- El control de la força de Crimp (CFM) ha estat durant molt de temps l’estàndard per a la detecció de falles del muntatge de filferro. La tecnologia pot detectar de forma fiable molts defectes, incloent-hi la longitud incorrecta de la tira, les cadenes que falten, la secció de filferro incorrecta, els terminals incorrectes, els materials terminals incoherents, l’aïllament a la crimp, la profunditat d’inserció incorrecta i l’alçada incorrecta de la crimp.
En CFM, un sensor piezoelèctric mesura la força aplicada al conjunt terminal i el posterior desplaçament del material. Després de fer diversos crimps de referència, es compara cada segendia posterior amb una bona referència coneguda. Si la força i el desplaçament es troben dins de les toleràncies especificades, el segrest és bo. Si és fora d’aquestes toleràncies, és dolent. Tot i que CFM és senzill i precís, té alguns desavantatges.
1. La tecnologia és cara. Cada màquina de cargol requereix el seu propi monitor.
2. Un altre problema ésRanges de tolerància de configuració. La generació de mostres de referència i la recollida de dades requereix molt de temps i habilitats, i el procés s’ha de repetir per a cada nou fil i terminal. Això depèn molt de les habilitats del tècnic. L’escalabilitat és un altre repte. Si la producció i la varietat augmenten, els sistemes CFM poden tenir dificultats per mantenir l'eficiència i la precisió.
- Per solucionar aquests reptes, es poden millorar els sistemes CFMIntel·ligència artificial (AI).L’AI s’aprèn i s’adapta contínuament de les dades en temps real, permetent-li adaptar-se a una àmplia gamma de processos de fabricació i condicions externes. Aquesta adaptabilitat redueix considerablement la necessitat de recalibrar freqüentment el sistema. A més, els sistemes basats en IA no requereixen experiència en el processament de dades, fent-los més accessibles. L’IA també pot millorar l’escalabilitat de les operacions de fabricació mitjançant la gestió de dades de manera eficaç de diverses línies de producció i adaptant -se a canvis en els tipus de producte sense una reconfiguració extensa. Aquesta flexibilitat pot ajudar els fabricants a respondre ràpidament a les demandes del mercat i a la diversificació de productes. Tot i això, s’han d’afrontar diversos reptes abans que la IA es pugui introduir en sistemes de crimping.
1) Els canvis en el procés de crimping poden fer obsolets els models AI existents a causa dels canvis en l'escala de dades. Per exemple, canviar el tipus de fil pot canviar l'escala de dades global, invalidant així els models establerts anteriorment.
2) Un altre repte és la manca de punts de dades defectuosos. Aquestes dades són molt importants per a la formació de models de IA. Es poden produir defectes imprevisibles, de manera que com més dades defectuoses tingui el model, més precís serà. Hi ha alguns algoritmes de detecció d’anomalies (com el bosc d’aïllament) que es poden formar només amb dades normals per detectar defectes desconeguts. Tanmateix, pot ser que això no garanteixi una precisió de detecció suficient per a totes les falles potencials. Això fa que aquests algoritmes siguin menys adequats per al control de qualitat en la fabricació real.
3) Per afrontar aquests reptes, es proposa un sistema de detecció de falles que utilitzi IA amb escala de dades selectives per regió (RSDS). RSDS genera dades d’anomalies sintètiques a partir de dades de referència realitzant zoom a les regions específiques de les dades. D’aquesta manera, el sistema de detecció de falles pot entrenar eficaçment els models d’IA mitjançant un conjunt de dades format completament en dades de funcionament normals i encara aconsegueixen una gran precisió en la detecció de falles.
