PFEA113-65 3BSE050092R65 Модуль ввода / вывода ABB

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.

3BHT300002R1 Digital quantity module ABB
DI620 Digital quantity module ABB
DI581-S 1SAP284000R0001  ABB
1SAP284000R0001  control module ABB
DI581-S control module ABB
DDO02  control module ABB
DDC779CE102 3BHE027859R0102 ABB
3BHE027859R0102  control module  ABB
DDC779CE102 control module  ABB
DCP10 control module  ABB
DCP02 control module  ABB
DC732F 3BDH000375R0001 ABB
3BDH000375R0001 control module ABB
DC732F  control module ABB
DAO01 control module ABB
DAI03 control module ABB
D674A906U01  Flowmeter ABB
HIEE400103R0001 Main control board ABB
CSA463AE Main control board ABB
CSA463AE HIEE400103R0001  ABB
CSA463AE HIEE400103R1 ABB
HIEE400103R1 Main control board ABB
CSA463AE Main control board ABB
3BSE000435R1  Main control board
CS513 Main control board   ABB
CS513 3BSE000435R1  ABB
CPU0002 2RCA006835A0002E/2RCA021946B
CPU0002 2RCA021946B ABB
CPU0002 2RCA006835A0002E ABB
2RCA021946B Robot spare parts ABB
2RCA006835A0002E Robot spare parts ABB
CPU0002 Robot spare parts ABB
CP800 control unit  ABB
CP450-T-ETH 1SBP260189R1001  ABB
1SBP260189R1001 touch screen ABB
CP450-T-ETH touch screen ABB
1SBP260193R1001  touch screen ABB
CP435T touch screen ABB
CP435T 1SBP260193R1001  ABB
CP430T-ETH 1SBP260196R1001 ABB
1SBP260196R1001  touch screen ABB
CP430T-ETH  touch screen ABB
2RAA005844A0006A Industrial module  ABB
COM0003 Industrial module  ABB
COM0003 2RAA005844A0006A ABB
COM0002 2RAA005844A0005H/2RAA005697M
COM0002 2RAA005697M ABB
COM0002 2RAA005844A0005H ABB
2RAA005697M   Industrial module ABB