- Надгледање силе ЦРМП-а (ЦФМ) дуго је стандард за откривање грешке у монтажи жице. Технологија може поуздано да открије многе оштећења, укључујући нетачну дужину траке, нестале праменове, нетачне пресјеке жице, нетачне терминале, недоследне терминалне материјале, изолационе терминалне материјале, изолације у ЦРМП-у, нетачна дубина уметања, нетачна дубина уметања и нетачна висина уметања.
У ЦФМ-у, пиезоелектрична сензор мери силу која се примењује на скупштину терминала и накнадног расељавања материјала. Након што се направи неколико референтних грипа, сваки наредни крим се упоређује са познатом добром референцом. Ако су сила и расељавање унутар одређених толеранција, ЦРМП је добар. Ако је изван ових толеранција, то је лоше. Иако је ЦФМ једноставан и тачан, има неке недостатке.
1. Технологија је скупа. Свака машина за прешање захтева свој монитор.
2 Друго питање јеПодешавање толеранције. Генерисање референтних узорака и прикупљање података захтева пуно времена и вештина, а поступак се мора поновити за сваку нову жицу и терминал. То у великој мери зависи од вештина техничара. Скалабилност је још један изазов. Ако се повећавају производњу и разноликост, ЦФМ системи могу имати потешкоће са одржавањем ефикасности и тачности.
- Да би се позабавило овим изазовима, ЦФМ системи се могу побољшатиВештачка интелигенција (АИ).АИ континуирано учи и прилагођава се од података у реалном времену, омогућавајући му да се прилагоди широком спектру производних процеса и спољних услова. Ова прилагодљивост увелике смањује потребу да се често одриче систем. Поред тога, АИ системи засновани на бази не захтевају стручност у обради података, што их чини приступачнијим. АИ такође може побољшати скалабилност производних операција ефикасно управљањем подацима из више производних линија и прилагођавање променама у типовима производа без опсежног реконфигурације. Ова флексибилност може помоћи произвођачима да брзо реагују на захтеве на тржишту и диверзификацију производа. Међутим, потребно је решити неколико изазова пре него што се АИ може увести у системе прешање.
1) Промјене у процесу пресовања могу пружити постојећи АИ модели застарели због промена у скали података. На пример, промена типа жице може променити укупну скали података, на тај начин поништити претходно утврђене моделе.
2) Још један изазов је недостатак неисправних прешање података. Ови подаци су веома важни за обуку АИ модела. Могу се појавити непредвидиве мане, тако да више неисправни подаци модел има, тачније ће бити. Постоје неки алгоритми за препознавање аномалија (као што су изолациони шума) који се може обучити само користећи само уобичајене податке да би открили непознате недостатке. Међутим, то можда не гарантује довољну тачност откривања за све потенцијалне грешке. То чини такве алгоритме мање погодне за контролу квалитета у стварној производњи.
3) Да би се позабавио овим изазовима, предлаже се систем откривања грешака који запошљава АИ са регионалним скалирањем података (РСДС). РСДС генерише податке о синтетичким аномалијима из референтних података вршећи зумирање у одређеним регионима података. То омогућава систему детекције квара да ефикасно тренира АИ моделе користећи скупови података који се састоји у потпуности од уобичајених оперативних података и и даље постиже високу тачност у откривању грешака.
