PFEA113-65 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.

UNITROL 1020 ABB  1000 series voltage regulator
UNITROL 1010 ABB  Indirect Excitation System
KSD211B101 ABB  Input coupling unit
KSD211B ABB  Input coupling unit
CI871 3BSE092693R1 ABB  AC 800M communication interface
ATCS-15  SCHUMACHER  temperature control system
EMERSON A6370D  monitor unit
A4H124-24FX  Enterasys  Ethernet edge switch
0745648E 0745745Q  ABB  Control substrate
3500/53M  Electronic Overspeed Detection System
05701-A0550  HONEYWELL  Communication control card
4351B  TRICONEX Communication Modules
1394-SJT05-C-RL  A-B  Servo controller
1394C-SJT22-A  A-B  Servo controller
5AP920.1505-01  B&R  Analog resistive touch screen
XV9738a HEIE450617R1  ABB  Programmable control card
VT-HNC100-1-23W-08-P-0  Rexroth  Programmable numerical control controller
UTNH23A  TOSHIBA  Shared fiber hub unit
T8480C  ICS TRIPLEX  Trusted TMR Analogue Output Module
SCXI-1104C  NI  SCXI voltage input module
5SHX1060H0003  ABB  IGCT module
T8461  ICS TRIPLEX  Digital Output Module
PM802F  ABB  AC 800F  Controller module
MVI56E-SIE  PROSOFT  Ethernet Communication Module
MVI56E-MNET  PROSOFT   Enhanced network interface module
LYA010A  HITACHI  Processor Module
KCP2 00-130-547  KUKA  Robot teaching device
IS420UCSBH4A  GE  Mark VIe controller
IS220PTURH1A  GE  Turbine input/output module
IS215UCVEH2AE  GE  VME controller card
IC698CMX016-ED  GE  Control memory exchange module
IC697CPM790  GE  GMR Redundancy CPU, 486, 2K Triplex (voted) I/O
FLA6041  LAURENCE  solenoid valve
ETT-VGA  UNIOP  touch screen
DS200LDCCH1ALA   GE  Drive Control LAN Communications Board Mark V
D136-001-007  MOOG   Controller module
CI867K01 3BSE043660R1 ABB Modbus TCP Interface
CI858K01 3BSE018135R1 ABB DriveBus Interface
CI855K01 3BSE018106R1 ABB Ethernet Port Interface
CI854K01 3BSE025961R1 ABB Communication Interface
CI854AK01 3BSE030220R1 ABB Communication Interface
A2H124-24FX  ENTERASYS  Fast Ethernet Switch
133819-02  BENTLY  RTD/TC Temp I/O Module
8851-LC-MT  GE  SafetyNet Controller
8810-HI-TX  GE  Safety net analog input module
8502-BI-DP  GE  Bus Interface Module