- Il monitoraggio delle forze di crimpa (CFM) è stato a lungo lo standard per il rilevamento dei guasti del gruppo di filo. La tecnologia può rilevare in modo affidabile molti difetti, tra cui la lunghezza errata della striscia, i fili mancanti, la sezione trasversale del filo errata, i terminali errati, i materiali terminali incoerenti, l'isolamento nella crimpatura, la profondità errata di inserimento e l'altezza errata della crimpa.
Nel CFM, un sensore piezoelettrico misura la forza applicata al gruppo terminale e il successivo spostamento del materiale. Dopo che vengono fatte diverse pieghe di riferimento, ogni crimpatura successiva viene confrontata con un buon riferimento noto. Se la forza e lo spostamento rientrano nelle tolleranze specifiche, la crimpatura è buona. Se è al di fuori di queste tolleranze, è male. Sebbene il CFM sia semplice e accurato, ha alcuni svantaggi.
1. La tecnologia è costosa. Ogni macchina per crimping richiede il proprio monitor.
2. Un altro problema èImpostazione di intervalli di tolleranza. La generazione di campioni di riferimento e la raccolta di dati richiede molto tempo e competenze e il processo deve essere ripetuto per ogni nuovo filo e terminale. Questo dipende fortemente dalle capacità del tecnico. La scalabilità è un'altra sfida. Se la produzione e la varietà aumentano, i sistemi CFM possono avere difficoltà a mantenere l'efficienza e l'accuratezza.
- Per affrontare queste sfide, i sistemi CFM possono essere miglioratiIntelligenza artificiale (AI).L'intelligenza artificiale apprende e si adatta continuamente dai dati in tempo reale, consentendogli di adattarsi a una vasta gamma di processi di produzione e condizioni esterne. Questa adattabilità riduce notevolmente la necessità di ricalibrare frequentemente il sistema. Inoltre, i sistemi basati sull'intelligenza artificiale non richiedono competenze nell'elaborazione dei dati, rendendoli più accessibili. L'intelligenza artificiale può anche migliorare la scalabilità delle operazioni di produzione gestendo efficacemente i dati da più linee di produzione e adattandosi alle variazioni dei tipi di prodotto senza ampia riconfigurazione. Questa flessibilità può aiutare i produttori a rispondere rapidamente alle esigenze del mercato e alla diversificazione del prodotto. Tuttavia, è necessario affrontare diverse sfide prima che l'IA possa essere introdotta nei sistemi di crimpatura.
1) I cambiamenti nel processo di crimpaggio possono rendere obsoleti modelli di intelligenza artificiale esistenti a causa di cambiamenti nella scala dei dati. Ad esempio, la modifica del tipo di filo può modificare la scala complessiva dei dati, in modo non validato i modelli precedentemente stabiliti.
2) Un'altra sfida è la mancanza di punti dati di crimpatura difettosi. Questi dati sono molto importanti per la formazione dei modelli di intelligenza artificiale. Possono verificarsi difetti imprevedibili, quindi più dati difettosi hanno il modello, più accurati sarà. Esistono alcuni algoritmi di rilevamento delle anomalie (come la foresta di isolamento) che possono essere addestrati utilizzando i soli dati normali per rilevare difetti sconosciuti. Tuttavia, ciò potrebbe non garantire una precisione di rilevamento sufficiente per tutti i potenziali guasti. Ciò rende tali algoritmi meno adatti al controllo di qualità nella produzione reale.
3) Per affrontare queste sfide, viene proposto un sistema di rilevamento degli errori che impieghi AI con ridimensionamento dei dati selettivi della regione (RSD). RSDS genera dati di anomalia sintetica dai dati di riferimento eseguendo lo zoom dentro o fuori su regioni specifiche dei dati. Ciò consente al sistema di rilevamento dei guasti di formare efficacemente i modelli di intelligenza artificiale utilizzando un set di dati costituito interamente da dati operativi normali e ottengono comunque un'elevata precisione nel rilevare guasti.
