DSTXW110 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.

8237-1246  WOODWARD Overspeed detection system
5302-MBP-MCM4  PROSOFT  Master/slave gateway module
5136-DNP-PCI   SST  Interface card
3500/15 127610-01  BENTLY   AC Power Supply Module
3481  TRICONEX  Digital output module
369-HI-R-M-0-0-0-E  GE Motor management relay
5SHY4045L0006 3BHB030310R0001  ABB   ICGT Module
5SHY4045L0001 3BHB018162R0001  ABB   ICGT Module
5SHX2645L0004 3BHB003154R0101  ABB   ICGT Module
5SHX0660F0002 ABB   ICGT Module
ABB 1TGB302003R0003  DCS DP  module
GE V7768 – 320000 Processor board
USIO21 TOSHIBA  Controller module
UAA326A04   HIEE300024R4  ABB  communication module
ICS TRIPLEX T8110B  Trusted TMR Processor
PM902F ABB  AC 900F controller
PM511V16 3BSE011181R1  ABB  Processor Module
F8650X HIMA  CPU Module
DSQC679 3HAC028357-001  ABB  Robot teaching device
CI873  ABB  AC 800M communication interface
CE3008  KJ2005X1-MQ1/12P6381X022 EMERSON  Controller module
086444-005  ABB   Optical fiber board
3009 TRICONEX 3008  Enhanced Main Processor (UMP) Modules
UR8FH  GE  Multi-wire module of voltage transformer
S710D-EST2  GE  Data transceiver
RV33-1  GE  module
IS420UCSBH1A  GE  Mark VIe controller
IS220UCSAH1A  GE  PAMC Acoustic Monitor
IS220PPROS1B  GE  I/O pack
IS220PPDAH1B 336A5026ADP14   GE  I/O pack under Mark VIe
IS220PDIAH1B  GE  I/O module
IS220PDIAH1B  GE  Turbine Control PCB board.
IS215VCMIH2CA IS200VCMIH2CAA  GE  interface board
IS215UCVEM06A  GE  Ethernet connection circuit board
IS215UCVEH2AF  GE  Vme Controller Card
IS215UCVEH2AE  GE  BOARD-VMIC MARK VI
IS215UCVEH2AB  GE  Printed Circuit Board
IS215ACLEH1BB  GE  TC APP CONTROL LAYER BOARD
IS200TTURH1CFD GE Terminal board
IS200TSVCH1A GE Servo terminal board
IS200TREGH1BEC GE Circuit board assembly
IS200TDBTH6ACD GE Printed circuit board
IS200SPIDG1ABA GE Plate assembly
IS200EPSMG1AED GE control system
IS200EGDMH1AFF GE power-supply module
IS200DTAIH1ACC GE terminal board
IS200AEADH4ADA GE Gas burning card
IP-QUADRATURE  GE Orthogonal encoder
IC698CPE040-JP GE Central Processing Unit