MPM-HI-A20 Horner Electric

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.

PR6424/003-030 EPRO DCS controller Brand new stock
PR9268/300-000 EPRO Current current probe Brand new original
PR9376/010-011 epro Current current probe Brand new with box
PR9376/20 EPRO ER bus cable
RSM020  EPRO External shaft main board
SDM010 EPRO Inventory module Brand new stock
MMS6823R EPRO DCS system module
MMS3120/022-000 EPRO Axial vibration displacement monitoring module
PR9268/300-000 EPRO Adapter terminal module
MMS3120/022-000 EPRO Backplane connector
MMS6312 EPRO TSI speed card
MVI56-MNET PROSOFT Programmable control system
MVI56-MNETC PROSOFT Servo control panel
MVI56-MNETR PROSOFT System module
MVI56E-MCM PROSOFT PLC control system
MVI69-PDPMV1 PROSOFT Digital input module
MVI69L-MBS PROSOFT I/O communication modules
PLX32-EIP-SIE PROSOFT DCS system
PTQ-PDPMV1 PROSOFT Analog output module
RLX2-IHNF-A PROSOFT Serial communication module
149986-01   Spare 16-Channel Relay Control Module
4118  TRICONEX  4118 Enhanced Intelligent Communication Module (EICM) Isolated
8311  TRICONEX  8311 control system power supply 24VDC
4108  TRICOENX  4108  Enhanced Intelligent Communication Module (EICM) Non-Isolated
8310  TRICONEX  8310 control system power supply 120VAC/VDC
7518-1  TRICOENX  7518-1 Communication Network Module / ISA Bus
4508  TRICOENX  4508 High Speed Channel Interface Module (HIM)
8301A  TRICONEX  8301A main frame power supply, 24VDC
8300A  TRICOENX  8300A main frame power supply, 115VAC/DC
3500/33 BENTLY Relay 16 channel module
4400  TRICONEX   4400  Safety Management Module (SMM)
8302A  TRICOENX  8302A  main frame power supply, 230VAC
8106   TRICONEX   8106 Empty Terminal Slot
3500/50 BENTLY Rotating speed module
8306A  TRICOENX  8306A  Expansion / RXM Rack Power Supply, 24VDC