Hverjir eru gallarnir við Crimp Force Monitoring (CFM)?

• Eftirlit með Crimp Force (CFM) hefur lengi verið staðall fyrir greiningar á bilun á vír. Tæknin getur áreiðanlega greint marga galla, þar með talið ranga lengd ræma, vantar þræði, röng vírþversnið, röng skautanna, ósamræmt endarefni, einangrun í crimp, röngri innsetningardýpt og röngum crimp hæð.

Í CFM mælir piezoelectric skynjari kraftinn sem beitt er á lokasamstæðuna og síðari tilfærslu efnisins. Eftir að nokkur viðmiðunarkrem eru gerð er hver síðari kremp borin saman við þekkt góða tilvísun. Ef krafturinn og tilfærslan eru innan tilgreindra vikmarka er kremminn góður. Ef það er utan þessara vikmarka er það slæmt. Þrátt fyrir að CFM sé einfaldur og nákvæmur, þá hefur það nokkra ókosti.

1. Tæknin er dýr. Hver kremmisvél þarfnast eigin skjás.

2. Annað mál erSetja umburðarlyndi. Að búa til viðmiðunarsýni og safna gögnum krefst mikils tíma og færni og verður að endurtaka ferlið fyrir hvern nýjan vír og flugstöð. Þetta fer mjög eftir færni tæknimannsins. Sveigjanleiki er önnur áskorun. Ef framleiðsla og fjölbreytni eykst geta CFM -kerfi átt í erfiðleikum með að viðhalda skilvirkni og nákvæmni.

• Til að takast á við þessar áskoranir er hægt að auka CFM kerfi meðGervigreind (AI).AI lærir og aðlagast stöðugt úr rauntíma gögnum, sem gerir þeim kleift að laga sig að fjölmörgum framleiðsluferlum og ytri aðstæðum. Þessi aðlögunarhæfni dregur mjög úr þörfinni á að kvarða kerfið oft. Að auki þurfa AI-byggð kerfi ekki sérfræðiþekkingu í gagnavinnslu, sem gerir þau aðgengilegri. AI getur einnig aukið sveigjanleika framleiðsluaðgerða með því að stjórna gögnum frá mörgum framleiðslulínum og aðlagast breytingum á vörutegundum án umfangsmikilla endurstillingar. Þessi sveigjanleiki getur hjálpað framleiðendum að bregðast hratt við kröfum markaðarins og fjölbreytni vöru. Hins vegar verður að taka á nokkrum áskorunum áður en hægt er að setja AI í kremmjakerfi.

1) Breytingar á kremmingarferlinu geta gert núverandi AI líkön úrelt vegna breytinga á gagnakvarða. Til dæmis getur það að breyta vírgerðinni breytt heildargagnakvarða og þannig ógilt áður staðfest líkön.

2) Önnur áskorun er skortur á gölluðum gagnapunktum. Þessi gögn eru mjög mikilvæg fyrir þjálfun AI gerða. Ófyrirsjáanlegir gallar geta komið fram, þannig að því gallaðri gögn sem líkanið hefur, því nákvæmari verður það. Það eru nokkur reiknirit frá frávikum (svo sem einangrunarskógi) sem hægt er að þjálfa með venjulegum gögnum einum til að greina óþekktan galla. Hins vegar gæti þetta ekki tryggt nægjanlega greiningarnákvæmni fyrir alla mögulega galla. Þetta gerir slíkar reiknirit sem henta minna fyrir gæðaeftirlit í raunverulegri framleiðslu.

3) Til að takast á við þessar áskoranir er lagt til að bilunarkerfi sem notar AI með svæðisbundnum gögnum stigstærð (RSD). RSDs býr til tilbúin fráviksgögn úr viðmiðunargögnum með því að framkvæma aðdrátt í eða út á tilteknum svæðum gagna. Þetta gerir bilunargreiningarkerfinu kleift að þjálfa AI líkön með því að nota gagnapakka sem samanstendur eingöngu af venjulegum rekstrargögnum og ná enn mikilli nákvæmni við að greina galla.