METHOD OF CONSTRUCTING PREDICTION MODEL THAT PREDICTS NUMBER OF PLATEABLE SUBSTRATES METHOD OF CONSTRUCTING SELECTION MODEL FOR PREDICTING COMPONENT THAT CAUSES FAILURE AND METHOD OF PREDICTING NUMBER OF PLATEABLE SUBSTRATES

• Main Authors: OISHI KUNIO, SHIMOYAMA MASASHI, KOIZUMI RYUYA
• Format: Patent
• Language: English; Korean
• Published: 23.06.2020
• Subjects: APPARATUS THEREFOR; CHEMISTRY; ELECTROFORMING; ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; METALLURGY; PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTIONOF COATINGS

The present invention is to provide a method for constructing a prediction model, capable of accurately predicting a time when maintenance of a substrate holder is required. According to the present invention, a plurality of substrates are plated by using a substrate holder (18), the total number of the substrates plated by using the substrate holder (18) until a problem occurs in the substrate holder (18) is determined, and a first number of sheets to be processable and a second number of sheets to be processable are determined. Also, a first data set formed by combining first condition data and the first number of sheets to be processable is created, wherein the first condition data indicates a state of a component member of the substrate holder (18). In addition, a second data set formed by combining second condition data and the second number of sheets to be processable is created, wherein the second condition data indicates a state of a component member. A parameter of a prediction model composed of a neural network is optimized by using training data including the first and second data sets. 본 발명은 기판 홀더의 메인터넌스가 필요해지는 시기를 정확히 예측할 수 있는 예측 모델을 구축하는 방법을 제공하는 것을 목적으로 한다. 본 방법은, 기판 홀더(18)를 이용하여 복수의 기판을 도금하고, 기판 홀더(18)에 문제가 발생할 때까지 기판 홀더(18)를 이용하여 도금된 기판의 총 매수를 결정하며, 제1 처리 가능 매수 및 제2 처리 가능 매수를 결정하고, 제1 컨디션 데이터와, 제1 처리 가능 매수와의 조합으로 이루어지는 제1 데이터 세트를 작성하며, 제1 컨디션 데이터는, 기판 홀더(18)의 구성 부재의 상태를 나타내고 있고, 제2 컨디션 데이터와, 제2 처리 가능 매수와의 조합으로 이루어지는 제2 데이터 세트를 작성하며, 제2 컨디션 데이터는, 구성 부재의 상태를 나타내고 있고, 제1 데이터 세트와 제2 데이터 세트를 포함하는 훈련 데이터를 이용하여, 뉴럴 네트워크로 이루어지는 예측 모델의 파라미터를 최적화한다.