- Crimp Force Monitoring (CFM) har länge varit standarden för detektering av trådmontering. Tekniken kan på ett tillförlitligt sätt upptäcka många defekter, inklusive felaktig remslängd, saknade trådar, felaktigt tråd tvärsnitt, felaktiga terminaler, inkonsekventa terminalmaterial, isolering i crimp, felaktigt infogningsdjup och felaktig krimphöjd.
I CFM mäter en piezoelektrisk sensor kraften som appliceras på terminalenheten och efterföljande förskjutning av materialet. Efter att flera referenskrimper har gjorts jämförs varje efterföljande crimp med en känd god referens. Om kraften och förskjutningen ligger inom specificerade toleranser är Crimp bra. Om det är utanför dessa toleranser är det dåligt. Även om CFM är enkel och korrekt har den vissa nackdelar.
1. Tekniken är dyr. Varje crimping -maskin kräver sin egen bildskärm.
2. En annan fråga ärinställning av toleransområden. Att generera referensprover och insamling av data kräver mycket tid och färdigheter, och processen måste upprepas för varje ny tråd och terminal. Detta beror starkt på teknikerens färdigheter. Skalbarhet är en annan utmaning. Om produktion och variation ökar kan CFM -system ha svårt att upprätthålla effektivitet och noggrannhet.
- För att hantera dessa utmaningar kan CFM -system förbättras medArtificiell intelligens (AI).AI lär sig och anpassar AI kontinuerligt från realtidsdata, vilket gör att den kan anpassa sig till ett brett utbud av tillverkningsprocesser och externa förhållanden. Denna anpassningsförmåga minskar i hög grad behovet av att ofta kalibrera systemet. Dessutom kräver AI-baserade system inte expertis inom databehandling, vilket gör dem mer tillgängliga. AI kan också förbättra skalbarheten i tillverkningsverksamheten genom att effektivt hantera data från flera produktionslinjer och anpassa sig till förändringar i produkttyper utan omfattande rekonfiguration. Denna flexibilitet kan hjälpa tillverkarna att reagera snabbt på marknadskrav och produktdiversifiering. Emellertid måste flera utmaningar hanteras innan AI kan införas i crimping -system.
1) Förändringar i Crimping -processen kan göra befintliga AI -modeller föråldrade på grund av förändringar i dataskalan. Till exempel kan ändring av trådtypen ändra den övergripande dataskalan och därmed ogiltiga tidigare etablerade modeller.
2) En annan utmaning är bristen på defekta crimping -datapunkter. Dessa data är mycket viktiga för att träna AI -modeller. Oförutsägbara defekter kan uppstå, så ju mer defekt data modellen har, desto mer exakta kommer den att bli. Det finns några anomalidetekteringsalgoritmer (såsom isoleringsskog) som kan tränas med normala data enbart för att upptäcka okända defekter. Detta kan emellertid inte garantera tillräcklig detekteringsnoggrannhet för alla potentiella fel. Detta gör sådana algoritmer mindre lämpliga för kvalitetskontroll vid faktisk tillverkning.
3) För att hantera dessa utmaningar föreslås ett feldetekteringssystem som använder AI med region-selektiv datasskalning (RSD). RSD: er genererar syntetiska anomalidata från referensdata genom att utföra zoomning in eller ut på specifika regioner i data. Detta gör det möjligt för feldetekteringssystemet att effektivt träna AI -modeller med hjälp av ett datasätt som helt och hållet består av normala driftsdata och fortfarande uppnå hög noggrannhet när det gäller att upptäcka fel.
