5SHX1960L0006 3BHB016120R0002 Система возбуждения DCS 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.

57M300B5A   PORTESCAP   micro-motor
3IF260.60-1  B&R   2005 CPU or programmable interface processor
5AP1130.156C-000   B&R   Automation Panel
VARIAN 100010077-06   VARIAN   MLC Interface Plug-In Board
VARIAN 100010078-01   VARIAN   MLC Interface Plug-In Board
MVME5500   MOTOROLA   VMEbus Single-Board Computer
UDD406A  3BHE041465P201   ABB   Input output module
PM573-ETH  ABB   Logic Controller
SBRIO-9607 NI  CompactRIO Single-Board Controller
T16054  Flex Kleen  Control
R911268888   Rexroth   Servo power supply
PCI-6251   NI   Multifunction I/O Module
PC834-001-T  Kollmorgen   Brushless Servo Drive
P0924DB   FOXBORO  terminal base
P0917MG FOXBORO  Terminal block Module
P0916PW   FOXBORO   Assembly 32 channel contact sensing
PO916NJ-OB   FOXBORO   DIN Mount Base
P0914XA  FOXBORO   terminal
VP325 02X   Concurrent Technologies  Processor Single Board Computer
XV-440-10TVB-1-20 ETON  Touch panel
XVS-440-10MPI-1-10   ETON   Touch panel
P0904HA  FOXBORO   Power Supply Module
SQ-300I  B&W   Hybrid automatic voltage control
P0400VP-0N   FOXBORO   Communication Processor
P30B04010PCKST   SANYO DENKI  SERVO MOTOR
SM-100-40-080-P0-45-S1-B0   ELAU   Servo motor
MDB-8E    Sartorius    Weight bearing sensor
MC-TAMR04   Honeywell Low Level Analog Input Multiplexer
KJ3002X1-BF1 Emerson  RTD Card
K2-400 DI470A   KEBA  Input Card
KEMRO K2-400 CP 450C  KEBA   PLC LCD monitor Liquid Crystal
INFO-4KP-94161B   INDEL AG   Communication module
IC200PWR101E    GE    VersaMax power supply module
HP-5517B   Agilent  Laser interferometer
IC693CPU364  GE   single-slot Central Processing Unit
H201TI GE  small on-line early warning transmitter
FBM232 P0926GW  FOXBORO   Ethernet Communication Module
FBM217 P0914TR   FOXBORO  Input Module
H92A0K9V0H00   FOXBORO   Electrical conductivity transmitter
FCM10E    FOXBORO    I/A SERIES COMMUNICATION MODULE
EMC1600   EtherWAN   16-Bay Media Converter and Ethernet Extender Chassis
DMC-4143   Galil  Motion Controller
DS200SIOBH1ABA  GE   I/O Control Board
D674A905U01 ABB Cartridge U-low HART / Std. FET 300
CE4050S2K1C0   EMERSON   I/O Interface Carrier with Carrier Shield Bar
C400/10/1/1/1/00   SCHNEIDER   SERVO CONTROLLER
ATCS-15  SCHUMACHER   Temperature control unit
ACC-8E PMAC-2 602469-103   Delta Tau  Breakout Terminal Block Board
A90L-0001-0515R FANUC Spindle motor cooling fan
350005-02-04-00-00-00   Bently Nevada   DC IN Card Input Module
330930-065-01-05  Bently Nevada   NSv Extension Cable
SJDE-08ANA-OY  YASKAWA   SERVO DRIVE MECHATROLINK
330180-51-00   Bently Nevada   3300XL Proximitor Sensor
330130-040-00-00   Bently Nevada 3300 XL Standard Extension Cable
149992-01   Bently Nevada   16 Channel Relay Output Module
126615-01   Bently Nevada   Proximitor I/O Module