 있다. 기존 연구에서 도출된 규칙들은 대부분 지지도나 신뢰도와 같은 지표에 의존하여 평가된다. 품질 지표의 크기나 이탈 정도를 정량적으로 반영하는 데에는 한계가 있다. 이러한 특성은 결함 발생 가능성의 상대적 크기보다는 단순한 동시 발생 여부에 초점을 맞추게 하여, 위험 수준이 높은 공정 조건을 식별하는 데 어려움이 존재할 수도 있다. 이와 같은 한계를 극복하기 위해서는 공정이력 데이터 전반을 무차별적으로 탐색하기보다는 품질에 유의미한 영향을 미치는 공정을 사전에 선별하여 탐색 공간을 축소하고 수치형 연관 규칙을 통해 결함 발생 조건을 정밀하게 규명하는 단계적 접근이 필요하다. 특히 공정 단위의 구조적 특성을 고려한 변수 선택 기법과 수치형 공정 지표를 결합한 규칙 탐색 방법은 결함 발생 원인을 보다 효율적이고 해석 가능하게 도출하는 데 기여할 수 있다. 따라서 본 연구에서는 이러한 문제의식을 바탕으로 공정 선택을 통한 탐색 공간 축소와 수치형 연관 규칙 마이닝을 결합한 접근법을 제안하고자 한다. 이는 기존 연관규칙 기반 제조 결함 진단 방법의 한계를 보완하고 공정이력 데이터 맥락에서 결함을 유발하는 핵심 공정 조건과 수치적 임계 구간을 동시에 발견하기 위한 기술적 기반을 제공한다.
4. Interval Lower-bound QuantMiner(ILQ-Miner)
4.1. 개요
본 연구는 다단계 제조 공정에서 공정, 설비 조합과 해당 설비에서의 체류시간 정보에 기반하여, 품질 수준 이탈을 유발하는 조건을 해석 가능한 규칙 형태로 도출하는 것을 목표로 한다. 제조 공정 이력 데이터로부터 관측되는 체류 시간은 공정 조건의 연속적인 특성을 반영하는 핵심 변수이며, 본 연구에서는 이를 단순 이산화 하지 않고 구간 형태로 직접 활용한다. 관심 대상이 되는 품질 지표는 목표 품질 수준으로부터의 이탈 정도로 정의되며, 이를 연속형 변수 res로 표현한다. res 값이 클수록 품질 이상(악화)이 발생한 것으로 간주하며, 규칙의 후건은 품질 이탈 정도를 나타내는 조건 Y=[res≥θ]의 형태로 정의된다. 이를 위해 본 연구는 설비 조합으로 구성된 설비 군 템플릿 T, 체류 시간 구간[L,U], 그리고 품질 임계 값 θ를 규칙의 파라미터로 포함하는 정량 연관 규칙을 탐색 대상으로 설정한다. 즉, 하나의 규칙은 특정 설비 군 조건 하에서 체류시간이 일정 구간에 속할 때 일정 크기 이상의 품질 이탈이 발생하는 정도를 설명하는 형태로 표현된다.
제안하는 방법은 빈발 설비 군 템플릿을 기반으로 탐색 공간을 제한하고, 해당 설비군에 대한 국소 데이터 분포를 활용하여 규칙 후보를 생성한다. 이후 규칙의 설명력과 조건 구간의 간결성을 동시에 고려하는 목적함수를 정의하고, 이를 최대화하는 규칙을 탐색함으로써 품질 수준 이탈을 대표적으로 설명하는 상위 규칙을 도출한다. 최종적으로 본 연구는 (T, [L,U], θ)로 매개변수화 된 상위 규칙 집합을 도출하고, 각 규칙에 대한 support, confidence, lift 및 fitness 지표를 함께 제시한다. 이하에서는 본 연구에서 제안하는 이와 같은 규칙 탐색 방법을 Interval Lower-bound QuantMiner (ILQ-Miner)라 한다.
4.2 문제 정의
본 연구에서는 관측된 품질지표 값 q가 사전에 정의된 목표 품질수준 Q로부터 얼마나 이탈했는지를 품질 편차 지표로 정의한다(예: res=∣Q-q∣). 변수 res는 목표 값 대비 편차의 크기를 정량화 한 척도이며, 값이 증가할수록 목표 품질수준으로부터의 이탈하여 품질 저하 가능성이 증가한다고 가정한다. 이에 따라 제안 모형에서는 res가 임계치 θ이상으로 관측되는 사건 res ≥ θ을 후건으로 갖는 lower-bound 규칙을 탐색한다. 구체적으로, 다단계 제조 공정 이력 데이터에 전건 X는 (i)공정/툴 선택 조건과 (ii) 체류시간 조건의 결합으로 구성한다. 체류시간은 재료가 설비에 투입된 시점과 공정이 종료된 시점 간 차이로부터 계산되는 연속형 변수다. 본 연구에서는 이를 사전 이산화하지 않고 체류시간의 구간 경계 [L,U]를 전건 조건으로 직접 포함하는 정량 연관규칙을 후보로 설정한다. 이때 [L, U]는 전건 X에 포함된 체류시간 조건의 허용 범위를 규정하여 특정 공정/설비에서의 체류시간 구간을 한정하는 제약으로 작동하는 반면, θ는 후건 Y에서 관측되는 res의 임계 수준을 정의하여 품질 이상 강도(편차 수준)를 결정하는 파라미터로 기능한다. 본 연구는 이 두 요소를 동시에 탐색함으로써 어떤 공정/설비 조합에서 특정 체류시간 구간[L,U]만큼 머무를 때, 품질 편차가 임계치 θ이상으로 증가하는(즉, 불량 강도가 어느 수준 이상으로 나타나는) 사건을 설명하는 정량 규칙을 도출한다. 정리하면, 규칙은 전건 X와 후건 Y로 구성된 X⇒Y형태를 가지며, X와 Y의 형태는 다음과 같이 표현된다.
여기서 T는 전건을 구성할 수 있는 m개로 구성된 공정/툴 조건들의 후보 집합(템플릿 집합)을 의미하며, 각 규칙의 전건은 T로부터 선택된 조건들의 부분집합 {C1,…,Cm}의 논리곱으로 구성된다. intervalk는 전건에 포함된 공정 k에서의 체류시간 변수를 의미한다. 즉, 전건 조건에 K개의 공정/설비 조건이 포함된 경우 각 공정에 대응되는 체류시간 조건이 함께 정의될 수 있으며, 이에 따라 규칙의 전건에는 최대 m개의 체류시간 구간 조건이 포함될 수 있다. 예를 들어 전건이 두개의 공정 조건 (Ca∧ Cb)로 구성되는 경우, 각 공정에 대응되는 체류시간 조건 [La ≤ intervala ≤ Ua]와 [Lb ≤ intervalb ≤ Ub]가 함께 정의될 수 있다. 생성된 규칙 집합은 4.3절에서 정의한 평가 기준 및 목적함수에 의해 평가되며, 그 결과 상위 규칙이 선별된다.
