DS200KLDAG1ACC Boards & Turbine Control Module

(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  PNI800
ABB  MB805
ABB  PNI800SWLIC-01
GE  DS200SDCCG1ACA
A-B  1394-SJT22-T-RL
GE  DS200TCDAH1BHE
GE  DS200PCCAG10ACB
GE   VMIVME-7614-132
ENTERASYS    A2H124-24
ENTERASYS     P0973BJ
ENTERASYS    A2H124-24FX
ENTERASYS    A2H124-24FX P0973BJ
ENTERASYS    P0973BK
ENTERASYS    A2H254-16
ENTERASYS    A2H254-16 P0973BK
ENTERASYS    P0973JN
ENTERASYS   A4H124-24FX
ENTERASYS   A4H124-24FX P0973JN
ENTERASYS   P0973JM
ENTERASYS   A4H124-24TX
ENTERASYS   A4H124-24TX P0973JM
ENTERASYS   P0973JP
ENTERASYS  A4H254-8F8T
ENTERASYS  A4H254-8F8T P0973JP
ENTERASYS  C2RPS-CHAS2
ENTERASYS  P0973BP
ENTERASYS  C2RPS-PSM  P0973BP
ENTERASYS  C2RPS-PSM
ENTERASYS  SSA-G1018-0652
ENTERASYS  SSA-T8028-0652
ENTERASYS  SSA-T8028-0652 P0973LN
IS200EXHSG3AEC GE
A-B  1394C-SJT22-A
A-B  1394-SJT22T
A-B  1394-SJT22-C-RL
A-B  2198-D012-ERS4
ZYGO 7702
ZYGO 7701 P/N 6191-0460-01
ZYGO 7702 P/N- 8070-0102-01
ZYGO 7701A/E 6191-0460-02
ZYGO LS-8
ZYGO 7034
ZYGO  ZMI7705 8070-0902-01X
ZYGO  ZMI501
ZYGO 8020-1513-01 REV.C 2 ZMI 501
ZYGO  260-00106-01
ZYGO 270-00047-00
ZYGO ZMI-2001 MEAS BD 8020-0210 8020-0210-01
ZYGO  8020-0101-04
ZYGO 8020-0450 REV.C
ZYGO 8020-0700-01 PCB
ZYGO 8020-0101-04
ZYGO 8070-0122-01-J