- Мониторинг сил обжима (CFM) давно стал стандартом для обнаружения неисправностей проволоки. Технология может надежно обнаружить многие дефекты, включая неверную длину полосы, отсутствующие нити, неправильное поперечное сечение проволоки, неправильные терминалы, непоследовательные терминальные материалы, изоляцию в обжиме, неправильную глубину вставки и неправильная высота обжима.
В CFM пьезоэлектрический датчик измеряет силу, применяемую к терминальной сборке, и последующее смещение материала. После того, как несколько справочных обжимов сделаны, каждое последующее обжима сравнивается с известной хорошей ссылкой. Если сила и смещение находятся в пределах определенных допусков, обжим хорош. Если это за пределами этих допусков, это плохо. Хотя CFM простой и точный, он имеет некоторые недостатки.
1. Технология стоит дорогоПолем Каждая обжимная машина требует своего собственного монитора.
2. Другая проблемаУстановка диапазонов терпимостиПолем Создание эталонных образцов и сбор данных требует много времени и навыков, и процесс должен повторяться для каждого нового провода и терминала. Это в значительной степени зависит от навыков техника. Масштабируемость - еще одна проблема. В случае увеличения производства и разнообразия, системы CFM могут испытывать трудности с поддержанием эффективности и точности.
- Чтобы решить эти проблемы, системы CFM могут быть улучшены с помощьюИскусственный интеллект (ИИ).ИИ постоянно учится и адаптируется из данных в реальном времени, позволяя ему адаптироваться к широкому спектру производственных процессов и внешних условий. Эта адаптивность значительно снижает необходимость часто возврата системы. Кроме того, системы ИИ не требуют опыта в обработке данных, что делает их более доступными. ИИ также может повысить масштабируемость производственных операций, эффективно управляя данными из нескольких производственных линий и адаптируясь к изменениям типов продуктов без обширной реконфигурации. Эта гибкость может помочь производителям быстро реагировать на рыночные требования и диверсификацию продукции. Тем не менее, некоторые проблемы должны быть решены до того, как ИИ может быть введен в системы обжима.
1) Изменения в процессе обжима могут сделать существующие модели ИИ устаревшими из -за изменений в шкале данных. Например, изменение типа провода может изменить общую шкалу данных, тем самым недействительно ранее установленные модели.
2) Еще одна проблема - отсутствие дефектных баллов данных об обжиме. Эти данные очень важны для обучения моделей ИИ. Могут возникнуть непредсказуемые дефекты, поэтому чем более дефектные данные у модели, тем точнее будет. Существуют некоторые алгоритмы обнаружения аномалий (такие как изоляционный лес), которые могут быть обучены с использованием только нормальных данных для обнаружения неизвестных дефектов. Однако это может не гарантировать достаточную точность обнаружения для всех потенциальных разломов. Это делает такие алгоритмы менее подходящими для контроля качества в реальном производстве.
3) Для решения этих проблем предлагается система обнаружения неисправностей, которая использует ИИ с региональным масштабированием данных (RSD). RSDS генерирует данные о синтетической аномалии из справочных данных, выполняя масштабирование в конкретных областях данных. Это позволяет системе обнаружения неисправностей эффективно обучать моделей ИИ с использованием набора данных, состоящего полностью из нормальных рабочих данных, и при этом достигать высокой точности при обнаружении разломов.
