- Crimp Force -valvonta (CFM) on jo pitkään ollut vaijerikokoonpanon vian havaitsemisen standardi. Teknologia voi luotettavasti havaita monia vikoja, mukaan lukien virheellinen nauhan pituus, puuttuvat juosteet, virheellinen johdon poikkileikkaus, virheelliset päätteet, epäjohdonmukaiset päätelaitteiden materiaalit, eristys puristuksessa, virheellinen asetussyvyys ja virheellinen puristuskorkeus.
CFM: ssä pietsosähköinen anturi mittaa terminaalikokoonpanoon kohdistetun voiman ja materiaalin seuraavan siirtymisen. Kun useita referenssejä on suoritettu, kutakin seuraavaa puristusta verrataan tunnettuun hyvään viitteeseen. Jos voima ja siirtymä ovat määriteltyjen toleranssien sisällä, puristus on hyvä. Jos se on näiden toleranssien ulkopuolella, se on huono. Vaikka CFM on yksinkertainen ja tarkka, sillä on joitain haittoja.
1. Teknologia on kallista. Jokainen puristuskone vaatii oman näytön.
2. Toinen asia onToleranssialueiden asettaminen. Vertailunäytteiden luominen ja tietojen kerääminen vaatii paljon aikaa ja taitoja, ja prosessi on toistettava jokaiselle uudelle johdolle ja päätelaitteelle. Tämä riippuu voimakkaasti teknikon taitoista. Skaalautuvuus on toinen haaste. Jos tuotanto ja monimuotoisuus kasvaa, CFM -järjestelmillä voi olla vaikeuksia ylläpitää tehokkuutta ja tarkkuutta.
- Näiden haasteiden ratkaisemiseksi CFM -järjestelmiä voidaan parantaaKeinotekoinen äly (AI).AI oppii jatkuvasti ja mukautuu reaaliaikaisesta tiedoista, jolloin se voi sopeutua moniin valmistusprosesseihin ja ulkoisiin olosuhteisiin. Tämä sopeutumiskyky vähentää huomattavasti tarvetta usein uudelleen kalibroida järjestelmä. Lisäksi AI-pohjaiset järjestelmät eivät vaadi asiantuntemusta tietojenkäsittelyssä, mikä tekee niistä helpommin saatavissa. AI voi myös parantaa valmistustoimintojen skaalautuvuutta hallitsemalla tehokkaasti useita tuotantolinjoja koskevia tietoja ja sopeutumalla tuotetyyppien muutoksiin ilman laajaa uudelleenmääritystä. Tämä joustavuus voi auttaa valmistajia reagoimaan nopeasti markkinoiden vaatimuksiin ja tuotteiden monipuolistamiseen. Useita haasteita on kuitenkin puututtava ennen kuin AI voidaan viedä puristusjärjestelmiin.
1) Muutokset puristusprosessissa voivat tehdä olemassa olevista AI -malleista vanhentuneita data -asteikon muutosten vuoksi. Esimerkiksi johdintyypin muuttaminen voi muuttaa kokonaistietoasteikkoa, mikä mitätöi aikaisemmin vakiintuneet mallit.
2) Toinen haaste on puutteellisten puristuspisteiden puute. Nämä tiedot ovat erittäin tärkeitä AI -mallien kouluttamisessa. Ennakoimattomia vikoja voi tapahtua, joten mitä viallisempia tietoja mallilla on, sitä tarkempi se on. On joitain poikkeavuuden havaitsemisalgoritmeja (kuten eristysmetsä), jotka voidaan kouluttaa käyttämällä pelkästään normaalia tietoa tuntemattomien vikojen havaitsemiseksi. Tämä ei kuitenkaan välttämättä takaa riittävää havaitsemistarkkuutta kaikille mahdollisille vikoille. Tämä tekee sellaisista algoritmeista, jotka sopivat vähemmän laadunvalvontaan todellisessa valmistuksessa.
3) Näiden haasteiden ratkaisemiseksi ehdotetaan viantunnistusjärjestelmää, jossa käytetään AI: tä alueen selektiivisellä tiedon skaalauksella (RSD). RSD: t luovat vertailutiedoista synteettisiä poikkeavuuksia suorittamalla zoomaamalla tietojen tietyille alueille tai ulos. Tämä mahdollistaa vian havaitsemisjärjestelmän kouluttamaan AI -malleja tehokkaasti käyttämällä tietojoukkoa, joka koostuu kokonaan normaalista käyttötiedoista ja saavuttaa silti suuren tarkkuuden vikojen havaitsemisessa.
