PM856K01 3BSE018104R1 Использование параметров 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.

Emerson Delta V KJ3001X1-BB1 Host module
Emerson Delta V KJ3004X1-BA1 Digital volume signal board module
EMERSON KJ2002X1-CA1  I/O modules
TRICONEX 3623T Controller module
LDSYN-101 3BHE005555R0101 ABB  Dc module
LDMUI-001 61320946C ABB Control system module
IMBLK01 ABB I/O communication modules
4D33900G19 WESTINGHOUSE Servo driver
5A26304G02 WESTINGHOUSE Digital quantity module
OMRON NE2A-END relay
4135A HIMA Safety relay
TSXP571634M Schneider Ethernet module
ABB HIEE405246R0002 UNS 0867 A-P V2  DCS system module
SST-PB3-PCU SST Digital quantity module
Parker GV6K-U6E Servo Drive / Controller
Fireye BLL510 Display screen
FEMA traffic switch ASW454
1794-ASB A-B Controller/inverter
1756-EN2TR A-B Analog module
250Х56R 2RRE45 ECOFIT High volume turbofan
8V1180.00-2 B&R PLC controller
6SN1118-0DJ21-0AA1 SIEMENS Digital input card
6GK7542-5FX00-0XE0 Communication module SIEMENS
6ES7341-1CH02-0AE0 SIEMENS Redundant power modules
5PC910.SX02-00 B&R CPU controller
3RT1916-1BB00 SIEMENS relay
PHOENIX IB ST ZF 24 AI 4/SF-2750620 CONTACT I/O module
PHOENIX IB ST 24 AI 4SF-2754309 I/O module
INDRAMAT MAC112C-0-ED-2-C/130-B-0 servomotor
INDRAMAT MAC112D-0-ED-2-C/180-A-0/S011 motor
INDRAMAT MAC112C-0-HD-4-C/180-A-0/WI516LV/SO11 motor
INDRAMAT KDS1.3-200-300-W1 Ac servo driver
INDRAMAT KDS1.3-150-300-W1 Ac servo driver
KDV2.2-100-200/300-220 INDRAMAT Ac servo power supply
280D-F12Z-10B-CR A-B ArmorStart Starter
FBM218 FOXBORO Communication module
SM50/100-T BOSCH Processor module
SIEMENS 6ES7952-1AK00-0AA0 Memory card
PHOENIX 2961192 relay
MTL MTL5541 Safety grid
TRICONEX 1600071-001 Network communication card
POWERBOX PU200-31C DO module