4.3 목표 품질 수준 이탈 유발 설비 군 규칙 생성
본 연구에서 사용된 유전 알고리즘은 기존 알고리즘을 단순히 적용한 것이 아니라, 제조 공정 데이터의 특성과 규칙 탐색 문제의 구조를 고려하여 탐색 전략과 파라미터 구성을 설계한 것이다. 일반적인 유전 알고리즘의 기본 연산을 기반으로 하되, 체류시간 구간을 포함하는 정량적 규칙 탐색 문제에 적합하도록 초기 개체군 구성 방식, 탐색 제약 조건, 그리고 추가적인 파라미터를 도입하였다. 이를 통해 본 연구는 단순히 알고리즘 적용을 넘어 제조 공정 데이터의 특성에 맞게 확장된 규칙 탐색 구조를 제안한다. 또한 기존 QuantMiner가 정량 속성 구간을 전역 데이터 기반으로 탐색하는 구조를 사용하는 것과 달리, 본 연구에서는 제조 공정의 설비 조합을 기준으로 탐색 단위를 구성하고, 해당 설비 조합을 만족하는 데이터 부분집합 내부에서 체류시간 구간과 품질 임계치를 동시에 최적화하는 방식으로 규칙 탐색 구조를 재구성하였다. 이러한 접근은 설비 조합에 따라 공정 특성과 품질 분포가 달라질 수 있는 제조 공정 데이터의 특성을 반영하기 위한 것이다.
4.3.1 초기 개체군 생성
목표 품질 수준 이탈을 유발하는 설비 군 규칙은 전체 생산 데이터에서 상대적으로 드물게 관측되며, 다단계 제조 공정에서는 설비 조합의 수가 증가함에 따라 탐색 공간이 기하급수적으로 확장되므로, 무작위 적인 규칙 생성 방식으로는 의미 있는 규칙을 효율적으로 탐색하기 어렵다. 즉, 초기 단계에서부터 규칙 후보를 제한하는 과정이 필요하며, 본 연구에서는 규칙 생성의 출발점을 무작위 개체가 아닌, 빈발 설비 군 템플릿에 기반한 초기 개체군으로 설정한다.
규칙의 전건은 여러 공정 단계에서 선택된 설비들의 조합으로 구성된 설비 군 템플릿(tool-group template)으로 정의된다. 설비 군 템플릿은 전체 데이터에서 일정 빈도 이상 관측되는 설비 조합만을 대상으로 생성되며, 이를 통해 극히 희소한 설비 조합에서 우연히 높은 성능을 보이는 규칙이 생성되는 문제를 완화한다. 구체적으로, 본 연구는 탐색 공간을 안정적으로 제한하기 위해 하나의 최소 지지도 기준을 설정하고, 이를 설비 값 수준과 설비 군 조합 수준에 동일하게 적용한다. 먼저 각 공정 단계별 설비 값이 전체 데이터에서 최소 지지도 이상을 만족하는 경우에만 해당 설비를 템플릿 구성 후보로 포함한다. 이는 개별 설비 수준에서 극히 희소한 선택 조건을 사전에 제거함으로써 불필요한 조합 생성을 방지하기 위함이다. 이후 이렇게 선별된 설비들로 구성된 설비 군 조합이 전체 데이터에서 동일한 최소 지지도 기준을 만족하는 경우에만 해당 조합을 설비 군 템플릿으로 채택한다. 즉, 동일한 지지도 기준을 공유하는 이중 필터링 구조를 통해, 개별 설비 수준과 설비 군 조합 수준에서 모두 통계적 안정성을 확보한다. 이와 같은 최소 지지도 기반 템플릿 생성 전략은 탐색 공간을 효과적으로 축소하는 동시에, 실제 공정에서 반복적으로 관측되는 설비 조합에 기반한 해석 가능한 규칙 생성을 가능하게 한다.
각 설비 군 템플릿이 고정되면 하나의 규칙은 해당 템플릿을 만족하는 경우 특정 공정 체류시간 구간과 품질 임계 조건이 동시에 충족되는지를 표현한 형태로 구성된다. 즉, 하나의 개체는 설비 군 템플릿, 특정 공정 변수의 체류시간 구간, 그리고 품질 수준 이탈을 판단하는 임계 값으로 정의되며 아래의 규칙 형태로 표현된다.
여기서 k는 체류시간 조건이 적용되는 공정을 나타내는 인덱스를 의미한다. 이 때 연속형 조건의 설정은 전체 데이터가 아니라, 해당 설비 군 템플릿을 만족하는 데이터 부분집합, 즉 local data에 기반한다. 이는 설비 조합에 따라 공정 특성과 품질 분포가 상이하다는 점을 반영하기 위함이다. 구체적으로, 각 설비 군 템플릿에 대해 해당 조건을 만족하는 데이터만을 추출한 후, 공정 체류시간과 품질 지표의 분포를 추정한다. 이후 극단 값의 영향을 완화하기 위해 분위수 기반 경계를 설정하고, 이 범위 내에서 체류시간 구간과 품질 임계 값을 초기 규칙 후보로 생성한다. 이러한 초기화 전략은 탐색 초기에 비현실적인 규칙이나 과도하게 넓은 조건 구간이 생성되는 것을 방지하며, 이후 단계에서 수행되는 규칙 평가 및 탐색 과정이 의미 있는 후보 규칙을 중심으로 이루어지도록 유도한다.
4.3.2 유전 연산 과정에서의 적합도 함수
4.3.1절에서 구성된 초기 규칙 후보들은 빈발 설비 군 템플릿을 기반으로 생성되므로, 무작위 규칙 생성에 비해 탐색의 출발점이 안정적이다. 그러나 제조 공정에서 목표 품질 수준 이탈 사건은 상대적으로 희소하게 관측되며, 단순히 발생 빈도가 높은 규칙이 반드시 품질 이탈을 유발하는 규칙을 의미하지는 않는다. 따라서 본 연구는 목표 품질, 이탈을 집중적으로 포착하는지를 나타내는 이탈 위험 강도와 규칙의 구조적 명료성을 반영하여 해석 가능성을 동시에 고려하는 목적함수(Fitness)를 정의한다.
규칙 평가는 템플릿 T를 만족하는 로컬 표본 집합을 기준으로 수행된다. 로컬 표본 수를 Nloc이라 할 때, 전건 X를 만족하는 표본 수를 A, 전건과 후건을 동시에 만족하는 표본 수를 XY로 정의하면, SuppX=A/Nloc, SuppX∩Y=XY/Nloc, Conf X⇒Y=XY/A로 계산된다. 이러한 로컬 기반 평가는 특정 설비 군 조건 하에서의 품질 이탈 양상을 직접적으로 반영할 수 있다는 점에서, 목표 품질 수준 이탈 규칙 탐색에 적합하다. 제안하는 Fitnessc 함수는 (i) 규칙의 이탈 위험 초과도 확보, (ii) 임계치 θ의 의미 있는 하한 강도 유지, (iii) 체류시간 구간폭의 과도한 확장 억제, (iv) 희소 규칙 선택 방지의 네 요소를 통합하도록 설계되었다. 최종 함수는 다음과 같이 정의된다.
식 (4)에서 Gainscore, Pres, Pint,
이는 다음과 같이 다시 표현할 수 있다.
식 (5)과 식 (6)에서 Cmin 은 목표 품질 편차의 조건부 발생 확률에 대한 최소 기준 값, 즉 최소 confidence 기준을 의미한다. 따라서 Gain은 단순히 빈번한 규칙을 선호하는 것이 아니라, 전건 X가 주어졌을 때 후건 Y가 Cmin 보다 얼마나 더 강하게 발생하는지를 지지도와 함께 반영한다.
다만 Gain은 (Conf (X⇒Y) < Cmin)인 경우 음수 값을 가질 수 있다. Fitness에서는 최소 confidence 기준을 충족하지 못하는 후보 규칙이 구조적 보정 항에 의해 과도하게 보정되는 것을 방지하기 위해, Gain의 양의 초과분만을 사용한다. 이를 위해 Gain을 다음과 같이 변환한다.
