案例名稱：SMT 回焊爐冷凝器健康監測

一家電子製造公司使用 SMT 技術進行電子元件的焊接。在 SMT 生產線上，回焊爐是一個關鍵的製程設備，它用於將電子元件焊接到印刷電路板（PCB）上。冷凝器是回焊爐中的重要部件，它用於冷卻熔化的焊膏，使之凝固。

• 解決方案：
  數據收集：安裝傳感器來監測冷凝器的運行狀態，包括溫度、壓力、流量等。
  數據處理：將數據傳送到數據處理系統，進行清理、特徵提取等操作。
  異常檢測：使用統計方法或機器學習模型來檢測冷凝器的異常狀態，例如檢測溫度過高、壓力異常等。
  警報和通知：當冷凝器出現異常時，生成警報，通知相關人員進行檢修。
  維護計劃：根據異常檢測結果，制定相應的維護計劃，包括更換零部件、進行清潔保養等。
  數據分析和模型優化：通過分析歷史數據，優化異常檢測模型，提高健康狀態預測的準確性。

• 效果：
  通過引入這個 PHM 系統，公司能夠及時發現冷凝器的異常狀態，並迅速進行相應的維護，保證了回焊爐的正常運行，同時降低了維修成本和生產中斷的風險。

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report

# 創建一個虛擬的冷凝器健康監測數據集
data = {'Temperature': [80, 85, 90, 88, 92, 95],
        'Pressure': [30, 28, 32, 29, 31, 33],
        'FlowRate': [10, 12, 15, 13, 18, 20],
        'Status': [0, 0, 1, 0, 1, 1]}  # 0 表示正常，1 表示異常

df = pd.DataFrame(data)

# 提取特徵和目標變量
X = df[['Temperature', 'Pressure', 'FlowRate']]
y = df['Status']

# 將數據集劃分為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化隨機森林分類器
rf_model = RandomForestClassifier()

# 訓練模型
rf_model.fit(X_train, y_train)

# 預測冷凝器狀態
y_pred = rf_model.predict(X_test)

# 計算準確度
accuracy = accuracy_score(y_test, y_pred)
print(f"準確度: {accuracy}")
print(classification_report(y_test, y_pred))