MC2-440-12TSB-1-50 Панель сенсорного управления – 7 дюймов

3.2 Machine learning

As the functionality of distributed computing tools such as Spark MLLib (http://spark.apache.org/mllib) and SparkR (http://spark.apache
.org/docs/latest/index.html) increases, it becomes It is easier to implement distributed and online machine learning models, such as support
vector machines, gradient boosting trees and decision trees for large amounts of data. Test the impact of different machine parameters and process
measurements on overall product quality, from correlation analysis to analysis of variance and chi-square hypothesis testing to help determine the impact of individual
measurements on product quality. This design trains some classification and regression
models that can distinguish parts that pass quality control from parts that do not. The trained models can be used to infer decision rules. According to the highest purity rule,
purity is defined as Nb/N, where N is the number of products that satisfy the rule and Nb is the total number of defective or bad parts that satisfy the rule.

Although these models can identify linear and nonlinear relationships between variables, they do not represent causal relationships. Causality is critical to
determining the true root cause, using Bayesian causal models to infer causality across all data.

3.3 Visualization

A visualization platform for collecting big data is crucial. The main challenge faced by engineers is not having a clear and comprehensive overview of the complete manufacturing
process. Such an overview will help them make decisions and assess their status before any adverse events occur. Descriptive analytics uses tools such as
Tableau (www.tableau.com) and Microsoft BI (https://powerbi.microsoft.com/en-us) to help achieve this. Descriptive analysis includes many views such as
histograms, bivariate plots, and correlation plots. In addition to visual statistical descriptions,
a clear visual interface should be provided for all predictive models. All measurements affecting specific quality parameters can be visualized and the data
on the backend can be filtered by time.

ABB Backplane DSQC 369 3HAC2424-1
ABB SR511 3BSE000863R1 voltage regulator
ABB PFSK102 YM322001-EG Reel supply device
ABB DSQC3041 3HAC063913-001 drive
ABB DSQC2002 3HNA026342-001 Mainboard of the I/O module
ABB DSQC1016 3HAC049807-001 switchboard
ABB DSQC 663 3HAC029818-001 Drive Unit
ABB DSQC 691 3HAC032267-001 SMB switch
ABB DSQC 643 3HAC024488-001 Panel Board
ABB DSQC 602 3HAC12816-1 Robot communication
ABB DSQC 631 3HAC021629-001 With cover
ABB DSQC 502 3HAC3618-1 I/O computer
DSQC461 3HAC049570-001 PDB extension
ABB DSQC 417 controller
ABB DSQC 406 Driving device
ABB DSQC 332A I/O unit
ABB DSPC 172 57310001-ML Processor module
ABB DSPC 170 57310001-GL Memory board
Abb DSMB 176 57360001-hx Memory board
ABB DSMB 144 57360001-EL Memory board
ABB DSDO 110 57160001-K Digital output board
ABB DSDI 115 57160001-NV digital input unit
ABB DSCA 114 57510001-AA Asynchronous communication board
ABB DSBC 172 57310001-KD Bus repeater host
ABB DSBB 175 57310256-CC MXB bus backplane
ABB DSAO 110 57120001-AT I/O module
ABB DSAI 145 57120001-HA Analog Input Unit
ABB DSAI110 57120001-DP Analog input
ABB DSAI 130 57120001-P analog input
ABB DAPI100 3AST000929R10 Ethernet MVI
DSQC1023 3HAC058038-001 Industrial switch
DSQC633A 3HAC031851-001 Robot bottom plate
DSQC639 ABB 3HAC025097-001 Main computer
Yaskawa JZNC-XPP02B Robot instructor
YAMATAKE EST0240Z05WBX00 Man-machine interface
WAVECREST DTS-2079 Controller module
VMIVME Model 2533 Assy No 332-002533-010E
Vibro meter 620-002-000-113 620-003-111-112 VM600-XIO16T
Vibro-meter 600-003-620 001-001-116 VM600-XMV16
Vibro-meter 200-595-100-014 200-595-072-122 VM600 CPUM