Search

KR-20260061779-A - APPARATUS AND METHOD FOR DIAGNOSING DEFECTS

KR20260061779AKR 20260061779 AKR20260061779 AKR 20260061779AKR-20260061779-A

Abstract

본 발명은 결함 진단 장치 및 그 방법에 관한 것으로, 본 발명에 따른 결함 진단 장치는 결함 진단 대상 부품을 CAD(Computer Aided Design) 모델로 변환하기 위한 물리적 상태량을 입력받고, 상기 결함 진단 대상 부품이 받는 부하 환경을 반영한 부하 프로파일을 구성하고, 상기 결함 진단 대상 부품을 CAD 모델로 생성하고, 상기 CAD 모델에 대해 상기 부하 프로파일을 적용한 물리적 분석을 통해 상기 부하 환경에 취약한 결함 진단 대상 부품을 선별하고, 상기 선별된 결함 진단 대상 부품에 대한 전자 신호 패턴 데이터를 입력받고, 상기 전자 신호 패턴 데이터를 미리 학습된 인공지능 모델에 입력하여 상기 선별된 결함 진단 대상 부품에 대한 결함 진단을 수행함으로써 결함을 보다 구체적으로 진단하여 시스템 또는 구성품의 유지보수 계획을 수립할 수 있고 갑작스러운 고장이나 시스템 중단을 막을 수 있는 효과가 있다.

Inventors

  • 강태엽
  • 강민규
  • 김남경
  • 남현우

Assignees

  • 수원대학교산학협력단

Dates

Publication Date
20260506
Application Date
20241028

Claims (8)

  1. 하나 이상의 명령어를 포함하는 메모리; 및 상기 메모리에 저장된 하나 이상의 명령어를 실행하는 프로세서; 를 포함하되, 상기 프로세서는, 결함 진단 대상 부품을 CAD(Computer Aided Design) 모델로 변환하기 위한 물리적 상태량을 입력받고, 상기 결함 진단 대상 부품이 받는 부하 환경을 반영한 부하 프로파일을 구성하고, 상기 결함 진단 대상 부품을 CAD 모델로 생성하고, 상기 CAD 모델에 대해 상기 부하 프로파일을 적용한 물리적 분석을 통해 상기 부하 환경에 취약한 결함 진단 대상 부품을 선별하고, 상기 선별된 결함 진단 대상 부품에 대한 전자 신호 패턴 데이터를 입력받고, 상기 전자 신호 패턴 데이터를 미리 학습된 인공지능 모델에 입력하여 상기 선별된 결함 진단 대상 부품에 대한 결함 진단을 수행하는 것을 특징으로 하는, 결함 진단 장치.
  2. 제1항에 있어서, 상기 선별된 결함 진단 대상 부품에 대한 결함 진단은, 결함의 유무, 결함의 원인 및 잔존 수명을 진단하는 것을 포함하는 것을 특징으로 하는, 결함 진단 장치.
  3. 제1항에 있어서, 상기 인공지능 모델은 상기 결함 진단 대상 부품에서 측정한 전자 신호 패턴 데이터, 결함 원인 및 결함 진행도에 의해 미리 학습되는 것을 특징으로 하는, 결함 진단 장치.
  4. 제1항에 있어서, 상기 부하 환경은, 온도, 습도 및 진동 정도 중 하나 이상을 포함하는 것을 특징으로 하는, 결함 진단 장치.
  5. 하나 이상의 프로세서 및 메모리를 포함하는 결함 진단 장치에 의해 수행되는 결함 진단 방법으로서: 결함 진단 대상 부품을 CAD(Computer Aided Design) 모델로 변환하기 위한 물리적 상태량을 입력받는 단계; 상기 결함 진단 대상 부품이 받는 부하 환경을 반영한 부하 프로파일을 구성하는 단계; 상기 결함 진단 대상 부품을 CAD 모델로 생성하는 단계; 상기 CAD 모델에 대해 상기 부하 프로파일을 적용한 물리적 분석을 통해 상기 부하 환경에 취약한 결함 진단 대상 부품을 선별하는 단계; 상기 선별된 결함 진단 대상 부품에 대한 전자 신호 패턴 데이터를 입력받는 단계; 및 상기 전자 신호 패턴 데이터를 미리 학습된 인공지능 모델에 입력하여 상기 선별된 결함 진단 대상 부품에 대한 결함 진단을 수행하는 단계; 를 포함하는 것을 특징으로 하는, 결함 진단 방법.
  6. 제5항에 있어서, 상기 결함 진단을 수행하는 단계는, 결함의 유무, 결함의 원인 및 잔존 수명을 진단하는 것을 포함하는 것을 특징으로 하는, 결함 진단 방법.
  7. 제5항에 있어서, 상기 인공지능 모델은 상기 결함 진단 대상 부품에서 측정한 전자 신호 패턴 데이터, 결함 원인 및 결함 진행도에 의해 미리 학습되는 것을 특징으로 하는, 결함 진단 방법.
  8. 제5항에 있어서, 상기 부하 환경은, 온도, 습도 및 진동 정도 중 하나 이상을 포함하는 것을 특징으로 하는, 결함 진단 방법.

