PHM Data Challenge 18

蚀刻工具故障检测（PdM）。

Etching Tool Fault Detection (PdM)

原始信息汇总

数据集概述

数据集列表

Semicon

• PHM Data Challenge 18: Etching tool fault detection (PdM). Sector: Semicon, Labeled: Yes, Time-series: Yes, Simulation: No.
• SECOM: Semiconductor manufacturing process data. Sector: Semicon, Labeled: Yes, Time-series: Yes, Simulation: No.
• WM-811K(LSWMD): Wafer fault detection & classification data. Sector: Semicon, Labeled: Yes, Time-series: No, Simulation: No.
• Superconductivity Dataset: Sector: Semicon, Labeled: Yes, Time-series: No, Simulation: No.

Chemical

• Gas Sensor Array Drift: 13910 measurements from 16 chemical sensors exposed to 6 different gases. Sector: Chemical, Labeled: Yes, Time-series: Yes, Simulation: Yes.
• Chemical Detection Platform: 18000 time-series recordings from a chemical detection platform. Sector: Chemical, Labeled: Yes, Time-series: Yes, Simulation: Yes.
• Dynamic Gas Mixtures: Recordings of 16 chemical sensors exposed to two dynamic gas mixtures. Sector: Chemical, Labeled: Yes, Time-series: Yes, Simulation: Yes.

Mechanical

• C-MAPSS: Engine degradation simulation. Sector: Mechanical, Labeled: Implicit, Time-series: Yes, Simulation: Yes.
• CNC Mill Tool Wear: Machining data for variations of tool condition, feed rate, and clamping pressure. Sector: Mechanical, Labeled: Meta-only, Time-series: Yes, Simulation: Yes.
• Naval Propulsion Plants: Characterized by a COmbined Diesel eLectric And Gas (CODLAG) propulsion plant type. Sector: Mechanical, Labeled: Yes, Time-series: No.
• PHM Data Challenge 17: Predict faulty regimes of operation of a train car. Sector: Mechanical, Labeled: Implicit, Time-series: Yes, Simulation: Yes.

Steel

• Steel Plates Faults: Sector: Steel, Labeled: Yes, Time-series: No.

Power

• Appliance Energy: Experimental data for regression models of appliances energy use. Sector: Power, Labeled: Yes, Time-series: Yes.
• Combined Cycle Power Plant: Data over 6 years. Sector: Power, Labeled: Yes, Time-series: No.
• GREEND: Energy dataset containing power measurements from multiple households. Sector: Power, Labeled: Implicit.
• ECO dataset: Comprehensive data set for non-intrusive load monitoring and occupancy detection. Sector: Power, Labeled: Yes, Time-series: Yes.
• UK DALE dataset: Records power demand from five houses. Sector: Power, Labeled: Yes, Time-series: Yes.
• BLUED dataset: Voltage and current measurements for a single-family residence. Sector: Power, Labeled: Yes, Time-series: Yes.
• REDD: Detailed power usage information from several homes. Sector: Power, Labeled: Yes, Time-series: Yes.

Battery

• Experiments on Li-ion batteries: Charging and discharging at different temperatures. Sector: Battery, Labeled: No, Time-series: Yes, Simulation: No.
• Panasonic 18650PF Li-ion Battery Data: Sector: Battery, Labeled: No, Time-series: Yes, Simulation: No.
• Data-driven prediction of battery cycle life before capacity degradation: Sector: Battery, Labeled: No, Time-series: Yes, Simulation: No.

Etc

• Hill-Valley: Testing pattern detection methods. Sector: Etc, Labeled: Yes, Time-series: No.
• APS System Failures: Classification of component failures for a specific component of the APS system. Sector: Etc, Labeled: Yes, Time-series: No.

搜集汇总

数据集介绍

构建方式

PHM Data Challenge 18数据集的构建基于半导体行业的蚀刻工具故障检测需求，通过收集和整理蚀刻工具在不同操作条件下的运行数据，形成了包含时间序列特征的标注数据集。该数据集旨在支持预测性维护（PdM）研究，通过分析工具的运行状态，识别潜在的故障模式，从而提高生产效率和设备可靠性。

特点

PHM Data Challenge 18数据集的主要特点在于其时间序列特性，允许研究人员分析工具在不同时间点的状态变化。此外，数据集已进行标注，便于直接用于监督学习任务。该数据集涵盖了半导体制造中的关键环节，具有较高的行业应用价值，尤其适用于故障检测和预测性维护模型的开发与验证。

使用方法

PHM Data Challenge 18数据集适用于多种机器学习任务，如时间序列分析、异常检测和故障预测。用户可以通过加载数据集，提取时间序列特征，并结合标注信息进行模型训练。常见的应用场景包括使用LSTM、GRU等深度学习模型进行故障预测，或使用传统的时间序列分析方法进行状态监控。数据集的标注信息为监督学习提供了基础，使得模型能够有效学习故障模式。

背景与挑战

背景概述

PHM Data Challenge 18数据集由MakinaRocks公司主导开发，专注于半导体行业的蚀刻工具故障检测（PdM）。该数据集的核心研究问题是如何通过时间序列数据有效识别和预测蚀刻工具的故障，从而提高生产效率和减少停机时间。该数据集的创建旨在为工业界提供一个标准化的测试平台，以评估和改进预测性维护算法。其影响力在于推动了半导体制造领域中故障检测技术的进步，并为相关研究提供了宝贵的实验数据。

当前挑战

PHM Data Challenge 18数据集面临的挑战主要集中在两个方面：首先，如何在复杂的时间序列数据中准确识别出蚀刻工具的故障模式，这需要高效的特征提取和模式识别算法；其次，数据集的构建过程中，如何确保数据的完整性和代表性，特别是在工业环境中，数据的采集和标注往往面临诸多实际困难。此外，该数据集的应用还面临模型泛化能力的挑战，即如何在不同工厂和设备上推广使用训练好的模型。

常用场景

经典使用场景

PHM Data Challenge 18数据集在半导体行业中广泛应用于蚀刻工具的故障检测。该数据集通过提供时间序列数据，帮助研究人员和工程师开发预测性维护（PdM）模型，从而有效识别和预防设备故障。其经典使用场景包括基于机器学习的故障模式识别、异常检测以及设备健康状态的实时监控，这些应用显著提升了半导体制造过程中的设备可靠性和生产效率。

实际应用

在实际应用中，PHM Data Challenge 18数据集被广泛用于半导体制造设备的故障检测和预测性维护。通过分析设备运行数据，企业能够提前识别潜在故障，减少停机时间，优化生产流程。此外，该数据集还支持开发智能监控系统，实时跟踪设备状态，自动报警并提供维护建议，从而显著提高了生产线的稳定性和效率，降低了维护成本。

衍生相关工作

基于PHM Data Challenge 18数据集，衍生了许多经典的研究工作。例如，研究人员开发了多种深度学习模型用于时间序列数据的故障检测，这些模型在半导体制造中的应用取得了显著成效。此外，该数据集还促进了预测性维护领域的研究，推动了相关算法和技术的进步。这些衍生工作不仅丰富了学术研究，也为工业界提供了实用的解决方案，推动了智能制造的发展。