- كانت مراقبة قوة التجعيد (CFM) منذ فترة طويلة المعيار للكشف عن خطأ تجميع الأسلاك. يمكن أن تكتشف التكنولوجيا بشكل موثوق العديد من العيوب ، بما في ذلك طول الشريط غير الصحيح ، والخيوط المفقودة ، والمقطع العرضي للأسلاك غير الصحيحة ، والمحطات غير الصحيحة ، والمواد الطرفية غير المتسقة ، والعزل في التجعيد ، وعمق الإدراج غير الصحيح ، وارتفاع تجعيد غير صحيح.
في CFM ، يقيس جهاز استشعار كهرضغطية القوة المطبقة على التجميع الطرفي والإزاحة اللاحقة للمادة. بعد إجراء العديد من التجعيد المرجعي ، تتم مقارنة كل تجعيد لاحق مع مرجع جيد معروف. إذا كانت القوة والإزاحة ضمن تسامح محدد ، فإن التجعيد جيد. إذا كان خارج هذه التسامح ، فهذا سيء. على الرغم من أن CFM بسيط ودقيق ، إلا أنه يحتوي على بعض العيوب.
1. التكنولوجيا باهظة الثمن. كل آلة العقص تتطلب شاشة خاصة بها.
2. قضية أخرى هيوضع نطاقات التسامح. يتطلب إنشاء عينات مرجعية وجمع البيانات الكثير من الوقت والمهارات ، ويجب تكرار العملية لكل سلك جديد ومحطة. هذا يعتمد بشكل كبير على مهارات الفني. قابلية التوسع هي تحد آخر. إذا زاد الإنتاج والتنوع ، فقد تواجه أنظمة CFM صعوبة في الحفاظ على الكفاءة والدقة.
- لمعالجة هذه التحديات ، يمكن تعزيز أنظمة CFM معالذكاء الاصطناعي (AI).تتعلم الذكاء الاصطناعي باستمرار ويتكيف من البيانات في الوقت الفعلي ، مما يسمح لها بالتكيف مع مجموعة واسعة من عمليات التصنيع والظروف الخارجية. هذا القدرة على التكيف يقلل بشكل كبير من الحاجة إلى إعادة معايرة النظام بشكل متكرر. بالإضافة إلى ذلك ، لا تتطلب الأنظمة المستندة إلى الذكاء الاصطناعي خبرة في معالجة البيانات ، مما يجعلها أكثر سهولة. يمكن أن تعزز الذكاء الاصطناعي أيضًا قابلية توسيع نطاق عمليات التصنيع من خلال إدارة البيانات بشكل فعال من خطوط إنتاج متعددة والتكيف مع التغييرات في أنواع المنتجات دون إعادة تكوين واسعة. يمكن أن تساعد هذه المرونة المصنعين على الاستجابة بسرعة لمتطلبات السوق وتنويع المنتجات. ومع ذلك ، يجب مواجهة العديد من التحديات قبل إدخال الذكاء الاصطناعي في أنظمة العقص.
1) قد تجعل التغييرات في عملية العقص نماذج الذكاء الاصطناعى الحالية بسبب التغييرات في مقياس البيانات. على سبيل المثال ، قد يؤدي تغيير نوع السلك إلى تغيير مقياس البيانات الكلي ، وبالتالي إبطال النماذج المنشأة مسبقًا.
2) التحدي الآخر هو عدم وجود نقاط بيانات العقص المعيبة. هذه البيانات مهمة جدا لتدريب نماذج الذكاء الاصطناعي. قد تحدث عيوب غير متوقعة ، وبالتالي فكلما كانت النموذج أكثر دقة ، كلما كان ذلك دقة. هناك بعض خوارزميات اكتشاف الشذوذ (مثل غابة العزل) التي يمكن تدريبها باستخدام البيانات العادية وحدها للكشف عن عيوب غير معروفة. ومع ذلك ، قد لا يضمن هذا دقة الكشف الكافية لجميع الأخطاء المحتملة. هذا يجعل هذه الخوارزميات أقل ملاءمة لمراقبة الجودة في التصنيع الفعلي.
3) لمعالجة هذه التحديات ، يُقترح نظام اكتشاف الأعطال الذي يستخدم الذكاء الاصطناعي مع تحجيم البيانات الانتقائية للمنطقة (RSDs). تقوم RSDS بإنشاء بيانات الشذوذ الاصطناعية من البيانات المرجعية عن طريق إجراء التكبير داخل أو خارج في مناطق محددة من البيانات. يمكّن ذلك نظام الكشف عن الأعطال من تدريب نماذج الذكاء الاصطناعي بشكل فعال باستخدام مجموعة بيانات تتكون بالكامل من بيانات التشغيل العادية ولا تزال تحقق دقة عالية في اكتشاف العيوب.
