- Моніторинг сил обтисків (CFM) вже давно є стандартом для виявлення несправностей проводу. Технологія може надійно виявити багато дефектів, включаючи неправильну довжину смужки, відсутні нитки, неправильне поперечне переріз, неправильні термінали, непослідовні термінальні матеріали, ізоляцію в обтиску, неправильну глибину введення та неправильну висоту обтиску.
У CFM п'єзоелектричний датчик вимірює силу, застосовану до кінцевої вузла, та подальше зміщення матеріалу. Після того, як буде зроблено кілька довідкових обтисків, кожен наступний обтиск порівнюється з відомою хорошою довідкою. Якщо сила та переміщення знаходяться в межах визначених допусків, обтиск є хорошим. Якщо він знаходиться поза цими допусками, це погано. Хоча CFM простий і точний, він має деякі недоліки.
1. Технологія дорога. Кожна кримінальна машина вимагає власного монітора.
2. Ще одне питанняВстановлення діапазонів толерантності. Генерування опорних зразків та збирання даних вимагає багато часу та навичок, а процес повинен повторюватися для кожного нового проводу та терміналу. Це сильно залежить від навичок техніка. Масштабованість - ще одна проблема. Якщо збільшуються виробництво та різноманітність, системи CFM можуть мати труднощі з підтримкою ефективності та точності.
- Для вирішення цих викликів системи CFM можна покращитиШтучний інтелект (AI).AI постійно навчається та адаптується з даних у режимі реального часу, що дозволяє йому адаптуватися до широкого спектру виробничих процесів та зовнішніх умов. Ця пристосованість значно зменшує необхідність часто повторно калібрування системи. Крім того, системи на основі AI не потребують досвіду обробки даних, що робить їх більш доступними. AI також може підвищити масштабованість виробничих операцій шляхом ефективного управління даними з декількох виробничих ліній та адаптації до змін у типах продукції без великої реконфігурації. Ця гнучкість може допомогти виробникам швидко реагувати на вимоги на ринку та диверсифікацію продукції. Однак, потрібно вирішити кілька викликів до того, як AI може бути введена в системи обтисання.
1) Зміни в процесі обтисання можуть зробити існуючі моделі AI застарілими через зміни шкали даних. Наприклад, зміна типу дроту може змінити загальну шкалу даних, таким чином, недійсні раніше встановлені моделі.
2) Ще одним завданням є відсутність дефектних обтисаючих даних. Ці дані дуже важливі для навчання моделей AI. Непередбачувані дефекти можуть виникнути, тому чим більш несправні дані мають модель, тим точніше вона буде. Існують деякі алгоритми виявлення аномалії (такі як ізоляційний ліс), які можна навчити за допомогою нормальних даних для виявлення невідомих дефектів. Однак це може не гарантувати достатню точність виявлення для всіх потенційних помилок. Це робить такі алгоритми менш придатними для контролю якості у фактичному виробництві.
3) Для вирішення цих викликів пропонується система виявлення несправностей, яка використовує AI з масштабуванням регіонів, селективних даних (RSD). RSD генерує дані синтетичної аномалії з еталонних даних, виконуючи масштаб або вихід у конкретних регіонах даних. Це дозволяє системі виявлення несправностей ефективно навчати моделі AI за допомогою набору даних, що складається повністю з нормальних робочих даних і все ще досягає високої точності у виявленні несправностей.
