基于自编码器的晶圆化学机械抛光系统的预测与健康管理
人工智能
2025-03-04 v1
摘要
Prognostics and Health Management 挑战 (PHM) 2016 旨在监控半导体晶圆抛光过程各组件的健康状态，以预测晶圆表面磨损的测量值，从而在大规模生产中实现成本节约。该 PHM 数据集包含许多时间序列测量数据，传统物理方法未充分利用。另一方面，应用数据驱动方法（如深度学习）处理该数据集颇具挑战性。监督式深度学习的主要问题在于该数据集缺乏类别标签。其次，由无监督深度学习训练的特征空间并非针对预测能力或回归任务。本文提出使用基于自编码器的聚类方法，其训练得到的特征空间更适合执行回归任务，因为样本相对于其最近聚类均值的分布更紧凑。我们通过将本方法在 PHM 数据集上与多个基线方法（包括自编码器以及最新方法）的性能进行比较，来证明我们的主张。
引用
@article{arxiv.2503.01176,
title = {Prognostics and Health Management of Wafer Chemical-Mechanical Polishing System using Autoencoder},
author = {Kart-Leong Lim and Rahul Dutta},
journal= {arXiv preprint arXiv:2503.01176},
year = {2025}
}