- Crimp Force Monitoring (CFM) har længe været standarden for detektion af trådmonteringsfejl. Teknologien kan pålideligt registrere mange defekter, herunder forkert striplængde, manglende tråde, forkert ledningstværsnit, forkerte terminaler, inkonsekvente terminalmaterialer, isolering i crimp, forkert indsættelsesdybde og forkert crimphøjde.
I CFM måler en piezoelektrisk sensor kraften påført til terminalenheden og den efterfølgende forskydning af materialet. Efter at der er foretaget flere referencekrimper, sammenlignes hver efterfølgende crimp med en kendt god reference. Hvis kraften og forskydningen er inden for specificerede tolerancer, er crimp god. Hvis det er uden for disse tolerancer, er det dårligt. Selvom CFM er enkel og nøjagtig, har den nogle ulemper.
1. Teknologien er dyr. Hver krympemaskine kræver sin egen skærm.
2. et andet spørgsmål erIndstilling af tolerance varierer. Generering af referenceprøver og indsamling af data kræver meget tid og færdigheder, og processen skal gentages for hver ny ledning og terminal. Dette afhænger stærkt af teknikerens færdigheder. Skalerbarhed er en anden udfordring. Hvis produktion og variation øges, kan CFM -systemer have svært ved at opretholde effektivitet og nøjagtighed.
- For at tackle disse udfordringer kan CFM -systemer forbedres medKunstig intelligens (AI).AI lærer og tilpasser sig kontinuerligt fra data i realtid, så de kan tilpasse sig en lang række fremstillingsprocesser og eksterne forhold. Denne tilpasningsevne reducerer behovet for ofte at kalibrere systemet igen. Derudover kræver AI-baserede systemer ikke ekspertise inden for databehandling, hvilket gør dem mere tilgængelige. AI kan også forbedre skalerbarheden af fremstillingsoperationer ved effektivt at styre data fra flere produktionslinjer og tilpasse sig ændringer i produkttyper uden omfattende rekonfiguration. Denne fleksibilitet kan hjælpe producenterne med at reagere hurtigt på markedskrav og produktdiversificering. Imidlertid skal flere udfordringer adresseres, før AI kan introduceres i krympesystemer.
1) Ændringer i crimping -processen kan gøre eksisterende AI -modeller forældet på grund af ændringer i datakala. For eksempel kan ændring af ledningstypen ændre den samlede datakala og således ugyldige tidligere etablerede modeller.
2) En anden udfordring er manglen på mangelfulde krympende datapunkter. Disse data er meget vigtige for at træne AI -modeller. Uforudsigelige defekter kan forekomme, så jo mere defekte data modellen har, jo mere nøjagtige vil den være. Der er nogle anomali -detektionsalgoritmer (såsom isolationskov), der kan trænes ved hjælp af normale data alene til at detektere ukendte defekter. Dette garanterer dog muligvis ikke tilstrækkelig detektionsnøjagtighed for alle potentielle fejl. Dette gør sådanne algoritmer mindre egnede til kvalitetskontrol i faktisk fremstilling.
3) For at tackle disse udfordringer foreslås et fejldetektionssystem, der anvender AI med region-selektiv datakalering (RSD'er). RSD'er genererer syntetiske afvigelsesdata fra referencedata ved at udføre zooming ind eller ud på specifikke regioner i dataene. Dette gør det muligt for fejldetekteringssystemet at effektivt træne AI -modeller ved hjælp af et datasæt, der udelukkende består af normale driftsdata og stadig opnår høj nøjagtighed ved at detektere fejl.