식 (7)에서 ϵ는 0으로 나누는 문제를 방지하기 위한 매우 작은 상수이다. 분모 1-Cmin은 confidence가 최소 기준에서 최대값 1까지 증가할 수 있는 최대 초과 폭을 의미한다. 따라서 Gainscore는 최소 confidence 기준을 초과하는 정도를 [0,1] 범위의 점수로 정규화 한 항으로 해석할 수 있다. 이를 통해 기존 Gain 항의 의미는 유지하면서도, 최종 fitness가 bounded 형태를 갖도록 하였다.
다음으로 θ가 전건 조건 하에서 의미 있는 수준의 하한을 형성하도록, 하한 강도 항 Pres를 도입한다. 이는 다음과 같이 정의된다.
식 (8)에서
식 (9)에서
식 (10)에서 Nloc은 해당 설비 군 템플릿을 만족하는 로컬 표본 수, Nglob은 전체 표본 수, ∣T∣는 템플릿에 포함된 설비 조건의 수를 의미한다. 또한 I {⋅}는 규칙 수준 support가 선호 최소 기준 τrule보다 낮은 경우 1, 그렇지 않은 경우 0의 값을 갖는 지시 함수이다. 이는 전건이 성립하는 로컬 표본 규모와 템플릿 길이를 함께 고려하여, 희소성 및 과적합 위험이 큰 규칙에 불이익을 부여하기 위한 것이다.
기존의 연관 규칙 마이닝에서는 rule-level 최소 지지도를 hard threshold로 설정하여 기준 미달 규칙을 탐색 대상에서 제외하는 방식이 일반적으로 사용된다. 그러나 본 연구에서 사용하는 유전 알고리즘 기반 탐색 구조에서는 이러한 hard cutoff가 적용될 경우 탐색 공간이 급격히 단절되어 최소 지지도 경계 부근에 위치한 후보 해가 조기에 제거될 가능성이 있다. 이에 따라 본 연구에서는 최소 지지도 미달 규칙을 즉시 제거하는 대신, Psupp를 통해 점진적으로 불이익을 부여하는 방식으로 설계하였다. 다만 Psupp를 fitness에서 직접 차감하지 않는다. 직접 차감 방식은 fitness 값을 음수로 만들 수 있으므로, 본 연구에서는 Psupp를 다음과 같은 곱셈형 가중치로 변환한다.
식 (11)에서 λ는 희소 규칙 penalty의 강도를 조절하는 파라미터이며, clip(z,0,1)은 z가 0보다 작으면 0, 1보다 크면 1로 제한하는 함수이다. 따라서
최종적으로 본 연구의 bounded fitness는 Gainscore, Pres, Pint,
4.3.3 개별 품질 수준 이탈 유발 설비 군 규칙 탐색의 종료 조건
각 설비 군 템플릿에 대해 규칙 탐색은 서로 독립적으로 수행된다. 이는 설비 군 조합에 따라 공정 특성과 품질 분포가 상이하게 나타날 수 있으므로, 템플릿별 로컬 데이터 분포에 기반한 탐색을 수행하기 위함이다. 모든 설비군에 동일한 탐색 절차와 종료 기준을 적용함으로써 규칙 생성 과정의 일관성과 재현성을 확보한다.
본 연구는 4.3.2절에서 정의한 적합도 함수를 최대화하는 규칙을 탐색하기 위하여 유전 알고리즘을 적용한다. 각 설비 군 템플릿에 대해 초기 개체군을 생성한 이후, 선택(selection), 교차(crossover), 변이(mutation) 연산을 반복적으로 수행하며 체류시간 구간 [L,U]과 품질 임계치를 점진적으로 조정한다. 각 세대에서 생성된 개체들은 적합도 평가를 거쳐 상위 개체가 다음 세대로 전달되며, 이러한 세대 갱신 과정을 통해 목적함수 값이 점진적으로 개선되도록 설계하였다.
그림 1은 설비 군 템플릿별로 수행되는 유전 기반 규칙 탐색의 전반적인 절차를 나타낸다. 각 설비 군 템플릿은 독립적인 탐색 단위로 간주되며, 해당 템플릿을 만족하는 로컬 데이터 집합을 기반으로 초기 개체군이 구성된다. 이후 각 세대에서 생성된 후보 규칙들은 4.3.2절에서 정의한 적합도 함수에 따라 평가되며, selection, crossover, mutation 연산을 통해 다음 세대의 개체군이 형성된다. 이러한 반복적 갱신 과정은 체류시간 구간 [L,U]과 임계치 θ를 점진적으로 조정하면서 목적함수 값을 개선하는 방향으로 탐색을 유도한다.
유전 연산은 탐색 공간 내에서 전역적 최적해에 근접한 후보를 발견하기 위한 확률적 탐색 메커니즘으로 작동하며, 각 세대에서 최고 적합도를 갖는 개체는 엘리트 전략에 의해 보존된다. 이를 통해 탐색의 안정성과 수렴 특성을 동시에 확보한다. 동시에 변이 연산은 국소 최적해에 조기 수렴하는 현상을 완화하여 다양한 구간 조합에 대한 탐색을 가능하게 한다. 이러한 탐색 과정은 사전에 정의된 종료 조건을 만족할 때까지 반복된다. 종료 조건은 (i) 최대 세대 수 도달 또는 (ii) 최고 적합도 값의 개선이 일정 세대 이상 유의미하게 관찰되지 않는 경우로 정의된다. 특히 후자의 조건은 탐색 과정에서 도출된 최고 fitness 값이 설정된 허용 오차 범위 내에서 일정 횟수 이상 향상되지 않을 경우를 의미한다. 이는 추가적인 계산을 수행하더라도 새로운 의미 있는 규칙이 발견될 가능성이 낮다고 판단되는 시점을 식별하기 위함이다.
조기 종료 기준은 탐색 효율성을 제고하는 동시에, 특정 세대에서 우연히 발생한 일시적 적합도 상승에 의해 탐색이 과도하게 지속되는 문제를 완화한다. 또한 설비 군 템플릿별로 탐색이 충분히 수렴된 이후 규칙을 확정함으로써, 설비 군 간 규칙 비교 및 후속 가지치기 단계에서 안정적인 평가가 가능하도록 한다. 탐색이 종료되면, 해당 설비 군 템플릿에 대해 탐색 과정 전반에서 가장 높은 적합도 값을 기록한 규칙 후보가 대표 규칙으로 선정된다. 이렇게 도출된 템플릿별 대표 규칙 집합은 이후 규칙 가지치기(pruning) 단계로 전달되며, 설비 군 간 중복성 및 포함 관계를 고려하여 정제된다. 최종적으로 본 연구는 목표 품질 수준 이탈을 구조적으로 설명하는 핵심 설비 군 규칙 집합을 도출한다.
탐색 과정에서 각 세대의 상위 개체는 엘리트 전략으로 보존되며, 교차 및 변이 연산을 통해 다음 세대가 구성된다. 이때 변이는 구간을 축소하는 방향으로 편향을 두어 체류시간 구간이 점진적으로 더 구체적인 형태로 수렴하도록 유도한다. 종료 조건은 최대 세대 수 도달 또는 최고 적합도의 개선이 허용 오차 이내로 일정 세대 이상 관찰되지 않는 경우로 정의하였다. 유전 알고리즘의 확률적 특성을 고려하여 난수 시드를 고정함으로써 동일 조건에서 결과가 재현되도록 하였다. 본 연구에서 사용한 주요 하이퍼파라미터의 의미, 설정값 및 근거는 표 2와 같으며, 각 값은 예비실험과 경험적 기준을 바탕으로 전체 규칙 수와 상위 규칙의 ARI 분포가 급격히 변하지 않는 안정 구간에서 결정하였다.
