- Мониторингът на силата на CRIMP (CFM) отдавна е стандартът за откриване на неизправности на проводника. Технологията може надеждно да открие много дефекти, включително неправилна дължина на лентата, липсващи нишки, неправилно напречно сечение на проводниците, неправилни терминали, непоследователни терминални материали, изолация в кримпа, неправилна дълбочина на вмъкване и неправилна височина на кримпа.
В CFM пиезоелектричният сензор измерва силата, приложена към терминалното сглобяване, и последващото изместване на материала. След като се направят няколко референтни кримпи, всяка следваща кримпа се сравнява с известна добра справка. Ако силата и изместването са в рамките на определени допустими отклонения, криймп е добър. Ако е извън тези допустими отклонения, това е лошо. Въпреки че CFM е прост и точен, той има някои недостатъци.
1. Технологията е скъпа. Всяка машина за кримпинг изисква свой собствен монитор.
2. Друг проблем еОпределяне на толеранс. Генерирането на референтни проби и събиране на данни изисква много време и умения, а процесът трябва да се повтори за всеки нов проводник и терминал. Това зависи много от уменията на техника. Мащабируемостта е друго предизвикателство. Ако производството и разнообразието се увеличат, CFM системите могат да имат затруднения с поддържането на ефективността и точността.
- За да се справят с тези предизвикателства, CFM системите могат да бъдат подобрени сИзкуствен интелект (AI).AI непрекъснато се учи и адаптира от данни в реално време, което му позволява да се адаптира към широк спектър от производствени процеси и външни условия. Тази адаптивност значително намалява необходимостта от често калибриране на системата. В допълнение, базираните на AI системи не изискват опит в обработката на данни, което ги прави по-достъпни. AI може също така да подобри мащабируемостта на производствените операции, като ефективно управлява данни от множество производствени линии и се адаптира към промените в типовете продукти без обширна преконфигурация. Тази гъвкавост може да помогне на производителите да реагират бързо на пазарните изисквания и диверсификацията на продуктите. Въпреки това, няколко предизвикателства трябва да бъдат разгледани, преди AI да бъде въведен в системи за кримпинг.
1) Промените в процеса на кримпинг могат да направят съществуващите модели на AI остарели поради промените в скалата на данни. Например, промяната на типа на проводника може да промени общата скала на данни, като по този начин обезсилва предварително установените модели.
2) Друго предизвикателство е липсата на дефектни преплуващи точки от данни. Тези данни са много важни за обучението на AI модели. Може да възникнат непредсказуеми дефекти, така че колкото по -дефектни данни имат моделът, толкова по -точен ще бъде той. Има някои алгоритми за откриване на аномалия (като изолационна гора), които могат да бъдат обучени с помощта на нормални данни самостоятелно за откриване на неизвестни дефекти. Това обаче може да не гарантира достатъчна точност на откриване за всички потенциални неизправности. Това прави такива алгоритми по -малко подходящи за контрол на качеството в действителното производство.
3) За да се справят с тези предизвикателства, се предлага система за откриване на неизправности, която използва AI с мащабиране на регионално селективно данни (RSD). RSDS генерира синтетични данни за аномалия от референтни данни, като извършва увеличаване на мащабиране или на специфични региони на данните. Това дава възможност на системата за откриване на неизправности ефективно да обучава AI модели, използвайки набор от данни, състоящ се изцяло от нормални работни данни и все още постига висока точност при откриване на неизправности.
