- クリンプフォースモニタリング（CFM）は、長い間、ワイヤーアセンブリ障害検出の標準でした。このテクノロジーは、誤ったストリップの長さ、ストランドの欠落、誤ったワイヤ断面、誤った端子、一貫性のない端子材料、クリンプの断熱、誤った挿入深さ、および誤ったクリンプの高さなど、多くの欠陥を確実に検出できます。
CFMでは、圧電センサーが端子アセンブリに加えられた力とその後の材料の変位を測定します。いくつかの参照クリンプが作成された後、各後続のクリンプは既知の良好な参照と比較されます。力と変位が指定された公差内にある場合、クリンプは良好です。これらの公差の外側にある場合、それは悪いことです。 CFMはシンプルで正確ですが、いくつかの欠点があります。
1. 技術は高価です。各圧着マシンには、独自のモニターが必要です。
2。別の問題は次のとおりです許容範囲の設定。参照サンプルを生成してデータを収集するには、多くの時間とスキルが必要であり、新しいワイヤと端末ごとにプロセスを繰り返す必要があります。これは、技術者のスキルに大きく依存します。スケーラビリティは別の課題です。生産と多様性が増加すると、CFMシステムは効率と精度を維持するのが困難になる可能性があります。
- これらの課題に対処するために、CFMシステムをで強化することができます人工知能（AI）。AIは、リアルタイムデータから継続的に学習および適応し、幅広い製造プロセスと外部条件に適応できるようにします。この適応性は、システムを頻繁に再調整する必要性を大幅に減らします。さらに、AIベースのシステムは、データ処理の専門知識を必要とせず、よりアクセスしやすくします。 AIは、複数の生産ラインからのデータを効果的に管理し、大規模な再構成なしに製品タイプの変更に適応することにより、製造業のスケーラビリティを向上させることもできます。この柔軟性は、メーカーが市場の需要と製品の多様化に迅速に対応するのに役立ちます。ただし、AIを圧着システムに導入する前に、いくつかの課題に対処する必要があります。
1）クリンププロセスの変化は、データスケールの変化のために既存のAIモデルを廃止する可能性があります。たとえば、ワイヤタイプを変更すると、データスケール全体が変更される可能性があるため、以前に確立されたモデルが無効になる可能性があります。
2）別の課題は、欠陥のあるデータポイントの欠如です。これらのデータは、AIモデルのトレーニングにとって非常に重要です。予測不可能な欠陥が発生する可能性があるため、モデルがより欠陥のあるデータがあるほど、より正確になります。不明な欠陥を検出するために通常のデータのみを使用してトレーニングできる、いくつかの異常検出アルゴリズム（分離林など）があります。ただし、これはすべての潜在的な障害に対して十分な検出精度を保証しない場合があります。これにより、このようなアルゴリズムは、実際の製造における品質管理には適していません。
3）これらの課題に対処するために、領域選択的データスケーリング（RSDS）を使用してAIを使用する障害検出システムが提案されています。 RSDSは、データの特定の領域でズームインまたはアウトを実行することにより、参照データから合成異常データを生成します。これにより、障害検出システムは、完全に正常な動作データからなるデータセットを使用してAIモデルを効果的にトレーニングし、障害の検出に高い精度を達成することができます。
