- Monitoring prebori za prešanje (CFM) je dugo standard za otkrivanje grešaka žica. Tehnologija može pouzdano otkriti mnoge nedostatke, uključujući pogrešnu dužinu trake, nedostajuće pramenove, nepravilno presjek žice, netačne terminale, izolaciju u presovanju, nepravilna dubina umetanja i netačna visina za umetanje i netačna visina presjeka i netačna presjeka.
U CFM-u, piezoelektrični senzor mjeri silu koja se primjenjuje na montažu terminala i naknadno premještanje materijala. Nakon nekoliko referentnih precjena, svaki je sljedeći prešanje u odnosu na poznatu dobru referencu. Ako su sila i raseljavanje unutar određenih tolerancija, prešanje je dobro. Ako je izvan tih tolerancija, loše je. Iako je CFM jednostavan i tačan, ima neke nedostatke.
1. Tehnologija je skupa. Svaka mašina za prešanje zahtijeva vlastiti monitor.
2. Još jedno pitanje jePostavljanje raspona tolerancije. Generiranje referentnih uzoraka i prikupljanje podataka zahtijeva mnogo vremena i vještina, a proces se mora ponoviti za svaku novu žicu i terminal. To uveliko zavisi od tehničara vještina. Skalabilnost je još jedan izazov. Ako se povećava proizvodnju i raznolikost, CFM sistemi mogu imati poteškoća u održavanju efikasnosti i tačnosti.
- Da bi se riješili ovim izazovima, CFM sistemi mogu se poboljšatiUmjetna inteligencija (AI).AI kontinuirano uči i prilagođava se podacima u stvarnom vremenu, omogućavajući mu da se prilagodi širokom rasponu proizvodnih procesa i vanjskim uvjetima. Ova prilagodljivost uvelike smanjuje potrebu da često rekalibrirate sistem. Pored toga, AI-sistemi zasnovani na bazi ne zahtijevaju stručnost u obradi podataka, čineći ih dostupnim. AI također može poboljšati skalabilnost proizvodnih operacija učinkovito upravljanje podacima iz više proizvodnih linija i prilagođavanje promjenama u vrstama proizvoda bez opsežne rekonfiguracije. Ova fleksibilnost može pomoći proizvođačima brzo odgovoriti na zahtjeve tržišta i diverzifikaciju proizvoda. Međutim, mora se riješiti nekoliko izazova prije nego što se AI može uvesti u sisteme presovanja.
1) Promjene u procesu presovanja može se prikazati postojećim AI modelima zastarjele zbog promjena u skali podataka. Na primjer, promjena vrste žice može promijeniti ukupnu razmjeru podataka, na taj način poništavanje prethodno uspostavljenih modela.
2) Drugi izazov je nedostatak neispravnih presova podataka. Ti su podaci vrlo važni za trening AI modela. Mogu se pojaviti nepredvidivi nedostaci, tako da će neispravni podaci model, to će tačnije biti. Postoje neki algoritmi za otkrivanje anomalije (poput izolacijskog šuma) koji se mogu obučiti samo pomoću normalnih podataka samo za otkrivanje nepoznatih oštećenja. Međutim, to ne može jamčiti dovoljnu tačnost otkrivanja za sve potencijalne greške. To čini takve algoritme manje pogodne za kontrolu kvaliteta u stvarnom proizvodnji.
3) Da se predloži ovim izazovima, predlaže se sistem za otkrivanje grešaka koji koristi AI sa skaliranjem podataka o regiji (RSD). RSDS stvara sintetičke podatke o anomaliji iz referentnih podataka vršenjem zumiranja ili u izlasku na određene regije podataka. To omogućava sistem za otkrivanje grešaka da učinkovito obuče AI modele koristeći skup podataka koji se sastoji u potpunosti od normalnih radnih podataka i još uvijek postižu visoku preciznost u otkrivanju grešaka.
