CI541V1 3BSE014666R1 Контроллер 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.

KUC720AE01 3BHB003431R0001 Controller master unit
07KT97 GJR5253000R4270 ABB System board card
07KT98C GJR5253100R028 ABB Control module card key
KUC711AE01 3BHB004661R0001Input control panel
07 KT 98 GJR5253100R0278 ABB controller
PFTL101B 5.0KN 3BSE004191R1 sensor
PFTL101B 5.0KN Cross sectional measurement Pressure magnetic indenter
PFTL101A 1.0KN ABB controller
PFTL101A 1.0KN 3BSE004166R1 ABB Tension control unit
3HNM07485-1/07 ABB Multi-function controller
3HNM07686-1 3HNM07485-1/07 ABB Robot axis calculation board
SYN 5201 A-Z ABB devices and systems
MVME172-263/260 SCSI & Ethernet Interface
MVME172-263/260 DCS system module
D674A906U01 ABB Electromagnetic Flowmeter
MSK050C-0300-NN-M1-UG1-NNNN motor
USIO21 TOSHIBA DC Signal Converter
USIO21 TOSHIBA industry switch
PM3326B-6-1-2-E Medium voltage circuit board
PM3326B-6-1-2-E PIONEER  MAGNETICS power controller
KJ2005X1-MQ1 Analog output module
VE3008 Analog output module
PFRL101B radial load cell
PFEA112 adds Profibus-DP fieldbus communication function on the basis of PFEA111
PFEA111 tension controller with two load cells
PFBL141B/C vertical force testing unit
PFEA101 constant tension closed loop control
CE3008 Analog output module
PFVL141R ring load cell PFVL141R
PXAH401 Millmate Operator Unit 400
PFVA401 rolling force controller
CE3008 Emerson Digital output module
PFVL141V rectangular load cell
PFTL201DE pillow block tension meter horizontal load cell
PFTL201D horizontal load cell for pillow block tension meter
PFTL201CE horizontal load cell for pillow block tension meter
PFTL 201C horizontal load cell for pillow block tension meter