- Monitorování síly Crimp (CFM) je již dlouho standardem pro detekci poruchy sestavy drátu. Tato technologie může spolehlivě detekovat mnoho defektů, včetně nesprávné délky proužků, chybějících pramenů, nesprávného průřezu drátu, nesprávných terminálů, nekonzistentních koncových materiálů, izolace v krimpování, nesprávné hloubky inzerce a nesprávnou výšku krimpování.
V CFM měří piezoelektrický senzor sílu aplikovanou na sestavu terminálu a následné posunutí materiálu. Po provedení několika referenčních krimirálů je každá následná krimpování porovnána se známým dobrým odkazem. Pokud jsou síla a posun v rámci specifikovaných tolerancí, je krimpování dobrý. Pokud je to mimo tyto tolerance, je to špatné. Ačkoli CFM je jednoduchý a přesný, má některé nevýhody.
1. Technologie je drahá. Každý krimpovací stroj vyžaduje svůj vlastní monitor.
2. Dalším problémem jeNastavení tolerance rozsahů. Generování referenčních vzorků a shromažďování dat vyžaduje hodně času a dovedností a proces musí být opakován pro každý nový vodič a terminál. To do značné míry záleží na dovednostech technika. Škálovatelnost je další výzvou. Pokud se výroba a rozmanitost zvyšuje, mohou mít systémy CFM potíže s udržováním účinnosti a přesnosti.
- Pro řešení těchto výzev lze systémy CFM vylepšitUmělá inteligence (AI).AI se neustále učí a přizpůsobuje se z dat v reálném čase, což jí umožňuje přizpůsobit se široké škále výrobních procesů a vnějších podmínek. Tato adaptabilita výrazně snižuje potřebu často rekalibrovat systém. Systémy založené na AI navíc nevyžadují odborné znalosti v oblasti zpracování dat, což je umožňuje dostupnější. AI může také zvýšit škálovatelnost výrobních operací efektivním spravováním dat z více výrobních linek a přizpůsobením se změnám typů produktů bez rozsáhlé rekonfigurace. Tato flexibilita může pomoci výrobcům rychle reagovat na tržní požadavky a diverzifikaci produktů. Před zavedením AI však musí být řešeno několik výzev do krimpovacích systémů.
1) Změny v procesu krimpování mohou způsobit, že stávající modely AI jsou zastaralé kvůli změnám v datovém měřítku. Například změna typu drátu může změnit celkovou datovou stupnici, čímž se zneplatní dříve zavedené modely.
2) Další výzvou je nedostatek vadných krimpovacích datových bodů. Tato data jsou velmi důležitá pro školení modelů AI. Mohou se objevit nepředvídatelné vady, takže čím defektnější údaje má model, tím přesnější bude. Existují některé algoritmy detekce anomálie (jako je izolační les), které mohou být vyškoleny pomocí normálních dat pouze k detekci neznámých defektů. To však nemusí zaručit dostatečnou přesnost detekce pro všechny potenciální chyby. Díky tomu jsou takové algoritmy méně vhodné pro kontrolu kvality ve skutečné výrobě.
3) Pro řešení těchto výzev je navržen systém detekce poruch, který používá AI s měřítkem dat selektivních v regionu (RSD). RSDS generuje data syntetické anomálie z referenčních dat provedením přiblížení nebo ven na konkrétních regionech dat. To umožňuje systému detekce poruch efektivně trénovat modely AI pomocí datového souboru sestávajícího výhradně z normálních provozních dat a stále dosáhnout vysoké přesnosti při detekci poruch.
