- Crimp Force Monitoring (CFM) jau sen ir bijis vadu montāžas bojājuma noteikšanas standarts. Tehnoloģija var ticami noteikt daudzus defektus, ieskaitot nepareizu sloksnes garumu, trūkstošos virzienus, nepareizu stiepļu šķērsgriezumu, nepareizus spailes, nekonsekventus termināla materiālus, izolāciju gofrētajā, nepareizā ievietošanas dziļumā un nepareizam gofrēšanas augstumam.
CFM pjezoelektriskais sensors mēra spēku, kas tiek pielietots terminālajam komplektam un sekojošajam materiāla pārvietojumam. Pēc vairāku atskaites gofrējumu iegūšanas katrs nākamais gofrēts tiek salīdzināts ar zināmu labu atsauci. Ja spēks un pārvietojums atrodas noteiktās pielaides laikā, gofrēts ir labs. Ja tas atrodas ārpus šīm pielaides, tas ir slikti. Lai arī CFM ir vienkārša un precīza, tai ir daži trūkumi.
1. Tehnoloģija ir dārgaApvidū Katrai gofrēšanas mašīnai ir nepieciešams savs monitors.
2. Vēl viena problēma irtolerances diapazonu iestatīšanaApvidū Atsauces paraugu ģenerēšanai un datu apkopošanai ir nepieciešams daudz laika un prasmju, un process jāatkārto katram jaunajam vadam un terminālim. Tas ir ļoti atkarīgs no tehniķa prasmēm. Mērogojamība ir vēl viens izaicinājums. Ja palielinās ražošana un dažādība, CFM sistēmām var būt grūtības saglabāt efektivitāti un precizitāti.
- Lai risinātu šīs problēmas, CFM sistēmas var uzlabot arMākslīgais intelekts (AI).AI nepārtraukti mācās un pielāgojas reāllaika datiem, ļaujot tai pielāgoties plašam ražošanas procesu un ārējo apstākļu klāstam. Šī pielāgošanās spēja ievērojami samazina nepieciešamību bieži pārkalibrēt sistēmu. Turklāt uz AI balstītām sistēmām nav nepieciešama zināšanas datu apstrādē, padarot tās pieejamākas. AI var arī uzlabot ražošanas darbību mērogojamību, efektīvi pārvaldot datus no vairākām ražošanas līnijām un pielāgojoties produktu tipu izmaiņām bez plašas pārkonfigurācijas. Šī elastība var palīdzēt ražotājiem ātri reaģēt uz tirgus prasībām un produktu dažādošanu. Tomēr pirms AI ieviešanas gofrēšanas sistēmās ir jārisina vairākas problēmas.
1) Izmaiņas gofrēšanas procesā var padarīt esošos AI modeļus novecojušas datu skalas izmaiņu dēļ. Piemēram, stieples veida maiņa var mainīt kopējo datu skalu, tādējādi nederējot iepriekš izveidotos modeļus.
2) Vēl viens izaicinājums ir nepilnīgu gofrēšanas datu punktu trūkums. Šie dati ir ļoti svarīgi, lai apmācītu AI modeļus. Var rasties neparedzami defekti, tāpēc modelim ir nepilnīgāki dati, jo precīzāks tas būs. Ir daži anomāliju noteikšanas algoritmi (piemēram, izolācijas mežs), kurus var apmācīt, izmantojot tikai normālus datus, lai noteiktu nezināmus defektus. Tomēr tas var negarantēt pietiekamu noteikšanas precizitāti visām iespējamām kļūdām. Tas padara šādus algoritmus mazāk piemērotus kvalitātes kontrolei faktiskajā ražošanā.
3) Lai risinātu šīs problēmas, tiek ierosināta kļūdu noteikšanas sistēma, kas izmanto AI ar reģionu selektīvu datu mērogošanu (RSD). RSD ģenerē sintētiskās anomālijas datus no atsauces datiem, veicot tuvinājumu vai iziet no konkrētiem datu reģioniem. Tas ļauj kļūdu noteikšanas sistēmai efektīvi apmācīt AI modeļus, izmantojot datu kopu, kas pilnībā sastāv no normāliem darbības datiem, un joprojām sasniedz augstu precizitāti kļūdu noteikšanā.
