1TGE120021R0010 Использование параметров ABB

(5) Perform predictive maintenance, analyze machine operating conditions, determine the main
causes of failures, and predict component failures to avoid unplanned downtime.

Traditional quality improvement programs include Six Sigma, Deming Cycle, Total Quality Management (TQM), and Dorian Scheinin’s
Statistical Engineering (SE) [6]. Methods developed in the 1980s and 1990s are typically applied to small amounts
of data and find univariate relationships between participating factors. The use of the MapReduce paradigm to simplify data processing in
large data sets and its further development have led to the mainstream proliferation of big data analytics [7]. Along with the development of
machine learning technology, the development of big data analytics has provided a series of new tools that can be applied to manufacturing
analysis. These capabilities include the ability to analyze gigabytes of data in batch and streaming modes, the ability to find complex multivariate
nonlinear relationships among many variables, and machine learning algorithms that separate causation from correlation.

Millions of parts are produced on production lines, and data on thousands of process and quality measurements are collected for them, which is
important for improving quality and reducing costs. Design of experiments (DoE), which repeatedly explores thousands of causes through
controlled experiments, is often too time-consuming and costly. Manufacturing experts rely on their domain knowledge to detect key
factors that may affect quality and then run
DoEs based on these factors. Advances in big data analytics and machine learning enable the detection of critical factors that effectively
impact quality and yield. This, combined with domain knowledge, enables rapid detection of root causes of failures. However,
there are some unique data science challenges in manufacturing.

(1) Unequal costs of false alarms and false negatives. When calculating accuracy, it must be recognized that false alarms
and false negatives may have unequal costs. Suppose a false negative is a bad part/instance that was wrongly predicted to
be good. Additionally, assume that a false alarm is a good part that was incorrectly predicted as bad. Assuming further that
the parts produced are safety critical, incorrectly predicting that bad parts are good (false negatives) can put human lives
at risk. Therefore, false negatives can be much more costly than false alarms. This trade-off needs to be considered when
translating business goals into technical goals and candidate evaluation methods.

GE IC697BEM713 Bus Transmitter Module (BTM)
GE IC697BEM711 Bus Receiver Module (BRM)
INTELLISCANDE14-405NM SCANLAB  intelliSCAN scan heads
SQ-300I 8700700-006 Hybrid automatic voltage control (AVC)
CMA130 3DDE300410  ABB  temperature controller
301131  PILZ  Security bus module
T8111C   ICS TRIPLEX  Trusted TMR Processor
C2G170-24 P0973BL  ENTERASYS  network switch
PLATE F860-CA  redundant fieldbus power
STK-RPS-150PS P0973BP  Optical fiber interface board module
CLS216-10000000  WATLOW ANAFAZE CLS200 CONTROLLER
MT30R4-37  SEM D.C. Servomotors
SAI143-H53  Yokogawa  Analog Input Module
DS200FCGDH1B  Mark V Gate Distribution and Status Card FCGD
DS200VPBLG1A  GE   VME Backplane Board
DS200DDTBG1A  LCI Auxiliary I/O Terminal Board
07DC92D GJR5252200R0101 Analog input and output module
2711P-B6C20D  PanelView Plus 6 600 color terminal
FC-SDO-0824 V1.3 Safe Digital Output Module 24Vdc 0.55A 8ch
C200/10/1/1/100  ELAU  programmable controller
PM866 3BSE050200R1  ABB  PM866A controller
9905-973  Woodward  controller turbine electric ship parts
TK-CCR014   HONEYWELL  Redundant Net Interface Module
SLIO-02  ROLLS-ROYCE  Controller module
ACR1000A-R2  Agility series optical fiber KVM wood extension
IRDH275B-435  Digital Ground Fault Monitor / Ground Detector
2098-DSD-020X/C  Ultra 3000 Drive Module
BG65X50SI  Dunkermotoren brushless DC motor
DPS112  MARITIME DGNSS SENSOR FOR WORLDWIDE OPERATIONS
MVI94-MCM-MHI  PROSOFT   Network Interface Module
VTR-5-PY  DEIF  Bridge wing indicator
DLQW72-PC-PY  DEIF  Marine bridge instrumentation
SPS5713 51199930-100  Power Transistor Devices
2301E 8273-1011  provides load sharing and speed control
VMIVME-7750-734001  ProcessorBased VME Single Board
SE3008 KJ2005X1-MQ2 13P0072X082  DeltaV™ SQ Controller
A6500-CC 9199-00120  System Communication Card
MVME761-001  MOTOROLA  Transition Module
MVME2604761 I/O  MOTOROLA  single-board computer
VMIVME-7750-746001 ProcessorBased VME Single Board
TRICON  9566-8XX  Terminal base
REF620E_F NBFNAAAANDA1BNN1XF Feeder protection and control
MVME51105E-2161  MOTOROLA  single-board computer
SR489-P1-HI-A20-E-H  GE  generator management relay
531X302DCIAWG1 GE  DC Instrumentation Card
PR6426/010-140+CON021  Eddy Current Signal Converter
8507-BI-DP  PROFIBUS DP Bus Interface Module and Carrier
TRICON 4000093-510 External Terminal Input Cable Assembly
9907-147  ProTech 203 De-Energize-to-Trip Overspeed
VMIACC-5595-208  Reflective Memory Hub Assembly
PCD237A101 3BHE028915R0101  AC 800PEC  control system
CI627A 3BSE017457R1   ABB  controller module
TRICON 4000093-145 External Terminal Input Cable Assembly
XVC722AE101 3BHB002751R0101  ABB
CT11T7F10PN1 PMC676RCTX   Network Interface Card
E33NCHA-LNN-NS-00  Servo driver  PACIFIC SCIENTIFIC
SQ-300I 8700700-004  Hybrid automatic voltage control