+8618149523263

با ما تماس بگیرید

    • طبقه سوم، ساختمان 6، پارک علم و فناوری Baochen، No. 15 Dongfu West Road 2، خیابان Xinyang، Haicang District، Xiamen، چین.
    • sale6@kabasi.cn
    • +8618149523263

اشکالاتی از نظارت بر نیروی Crimp (CFM) چیست؟

Oct 25, 2024

  • مانیتورینگ نیروی Crimp (CFM) مدتهاست که استاندارد تشخیص گسل مونتاژ سیم بوده است. این فناوری می تواند با اطمینان بسیاری از نقایص ، از جمله طول نوار نادرست ، رشته های گمشده ، مقطع سیم نادرست ، پایانه های نادرست ، مواد ترمینال متناقض ، عایق در شکاف ، عمق درج نادرست و ارتفاع نادرست را تشخیص دهد.

 

در CFM ، یک سنسور پیزوالکتریک نیرویی را که به مونتاژ ترمینال و جابجایی بعدی مواد اعمال می شود ، اندازه گیری می کند. پس از انجام چندین قطعه مرجع ، هر یک از Crimp بعدی با یک مرجع خوب شناخته شده مقایسه می شود. اگر نیرو و جابجایی در تحمل مشخصی باشد ، Crimp خوب است. اگر خارج از این تحمل ها باشد ، بد است. اگرچه CFM ساده و دقیق است ، اما برخی از معایب دارد.

 

1. این فناوری گران استبشر هر دستگاه کرپنگ نیاز به مانیتور خاص خود دارد.

 

2 مسئله دیگر استمحدوده تحملبشر تولید نمونه های مرجع و جمع آوری داده ها به زمان و مهارت زیادی نیاز دارد و فرایند باید برای هر سیم و ترمینال جدید تکرار شود. این بستگی زیادی به مهارت های تکنسین دارد. مقیاس پذیری یکی دیگر از چالش ها است. در صورت افزایش تولید و تنوع ، سیستم های CFM ممکن است در حفظ کارایی و دقت مشکل داشته باشند.

What does Huawei's recent investment in a connector company indicate?

  • برای پرداختن به این چالش ها ، سیستم های CFM می توانند با آن تقویت شوندهوش مصنوعی (AI).هوش مصنوعی به طور مداوم از داده های زمان واقعی یاد می گیرد و سازگار می شود و به آن اجازه می دهد تا با طیف گسترده ای از فرآیندهای تولید و شرایط خارجی سازگار شود. این سازگاری نیاز به مجدداً مجدداً سیستم را کاهش می دهد. علاوه بر این ، سیستم های مبتنی بر هوش مصنوعی نیازی به تخصص در پردازش داده ها ندارند و آنها را در دسترس تر می کند. هوش مصنوعی همچنین می تواند با مدیریت مؤثر داده ها از چندین خط تولید و سازگاری با تغییرات در انواع محصول بدون پیکربندی مجدد ، مقیاس پذیری عملیات تولید را افزایش دهد. این انعطاف پذیری می تواند به تولید کنندگان کمک کند تا به سرعت در برابر خواسته های بازار و تنوع محصول پاسخ دهند. با این حال ، قبل از معرفی هوش مصنوعی در سیستم های چرمی ، باید چندین چالش مورد بررسی قرار گیرد.

 

1) تغییر در فرآیند گریه ممکن است به دلیل تغییر در مقیاس داده ، مدل های هوش مصنوعی موجود را منسوخ کند. به عنوان مثال ، تغییر نوع سیم ممکن است مقیاس کلی داده ها را تغییر دهد ، بنابراین مدل های قبلاً ایجاد شده را باطل می کند.

 

2) چالش دیگر عدم وجود نقاط داده نقص نقص است. این داده ها برای آموزش مدلهای هوش مصنوعی بسیار مهم هستند. نقص غیرقابل پیش بینی ممکن است رخ دهد ، بنابراین هرچه داده های معیوب تر مدل داشته باشند ، دقیق تر خواهد بود. برخی از الگوریتم های تشخیص ناهنجاری (مانند جنگل انزوا) وجود دارد که می توانند با استفاده از داده های عادی به تنهایی برای تشخیص نقایص ناشناخته آموزش ببینند. با این حال ، این ممکن است صحت تشخیص کافی را برای همه گسل های احتمالی تضمین نکند. این امر باعث می شود چنین الگوریتم ها برای کنترل کیفیت در تولید واقعی مناسب تر باشند.

 

3) برای پرداختن به این چالش ها ، یک سیستم تشخیص گسل پیشنهاد شده است که از هوش مصنوعی با مقیاس بندی داده های انتخابی منطقه (RSDS) استفاده می کند. RSDS با انجام بزرگنمایی در مناطق خاص داده ها ، داده های ناهنجاری مصنوعی را از داده های مرجع تولید می کند. این امر سیستم تشخیص گسل را قادر می سازد تا به طور مؤثر مدل های هوش مصنوعی را با استفاده از یک مجموعه داده متشکل از داده های عملیاتی عادی آموزش دهد و هنوز هم در تشخیص گسلها به دقت بالایی برسد.

What are underwater connectors used for?

ارسال درخواست