본 연구에서는 설비 조합을 기준으로 데이터 부분집합을 구성하고, 이를 규칙 탐색의 기본 단위인 block으로 정의한다. 각 block은 동일한 설비 조합을 만족하는 데이터 집합으로 구성되며, 해당 block 내부에서 체류시간 구간과 품질 임계치를 탐색하는 독립적인 단위로 사용된다. 모든 block에 대해 동일한 탐색을 수행할 경우 계산 비용이 급격히 증가할 수 있으므로, 본 연구에서는 출현 빈도 또는 탐색 우선순위를 기준으로 상위 n개의 block을 조절하여 탐색할 수 있도록 하였다.
유전 알고리즘 기반 규칙 탐색 과정에서는 탐색의 다양성, 수렴 안정성, 그리고 규칙의 해석 가능성을 확보하기 위해 여러 하이퍼 파라미터를 사용하였다. 주요 파라미터에는 개체군 크기, 최대 세대 수, 교차 확률, 변이 확률, 엘리트 보존 비율, 조기 종료 기준이 포함된다. 또한 초기 탐색의 기준점을 제공하기 위해 전체 체류시간 범위를 포함하는 기준 개체를 일정 비율로 초기 개체군에 포함하였으며, interval 교차 및 변이 과정에서는 구간의 교집합 방향 및 축소 방향에 대한 편향을 반영하였다. 아울러 전건에 포함될 수 있는 설비 조건의 최대 개수를 제한하여 탐색 공간의 조합 폭발을 완화하고 규칙의 해석 가능성을 유지하였다. 본 연구에서 사용한 주 파라미터는 표 2과 같다.
4.4 유사도 기반 규칙 가지치기(Similarity-based Rule Pruning)
4.4.1 규칙 가지치기의 필요성
4.3절에서 제안한 유전 알고리즘 기반 규칙 탐색은 각 설비 군 템플릿에 대해 높은 적합도를 갖는 규칙을 탐색하여 후보 규칙 집합을 생성한다. 그러나 탐색 과정에서 서로 다른 설비 조합 템플릿이 동일한 공정을 중심으로 구성되는 경우가 빈번하게 발생하며, 이에 따라 결과 규칙 집합에는 특정 공정을 공유하는 규칙들이 집중적으로 생성되는 경향이 나타난다. 이러한 규칙들은 개별적으로 높은 fitness 값을 가질 수 있으나, 전체 규칙 집합 관점에서는 동일한 공정 이상 현상을 반복적으로 설명하게 되어 규칙 집합의 해석 가능성과 활용도를 저하시킬 수 있다. 제조 공정 분석의 목적은 단순히 많은 규칙을 생성하는 것이 아니라, 품질 수준 이탈을 대표적으로 설명하는 핵심 규칙을 도출하는 데 있다. 따라서 본 연구에서는 규칙의 적합도를 유지하면서도 설명 중복을 최소화하기 위한 규칙 가지치기(pruning) 절차를 도입한다.
기존 연관 규칙 마이닝 연구에서는 규칙 간의 포함 관계(subset-superset relationship)를 기반으로 설명 중복을 제거하는 가지치기 방법이 사용되었다. 이러한 접근은 전건 조건이 확장될수록 규칙의 복잡도가 증가하는 반면 설명력이 충분히 향상되지 않는 규칙을 제거함으로써 규칙 집합의 간결성을 유지하는 것을 목적으로 한다.
그러나 본 연구에서 고려하는 규칙 구조에서는 이러한 subset-superset 기반 가지치기 전략이 효과적으로 작동하지 않을 수 있다. 본 연구에서 제안한 ILQ-Miner는 기존의 설비 조합 조건에 더해 체류시간(interval) 구간 조건을 전건에 직접 포함하는 구조를 갖는다. 이로 인해 동일한 설비 조합을 공유하는 규칙이라 하더라도 체류시간 조건이 적용되는 공정이 서로 다를 수 있다. 예를 들어 동일한 설비 조합 {공정1, 공정2}에 대해 공정1의 체류시간 조건이 포함된 규칙과 공정2의 체류시간 조건이 포함된 규칙이 각각 생성될 수 있으며, 이러한 규칙들은 설비 조합은 동일하지만 서로 다른 공정 운영 패턴을 설명하는 규칙으로 해석될 수 있다.
따라서 단순히 설비 집합 간 포함 관계만을 기준으로 규칙을 제거할 경우, 실제로는 서로 다른 공정 운영 특성을 설명하는 유의미한 규칙이 함께 제거될 가능성이 존재한다. 이러한 한계를 고려하여 본 연구에서는 설비 집합의 단순한 포함 관계가 아닌, 체류시간 조건과 직접적으로 대응되는 공정 설비를 기준으로 규칙을 구조화하는 anchor 기반 가지치기 전략을 제안한다. 본 방법은 각 규칙에서 체류시간 조건이 적용되는 공정을 해당 규칙의 중심 설비, 즉 앵커(anchor)로 정의하고 동일한 앵커를 공유하는 규칙들을 하나의 공정 맥락으로 그룹화한다. 이를 통해 설비 집합의 포함 관계가 아닌 공정 중심의 규칙 구조를 기반으로 유사한 규칙들을 체계적으로 관리할 수 있으며, 특정 공정을 중심으로 반복적으로 생성되는 규칙들을 효과적으로 제어할 수 있다.
그림 2는 본 연구에서 제안하는 앵커 기반 규칙 가지치기의 전체 절차를 나타낸다. 절차는 크게 두 단계로 구성된다. 먼저 규칙 탐색 단계에서 생성된 규칙 집합을 각 규칙의 앵커를 기준으로 그룹화하고, 이후 각 앵커 그룹 내에서 누적 페널티가 반영된 점수를 기준으로 대표 규칙을 순차적으로 선택한다. 전자는 어떤 기준으로 규칙을 묶을 것인가에 관한 문제이고, 후자는 묶인 규칙 중 무엇을 남길 것인가에 관한 문제이다. 이하에서는 두 단계를 4.4.2절과 4.4.3절에서 각각 상술한다.
4.4.2 설비 군 앵커 기반 그룹화
규칙 간 설명 중복성을 판단하기 위해, 각 규칙의 전건에 포함된 설비 군 조건을 기반으로 규칙을 그룹화한다. 각 규칙 Ri의 설비 군 조건 집합을 다음과 같이 정의한다.
본 연구의 규칙 구조는 단일 공정 체류시간 조건을 포함하므로, 해당 체류시간 변수와 직접적으로 대응되는 설비 군 조건을 해당 규칙의 앵커(anchor)로 정의한다.
여기서 는 규칙 Ri에서 체류시간 조건과 직접적으로 연결된 공정 설비를 의미한다. 앵커를 제외한 나머지 설비 조건들은 parter 집합 으로 정의하며 다음과 같이 표현된다.
