시계열 데이터는 일정한 시간 간격으로 측정된 값의 시간적 순서를 담은 데이터입니다. 이미지가 "지금 불량인가"라는 순간을 보여준다면, 시계열은 "언제, 왜 불량이 발생했는가"라는 히스토리를 보여줍니다. 제조 공정 데이터 분석에서 시계열이 중요한 이유입니다.
이미지는 특정 순간을 포착한 데이터입니다. 비전 검사기는 균열로 인한 불량은 판별하지만, 그 균열이 언제 왜 생겼는지, 어떻게 막을지는 알려주지 못합니다.
시계열은 제품이 만들어지는 과정의 기록입니다. 어느 시점에 어떤 이유로 이상이 생겼는지, 무엇을 개선해야 하는지에 대한 단서가 담겨 있습니다. 다만 여러 센서에서 동시에 수집되면 사람이 눈으로 이해할 수 없는 고차원 데이터가 됩니다. 사람은 3차원까지 인지하지만 AI는 수학적으로 그 이상의 차원을 다룰 수 있어, 시계열 분석에서 AI의 가치가 커집니다.
제조 공정에서 발생하는 데이터를 크게 이미지 데이터와 시계열 데이터로 구분을 합니다. 이미지 데이터는 대부분 사람의 눈으로도 볼 수 있어 육안 검사 또는 비전 검사 장비를 활용한 불량 탐지를 하게 됩니다.
반면에 시계열 데이터는 일정하게 반복되는 패턴처럼 보이지만 이를 표준적으로 정의하기에는 어렵습니다. 또한 여러 센서로부터 수집된 데이터인 경우가 사람의 능력으로 복잡한 관련성을 이해하기 불가능한 고차원 데이터가 됩니다. 3차원에서 살고 있는 우리의 능력은 x, y, z축의 3차원 공간까지 인지할 수 있습니다. 시각적으로 표현할 수는 없지만, AI는 수학적으로 x, y, z, w축의 4차원과 그 이상을 유연하게 확장할 수 있습니다.
특히 산업들이 발전하면서 더 많은 시스템, 센서, 툴을 도입하면서 순수 인간의 역량으로는 이해할 수 없는 데이터의 한계점을 극복하기 위해 AI와 시계열 데이터의 무한한 확장성에 집중이 될 수밖에 없습니다.
시계열 데이터는 일정 시간 간격으로 측정된 데이터의 시간적 순서를 나타내는 데이터입니다. 이 데이터는 연속된 시간 간격으로 발생한 정보를 나타내며, 예를 들어 일일 주가, 분 단위 센서 데이터, 월간 판매량 등이 시계열 데이터의 예시입니다.
시계열 데이터 분석은 많은 분야에서 중요한 역할을 합니다. 예를 들어 경제학에서는 경제 지표나 주식 시장 등의 시계열 데이터를 분석하여 경제 동향을 예측하고, 기상학에서는 기상 데이터를 분석하여 날씨 변화를 예측하고자 합니다. 또한, 제조업체는 제조 라인의 센서 데이터를 분석하여 제품 품질을 향상시키기 위한 정보를 추출합니다.
다양한 응용만큼 시계열 데이터의 특성에 따라 분류 방법도 다양합니다.
단변량(univariate)은 하나의 변수로 시간적 트렌드를 보고, 다변량(multivariate)은 여러 변수 간의 관계까지 파악합니다. 제조 공정은 대부분 다변량입니다.
메트릭(metric)은 일정 주기로 규칙적으로 측정되는 데이터입니다. 제조 장비 센서, 심박수, 주가 차트가 여기에 속합니다. 이벤트(event)는 은행 입출금 내역처럼 불규칙하게 발생하는 사건 중심 데이터입니다.
예) 심박수 및 생체 리듬, 주식 차트, 제조 장비의 센서는 일정한 기간동안 측정하며 수집하는 데이터를 메트릭 데이터라고 합니다
예) 은행 입.출금 내역, 하루 트윗 건수, 등 사건 간에 시간이 불규칙하게 예측이 어려운 경우 사건 중심으로 수집하는 데이터를 이벤트 데이터라고 합니다
이론적 분류로는 존재하지만, 컴퓨터는 모든 데이터를 디지털로 저장하므로 실무 분석 관점에서는 큰 의미가 없습니다.
알티엠(RTM)은 제조 도메인 경험을 반영해 공정 시계열 데이터를 두 가지로 분류해 분석합니다.
반도체 공정은 깎고(etch) 쌓는(deposition) 작업을 수백 번 반복합니다. 반복 패턴을 단위로 추출하면 동일 공정을 식별하고 웨이퍼·LOT 정보까지 연결할 수 있으며, 패턴의 형태적·통계적 변화를 불량·이상 감지 신호로 활용합니다.
발전소 터빈 모터처럼 24시간 가동되는 설비는 센서가 수년간 연속 측정합니다. 장기 트렌드 분석으로 수리·교체 시기를 예측하고 이상 경고를 제공합니다.
데이터 특성에 따라 RNN, LSTM, GRU 같은 순환 신경망 계열과 XGBoost 등 머신러닝 기법이 활용됩니다. 모델보다 중요한 것은 공정 특성에 맞는 데이터 전처리입니다.
수집만으로는 부족합니다. 시간, 설비 ID, LOT 같은 연결 기준이 함께 기록돼야 이미지·품질 데이터와 결합해 원인 분석까지 갈 수 있습니다.
설비가 남긴 시계열 기록에는 불량의 원인과 고장의 전조가 담겨 있습니다. 알티엠(RTM)의 EHM은 공정·설비 시계열 데이터를 실시간 분석해 이상 징후를 조기에 탐지합니다. 쌓여 있는 센서 데이터의 활용법이 궁금하다면 알티엠에 문의해 보세요.
문제와 보유 데이터만 알려주세요.
담당자가 영업일 1일 내에 적합한 적용 방식을 안내해드립니다.
