XVC768101 3BHB007211R101 Модуль ввода / вывода 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.

PPD113B03-26-100110  CPU  ABB
3BHE017628R0102  CPU  ABB
PPD115A102  CPU  ABB
3BHE040375R1023 CPU  ABB
PPD512A10-150000 CPU  ABB
3BHE046836R0101 Excitation system controller
GFD563A101  Excitation system controller
ABB   3HHE025541R0101
PCD231B   Excitation system controller
3BHE025541R0101 Excitation system controller
PCD231B101 Excitation system controller
3BHE022293R0101 Excitation system controller
PCD232A Excitation system controller
3BHE032025R1101 input coupling unit
PCD235B1101 input coupling unit
3BHE042816R0101 Main control board
PCD244A101 Main control board
CI520V1 communication module ABB
3BSE012869R1 communication module
3BSE018283R1 communication module
CI522A communication module
3BSE007297R1  communication module
CI532V05  communication module
3BSE010700R1  communication moduleABB
CI534V02  communication module
3BSE022162R1 communication moduleABB
CI535V30 communication module
3BSE014666R1  communication module
CI541V1 communication moduleABB
3BSE012545R1 communication module
CI546   communication module
3BNP004429R1  communication module
CI547 communication moduleABB
3BSE001440R1 communication module
CI570 communication module
3BSE005029R1 communication module
CI626A communication module
3BSE012868R1 communication module
CI626V1 communication module
3BSE008799R1 communication module
CI627  communication module
CI840A communication module
CI801KIT communication module
CI801 communication module