論文の概要: Uncertainty and Business-Aware Remaining Useful Life Estimation for Semiconductor Manufacturing

• arxiv url: http://arxiv.org/abs/2609.22160v1
• Date: Wed, 26 Aug 2026 12:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.750134
• Title: Uncertainty and Business-Aware Remaining Useful Life Estimation for Semiconductor Manufacturing
• Title（参考訳）: 半導体製造における有効寿命評価のための不確かさとビジネスアウェア
• Abstract要約: 我々は、ディープラーニングシーケンスモデルと同時量子回帰(SQR)を組み合わせた予測保守(PdM)フレームワークを提案する。 その結果、半導体製造における不確実性を認識し、コストに敏感な保守計画が支持された。
• 参考スコア（独自算出の注目度）: 8.661299379064664
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semiconductor manufacturing relies on tightly interconnected components, so early identification of the assets most likely to fail is essential to prevent a single breakdown from disrupting the entire production pipeline. Maintenance planning must therefore balance unexpected failures against prematurely interrupted operating life. We present a Predictive Maintenance (PdM) framework combining Deep Learning (DL) sequence models and Simoultaneous Quantile Regression (SQR) for uncertainty-aware Remaining Useful Life (RUL) estimation and risk-aware maintenance decisions. Several architectures are compared on ion-milling data from the 2018 PHM Data Challenge (PHM18), including architectures based on State Space Models (SSM), using prediction and business metrics: Unexpected Breaks (UB), Unexploited Lifetime (UL), and a cost-weighted objective. Diagonal State Spaces (S4D) delivers the best Remaining Useful Life (RUL) estimates across quantiles and, relative to Preventive Maintenance (PvM) baselines, substantially lowers business cost by avoiding systematically early interventions. The results support uncertainty-aware, cost-sensitive maintenance planning in semiconductor production.
• Abstract（参考訳）: 半導体製造は密接な相互接続部品に依存しているため、単一破壊が生産パイプライン全体を破壊するのを防ぐために、最も失敗しそうな資産の早期発見が不可欠である。 したがって、保守計画は、早期に中断された運用寿命に対して予期せぬ失敗のバランスをとる必要がある。 本稿では,深層学習(DL)シーケンスモデルと同時量子回帰(SQR)を組み合わせた予測保守(PdM)フレームワークを提案する。 2018 PHM Data Challenge (PHM18)では、ステートスペースモデル(SSM)に基づいたアーキテクチャ、予測とビジネスメトリクスを使用するアーキテクチャ、Unexploited Breaks (UB)、Unexploited Lifetime (UL)、コスト重み付けの目的など、いくつかのアーキテクチャがイオンミリングデータ上で比較されている。 対角的状態空間(S4D)は、量子的かつ予防的保守(PvM)ベースラインに対して、系統的な早期介入を避けることで、ビジネスコストを大幅に削減する。 その結果、半導体製造における不確実性を認識し、コストに敏感な保守計画が支持された。

関連論文リスト

• IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
  産業プロセス監視基盤モデル(IPM-FM)を提案する。 まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。 少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
  論文  参考訳（メタデータ） (2026-09-08T07:43:04Z)
• Asymmetric-Loss-Guided Hybrid CNN-BiLSTM-Attention Model for Industrial RUL Prediction with Interpretable Failure Heatmaps [0.0]
  本研究では,Twin-Stage One-dimensional Convolutional Neural Networks (1D-CNN),Bidirectional Long Short-Term Memory (BiLSTM) ネットワーク,Bahdanau Additive Attention 機構を組み合わせたハイブリッドアーキテクチャを提案する。 100基のテストエンジンの実験は17.52サイクルのルート平均正方形誤差(RMSE)と922.06のNASA Sスコアを達成した。
  論文  参考訳（メタデータ） (2026-04-15T04:25:38Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• A Quantile Regression Approach for Remaining Useful Life Estimation with State Space Models [4.659033572014701]
  本稿では,状態空間モデル(SSM)を利用したRUL推定手法を提案する。 モデルの不確実性に対処するため、SQR(Simmoultaneous Quantile Regression)がSSMに統合され、複数の量子推定が可能となる。 その結果、SSMモデルの精度と計算効率が向上し、高い産業応用の可能性を示している。
  論文  参考訳（メタデータ） (2025-06-20T14:15:55Z)
• Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation [0.17205106391379021]
  RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。 本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。 本稿では,RUL推定のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2022-12-12T08:50:27Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。