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

行业分类与数据集列表

• 半导体行业 (Semicon)

  • PHM Data Challenge 18: 蚀刻工具故障检测（PdM）。数据标记为“是”，时间序列数据，无模拟。
  • SECOM: 半导体制造过程数据。数据标记为“是”，时间序列数据，无模拟。

• 化学行业 (Chemical)

  • 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。数据标记为“是”，时间序列数据，有模拟。
  • Chemical Detection Platform: 包含18000次时间序列记录，响应10种高优先级化学气体。数据标记为“是”，时间序列数据，有模拟。
  • Dynamic Gas Mixtures: 包含16个化学传感器对两种动态气体混合物的记录。数据标记为“是”，时间序列数据，有模拟。

• 机械行业 (Mechanical)

  • C-MAPSS: 发动机退化模拟。数据标记为“隐式”，时间序列数据，有模拟。
  • 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。数据标记为“仅元数据”，时间序列数据，有模拟。
  • Naval Propulsion Plants: 描述COmbined Diesel eLectric And Gas (CODLAG)推进系统。数据标记为“是”，非时间序列数据。
  • PHM Data Challenge 17: 使用提供的数据和基于物理的建模方法预测列车操作的故障模式。数据标记为“隐式”，时间序列数据，有模拟。

• 钢铁行业 (Steel)

  • Steel Plates Faults: 数据标记为“是”，非时间序列数据，用于故障分类。

• 电力行业 (Power)

  • 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。数据标记为“是”，时间序列数据。
  • Combined Cycle Power Plant: 包含6年的联合循环发电厂数据。数据标记为“是”，非时间序列数据。
  • GREEND: 包含奥地利和意大利多个家庭的电力测量数据。数据标记为“隐式”。
  • 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。数据标记为“是”，时间序列数据。
  • UK DALE dataset: 记录五栋房屋的电力需求。数据标记为“是”，时间序列数据。
  • BLUED dataset: 包含美国一个家庭一周的电压和电流测量数据。数据标记为“是”，时间序列数据。
  • REDD: A Public Data Set for Energy Disaggregation Research: 包含多个家庭的详细电力使用信息，用于能源分解研究。数据标记为“是”，时间序列数据。

• 电池行业 (Battery)

  • Experiments on Li-ion batteries: 在不同温度下的充放电实验，记录阻抗作为损伤标准。
  • Panasonic 18650PF Li-ion Battery Data
  • Cycle Engineering Battery Group

• 其他 (Etc)

  • Hill-Valley: 非制造数据集，适用于测试模式检测方法。数据标记为“是”，非时间序列数据。
  • Machine Failures: 数据标记为“是”，时间序列数据，用于故障检测。
  • APS System Failures: 数据标记为“是”，非时间序列数据，用于故障分类。

搜集汇总

数据集介绍

构建方式

PHM Data Challenge 18数据集针对半导体行业的蚀刻工具故障检测进行构建，通过收集实际生产过程中的时序数据，并对数据进行标记，以实现故障诊断和预测性维护的目标。

使用方法

用户可以通过GitHub页面获取数据集，并根据提供的说明文档了解数据集的结构和标记规则。该数据集适用于机器学习模型训练，尤其是对于时序分析和故障预测算法的开发和测试。

背景与挑战

背景概述

PHM Data Challenge 18数据集是在半导体行业背景下创建的，由MakinaRocks团队维护。该数据集主要关注于蚀刻工具的故障检测，即预测性维护（PdM）。它包含了时间序列数据，并已标记，可用于训练机器学习模型以识别和预测设备故障。此数据集自发布以来，对工业界的故障检测和预测性维护领域产生了显著影响，为研究人员提供了宝贵的研究资源。

当前挑战

尽管PHM Data Challenge 18数据集为故障检测研究提供了有力的支持，但在实际应用中仍面临诸多挑战。首先，如何准确识别和处理数据中的噪声和异常值是一个关键问题。其次，由于数据集关注于特定类型的半导体制造设备，因此模型的泛化能力可能有限。此外，随着工业设备越来越复杂，如何将数据集扩展到更多类型的设备和场景也是一个挑战。

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中被广泛使用，其经典使用场景主要集中于蚀刻工具的故障检测。该数据集通过收集实时时间序列数据，为研究人员提供了诊断和预测设备健康状况的可靠基础。

解决学术问题

该数据集解决了半导体制造过程中设备故障检测的难题，对于提高生产效率、降低维护成本具有重要意义。它通过提供详细的时间序列标签数据，帮助学者们开发出更为精确的故障预测模型。

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，实现预测性维护，减少设备停机时间，从而提升整体生产效率和经济效益。

数据集最近研究

最新研究方向

PHM Data Challenge 18数据集在本领域的最新研究方向主要集中于半导体制造过程中的故障检测与预测性维护（PdM）。该数据集记录了蚀刻工具的故障检测情况，为研究人员提供了宝贵的时间序列数据，有助于开发先进的机器学习模型以实现故障的早期识别和设备的健康管理。当前的研究热点聚焦于如何通过数据驱动的策略提高故障检测的准确性和效率，进而减少生产线的停机时间，提高工业生产的可靠性和经济性。这一研究方向对于推动半导体行业的高效稳定生产具有重要意义。