In contemporary semiconductor fabrication facilities (FABs), the overhead hoist transport (OHT) system is primarily used for automated transportation. This system consists of a track system and OHT vehicles where the vehicles travel on the track to transfer wafers between equipment. To ensure reliable transportation, it is necessary to check the abnormalities of the OHT system continuously. Therefore, we propose condition-based maintenance of the OHT system where the relevant sensor data are collected to determine whether the current operation is abnormal. Meanwhile, since the OHT system has various operational states as a dynamic system, not only sensor data but also this state context should be considered for anomaly detection. In this respect, we propose a conditional recurrent autoencoder (CRAE) for anomaly detection of the OHT system. Recurrent neural network (RNN) structure is employed to effectively process temporal sensor data and conditional input structure is employed to consider the context of the state. The proposed model is verified with data collected in a laboratory imitating the actual factories. Consequently, CRAE showed promising performance for detecting various abnormalities including actual sensor anomalies and state-dependent anomalies.
현대의 반도체 공장에서는 웨이퍼를 각 생산 설비에 운반하기 위한 수단으로 overhead hoist transport (OHT) 시스템이 사용된다. 이 운송 시스템에 이상이 생길 경우 다음 생산 공정에 지장이 생기므로 효율적인 반도체 생산을 위해서는 이 시스템을 지속적으로 모니터하여야 한다. 이때 OHT 시스템은 동적인 시스템으로써 다양한 작동 상태가 존재하므로 이를 이상감지에 고려할 필요가 있다. 이를 위해 이 논문에서는 OHT 시스템의 이상 감지를 위한 조건부 순환 오토인코더를 제안한다. 이 모델은 효과적으로 시계열 데이터를 다루기 위한 순환 신경망 구조와 OHT 시스템의 작동 상태를 고려하기 위한 조건부 구조로 구성된다. 제안된 모델을 검증하기 위해 다양한 비정상 시나리오의 데이터를 수집하였으며 그 결과 제안 모델은 OHT 시스템의 다양한 비정상 시나리오를 높은 성능으로 감지하였다.