예를 들어, 특정 규칙 Ri의 전건이 세 개의 설비 조건 Xi={공정a, 공정b, 공정c}로 구성되고, 이 중 공정b의 체류 시간 조건이 규칙의 interval 변수와 직접적으로 대응된다고 가정하자. 이 경우 해당 규칙의 앵커는 A(Ri)=공정b가 되며, 나머지 설비 조건들은 파트너 집합 π(Ri) = {공정a, 공정c}로 표현된다. 따라서 규칙 Ri는 (공정b, {공정a, 공정c})의 구조로 표현된다. 이러한 표현을 통해 동일 공정(앵커)을 중심으로 생성된 규칙들을 하나의 그룹으로 묶을 수 있다.
이와 같이 설비의 역할을 앵커와 파트너로 이원화하여 규칙을 구조화하는 것은 다음과 같은 분석적 당위성을 갖는다. 첫째, 공정 제어의 관점에서 규칙의 대표성과 현장 실행력을 확보할 수 있다. 앵커는 규칙 내에서 설비 가동 시간의 하한(L)과 상한(U)을 구체적으로 제시하는 유일한 요소이므로, 품질 이탈을 방지하기 위한 직접적인 운영 제어 지점 이 된다. 따라서 앵커를 중심으로 규칙을 식별하고 선별하는 과정은 특정 설비의 운전 범위 일탈이 품질에 미치는 영향을 가장 명확하게 설명하는 유의미한 규칙을 도출하는 과정이다. 둘째, 조합적 중복성을 체계적으로 억제하여 정보의 밀도를 높일 수 있다. 제조 공정의 특성상 하나의 핵심 설비 결함(예, 앵커)은 다양한 주변 설비 조합(예, 파트너)과 연계되어 다수의 유사 규칙을 생성시킬 수 있다. 만약 앵커와 파트너를 구분하지 않고 전체 설비 집합을 기준으로 규칙을 관리할 경우, 동일한 원인에 기인한 현상이 여러 개의 규칙으로 파편화되어 분석의 효율성을 저하시킨다. 앵커를 기준으로 규칙의 정체성을 규정함으로써 이러한 변이들을 하나의 대표 현상으로 통합할 수 있으며, 이는 방대한 규칙 후보군을 공정 개선에 즉각 활용 가능한 압축된 지식으로 재구성하는 기술적 근거가 된다. 즉, 각 규칙을 (앵커, 파트너 집합) 구조로 표현함으로써, 동일한 앵커를 중심으로 생성된 규칙들을 하나의 그룹으로 묶을 수 있다. 이렇게 형성된 앵커 그룹은 다음 절에서 설명하는 누적 페널티 기반 선택의 단위가 된다.
4.4.3 앵커 기반 누적 페널티 규칙 가지치기 전략
동일 앵커 그룹 내에서 규칙 선택은 적합도와 중복 억제를 동시에 고려하여 수행된다. 각 앵커 그룹 내에서 규칙들을 Fitness 값을 기준으로 내림차순으로 정렬한 뒤, 다음과 같은 점수 함수를 기준으로 greedy 선택을 수행한다.
식(12) Fitness (Ri)는 4.3절에서 정의한 규칙의 적합도이며, nA 은 해당 앵커에서 이미 선택된 규칙의 수를 의미한다. λ는 동일한 앵커를 포함하는 규칙이 추가될 때마다 부과할 페널티의 강도, 즉 가지치기의 세기를 결정하며, 크기에 따른 규칙 집합의 변화 양상은 다음과 같다.
• λ가 작을 때 (약한 가지치기): 페널티의 영향이 낮아 진단 성능이 우수한 특정 주요 설비에 관한 규칙들이 중복 선택될 가능성이 높다. 이는 특정 설비에 대한 정밀 진단에는 유리할 수 있으나, 규칙 집합이 특정 공정 지점에만 편중되어 다른 설비와 함께 이상 징후를 놓치는 진단 사각지대 형성할 위험이 있다.
• λ가 클 때 (강한 가지치기): 동일한 앵커에 파트너의 설비가 하나 추가될 때마다 다음 순번의 규칙들에 강력한 감점이 부여된다. 만약, 규칙 앵커 A에 대해 규칙 (A, B)가 먼저 선택되었다면, 동일 앵커를 포함한 나머지 규칙들인 (A, C)나 (A, D)는 식 (12)의 Score값이 하락하여 최종 규칙에서 탈락할 수 있다. 이로 인해 해당 앵커를 포함한 후속 규칙들은 점수가 임계 값 아래로 떨어져 탈락하게 된다. 즉, 앵커 그룹 A의 후속 규칙들이 페널티로 인해 순위가 하향 조정되는 사이, 페널티를 받지 않은 앵커 그룹 B나 C의 우수한 규칙들이 상대적으로 높은 우선순위를 얻어 최종 규칙 집합에 진입하게 된다.
결과적으로 이러한 메커니즘은 이미 충분히 품질 이탈을 설명한 설비의 정보는 생략하고, 아직 고려하지 않은 다른 설비의 영향력을 반영하는 규칙을 우선적으로 채택하도록 유도할 수 있다. 이를 통해 한정된 규칙 개수 내에서 생산 라인 전체를 사각지대 없이 조망할 수 있는 가능성을 제공한다.
이러한 설계 방식은 통계적 모델 선택 기준인 BIC(Bayesian Information Criterion)의 정보 이론적 접근 방식과 철학적 유사성을 공유한다. BIC가 모델 적합도(Likelihood)와 파라미터 수(Complexity) 사이의 절충을 통해 과적합을 방지하듯, 본 전략은 규칙의 성능(Fitness)과 규칙 집합의 복잡도(페널티항) 사이의 최적 균형점을 찾는다. 동일한 앵커가 규칙에 반복적으로 포함되는 것을 전체 규칙의 복잡도를 높이는 비용으로 간주하여 이를 억제함으로써, 최소한의 규칙 수로 공정 전체의 상태를 가장 효율적으로 설명하는 경제적인 모델을 구축한다. 최종 도출된 규칙 집합은 정보의 희소성을 유지하면서도, 현장 관리자에게 특정 공정에 치우치지 않은 지배적인 품질 변동 패턴을 제시한다.
5.사례 연구 (Case Study)
5.1 데이터셋 설명 및 전처리
본 사례 연구에서는 반도체 제조 공정에서 수집된 공정 이력 데이터를 활용하여 품질 이상 발생 패턴을 분석하였다. 분석에 사용된 데이터는 선행 연구에서 공개된 반도체 제조 공정 데이터셋(Commonality4000)으로, 변수 구성과 의미는 공개된 데이터 설명 문서를 통해 제공된다(AA&YA and Intel, 2008). 각 관측치는 하나의 생산 단위(lot)에 해당하며, 제품이 다단계 제조 공정을 순차적으로 통과하는 과정에서 기록된 공정 이력 정보와 최종 품질 결과를 함께 포함한다.
데이터는 약 4,000개의 lot 관측치와 600개 이상의 변수로 구성된다. 변수는 공정 단계별 공정 위치를 나타내는 범주형 변수(LOCN_i)와 각 공정 단계에서의 공정 시점을 나타내는 연속형 변수(TDATE_i)로 구성되며, i는 공정 단계 인덱스를 의미한다. 공정 위치 변수는 각 공정 단계에서 lot이 통과한 설비(tool)를 식별하는 범주형 변수로, 제품의 공정 경로를 나타내고, 연속형 변수는 해당 공정을 통과한 시점을 수치화한 값으로, 공정 간 상대적 시간 흐름을 반영한다. 또한 각 lot에 대해 최종 품질 특성을 나타내는 연속형 품질 지표(res)가 함께 제공되므로, 공정 조건 조합과 품질 이상 발생 간의 관계를 분석하기에 적합한 구조를 가진다.
