DI830 3BSE013210R1 Контроллер 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.

ABB    UFC760BE143 3BHE004573R0143
ABB    3BHE004573R1042
ABB    UFC760BE42
ABB    UFC760BE42 3BHE004573R1042
ABB    3BHE006412R0101
ABB    UFC762AE101
ABB    UFC762AE101 3BHE006412R0101
ABB    UFC911B101
ABB    3BHE037864R0101
ABB    3BHE037864R0101 UFC911B101
ABB    3BHE037865P201
ABB    3BHE037864R0106
ABB    UFC911B106
ABB  3BHE037864R0106 3BHE037865P201
ABB  UFC911B106 3BHE037865P201
ABB  UFC911B106 3BHE037864R0106
UFC911B106 3BHE037864R0106 3BHE037865P201
ABB   3BHE037864R0104
ABB   UFC911B104
ABB   UFC911B104 3BHE037864R0104
ABB   3BHE037864R0108
ABB   UFC911B108
ABB   UFC911B108 3BHE037864R0108
ABB    3BHE037864R0110
ABB    UFC911B110
ABB  UFC911B110   3BHE037864R0110
ABB  3BHE024855R0101
ABB  UFC921A101
ABB  UFC921A101 3BHE024855R0101
ABB  HIEE300308R1
ABB  PMA323BE
ABB  PMA323BE  HIEE300308R1
ABB   HIEE300885R0001
ABB   PPC380AE01
ABB   PPC380AE01 HIEE300885R0001
ABB   HIEE300885R0102
ABB   PPC380AE02
ABB   PPC380AE02  HIEE300885R0102
ABB   HIEE300885R0102
ABB   PPC380AE102
ABB   PPC380AE102  HIEE300885R0102
ABB   3BHE010751R0101
ABB   PPC902AE101
ABB   PPC902AE101 3BHE010751R0101
ABB    3BHE028959R0101
ABB    PPC902CE101
ABB  PPC902CE101  3BHE028959R0101
ABB   3BHE014070R0101
ABB   PPC905AE101
ABB   PPC905AE101 3BHE014070R0101
ABB    3BHE024577R0101
ABB    PPC907BE
ABB    PPC907BE 3BHE024577R0101
ABB    3BHE024577R0101