CMA120 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.

3500/44M 176449-03 Speed sensor  Bently
3500/42M-01-00 Speed monitor  Bently Nevada
3500/33  Bently Nevada 149986-01 preamplifier
3500/33  Bently Nevada preamplifier
3500/25  Bently Nevada Accelerometer sensor
3500/25 149369-01 Speed sensor  Bently
350022M-288055-01 Transient data interface Bently
3500/15 Power module  Bently Nevada
3500/05-02-04-00  bently Monitoring vibration
330180-51-00 bently preprocessor
Bently 330100-90-01 Vibration sensor
330016-11-01-03-00-00-01 BENTLY NEVADA
2300/25-00 BENTLY monitor module
140734-01 4-channel monitor Bently
133442-01 Output module Bently
125720-01  Bently Nevada channel relay module
3500/65   Bently Nevada monitor
3500/53  Bently Nevada Overspeed detection module
330100-50-05 Bently Nevada  preprocessor
177313-01-01 Bently Nevada  Vibration monitoring module
149369-01  Bently Nevada Key phase module
143416-01  Bently Nevada  sensor
135613-01-00 Bently Nevada High temperature housing
126648-01  Bently Nevada Output module
125840-02 BENTLY Low voltage AC power input module
106M7607-01  Bently Nevada   relay
106M1079-01  Bently Nevada Power module
3500/64M 140734-05  Bently Nevada  Dynamic Monitor
330878-90-00  Bently Nevada   Proximitor Sensor
126599-01  Bently Nevada Module Internal Terminations
3500/40-04-00  Bently Nevada  Proximitor Monitor
140734-02  Bently Nevada 3500/42m Proximitor Seismic Monitor
163179-01  Bently Nevada  Temperature Monitors
330180-91-RU  Bently Nevada 330180 Proximity Sensor
330180-91-05-RU  Bently Nevada  330180 Proximity Sensor
3500/15-04-04-00  Bently Nevada  Power Supply
330103-00-07-05-02-RU  Bently Nevada  Extension Cable
177230-01-01-RU  Bently Nevada  Seismic Transmitter
330130-045-01-05 Bently Nevada  Extension Cable
3500/22-01-01-R0 Bently Nevada  Transient Data Interface
3500/62-04-R0 Bently Nevada  Process Variable Monitor
3500/25-01-05-00  Bently Nevada Enhanced Keyphasor Module
330180-90-00  Bently Nevada 3300 XL Proximitor Sensor
330105-02-12-05-02-00  Bently Nevada Reverse Mount Probes
133442-01 Bently Nevada I/O Module  Internal Terminations
60M100-00 Bently Nevada Monitor Controller
133396-01 Overspeed detection I/O module Bently Nevada
NEW BENTLY 3500/22M 138607-01 3500 monitoring system Standard transient data interface module
Bently Nevada 330500-02-CN Piezo-Velocity Sensor
BENTLY 330101-23-39-10-12-CN  sensor
Bently Nevada 200200-11-11-05 proTIM-R Module
Bently Nevada 1701/10 FieldMonitor 24-Volt dc Power Supply
Bently Nevada PWA88199-01 Rear Control Panel