- El monitoreo de la fuerza de enjuague (CFM) ha sido durante mucho tiempo el estándar para la detección de fallas del ensamblaje de cables. La tecnología puede detectar de manera confiable muchos defectos, incluida la longitud incorrecta de la tira, los hilos faltantes, la sección transversal de alambre incorrecta, los terminales incorrectos, los materiales terminales inconsistentes, el aislamiento en el enjuague, la profundidad de inserción incorrecta y la altura incorrecta de crimpla.
En CFM, un sensor piezoeléctrico mide la fuerza aplicada al conjunto terminal y el desplazamiento posterior del material. Después de que se realizan varios prenciones de referencia, cada enjuague posterior se compara con una buena referencia conocida. Si la fuerza y el desplazamiento están dentro de las tolerancias especificadas, el enjuague es bueno. Si está fuera de estas tolerancias, es malo. Aunque CFM es simple y preciso, tiene algunas desventajas.
1. La tecnología es costosa. Cada máquina de engarzamiento requiere su propio monitor.
2. Otro problema esestablecer rangos de tolerancia. Generar muestras de referencia y recopilar datos requiere mucho tiempo y habilidades, y el proceso debe repetirse para cada nuevo cable y terminal. Esto depende en gran medida de las habilidades del técnico. La escalabilidad es otro desafío. Si aumentan la producción y la variedad, los sistemas CFM pueden tener dificultades para mantener la eficiencia y la precisión.
- Para abordar estos desafíos, los sistemas CFM se pueden mejorar conInteligencia artificial (AI).AI aprende y se adapta continuamente de los datos en tiempo real, lo que le permite adaptarse a una amplia gama de procesos de fabricación y condiciones externas. Esta adaptabilidad reduce en gran medida la necesidad de recalibrar con frecuencia el sistema. Además, los sistemas basados en IA no requieren experiencia en el procesamiento de datos, lo que los hace más accesibles. La IA también puede mejorar la escalabilidad de las operaciones de fabricación al administrar efectivamente los datos de múltiples líneas de producción y adaptarse a cambios en los tipos de productos sin una reconfiguración extensa. Esta flexibilidad puede ayudar a los fabricantes a responder rápidamente a las demandas del mercado y la diversificación de productos. Sin embargo, se deben abordar varios desafíos antes de que la IA pueda ser introducida en sistemas de enmascaramiento.
1) Los cambios en el proceso de enggamiento pueden hacer obsoletos los modelos de IA existentes debido a los cambios en la escala de datos. Por ejemplo, cambiar el tipo de cable puede cambiar la escala de datos general, invalidando así modelos previamente establecidos.
2) Otro desafío es la falta de puntos de datos de engarzamiento defectuoso. Estos datos son muy importantes para capacitar a los modelos de IA. Pueden ocurrir defectos impredecibles, por lo que cuanto más datos tenga los datos defectuosos, más preciso será. Hay algunos algoritmos de detección de anomalías (como el bosque de aislamiento) que pueden ser entrenados utilizando datos normales solo para detectar defectos desconocidos. Sin embargo, esto puede no garantizar una precisión de detección suficiente para todas las fallas potenciales. Esto hace que tales algoritmos sean menos adecuados para el control de calidad en la fabricación real.
3) Para abordar estos desafíos, se propone un sistema de detección de fallas que emplea IA con escala de datos selectivos de región (RSDS). RSDS genera datos de anomalías sintéticas a partir de datos de referencia realizando el acercamiento o saliendo en regiones específicas de los datos. Esto permite que el sistema de detección de fallas capacite de manera efectiva a los modelos de IA utilizando un conjunto de datos que consiste completamente en datos operativos normales y aún alcanza una alta precisión en la detección de fallas.