품질 이상 사건은 공정 결과값(res)을 기반으로 정의하였다. 본 연구에서는 단일한 고정 임계값을 사전에 설정하는 대신, 규칙 탐색 과정에서 품질 지표에 대한 임계 조건이 함께 도출되도록 하여 품질 이상을 정의하였다. 즉, 연관 규칙의 후건은 res ≥ θ 형태로 구성되며, 임계값 θ는 공정 조건 조합에 따라 데이터로부터 적응적으로 결정된다. 이러한 정의는 품질 이상이 전체 데이터 대비 희소하게 발생하며, 공정 조건에 따라 이상 발생 기준이 달라질 수 있다는 제조 공정의 특성을 반영한 것이다.
연관규칙 분석을 수행하기 위해 원시 공정 이력 데이터에 대해 전처리 과정을 수행하였다. 공정 분석과 직접적인 관련이 없는 식별자 변수는 제거하였으며, 범주형 공정 위치 변수는 공정–설비 조합의 의미를 유지한 상태로 전건 조건으로 활용하였다. 연속형 공정 변수(체류시간)의 경우, 결측이 특정 공정 및 설비에 국소적으로 발생하고 인접 시점 간 선형 관계를 가정하기 어렵다는 점을 고려하여 선형보간 대신 분포 기반의 조건부 중앙값 대체 방식을 사용하였다. 구체적으로 체류시간이 유효하게 관측된 경우(dt > 0)에는 해당 값을 그대로 사용하고, 결측이거나 비유효한 경우에는 표본 수 기준에 따라 대체 방식을 달리 적용하였다. 동일 공정에서 특정 설비에 대한 관측 표본이 충분한 경우(설비 표본 비율 10% 이상 또는 표본 수 50개 이상)에는 공정–설비 조합 수준에서 관측된 체류시간의 중앙값으로 대체하였고, 이 기준을 충족하지 못하는 경우에는 설비 정보를 제외한 해당 공정 단계 전체의 관측 중앙값으로 대체하였다. 중앙값 산출 시에는 극단치 영향을 완화하기 위해 상·하위 5% 윈저라이즈를 적용하였으며, 최종 값은 수치 안정성을 위해 하한값을 적용한 뒤 소수 둘째 자리로 반올림하였다. 이와 같이 전처리된 데이터는 공정 위치 조건과 연속형 체류시간 조건의 조합이 품질 이상 발생과 갖는 관계를 사례 중심으로 분석할 수 있도록 구성되며, 이를 바탕으로 다음 절에서 실험 시나리오를 제시한다.
5.2 실험 설계 및 평가 지표
본 사례 연구는 전건 조건의 구성 방식에 따라 품질 이상 발생 특성이 어떻게 달라지는지를 비교하기 위해, 전건에 포함되는 변수 유형을 기준으로 두 개의 실험 시나리오를 설정하였다. 첫 번째 시나리오(Ver1)는 공정 위치를 나타내는 범주형 변수만을 전건 조건으로 사용한다. 이는 기존 연관규칙 분석에서 일반적으로 사용되는 형태로, 특정 공정 위치 조합과 품질 이상 발생 간의 관계를 확인하는 기준선(baseline) 역할을 한다. 이때 Ver1은 전통적 범주형 연관규칙 분석에 대응하는 baseline인 동시에, 제안 방법에서 체류시간 구간 조건이라는 핵심 구성요소만을 제거한 ablation 구성으로서의 성격을 함께 가진다. 두 번째 시나리오(Ver2)는 동일한 범주형 공정 위치 조건에 더해 연속형 체류시간 조건을 구간(interval) 또는 단측 부등식 형태로 전건에 함께 포함한다. 즉 두 시나리오는 동일한 pruning 절차와 동일한 confidence, lift, ARI, fitness 계산 방식을 공유하며 오직 체류시간 조건의 포함 여부에서만 차이가 있으므로, 두 결과의 차이는 체류시간 정보를 전건에 반영한 효과로 직접 해석할 수 있다.
두 시나리오는 규칙 탐색의 단위 구조에서도 차이를 가진다. Ver1은 전체 데이터를 대상으로 규칙을 탐색하는 반면, Ver2는 4장에서 제안한 바와 같이 빈발 설비군 템플릿을 먼저 고정한 뒤 해당 템플릿을 만족하는 local data 부분집합 내부에서 체류시간 구간과 품질 임계치를 최적화한다. 이러한 구조적 차이는 이후 규칙 평가 지표, 특히 support의 계산 기준에 직접 영향을 미친다. 각 시나리오에서 도출된 규칙은 confidence, lift, ARI, fitness를 중심으로 비교하며, 이들 지표는 두 시나리오에서 동일한 방식으로 계산한다. 반면 support는 계산 기준이 시나리오에 따라 다르다. Ver1은 전체 데이터를 분모로 하는 global support를 사용하는데, 이는 전체 생산 대비 규칙의 발생 빈도를 의미한다. Ver2는 동일한 공정 위치 조합(템플릿)을 만족하는 관측치를 분모로 하는 local support를 사용하며, 이는 해당 설비 조합을 거친 lot 중에서 규칙 조건이 차지하는 관측 비중을 의미한다. Ver2가 local 기준을 사용하는 이유는, 설비 조합마다 공정 특성과 품질 분포가 상이하여 전역 기준으로 support를 평가할 경우 조합 자체가 드문 규칙이 그 내부 대표성과 무관하게 과소평가될 수 있기 때문이다. 즉 local support는 조합의 전역 빈도에 좌우되지 않고 특정 공정 맥락 내에서 조건의 대표성을 평가하기 위한 설계이다. 두 support는 기준 모집단이 다르므로 절대 크기를 직접 비교하지 않고, 각 시나리오 내부에서의 관측 비중을 확인하는 보조 지표로만 해석한다. 두 시나리오 모두 규칙 생성 이후 동일한 pruning 절차를 거쳐 최종 규칙 집합을 구성하였으며, 이후 사례 분석은 pruning 이후의 규칙을 기준으로 수행하였다. 규칙 탐색은 유전 알고리즘 기반으로 수행되며, 개체군 크기, 세대 수, 교차·변이 확률, 조기 종료 기준 등 하이퍼파라미터는 탐색 안정성과 계산 효율을 고려하여 고정하였다.
한편 본 연구는 confidence와 lift 같은 표준 지표에 더해, 규칙이 전체 평균 대비 품질 이상 발생 확률을 얼마나 증가시키는지를 절대적 크기로 평가하기 위해 ARI(Absolute Risk Increase)를 위험 판별 지표로 도입한다. lift가 이상 발생 확률의 상대적 증가 배수를 나타내는 데 비해, ARI는 확률의 절대적 증가분을 직접 제시하므로 품질 이탈 조건의 실질적 위험 크기를 해석하기에 적합하다. 규칙 에 대해 를 전건 하에서의 이상 발생 확률(confidence), 를 전체 데이터의 이상 발생 확률이라 하면 는 다음과 같이 정의된다.
여기서 P (Y) = confidence / lift 관계가 성립하므로, ARI는 규칙의 confidence와 lift로부터 다음과 같이 계산된다.
