- CRIMP फोर्स मॉनिटरिंग (CFM) लंबे समय से वायर असेंबली फॉल्ट डिटेक्शन के लिए मानक है। प्रौद्योगिकी कई दोषों का पता लगा सकती है, जिसमें गलत स्ट्रिप लंबाई, लापता स्ट्रैंड्स, गलत तार क्रॉस-सेक्शन, गलत टर्मिनल, असंगत टर्मिनल सामग्री, कम्पल में इन्सुलेशन, गलत सम्मिलन की गहराई और गलत समेट की ऊँचाई शामिल हैं।
सीएफएम में, एक पीजोइलेक्ट्रिक सेंसर टर्मिनल असेंबली और सामग्री के बाद के विस्थापन पर लागू बल को मापता है। कई संदर्भ crimps किए जाने के बाद, प्रत्येक बाद के समेटे की तुलना एक ज्ञात अच्छे संदर्भ से की जाती है। यदि बल और विस्थापन निर्दिष्ट सहिष्णुता के भीतर हैं, तो crimp अच्छा है। यदि यह इन सहिष्णुता के बाहर है, तो यह बुरा है। हालांकि सीएफएम सरल और सटीक है, इसमें कुछ नुकसान हैं।
1. प्रौद्योगिकी महंगी है। प्रत्येक crimping मशीन को अपने स्वयं के मॉनिटर की आवश्यकता होती है।
2। एक और मुद्दा हैसहिष्णुता की सीमाएँ सीमाएँ। संदर्भ नमूनों को उत्पन्न करना और डेटा एकत्र करना बहुत समय और कौशल की आवश्यकता होती है, और प्रक्रिया को प्रत्येक नए तार और टर्मिनल के लिए दोहराया जाना चाहिए। यह तकनीशियन के कौशल पर बहुत निर्भर करता है। स्केलेबिलिटी एक और चुनौती है। यदि उत्पादन और विविधता में वृद्धि होती है, तो सीएफएम सिस्टम को दक्षता और सटीकता बनाए रखने में कठिनाई हो सकती है।
- इन चुनौतियों का समाधान करने के लिए, CFM सिस्टम को बढ़ाया जा सकता हैआर्टिफिशियल इंटेलिजेंस (एआई)।एआई लगातार सीखता है और वास्तविक समय के डेटा से अपना जाता है, जिससे यह विनिर्माण प्रक्रियाओं और बाहरी परिस्थितियों की एक विस्तृत श्रृंखला के अनुकूल हो जाता है। यह अनुकूलन क्षमता बहुत बार सिस्टम को पुनर्गठित करने की आवश्यकता को कम करती है। इसके अलावा, एआई-आधारित सिस्टम को डेटा प्रोसेसिंग में विशेषज्ञता की आवश्यकता नहीं होती है, जिससे वे अधिक सुलभ हो जाते हैं। एआई कई उत्पादन लाइनों से डेटा को प्रभावी ढंग से डेटा का प्रबंधन करके और व्यापक पुनर्संरचना के बिना उत्पाद प्रकारों में परिवर्तन के लिए अनुकूलित करके विनिर्माण संचालन की स्केलेबिलिटी को बढ़ा सकता है। यह लचीलापन निर्माताओं को बाजार की मांगों और उत्पाद विविधीकरण के लिए जल्दी से प्रतिक्रिया देने में मदद कर सकता है। हालांकि, एआई को क्राइमिंग सिस्टम में पेश किए जाने से पहले कई चुनौतियों को संबोधित किया जाना चाहिए।
1) crimping प्रक्रिया में परिवर्तन डेटा स्केल में परिवर्तन के कारण मौजूदा AI मॉडल अप्रचलित हो सकते हैं। उदाहरण के लिए, वायर प्रकार को बदलने से समग्र डेटा स्केल बदल सकता है, इस प्रकार पहले से स्थापित मॉडल को अमान्य कर सकता है।
2) एक और चुनौती दोषपूर्ण crimping डेटा बिंदुओं की कमी है। एआई मॉडल को प्रशिक्षित करने के लिए ये डेटा बहुत महत्वपूर्ण हैं। अप्रत्याशित दोष हो सकते हैं, इसलिए मॉडल जितना अधिक दोषपूर्ण डेटा होगा, उतना ही अधिक सटीक होगा। कुछ विसंगति का पता लगाने वाले एल्गोरिदम (जैसे अलगाव वन) हैं जिन्हें अज्ञात दोषों का पता लगाने के लिए अकेले सामान्य डेटा का उपयोग करके प्रशिक्षित किया जा सकता है। हालांकि, यह सभी संभावित दोषों के लिए पर्याप्त पहचान सटीकता की गारंटी नहीं दे सकता है। यह इस तरह के एल्गोरिदम को वास्तविक निर्माण में गुणवत्ता नियंत्रण के लिए कम उपयुक्त बनाता है।
3) इन चुनौतियों का समाधान करने के लिए, एक गलती का पता लगाने की प्रणाली प्रस्तावित है जो एआई को क्षेत्र-चयनात्मक डेटा स्केलिंग (आरएसडी) के साथ नियुक्त करती है। RSDS डेटा के विशिष्ट क्षेत्रों में या बाहर ज़ूमिंग करके संदर्भ डेटा से सिंथेटिक विसंगति डेटा उत्पन्न करता है। यह फॉल्ट डिटेक्शन सिस्टम को प्रभावी रूप से एआई मॉडल को पूरी तरह से सामान्य ऑपरेटिंग डेटा से युक्त डेटासेट का उपयोग करके एआई मॉडल को प्रशिक्षित करने में सक्षम बनाता है और अभी भी दोषों का पता लगाने में उच्च सटीकता प्राप्त करता है।
