CI867K01 3BSE043660R1 Система возбуждения DCS ABB

2 Leveraging big data tool chains

After the data collected from the manufacturing product value chain is stored in the database, a data analysis system is required to analyze the data.
The manufacturing data analysis system framework is shown in Figure 1. Data is first extracted, transformed, and loaded (ETL) from different
databases into a distributed file system, such as Hadoop Distributed File System (HDFS) or a NoSQL database (such as MongoDB). Next,
machine learning and analytics tools perform predictive modeling or descriptive analytics. To deploy predictive models, the previously mentioned tools
are used to convert models trained on historical data into open, encapsulated statistical data mining models and associated metadata called Predictive
Model Markup Language (PMML), and Stored in a scoring engine. New
data from any source is evaluated using models stored in the scoring engine [9].

A big data software stack for manufacturing analytics can be a mix of open source, commercial, and proprietary tools. An example of a
manufacturing analytics software stack is shown in Figure 2. It is known from completed projects that existing stack vendors do not currently
offer complete solutions. Although the technology landscape is evolving rapidly, the best option currently is modularity with a focus on truly distributed
components, with the core idea of ​​success being a mix of open source and commercial components [10].

In addition to the architecture presented here, there are various commercial IoT platforms. These include GE”s Predix ( www.predix.com ), Bosch”s IoT
suite (www.bosch-iot-suite.com), IBM”s Bluemix ( www.ibm.com/cloud-computing/ ), ABB based on Microsoft Azure IoT services and people platform
and Amazon’s IoT cloud (https://aws.amazon.com/iot). These platforms offer many standard services for IoT and analytics, including identity management and data
security, which are not covered in the case study here. On the other hand, the best approaches offer flexibility and customizability, making implementation
more efficient than standard commercial solutions. But implementing such a solution may require a capable data science team at the implementation site.
The choice comes down to several factors, non-functional requirements, cost, IoT and analytics.

P0400VE   FOXBORO
P0400VT   FOXBORO
P0400ZG   FOXBORO
P0500JX   FOXBORO
P0500RG   FOXBORO
P0500RU   FOXBORO
P0500RY   FOXBORO
P0500WX   FOXBORO
P0700HU   FOXBORO
P0700TT   FOXBORO
P0700WB   FOXBORO
P0800CE   FOXBORO
P0800DA   FOXBORO
P0800DB   FOXBORO
P0800DC   FOXBORO
P0800DG   FOXBORO
P0800DO   FOXBORO
P0800DV   FOXBORO
P0901VK   FOXBORO
P0901XT   FOXBORO
P0902BM   FOXBORO
P0902YU     FOXBORO
P0903AA    FOXBORO
P0903MU   FOXBORO
P0903NQ  FOXBORO
P0903NW FOXBORO
P0903ZL  FOXBORO
P0903ZN  FOXBORO
P0903ZP  FOXBORO
P0903ZQ FOXBORO
P0904AK FOXBORO
P0904BH  FOXBORO
P0904FH  FOXBORO
P0904HA  FOXBORO
P0904HB FOXBORO
P0911QB  FOXBORO
P0911QB-C  FOXBORO
P0911QC-C  FOXBORO
P0911QH-A  FOXBORO
P0911SM  FOXBORO
P0911VJ  FOXBORO
P0912CB FOXBORO
P0912CM  FOXBORO
P0912XX  FOXBORO
P0914XA  FOXBORO
P0914ZM FOXBORO
P0916AA  FOXBORO