PM858K02 Модуль ввода / вывода 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.

PDD205A1121 3BHE025336P201  ABB
PDD205A1121 3BHE025335R1121  ABB
PDD205A1121 3BHE025335R1121/3BHE025336P201REV.D
PDD205A0121 3BHE025335R0121/3BHE025336P201REVD
PDD205A0121 3BHE025336P201 ABB
PDD205A0121 3BHE025335R0121 ABB
3BHE025336P201 Central Processing Unit
3BHE025335R0121 Central Processing Unit
PDD205A0121  Central Processing Unit ABB
3BHE020P201 Central Processing Unit  ABB
3BHE019633R0101 Central Processing Unit
PDD200A101 Central Processing Unit  ABB
PDD200A101 3BHE020P201  ABB
PDD200A101 3BHE019633R0101  ABB
PDD200A101 3BHE019633R0101/3BHE020P201
P4LQA HENF209736R0003 Power module
P-HA-RPS-32200000 Power module  ABB
OKYM175W22 Programmable controller
OCAHG 492838402 Programmable controller
OCAH 940181103 Programmable controller ABB
NU8976A99 HIER466665R0099/NU8976A
HIER466665R0099  Industrial module  ABB
HIEE220295R0001  Industrial module  ABB
NU8976A HIEE220295R0001 ABB
NPCT-01C 64009486D ABB
NMTU-21C 3BSE017429R1  ABB
NF93A-2 HESG440280R2 ABB
NF93A-2 HESG440280R2 HESG323662R1
NF93A-2 HESG440280R2 HESG323662R1/HESG216665/K
NBIO-21CU 3BSE017427R1 ABB
3BSE017427R1  Analog output board ABB
NBIO-21CU Analog output board ABB
NDCU-12CK  Analog output board ABB
NDCU-12C  Analog output board ABB
MVR0.44-10KA Analog output board ABB
MANUFACTURER Analog output board ABB
MSR04X1 Analog output board ABB
MSR04X1 MANUFACTURER  ABB
MSR04X1 MANUFACTURER:ABB AGUST
HESG440588R4 Analog output board
MC91 HESG112714/B Analog output board
MC91 HESG112714/B ABB
MC91 HESG440588R4   ABB
MC91 HESG440588R4 HESG112714/B ABB
MB510 3BSE0002540R1 Analog output board
M063B003217 Analog output board  ABB
3BHL000986P7000 Analog output board  ABB
LXN1604-6 Analog output board  ABB
LXN1604-6 3BHL000986P7000 ABB
LWN2660-6  Analog output board ABB