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

行业分类

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

标签分类

• 有标签 (Labeled-yes)
• 隐式标签 (Labeled-implicit)
• 仅元数据标签 (Labeled-meta-only)
• 无标签 (Labeled-no)

时间序列

• 是 (Time-series-yes)
• 否 (Time-series-no)

模拟

• 是 (Simulation-yes)
• 否 (Simulation-no)

数据集列表

半导体

• PHM Data Challenge 18: 蚀刻工具故障检测（PdM）。
• SECOM: 半导体制造过程数据。

化学

• Gas Sensor Array Drift: 包含16个化学传感器对6种不同气体在不同浓度下的13910次测量。
• Chemical Detection Platform: 包含18000个时间序列记录，响应10种高优先级化学气体。
• Dynamic Gas Mixtures: 包含16个化学传感器对两种动态气体混合物在不同浓度的记录。

机械

• C-MAPSS: 发动机退化模拟。
• CNC Mill Tool Wear: 从CNC机床收集的加工数据，用于工具状况、进给率和夹紧压力的变化。
• Naval Propulsion Plants: 描述CODLAG推进装置类型的海军推进装置。
• PHM Data Challenge 17: 使用提供的物理建模方法预测列车运行故障模式。

钢铁

• Steel Plates Faults: 钢板故障数据集。

电力

• Appliance Energy: 用于创建低能耗建筑中家电能耗回归模型的实验数据。
• Combined Cycle Power Plant: 6年内的联合循环发电厂数据。
• GREEND: 包含奥地利和意大利多个家庭的电力测量数据。
• Eco(Electricity Consumption & Occupancy): 用于非侵入式负载监控和占用检测研究的综合数据集。
• UK DALE dataset: 记录五个房屋的电力需求。
• BLUED dataset: 美国单户住宅的电压和电流测量数据。
• REDD: 用于能源分解研究的数据集，包含多个家庭的详细电力使用信息。

电池

• Experiments on Li-ion batteries: 不同温度下的充放电记录。
• Panasonic 18650PF Li-ion Battery Data: 松下18650PF锂离子电池数据。
• Cycle Engineering Battery Group: 电池循环工程组数据。

其他

• Hill-Valley: 用于测试模式检测方法的数据集。
• Machine Failures: 机器故障数据集。
• APS System Failures: APS系统故障数据集。

搜集汇总

数据集介绍

构建方式

PHM Data Challenge 18数据集的构建旨在对半导体行业的蚀刻工具进行故障检测，该数据集通过收集实际生产过程中的时序数据，并对其进行标注，以形成可用于预测性维护（PdM）的数据库。数据集包含了故障发生时的详细参数记录，为模型训练提供了丰富的信息基础。

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场景，同时具备完整的时间序列特性，为故障预测提供了连续的数据支持。数据集的构建严格遵循了工业标准，确保了数据的质量和可靠性。

使用方法

使用该数据集时，用户可以通过GitHub提供的链接访问数据集的详细描述页面，了解数据集的结构和特点。用户需要根据数据集的说明书进行数据的下载和预处理，然后可以利用机器学习算法进行模型训练，以实现故障检测和预测性维护。

背景与挑战

背景概述

PHM Data Challenge 18数据集是在工业领域中发现的一系列优秀公共数据集的一部分，专注于半导体行业的故障检测。该数据集由MakinaRocks组织维护，并于2018年作为预测性维护（PdM）的挑战赛数据集发布。其核心研究问题在于使用机器学习技术对蚀刻工具的故障进行检测，旨在提高半导体制造过程中设备的可靠性。该数据集对相关领域的影响力体现在它为研究人员提供了一个实际应用场景，以测试和改进故障检测算法，推动了预测性维护技术的发展。

当前挑战

PHM Data Challenge 18数据集在构建过程中遇到的挑战主要包括数据的质量控制和特征选择。数据集的构建不仅需要确保数据的准确性和一致性，还要处理时间序列数据的预处理和标注问题。在研究领域问题方面，挑战包括如何有效地从时间序列数据中提取特征，以及如何设计准确度高的故障检测模型。此外，由于数据集涉及的是工业界实际应用，因此还必须考虑模型的泛化能力和在实际环境中的适应性。

常用场景

经典使用场景

PHM Data Challenge 18数据集在半导体行业领域中被广泛应用于蚀刻工具故障检测，该场景涉及预测性维护（PdM）。数据集包含了时间序列信息，为研究人员提供了对设备运行状态进行实时监控和分析的可靠基础。

实际应用

在实际应用中，PHM Data Challenge 18数据集可以被用于优化半导体生产线的维护计划，通过实时监测设备状态，可以在故障发生前进行预测和干预，从而减少停机时间，提高生产效率。

衍生相关工作

基于PHM Data Challenge 18数据集，衍生出了一系列研究工作，包括但不限于故障检测模型的构建、设备状态监测算法的开发以及预测性维护系统的设计，这些工作进一步推动了工业大数据分析和智能维护领域的发展。