- Monitorizarea forței de crimă (CFM) a fost mult timp standardul pentru detectarea defecțiunilor ansamblului de sârmă. Tehnologia poate detecta în mod fiabil multe defecte, inclusiv lungimea benzilor incorecte, șuvițele lipsă, secțiunea încrucișată incorectă a sârmei, terminalele incorecte, materialele terminale inconsistente, izolarea în CRIMP, adâncimea de inserție incorectă și înălțimea incorectă a criminalității.
În CFM, un senzor piezoelectric măsoară forța aplicată la ansamblul terminal și deplasarea ulterioară a materialului. După ce sunt făcute mai multe criminalități de referință, fiecare crimă ulterioară este comparată cu o referință bună cunoscută. Dacă forța și deplasarea se încadrează în toleranțe specificate, CRIMP este bun. Dacă este în afara acestor toleranțe, este rău. Deși CFM este simplu și precis, are unele dezavantaje.
1. Tehnologia este scumpă. Fiecare mașină de sertizare necesită propriul monitor.
2. O altă problemă esteSetarea intervalelor de toleranță. Generarea de probe de referință și colectarea datelor necesită mult timp și abilități, iar procesul trebuie repetat pentru fiecare fir și terminal nou. Acest lucru depinde foarte mult de abilitățile tehnicianului. Scalabilitatea este o altă provocare. Dacă producția și soiul cresc, sistemele CFM pot avea dificultăți în menținerea eficienței și preciziei.
- Pentru a rezolva aceste provocări, sistemele CFM pot fi îmbunătățite cuInteligență artificială (AI).AI învață și se adaptează continuu din date în timp real, permițându-i să se adapteze la o gamă largă de procese de fabricație și condiții externe. Această adaptabilitate reduce considerabil nevoia de a recalibra frecvent sistemul. În plus, sistemele bazate pe AI nu necesită expertiză în procesarea datelor, ceea ce le face mai accesibile. AI poate îmbunătăți, de asemenea, scalabilitatea operațiunilor de fabricație prin gestionarea eficientă a datelor din mai multe linii de producție și adaptându -se la modificări ale tipurilor de produse fără o reconfigurare extinsă. Această flexibilitate poate ajuta producătorii să răspundă rapid la cerințele pieței și la diversificarea produselor. Cu toate acestea, mai multe provocări trebuie abordate înainte ca AI să poată fi introdusă în sisteme de sertizare.
1) Modificările procesului de sertizare pot face ca modelele AI să fie învechite din cauza modificărilor la scara datelor. De exemplu, schimbarea tipului de fir poate modifica scala de date generală, invalidând astfel modelele stabilite anterior.
2) O altă provocare este lipsa punctelor de date de defecte de sertizare. Aceste date sunt foarte importante pentru formarea modelelor AI. Pot apărea defecte imprevizibile, astfel încât datele mai defecte pe care le are modelul, cu atât va fi mai exact. Există unii algoritmi de detectare a anomaliei (cum ar fi pădurea de izolare) care pot fi instruiți folosind date normale singure pentru a detecta defecte necunoscute. Cu toate acestea, acest lucru nu poate garanta o precizie suficientă de detectare pentru toate defecțiunile potențiale. Acest lucru face ca astfel de algoritmi mai puțin potriviți pentru controlul calității în fabricarea efectivă.
3) Pentru a aborda aceste provocări, se propune un sistem de detectare a erorilor care utilizează AI cu scalarea datelor selective în regiune (RSDS). RSDS generează date de anomalie sintetică din datele de referință prin efectuarea zoom -ului în sau a ieșirii pe anumite regiuni ale datelor. Acest lucru permite sistemului de detectare a erorilor să antreneze eficient modelele AI folosind un set de date constând în întregime din datele de operare normale și să obțină în continuare o precizie ridicată în detectarea defecțiunilor.
