- Mae monitro grym Crimp (CFM) wedi bod yn safon ar gyfer canfod namau cynulliad gwifren ers amser maith. Gall y dechnoleg ganfod llawer o ddiffygion yn ddibynadwy, gan gynnwys hyd stribed anghywir, llinynnau ar goll, croestoriad gwifren anghywir, terfynellau anghywir, deunyddiau terfynell anghyson, inswleiddio yn y crimp, dyfnder mewnosod anghywir, ac uchder crimp anghywir.
Yn CFM, mae synhwyrydd piezoelectric yn mesur yr heddlu a gymhwysir i'r cynulliad terfynol a dadleoli'r deunydd wedi hynny. Ar ôl i sawl crimpyn cyfeirio gael eu gwneud, mae pob crimp dilynol yn cael ei gymharu â chyfeirnod da hysbys. Os yw'r grym a'r dadleoliad o fewn goddefiannau penodol, mae'r crimp yn dda. Os yw y tu allan i'r goddefiannau hyn, mae'n ddrwg. Er bod CFM yn syml ac yn gywir, mae ganddo rai anfanteision.
1. Mae'r dechnoleg yn ddrud. Mae angen monitor ei hun ar bob peiriant torri.
2. Mater arall ywgosod goddefgarwch yn amrywio. Mae cynhyrchu samplau cyfeirio a chasglu data yn gofyn am lawer o amser a sgiliau, a rhaid ailadrodd y broses ar gyfer pob gwifren a therfynell newydd. Mae hyn yn dibynnu'n fawr ar sgiliau'r technegydd. Mae scalability yn her arall. Os bydd cynhyrchu ac amrywiaeth yn cynyddu, gall systemau CFM gael anhawster cynnal effeithlonrwydd a chywirdeb.
- Er mwyn mynd i'r afael â'r heriau hyn, gellir gwella systemau CFMdeallusrwydd artiffisial (AI).Mae AI yn dysgu ac yn addasu'n barhaus o ddata amser real, gan ganiatáu iddo addasu i ystod eang o brosesau gweithgynhyrchu ac amodau allanol. Mae'r gallu i addasu hwn yn lleihau'r angen i ail -raddnodi'r system yn aml. Yn ogystal, nid oes angen arbenigedd mewn prosesu data ar systemau sy'n seiliedig ar AI, gan eu gwneud yn fwy hygyrch. Gall AI hefyd wella scalability gweithrediadau gweithgynhyrchu trwy reoli data yn effeithiol o linellau cynhyrchu lluosog ac addasu i newidiadau yn y mathau o gynnyrch heb ad -drefnu helaeth. Gall yr hyblygrwydd hwn helpu gweithgynhyrchwyr i ymateb yn gyflym i ofynion y farchnad ac arallgyfeirio cynnyrch. Fodd bynnag, rhaid mynd i'r afael â sawl her cyn y gellir cyflwyno AI i systemau crimpio.
1) Gall newidiadau yn y broses grimpio olygu bod y modelau AI presennol wedi darfod oherwydd newidiadau yn y raddfa ddata. Er enghraifft, gall newid y math o wifren newid y raddfa ddata gyffredinol, gan annilysu modelau a sefydlwyd yn flaenorol.
2) Her arall yw'r diffyg pwyntiau data crimpio diffygiol. Mae'r data hyn yn bwysig iawn ar gyfer hyfforddi modelau AI. Gall diffygion anrhagweladwy ddigwydd, felly po fwyaf o ddata diffygiol sydd gan y model, y mwyaf cywir fydd hi. Mae yna rai algorithmau canfod anghysondebau (fel coedwig ynysu) y gellir eu hyfforddi gan ddefnyddio data arferol yn unig i ganfod diffygion anhysbys. Fodd bynnag, efallai na fydd hyn yn gwarantu cywirdeb canfod digonol ar gyfer yr holl ddiffygion posibl. Mae hyn yn gwneud algorithmau o'r fath yn llai addas ar gyfer rheoli ansawdd mewn gweithgynhyrchu go iawn.
3) Er mwyn mynd i'r afael â'r heriau hyn, cynigir system canfod namau sy'n cyflogi AI gyda graddio data dethol rhanbarth (RSDS). Mae RSDs yn cynhyrchu data anghysondeb synthetig o ddata cyfeirio trwy berfformio chwyddo i mewn neu allan ar ranbarthau penodol y data. Mae hyn yn galluogi'r system canfod namau i hyfforddi modelau AI yn effeithiol gan ddefnyddio set ddata sy'n cynnwys data gweithredu arferol yn gyfan gwbl a dal i sicrhau cywirdeb uchel wrth ganfod diffygion.
