计算机工程与信息技术学报

半导体行业振动相关故障的预测性维护

凯文·柯伦和罗伯特·金

预测性维护已被证明是一种经济有效的维护管理方法，适用于许多垂直行业的关键设备。半导体行业也可以从中受益。大多数半导体制造厂都配备了广泛的诊断和质量控制传感器，可用于监控资产状况，并最终通过及早识别机械问题的根本原因，防止其发展为机械故障，从而减少计划外停机。机器学习是从数据集中发现知识后构建科学模型的过程。它是基于训练样本数据的自动模式识别和智能决策的复杂计算过程。机器学习算法可以通过传感器或人工输入收集有关情况的事实，并将这些信息与存储的数据进行比较，并确定这些信息的含义。我们在此展示了将机器学习应用于预测性维护数据集以识别未来与振动相关的故障的结果。预测未来故障的结果可以帮助工程师在资产维护方面做出决策。