PHM Data Challenge 18

用于蚀刻工具故障检测（PdM）的数据集。

A dataset for fault detection in etching tools (PdM).

原始信息汇总

数据集概述

数据集分类

• Sector (行业)

  • Semicon (半导体)
  • Chemical (化学)
  • Power (电力)
  • Automotiv (汽车)
  • Mechanical (机械)
  • Steel (钢铁)
  • Battery (电池)
  • Etc (其他)

• Label (标签)

  • Labeled (有标签)
  • Implicit (隐式标签)
  • Meta-only (仅元数据)
  • No (无标签)

• Time-series (时间序列)

  • Yes (是)
  • No (否)

• Simulation (模拟)

  • Yes (是)
  • No (否)

数据集列表

Semicon (半导体)

• PHM Data Challenge 18

  • 描述: 蚀刻工具故障检测 (PdM)
  • Sector: Semicon
  • Label: Yes
  • Time-series: Yes
  • Simulation: No

• SECOM

  • 描述: 半导体制造过程数据
  • Sector: Semicon
  • Label: Yes
  • Time-series: Yes
  • Simulation: No

Chemical (化学)

• Gas Sensor Array Drift

  • 描述: 16个化学传感器暴露于6种不同气体浓度的13910次测量
  • Sector: Chemical
  • Label: Yes
  • Time-series: Yes
  • Simulation: Yes

• Chemical Detection Platform

  • 描述: 化学检测平台在风洞设施中对10种高优先级化学气体物质的18000次时间序列记录
  • Sector: Chemical
  • Label: Yes
  • Time-series: Yes
  • Simulation: Yes

• Dynamic Gas Mixtures

  • 描述: 16个化学传感器暴露于两种动态气体混合物的记录，每种混合物连续12小时的信号
  • Sector: Chemical
  • Label: Yes
  • Time-series: Yes
  • Simulation: Yes

Mechanical (机械)

• C-MAPSS

  • 描述: 发动机退化模拟
  • Sector: Mechanical
  • Label: Implicit
  • Time-series: Yes
  • Simulation: Yes

• CNC Mill Tool Wear

  • 描述: CNC机器的加工数据，用于工具状况、进给率和夹紧压力的变化
  • Sector: Mechanical
  • Label: Meta-only
  • Time-series: Yes
  • Simulation: Yes

• Naval Propulsion Plants

  • 描述: CODLAG推进装置的特性
  • Sector: Mechanical
  • Label: Yes
  • Time-series: No

• PHM Data Challenge 17

  • 描述: 使用提供的数据和基于物理的建模方法预测列车运行的故障模式
  • Sector: Mechanical
  • Label: Implicit
  • Time-series: Yes
  • Simulation: Yes

Steel (钢铁)

• Steel Plates Faults
  • 描述: 钢板故障
  • Sector: Steel
  • Label: Yes
  • Time-series: No

Power (电力)

• Appliance Energy

  • 描述: 用于创建低能耗建筑中电器能耗回归模型的实验数据
  • Sector: Power
  • Label: Yes
  • Time-series: Yes

• Combined Cycle Power Plant

  • 描述: 6年内的联合循环发电厂数据
  • Sector: Power
  • Label: Yes
  • Time-series: No

• GREEND

  • 描述: 包含奥地利和意大利多个家庭的电力测量数据，采样率为1 Hz
  • Sector: Power
  • Label: Implicit
  • Time-series: Yes

• Eco (Electricity Consumption & Occupancy)

  • 描述: 用于非侵入式负载监测和占用检测研究的综合数据集
  • Sector: Power
  • Label: Yes
  • Time-series: Yes

• UK DALE dataset

  • 描述: 记录五栋房屋的电力需求，包括整个房屋的主电源需求和个别电器的电力需求
  • Sector: Power
  • Label: Yes
  • Time-series: Yes

• BLUED dataset

  • 描述: 美国一个家庭一周内的电压和电流测量，采样率为12 kHz
  • Sector: Power
  • Label: Yes
  • Time-series: Yes

• REDD: A Public Data Set for Energy Disaggregation Research

  • 描述: 包含多个家庭的详细电力使用信息，旨在推动能源分解研究
  • Sector: Power
  • Label: Yes
  • Time-series: Yes

Battery (电池)

• Experiments on Li-ion batteries

  • 描述: 在不同温度下的充电和放电，记录阻抗作为损伤标准
  • Sector: Battery

• Panasonic 18650PF Li-ion Battery Data

  • 描述: 松下18650PF锂离子电池数据
  • Sector: Battery

• Cycle Engineering Battery Group

  • 描述: 循环工程电池组数据
  • Sector: Battery

Etc (其他)

• Hill-Valley

  • 描述: 非制造数据集，适用于测试模式检测方法
  • Sector: Etc
  • Label: Yes
  • Time-series: No

• Machine Failures

  • 描述: 机器故障数据集
  • Sector: Etc
  • Label: Yes
  • Time-series: Yes

• APS System Failures

  • 描述: APS系统的组件故障数据集
  • Sector: Etc
  • Label: Yes
  • Time-series: No

搜集汇总

数据集介绍

构建方式

PHM Data Challenge 18数据集的构建是通过收集半导体行业中的蚀刻工具故障检测数据而形成的，它包含了实际生产过程中产生的时序数据，旨在为预测性维护（PdM）提供支持。

特点

该数据集的特点在于其数据来源的真实性，覆盖了半导体行业蚀刻工具的故障检测，数据已标记，支持时序分析。它为研究人员和工程师提供了一种在实际环境中测试和验证预测性维护算法的手段。

使用方法

使用该数据集时，用户可以直接访问已标记的时序数据，进行故障检测算法的开发和测试。数据集支持下载，用户可以根据自己的研究需求，对数据进行预处理、特征提取和模型训练等操作。

背景与挑战

背景概述

PHM Data Challenge 18数据集，隶属于半导体行业，由MakinaRocks团队维护，旨在为工业机器学习领域提供高质量的公共数据集。该数据集创建于近年来，核心研究问题为半导体设备中的故障检测，特别是针对蚀刻工具的故障检测。此数据集已被广泛应用于预测性维护（PdM）领域，对相关研究产生了显著影响。

当前挑战

PHM Data Challenge 18数据集在构建过程中遇到了多个挑战，其中包括数据标注的准确性、时间序列数据的处理以及故障检测算法的有效性。研究领域的问题主要在于如何准确识别和预测半导体制造过程中的故障，而构建过程中的挑战则包括如何处理和模拟实际生产环境中的复杂情况，以及如何确保数据集的多样性和代表性。

常用场景

经典使用场景

PHM Data Challenge 18数据集在半导体制造领域具有显著的应用价值，其经典使用场景主要集中于蚀刻工具的故障检测，通过实时监测设备状态数据，实现对故障的早期预警和诊断。

实际应用

在实际应用中，PHM Data Challenge 18数据集可应用于半导体制造过程中的设备维护与优化，通过数据驱动的故障检测与预测，减少停机时间，提高生产效率，降低维护成本。

衍生相关工作

基于该数据集，学术界已经衍生出一系列相关研究工作，包括故障检测算法的开发、故障预测模型的构建以及设备健康管理系统的设计等，这些研究进一步扩展了数据集的应用范围和影响力。