PFEA111-20 3BSE028140R0020 Электрический фильтр 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.

Static control model of IS200ERSCG2A excitation regulator
IS220PTCCH1B Mark VIe I/O module
IS220PPROS1B Emergency Turbine Protection I/O Assembly
MVI69-DFNT Ethernet /IP client/server interface module
F3237 16-channel digital input module
IC693ALG442C analog current/voltage combination module
5441-693 Digital input/output module
200350-02-00-CN 200350 Accelerometer
IC693MDL930G relay output module
MVME162P-344S dual-height VME module
DS3815PAHB1A1A Printed circuit board
CC-PDIH01 Digital input module
330130-045-01-00 3300 XL Extension cable
MVME162-510A Embedded controller
IC200MDL750G high-density digital output module
SAIA-BURGES PCD2.W600 PCD2W600 ANALOG OUTPUT
PM861AK01 3BSE018157R1  Processor Unit
GE IC697BEM733 I/O scanner
IC697MDL653 GE Logic input module
GE IC697RCM711 Redundant communication module
GE IC697MDL740
ICS TRIPLEX T8461 Digital Output Module
1X00416H01 EMERSON Power distribution module
ABB PM866K01 3BSE050198R1 Processor Unit Kit
MOTOROLA MVME2434 VME Processor Module
ABB CI858K01 3BSE018135R1 DriveBus Interface
ABB RDCU-12C+CABLES DRIVE CONTROL UNIT
ABB SDCS-PIN48-SD PULSE TRANSFORMER BOARD
KONGSBERG RCU502 REMOTE CONTROLLER UNIT
ABB 3BHL000986P7000 LXN1604-6 AC/DC converter
ALLEN-BRADLEY 2711-T5A8L1
ALLEN BRADLEY 2801-N22 USER INTERFACE BOX
ALLEN-BRADLEY 6176M-17PT Industrial monitor
ALLEN BRADLEY 847H-JL2C-RE01024 encoder
ALLEN-BRADLEY 842E-CM-MIP3B Encoder
JAPMC-CP2230-E Yaskawa Machine Controller
GE HYDRAN M2transformer monitoring equipment
ABB PM825 3BSE010796R1 S800 Processor
Vibro-meter VM600 IOCN input/output card for the CPUM card
Vibro-meter VM600 AMC8 Analog monitoring card
Vibro-meter VM600 RLC16 Trunk card
Vibro-meter VM600 XIO16T input/output module for the XMx16 module
Vibro-meter VM600 CPUR rack controller and communication interface card
Vibro-meter VM600 Mk2 / VM600 ABE056 Ultra-thin rack
Vibro-meter CPUR card VM600 IOCR input/output card
Vibro-meter VM600 AMC8 Analog monitoring card
Vibro-meter VM600 CPUM Modular CPU card
Vibro-meter VM600 MPC4 mechanical protection card
Vibro-meter VM600 XMV16 Vibration status monitoring module
3BDH000384R0005 AO723F analog output module
3BDH000396R0005 CI741F PROFIBUS Interface module