인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
This paper introduces a denoising autoencoder designed to distinguish between normal vibration data and various types of fault vibration data generated in semiconductor handlers. Unlike previous studies that windowed all time-series data based on fixed intervals, this study proposes a method of windowing data at the unit of action, using semiconductor handler time stamps for initial segmentation. The data are then uniformly standardized via linear interpolation. Additionally, to simplify the time-series vibration data patterns, the Hilbert transform and Butterworth low-pass filter are applied. The deep-learning model is structured with parallel components with both time and frequency domains, facilitating detection across various fault scenarios. In contrast to studies processing time-series data into fixed sizes, this approach demonstrates strong performance despite employing a relatively simple deep-learning model.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-24-02-090274172