Description

결함 진단 장치 및 그 방법{APPARATUS AND METHOD FOR DIAGNOSING DEFECTS} 본 발명은 결함 진단 기술에 관한 것으로, 특히 물리 분석과 인공지능 모델을 결합하여 전자부품 등의 결함을 진단하는 기술에 관한 것이다. 전자제품들의 성능이 나날이 향상되면서 전자부품과 전자패키징에 대한 신뢰성 평가의 중요성도 점점 더 강조되고 있다. 전자회로 단위의 전자패키징에서는 발열에 따른 시스템의 성능 변화와 그 예측이 매우 중요하다. 또한 전자회로의 정보 및 전력을 전달하는 인터커넥트의 지속적인 스케일 다운과 새로운 유전 물질의 도입으로, 인터커넥트의 신뢰성 또한 한계점에 가까워지고 있다. 전자패키징의 특성상 기존의 파괴적인 검사 방법으로는 설비 중단시간(Downtime)이 증가하거나 추가적인 노동력 및 기술이 요구되는 등 효율적인 모니터링이 어려울 수 있으므로 비파괴적인 방법으로 결함을 분석하고 예측하는 것이 중요하다. 결함을 분석하는 방법 중 하나로 신뢰성 물리 분석을 통해 전자 제품 등의 건전성 관리를 수행하는 경우에는 결함의 진행과 열화에 대한 물리 모델이 존재하는 경우 결함의 검출 및 진단이 가능하지만 그러한 물리 모델이 존재하지 않는 경우에는 결함 판단이나 수명 예측이 어려운 한계가 있다. 또 다른 방법으로 전자부품이나 전자패키징의 인터커넥트의 진단 데이터로 전자 신호를 사용하기도 하는데, 특징적인 변화를 나타내는 신호의 수치에 집중하여 결함 진단을 수행하기 때문에 결함의 유무만을 추정할 수 있을 뿐이고 결함의 원인은 무엇이고 결함이 발생한 경우 잔존 수명은 얼마나 되는 지 파악하기 어려운 문제가 있다. 또한 전자 신호는 전자 신호 패턴에 비해 신호의 수치적 특징만을 고려하기 때문에 인공지능 모델을 학습시켜 성능을 향상시키기에는 한계가 있다. 본 발명의 발명자들은 이러한 종래 기술의 물리 분석을 통한 전자제품의 건전성 관리 기술의 한계점들을 해결하기 위해 연구 노력해 왔다. 신뢰성 물리 분석 모델과 인공지능 모델을 결합함으로써 전자패키지 내부 부품들의 진행성 결함에 대한 원인이나 진행 정도, 잔존 수명 등을 비파괴적인 방법으로 진단할 수 있는 결함 진단 장치 및 그 방법을 제공하기 위한 많은 노력 끝에 본 발명을 완성하기에 이르렀다. 도 1은 본 발명의 바람직한 어느 실시예에 따른 결함 진단 장치의 개략적인 구조도이다. 도 2는 본 발명의 바람직한 어느 실시예에 따른 신뢰성 물리 분석 방법의 개략적인 흐름도이다. 도 3은 본 발명의 바람직한 어느 실시예에 따른 결함 진단의 대상인 전자부품 및 그 CAD 모델의 예를 나타낸다. 도 4는 본 발명의 바람직한 어느 실시예에 따른 부하 환경의 한 예를 나타낸다. 도 5는 본 발명의 바람직한 어느 실시예에 따른 인공지능 모델에 의한 결함 진단 방법의 개략적인 흐름도이다. 도 6은 본 발명의 바람직한 다른 실시예에 따른 결함 진단 방법의 개략적인 흐름도이다. ※ 첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다. 이하, 도면을 참조하여 본 발명의 다양한 실시예가 안내하는 본 발명의 구성과 그 구성으로부터 비롯되는 효과에 대해 살펴본다. 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. '제1', '제2' 등의 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 상기 구성요소는 위 용어에 의해 한정되어서는 안 된다. 위 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 '제1구성요소'는 '제2구성요소'로 명명될 수 있고, 유사하게 '제2구성요소'도 '제1구성요소'로 명명될 수 있다. 또한, 단수의 표현은 문맥상 명백하게 다르게 표현하지 않는 한, 복수의 표현을 포함한다. 본 발명의 실시예에서 사용되는 용어는 다르게 정의되지 않는 한, 해당 기술분야에서 통상의 지식을 가진 자에게 통상적으로 알려진 의미로 해석될 수 있다. 이하, 도면을 참조하여 본 발명의 다양한 실시예가 안내하는 본 발명의 구성과 그 구성으로부터 비롯되는 효과에 대해 살펴본다. 도 1은 본 발명의 바람직한 어느 실시예에 따른 결함 진단 장치의 개략적인 구조도이다. 본 발명에 따른 결함 진단 장치(100)는 하나 이상의 프로세서(110) 및 메모리(120)를 포함할 수 있다. 메모리(120)에는 프로세서(110)가 판독할 수 있는 명령어들, 데이터 구조, 및 프로그램 코드(program code)가 저장될 수 있다. 실시예들에서, 적어도 프로세서(110)가 수행하는 동작들은 메모리(120)에 저장된 프로그램의 명령어들 또는 코드들을 실행함으로써 구현될 수 있다. 