- ניטור כוח Crimp (CFM) היה זה מכבר התקן לגילוי תקלות בהרכבת החוט. הטכנולוגיה יכולה לגלות באופן אמין פגמים רבים, כולל אורך רצועה שגוי, גדילים חסרים, חתך חוט שגוי, מסופים שגויים, חומרים מסופיים לא עקביים, בידוד במלחץ, עומק הכנסה שגוי וגובה מלחץ שגוי.
ב- CFM, חיישן פיזואלקטרי מודד את הכוח המופעל על מכלול הטרמינל ועל העקירה שלאחר מכן של החומר. לאחר ביצוע מספר הפניה של CRIMPS, כל CRIMP לאחר מכן משווה להתייחסות טובה ידועה. אם הכוח והעקירה נמצאים בסובלנות מוגדרת, Crimp טוב. אם זה מחוץ לסבולות אלה, זה רע. למרות ש- CFM פשוט ומדויק, יש לו כמה חסרונות.
1. הטכנולוגיה יקרהו כל מכונת לחיצה דורשת צג משלה.
2. נושא אחר הואקביעת טווחי סובלנותו יצירת דגימות התייחסות ואיסוף נתונים דורשת הרבה זמן ומיומנויות, ויש לחזור על התהליך עבור כל חוט וטרמינל חדש. זה תלוי מאוד בכישורי הטכנאי. מדרגיות היא אתגר נוסף. אם הייצור והמגוון גדלים, מערכות CFM עשויות להתקשות לשמור על היעילות והדיוק.
- כדי להתמודד עם אתגרים אלה, ניתן לשפר את מערכות CFM עםבינה מלאכותית (AI).AI לומד ומתאים ברציפות מנתונים בזמן אמת, ומאפשר לו להסתגל למגוון רחב של תהליכי ייצור ותנאים חיצוניים. יכולת הסתגלות זו מצמצמת מאוד את הצורך לכייל מחדש את המערכת מחדש. בנוסף, מערכות מבוססות AI אינן דורשות מומחיות בעיבוד נתונים, מה שהופך אותן לנגישות יותר. AI יכול גם לשפר את המדרגיות של פעולות הייצור על ידי ניהול יעיל של נתונים מקווי ייצור מרובים והתאמה לשינויים בסוגי המוצרים ללא תצורה מחדש נרחבת. גמישות זו יכולה לעזור ליצרנים להגיב במהירות לדרישות השוק וגיוון המוצרים. עם זאת, יש לטפל במספר אתגרים לפני שניתן להכניס AI למערכות לחיצות.
1) שינויים בתהליך הלחיצה עשויים להפוך את מודלי ה- AI הקיימים למיושנים בגלל שינויים בסולם הנתונים. לדוגמה, שינוי סוג החוט עשוי לשנות את סולם הנתונים הכולל, ובכך לבטל דגמים שהוקמו בעבר.
2) אתגר נוסף הוא היעדר נקודות נתונים פגומות. נתונים אלה חשובים מאוד לאימוני דגמי AI. פגמים בלתי צפויים עשויים להתרחש, כך שככל שיש למודל יותר נתונים, כך הם יהיו מדויקים יותר. ישנם כמה אלגוריתמים לגילוי אנומליה (כגון יער בידוד) שניתן להכשיר באמצעות נתונים רגילים בלבד כדי לאתר פגמים לא ידועים. עם זאת, יתכן וזה לא להבטיח דיוק גילוי מספיק לכל התקלות הפוטנציאליות. זה הופך את אלגוריתמים כאלה פחות מתאימים לבקרת איכות בייצור בפועל.
3) כדי להתמודד עם אתגרים אלה, מוצעת מערכת גילוי תקלות המעסיקה AI עם קנה מידה של נתונים סלקטיביים באזור (RSDs). RSDs מייצרת נתוני אנומליה סינתטית מנתוני התייחסות על ידי ביצוע התקרבות פנימה או החוצה באזורים ספציפיים של הנתונים. זה מאפשר למערכת גילוי התקלות לאמן ביעילות דגמי AI באמצעות מערך נתונים המורכב כולו מנתוני הפעלה רגילים ועדיין להשיג דיוק גבוה בגילוי תקלות.
