用于镀膜腔健康指数预测的机器学习方法
机器学习
2022-05-31 v1
摘要
镀膜腔利用物理气相沉积在珠宝制造中生成可改善表面机械与光学性能的薄层。在此类工艺中，蒸发的材料会在腔体内壁凝结，随时间推移导致机械缺陷与工艺不稳定。因此，制造商需执行大量的维护程序以减少生产损失。当前的基于规则的维护策略忽视了特定工艺配方以及真空腔实际状况的影响。我们的总体目标是预测镀膜腔的未来状态，以实现设备维护的成本与质量优化。本文描述了一种新颖健康指标的推导过程，作为迈向镀膜腔基于状态维护的一步。我们间接利用腔体污染物的气体排放来评估机器状况。我们的方法依赖于过程数据，无需额外硬件安装。此外，我们评估了多种机器学习算法，用于该健康指标的基于状态的预测，同时反映生产计划。我们的结果表明，基于决策树的模型最为有效，优于全部三个基准模型，平均绝对误差至少改善 。我们的工作为镀膜应用的成本与质量优化维护铺平了道路。
引用
@article{arxiv.2205.15145,
title = {Machine Learning Methods for Health-Index Prediction in Coating Chambers},
author = {Clemens Heistracher and Anahid Jalali and Jürgen Schneeweiss and Klaudia Kovacs and Catherine Laflamme and Bernhard Haslhofer},
journal= {arXiv preprint arXiv:2205.15145},
year = {2022}
}