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등)를 포함할 수 있으며, 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나를 포함하는 비 휘 발성 메모리 및 램(RAM, Random Access Memory) 또는 SRAM(Static Random Access Memory)과 같은 휘발성 메모리를 포함할 수 있다. 메모리(120)는 결함 진단 장치(100)가 신뢰성 물리 분석을 수행하거나 인공지능 모델을 생성하고 이를 이용하여 결함을 진단하기 위해 사용할 수 있는 하나 이상의 명령어(instruction) 또는 프로그램을 저장할 수 있다. 프로세서(110)는 결함 진단 장치(100)의 전반적인 동작들을 제어하게 된다. 예를 들어, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 명령어들을 실행함으로써 결함 진단 장치(100)가 전자 부품의 결함 유무와 결함 원인, 예측 수명 등을 진단하기 위한 전반적인 동작을 제어할 수 있다. 프로세서(110)는 예들 들면, 중앙 처리 장치(Central Processing Unit), 마이크로 프로세서 (microprocessor), 그래픽 처리 장치(Graphic Processing Unit), ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 애플리케이션 프로세서 (Application Processor), 신경망 처리 장치(Neural Processing Unit) 또는 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계된 인공지능 전용 프로세서 중 적어도 하나로 구성될 수 있으나, 이에 한정되는 것은 아니다. 센서(130)는 결함 진단 대상의 전기적 물성 값을 측정할 수 있다. 예를 들면, 센서(130)는 RF 신호 패턴, 저항, 전류, 전압, 인덕턴스 또는 캐패시턴스 등의 전기적 물성 값을 측정하기 위한 센서일 수 있으나 이로 한정되는 것은 아니다. 센서(130)에 의해 측정한 전기적 물성 값들에 의해 프로세서(110)의 인공지능 모델을 학습하고, 학습된 인공지능 모델을 이용하여 전자부품의 결함을 진단할 수 있다. 프로세서(110)는 크게 두 단계를 거쳐 전자부품의 결함 진단을 수행하게 된다. 먼저 결함의 진행과 열화에 대한 물리 모델을 기반으로 한 신뢰성 물리 분석에 의해 결함 분석을 위한 대상을 선정하고, 이후 인공지능 모델을 이용하여 자세한 결함을 진단하게 된다. 도 2는 본 발명의 바람직한 어느 실시예에 따른 신뢰성 물리 분석 방법의 개략적인 흐름도이다. 신뢰성 물리 분석을 위해서는 먼저 진단 대상 전자부품의 구성요소를 계측하여 물리적 상태량을 입력받는다(S110). 물리적 상태량은 전자부품의 CAD 디자인을 위해 필요한 물리량으로, 전자 부품의 치수 등을 포함할 수 있으나 이로 한정되는 것은 아니다. 도 3은 본 발명의 바람직한 어느 실시예에 따른 신뢰성 물리 분석 대상인 전자부품의 한 예이다. 도 3의 (a)는 전자제품을 구성하는 전자부품으로 널리 사용되는 메인보드의 예이다. 메인보드에는 각종 부품이 실장되어 있고 이들 사이를 연결하기 위한 인터커넥트(interconnect) 등이 포함되어 있다. 물리량을 입력받은 후에는 부하 환경들에 대한 프로파일을 설정한다(S120). 예를 들면 부하 환경은 온도, 습도 등의 변화나 압력이나 인장 강도의 변화 또는 진동 등의 인가가 될 수 있다. 도 4는 본 발명의 바람직한 어느 실시예에 따른 신뢰성 물리 분석을 위한 부하 프로파일의 한 예이다. 도 4의 예에서 부하 프로파일로 온도 및 습도를 가속하여 시험하는 프로파일 설정의 한 예를 나타낸다. 습도 시험법으로는 MIL-STD-810G 습도시험법이 사용되었으나 이로 한정되는 것은 아니고 다양한 온도, 습도 및 진동 시험 등이 사용될 수 있다. 다음으로 입력받은 물리적 상태량에 따라 전자부품의 CAD 모델 생성이 이루어지게 된다(S130). CAD 모델링은 다양한 컴퓨터 프로그램을 이용하여 이루어질 수 있고, 특정 CAD 프로그램으로 한정되는 것은 아니다. 도 3의 (b)는 본 발명의 바람직한 어느 실시예에 따라 생성된 메인보드의 CAD 모델의 예를 나타낸다. S110 단계에서 측정한 물리량에 따라 CAD 모델링이 이루어진 결과가 도 3의 (b)와 같이 나타날 수 있다. CAD 모델링이 이루어지고 난 후 부하 프로파일 환경에서의 물리적 분석이 수행된다(S140). CAD 모델에 부하 환경을 적용하여 모의 수명 시험을 진행하고, 이후 계산된 잔존 수명과 부하 환경의 영향 정도를 고려하여 결함에 취약한 전자부품을 선정