本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

通过深度强化学习和自监督学习的方法成功地实现了对半导体制造设施进行更高效调度的功能，提出了一种适应性调度方法来处理复杂连续随机动态半导体制造模型，与传统调度策略相比，我们的方法可以显著减少订单的延迟和完成时间，从而更好地分配半导体制造流程的资源。

Feb, 2023

本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行ML模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在Fused Filament Fabrication的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

Apr, 2023

本文介绍了一种基于扩散模型的工业4.0实时异常预测方法，并采用神经符号方法将工业本体论集成到模型中，为智能制造添加形式化知识。最后，提出了一种简单而有效的方式来通过随机傅里叶特征将扩散模型压缩到一个嵌入式系统中，以直接集成到制造过程中。

Jul, 2023

本研究探讨了两种不同的方法来识别和近似仿真模型，尤其是在医疗器械装配的关键性切合过程中。这些模型对工程师提供了对工业过程的洞察力，能够在物理装配之前进行实验和故障排除。然而，由于其复杂性，常常需要耗费大量的计算时间。为了解决这个问题，我们提出了两种不同的方法来识别仿真模型：一种利用样条函数，另一种利用机器学习模型。我们的目标是创建适应性模型，准确地代表切合过程并适应各种情况。这样的模型有望提高工艺理解，并在数据有限的情况下辅助决策。

Sep, 2023

本研究旨在评估制造业和工业环境中时序分类任务的SoTA ML和DL算法的性能。实验表明，ResNet、DrCIF、InceptionTime和ARSENAL是性能最好的算法，其在22个制造业时序分类数据集上的平均准确率超过96.6％。这些发现突显了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外，LSTM、BiLSTM和TS-LSTM算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。

Oct, 2023

通过采用扩散模型在电路生成上进行人工数据生成的研究，用于提高在通常训练数据非常有限的情况下，机器学习模型在性能评估、设计和测试等任务中的准确性，本研究利用HSPICE设计环境中22纳米CMOS技术节点的仿真来获取真实代表性的训练数据，并证明了扩散模型生成的合成数据与真实数据的密切相似性，通过验证生成数据的质量，证明数据增强在数字电路的VLSI设计的预测分析中确实有效。

Oct, 2023

本文介绍了两个工业级数据集，这些数据集是在2023年12月11日和12日由南卡罗来纳大学的未来工厂实验室收集的。这些数据集是通过使用工业标准的制造装配线生成的，目的是提供工具以进一步研究制造业的智能增强。这些数据集希望填补现有数据集中稀缺的真实制造数据以及带有异常和缺陷的数据的空白，并为研究人员提供建立和训练适用于制造业的人工智能模型的基础。

Jan, 2024

本文介绍了一种用于智能半导体制造过程中原位数据的稀有类预测方法，旨在解决噪音和类不平衡问题，提高类别分离，并在性能评估中展示了良好的结果。

Jun, 2024

提出了Diff-MTS，一种基于时间增强的条件自适应扩散模型，用于工业多变量时间序列（MTS）的生成。综合实验表明，与基于GAN的方法相比，Diff-MTS在多样性、保真度和实用性方面表现更好，促进了工业数据的生成和工业大模型的构建。

Jul, 2024