ARI가 양수이면 해당 조건은 전체 평균 대비 이상 발생 확률을 높이는 위험 요인이고, 0이면 평균과 동일한 위험 수준이며, 음수이면 평균 대비 이상 발생 확률이 오히려 낮은 상대적으로 안정적인 조건이다. 즉 음수 ARI는 결함 규칙이 아니라 기준선 대비 위험을 높이지 않는 조건이 추출되었음을 뜻한다. 본 연구의 목적이 품질 이탈을 유발하는 조건의 규명에 있으므로, 위험 판별력이 높은 규칙은 ARI가 큰 규칙에 해당한다. 이후 사례 분석에서는 이와 같이 정의한 지표를 기준으로 두 시나리오의 규칙을 비교한다.
5.3 사례 분석 결과
본 절에서는 제안한 ILQ-Miner를 적용하여 도출된 규칙을 단순 나열하기보다, 전건 조건 구성 방식(Ver1, Ver2)에 따라 품질 이상과 연관된 규칙이 어떤 형태로 도출되는지와 그 해석 가능성을 중심으로 결과를 정리한다. 논의는 (i) pruning의 효과, (ii) 전체 규칙 집합의 위험 판별력 분포, (iii) 상위 대표 규칙, (iv) 동일 공정 위치 조합을 기준으로 한 통제 비교의 순서로, 전체 경향에서 개별 규칙으로 좁혀가며 전개한다.
규칙 탐색 과정에서 템플릿 기반 탐색 공간 제어(템플릿 최대 크기 및 최소 지지도)는 조합 폭발을 방지하고 충분한 관측 빈도를 갖는 조건만 탐색되도록 하는 장치로, 최소 신뢰도(min_conf)는 전건이 만족될 때 품질 이상 사건이 일정 수준 이상 발생하는 규칙만 유지하는 기준으로 사용하였다. 주요 임계값은 파라미터를 변화시키며 전체 규칙 수와 상위 규칙의 ARI 분포가 급격히 변하지 않는 안정 구간을 기준으로 설정하였고, 유전 알고리즘의 하이퍼파라미터는 탐색 안정성과 계산 효율을 고려하여 고정하였다. Ver1과 Ver2는 동일한 방식으로 계산한 confidence, lift, ARI, fitness를 중심으로 비교하며, support는 5.2절에서 밝힌 바와 같이 계산 기준(Ver1: global, Ver2: local)이 다르므로 절대 크기를 비교하지 않고 각 시나리오 내부의 관측 비중을 확인하는 보조 지표로만 해석한다. 따라서 이후 비교 결과는 전건 조건 구성 방식의 차이에 기인한 것으로 해석할 수 있다.
그림 3은 pruning 이전과 이후 규칙들의 fitness 분포를 비교한 결과이다. Ver2 기준으로 pruning 이전에는 총 61,891개의 규칙이 생성되었으나 pruning 이후에는 498개의 대표 규칙만 유지되어 약 99.2%의 규칙이 제거되었다. 규칙 수의 규모 차이가 크므로 pruning 전후 분포는 각각 좌·우측 y축으로 표현하였다. Pruning 이전 규칙들이 낮은 fitness 구간에 넓게 분포하는 반면, pruning 이후 규칙들은 더 높은 fitness 영역에 집중된다. 이는 앵커 기반 가지치기가 단순히 규칙 수를 줄이는 것이 아니라, 낮은 fitness 규칙을 제거하고 높은 fitness의 대표 규칙을 선별하도록 작동함을 보여준다.
그림 4는 fitness 기준 상위 50개 규칙을 대상으로 Ver1과 Ver2의 ARI 분포를 비교한 결과이다. Ver2는 Ver1보다 ARI의 중앙값이 높고 분포 전반이 더 높은 구간에 형성되어, 체류시간 조건을 함께 고려한 규칙들이 평균 대비 이상 발생 확률의 증가 폭이 큰 특성을 일관되게 보임을 확인할 수 있다. 실제로 Ver2 상위 50개 규칙은 모두 ARI가 양수로, 상위 규칙 전체가 품질 이상 발생 확률을 높이는 조건에 해당한다. 이러한 경향은 상위 규칙에 국한되지 않는다. 그림 5는 pruning 이후 전체 규칙 집합에서 음수 ARI를 갖는 규칙의 비율을 비교한 것이다(Ver1 549개, Ver2 498개, 모두 동일한 pruning 절차 적용 후 기준). Ver1에서는 전체 규칙의 19.49%(107/549개)가 음수 ARI를 보인 반면, Ver2에서는 3.21%(16/498개)에 그쳐, 절대 기준 16.28%p, 상대 기준 약 83.5% 감소하였다. 이는 체류시간 조건의 반영이 상위 규칙뿐 아니라 규칙 집합 전반에서 품질 이상과 양의 연관성을 갖는 규칙을 보다 안정적으로 도출하도록 함을 보여준다.
그림 6은 fitness 기준 상위 50개 규칙의 support와 lift 분포를 산점도로 나타낸 것이다. Ver1 규칙의 lift는 대부분 1 부근에 분포하는 반면, Ver2에서는 lift가 최대 약 1.8 수준까지 나타나는 규칙이 확인된다. 또한 Ver2의 일부 규칙은 비교적 높은 local support를 유지하면서도 lift가 1을 크게 상회하여, 체류시간 조건을 포함한 규칙이 해당 공정 위치 조합 내부에서 지나치게 희소하지 않으면서도 높은 위험 판별력을 갖는 형태로 도출됨을 보여준다.
표 3은 체류시간 조건이 포함된 Ver2에서 ARI 기준 상위 규칙을 제시한 것이다. 앞서 정의한 바와 같이 ARI는 전건 조건을 만족할 때의 이상 발생 확률이 전체 평균 이상 발생 확률보다 얼마나 증가하는지를 나타내는 지표이다. 표 3의 상위 규칙들은 ARI가 약 0.44~0.49 수준으로 나타났으며, 이는 해당 규칙을 만족하는 경우 이상 발생 확률이 전체 평균보다 약 44~49%p 높음을 의미한다. 또한 상위 규칙들은 confidence가 0.95 이상, lift가 약 1.8 내외로 나타났으며, local support도 0.2 이상의 값을 유지하였다. 여기서 local support는 동일한 공정 위치 조합(템플릿)을 만족하는 관측치 중 전건과 후건을 동시에 만족하는 비율을 의미한다. 이는 체류시간 조건을 포함한 규칙들이 해당 공정 위치 조합 내부에서도 일정 수준 이상의 관측 비중을 유지하면서, ARI와 lift에서 확인된 바와 같이 평균 대비 높은 이상 발생 특성을 보이는 조건을 제시하고 있음을 의미한다. 따라서 Ver2는 공정 위치 조건에 체류시간 구간 조건을 추가함으로써, 동일한 공정 위치 조건에서도 평균 대비 이상 발생 확률이 높은 조건을 규칙으로 도출할 수 있음을 시사한다.
표 4와 표 5는 동일한 공정 위치 조합을 대상으로, 연속형 공정 조건 포함 여부에 따라 규칙 지표가 어떻게 달라지는지를 비교한 결과이다. 표 4는 공정 위치 조건만을 포함한 Ver1의 규칙이며, 표 5는 동일한 공정 위치 조합에 체류시간 구간 조건을 추가한 Ver2의 규칙이다. Confidence, lift, ARI 및 fitness는 두 방법에서 동일한 기준으로 계산하였다. 다만 support는 Ver1에서는 전체 데이터를 기준으로 계산한 global support를 사용하였고, Ver2에서는 동일한 공정 위치 조합(템플릿)을 만족하는 관측치 내부에서 계산한 local support를 사용하였으므로, 두 표의 support 값은 직접 비교하지 않았다.
