案例名稱：SMT SPI 印刷檢測機健康監測

在 SMT 生產線上，銲嘴印刷檢測（SPI）是一個重要的檢測工程，用於確保電子元件在 PCB（印刷電路板）上的焊接質量～SPI 機器使用光學系統來檢測焊接過程中的缺陷，如短路、開路等。

• 解決方案：
  數據收集：安裝傳感器和光學檢測系統來監測 SPI 機器的運行狀態，包括檢測到的缺陷數量、工作溫度、光學系統效能等。
  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 SPI 機器的異常狀態，例如檢測到的缺陷是否超過閾值。
  警報和通知：當 SPI 機器出現異常時，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 SPI 機器的異常狀態，並迅速進行相應的維護，保證了焊接質量的穩定，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 SPI 健康監測數據集
data = {'Defects': [5, 6, 3, 7, 2, 8],
        'Temperature': [60, 65, 70, 68, 75, 80],
        'Efficiency': [90, 85, 80, 75, 70, 65],
        '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[['Defects', 'Temperature', 'Efficiency']]
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 SPI 機器狀態
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))