표 4의 Ver1 규칙에서는 confidence가 대부분 높은 수준으로 나타났으나, lift는 1.0063~1.1685, ARI는 0.0062~0.1370 수준으로 나타나 전체 평균 대비 이상 발생 확률의 증가 폭은 제한적이었다. 반면 표 5의 Ver2 규칙에서는 동일한 공정 위치 조합에 체류시간 구간 조건을 추가함으로써 lift가 1.1723~1.8091, ARI가 0.1470~0.4472 수준으로 전반적으로 증가하였다. 이는 공정 위치 조건에 체류시간 정보를 함께 반영함으로써 동일한 공정 위치 조합 내에서도 평균 대비 이상 발생 확률이 높은 조건을 보다 세분화하여 표현할 수 있음을 보여준다. 또한 fitness는 모든 비교 규칙에서 Ver1보다 크게 증가하였다. 이는 연속형 공정 조건을 추가함으로써 규칙의 종합적인 평가 지표(fitness)가 향상되었음을 의미한다. 한편 표 5의 local support는 0.36~0.79 수준으로 나타났으며, 이는 체류시간 조건을 포함한 규칙들이 해당 공정 위치 조합 내부에서 지나치게 희소한 사례에 국한되지 않음을 보여준다. 또한 confidence 역시 대부분의 규칙에서 높은 수준을 유지하여, 체류시간 조건을 추가한 이후에도 전건 조건을 만족하는 표본 내에서 높은 이상 발생 비율이 유지됨을 확인할 수 있었다. 종합하면, 동일한 공정 위치 조합을 기준으로 비교할 때 Ver2에서의 ARI, lift 및 fitness가 Ver1보다 전반적으로 높게 나타나는 경향을 확인하였다. 이는 연속형 공정 조건을 함께 고려함으로써 동일한 공정 위치 조건 내에서도 품질 이상 발생 특성을 보다 구체적으로 반영한 규칙을 도출할 수 있음을 시사한다.
6. 결론
본 연구는 다단계 제조 공정 이력 데이터로부터 품질 수준 이탈을 유발하는 복합 조건을 해석 가능한 규칙으로 도출하는 Interval Lower-bound QuantMiner(ILQ-Miner)를 제안하였다. 기존 연관 규칙 기반 결함 분석이 설비 조합과 같은 범주형 조건에 국한되고 후건을 불량 개수 기반의 사후적 지표로 정의해 온 한계에 대응하여, 본 연구는 규칙의 전건을 범주형 설비군 템플릿과 연속형 체류시간 구간 [L, U]의 결합으로 구성하고, 후건을 목표 품질 수준으로부터의 편차에 대한 하한 임계치 조건 res ≥ θ로 정의하였다. 이를 통해 특정 설비라는 물리적 요인과 처리 시간이라는 공정 조건이 상호작용하여 형성되는 결합 원인을 직접 규명할 수 있게 하였다. 또한 빈발 설비군 템플릿 기반의 탐색 공간 축소, [0,1] 범위로 정규화된 bounded fitness 함수, 그리고 체류시간 조건과 대응되는 공정을 앵커로 정의하는 누적 페널티 가지치기 전략을 통해, 중복을 억제하면서 공정 전반을 조망할 수 있는 압축된 핵심 규칙 집합을 도출하도록 설계하였다. 요약하면, 본 연구는 범주형 설비 조합에 국한되어 온 제조 결함 연관규칙 연구를 연속형 체류시간 구간까지 확장하고, 불량 집계 기반의 사후 후건을 목표 편차 하한 조건으로 대체하였다는 점에서 기존 QuantMiner 계열 및 제조 ARM 연구와 방법론적으로 구별되며, 해석 가능한 규칙 기반 근본원인 분석의 표현력을 한 단계 확장한 데 학술적 의의가 있다.
반도체 제조 공정 이력 데이터(Commonality4000)를 활용한 사례 연구에서, 공정 위치 조건만을 사용한 Ver1과 체류시간 구간 조건을 추가한 Ver2를 비교한 결과 제안 방법의 유효성을 확인하였다. 동일한 공정 위치 조합을 기준으로 한 통제 비교에서 체류시간 조건을 추가할 때 lift는 약 1.01~1.17 수준에서 1.17~1.81 수준으로, ARI는 약 0.01~0.14에서 0.15~0.45 수준으로 일관되게 상승하였으며, 상위 규칙들은 confidence 0.95 이상과 일정 수준 이상의 local support를 동시에 유지하였다. 나아가 pruning 이후 전체 규칙 집합에서 음수 ARI 규칙의 비율은 Ver1의 19.49%에서 Ver2의 3.21%로 크게 감소하였고, 앵커 기반 가지치기는 약 6만 개의 후보 규칙을 fitness가 높은 소수의 대표 규칙으로 압축하였다. 이는 연속형 체류시간 정보를 규칙 구성 요소로 직접 반영함으로써 공정 위치 조건만으로는 구분되지 않던 품질 이탈 조건을 세분화하여 표현할 수 있으며, 도출된 규칙이 특정 설비의 체류시간 운전 범위 조정과 같은 형태로 현장에서 즉각 활용 가능한 의사결정 근거를 제공할 수 있음을 시사한다.
이러한 결과는 품질 결함 분석에서 머신러닝 활용이 가장 활발하다는 최근 품질경영 연구 동향(Kim et al., 2024)에 부합하며, SHAP 기반 변수 영향력 분석(Hong et al. 2024)이나 GNN 기반 이상탐지·근본원인 시각화(Ha et al., 2025)와 같이 해석 가능성을 지향해 온 기존 품질경영학회지 연구의 흐름을 규칙 기반 접근으로 확장한다는 점에서 학술적 의의를 갖는다. 특히 변수 중요도나 센서 관계 시각화가 “어떤 요인이 중요한가”를 제시하는 데 초점을 둔다면, 본 연구는 “어떤 설비 조합에서 어느 체류시간 구간일 때 품질 편차가 임계치를 넘는가”를 명시적 규칙으로 제시함으로써 현장 제어 지점을 직접적으로 지목한다는 점에서 상호 보완적이다.
다만 본 연구는 몇 가지 한계를 가지며 이는 향후 연구 과제로 남는다. 첫째, 사례 연구는 체류시간 구간 조건의 반영 여부(Ver1 대 Ver2) 비교에 집중되어 있어, 본 연구가 제안한 lower-bound 후건 정의와 앵커 기반 가지치기 전략 각각의 기여를 분리 검증하는 추가 분석이 요구된다. 특히 불량 개수 기반 후건을 사용하는 기존 방법과의 직접 비교, 그리고 앵커를 고려하지 않은 가지치기 대비 규칙 다양성 및 공정 커버리지 개선 효과에 대한 정량적 검증이 필요하다. 둘째, 적합도 함수의 지수 및 페널티 파라미터에 대한 민감도 분석과 여러 random seed에 대한 반복 실행 기반 평균·표준편차 보고를 통해 탐색 안정 구간의 정량적 근거를 보강하여 방법의 재현성과 견고성을 높일 필요가 있다. 셋째, 단일 데이터셋 검증을 넘어 온도·압력 등 다양한 연속형 공정 변수와 복수 제조 도메인으로 범위를 확장하고, 도출된 규칙을 실제 공정 개선 조치와 연계하여 효과를 검증하는 후속 연구가 이루어져야 한다.