فیبر فضای باز

کاربردهای هوش مصنوعی در تولید کابل:

1. چالش های کنترل کیفیت در تولید کابل های نوری
فرآیند تولید کابل های نوری بسیار پیچیده تر از تصور مردم است. یک کابل نوری معمولاً شامل چندین لایه، از جمله فیبرهای نوری متعدد، اجزای تقویت‌کننده، طناب‌های پرکننده، مواد مسدودکننده آب-، لایه‌های زره، و یک غلاف بیرونی است که هر کدام به ماشینکاری دقیق نیاز دارند. فرآیند تولید شامل مراحل متعددی مانند رنگ آمیزی الیاف، پوشش پلاستیک، کابل کشی، زره پوش و اکستروژن غلاف می باشد. انحراف در هر مرحله می تواند بر عملکرد نهایی فیبر در فضای باز تأثیر بگذارد.

در مدل‌های تولید سنتی، کنترل کیفیت عمدتاً بر روش‌های زیر متکی است: اپراتورها به‌طور دوره‌ای خط تولید را بازرسی می‌کنند. بازرسان کیفیت پس از خروج محصولات تمام شده از خط، بازرسی های نمونه برداری را انجام می دهند. و تعمیر و نگهداری تجهیزات بدون در نظر گرفتن اینکه آیا تجهیزات واقعاً به تعمیر و نگهداری نیاز دارند یا خیر، بر اساس یک برنامه زمانبندی ثابت انجام می شود. این رویکرد دارای کاستی‌های قابل‌توجهی است: بازرسی‌های دستی نمی‌توانند به-بازرسی کامل-در مقیاس تمام وقت دست یابند. بازرسی های نمونه خطر بازرسی از دست رفته را دارد. و تعمیر و نگهداری چرخه ثابت ممکن است منجر به ضایعات به دلیل "تعمیر نکردن در زمانی که باید و توقف تولید در زمانی که نباید باشد."

2. بازرسی بصری هوش مصنوعی ثبات کیفیت را بهبود می بخشد
بینایی کامپیوتر یکی از بالغ‌ترین حوزه‌های کاربرد فناوری هوش مصنوعی در تولید کابل است. سیستم‌های تشخیص تصویر مبتنی بر یادگیری عمیق{1}}را می‌توان در چندین گره کلیدی در خط تولید برای بازرسی خودکار و مداوم ظاهر محصول مستقر کرد.

در فرآیند رنگ آمیزی الیاف، لایه رنگ آمیزی باید به طور یکنواخت روی سطح الیاف پوشش داده شود. رنگ نه تنها فیبرهای مختلف را شناسایی می کند، بلکه مستقیماً بر راندمان اتصال کابل های نوری بعدی تأثیر می گذارد. سیستم‌های بینایی هوش مصنوعی می‌توانند یکنواختی، دقت رنگ و وجود نقص در لایه رنگ‌آمیزی را در زمان واقعی نظارت کنند. به محض تشخیص یک ناهنجاری، سیستم بلافاصله یک زنگ هشدار صادر می کند و به اپراتورها اجازه می دهد تا پارامترهای فرآیند را به سرعت تنظیم کنند و از نقص دسته ای جلوگیری کنند.

در فرآیند اکستروژن غلاف، غلاف بیرونی کابل نوری باید گرد، ضخامت یکنواخت و سطح صاف را تضمین کند. روش‌های بازرسی سنتی شامل بازرسان کیفیت است که قطر بیرونی را با کولیس اندازه‌گیری می‌کنند و کیفیت سطح را به صورت بصری بازرسی می‌کنند. این روش ناکارآمد است و مستعد از دست دادن عیوب ریز{2}} دوره ای است. سیستم‌های بینایی هوش مصنوعی، همراه با دوربین‌های صنعتی با سرعت بالا، می‌توانند عیوب سطح میکرونی-را حتی زمانی که کابل نوری با سرعت صدها متر در دقیقه از نقطه بازرسی عبور می‌کند، تشخیص دهند. عیوب مانند حباب، خراش، فرورفتگی و ناخالصی را می توان به طور خودکار شناسایی و علامت گذاری کرد، با سرعت و دقت بازرسی بسیار فراتر از روش های دستی.

3. بهینه سازی فرآیند هوشمند و نگهداری پیش بینی

فراتر از بازرسی بصری، فناوری هوش مصنوعی در بهینه سازی فرآیند و نگهداری تجهیزات نیز نقش دارد. کشیدن فیبر نوری یکی از حیاتی ترین فرآیندها در تولید کابل های نوری است. در طول کشش، پریفرم الیاف تا حدود 2000 درجه سانتیگراد گرم می شود و با سرعت دقیق کنترل شده به یک رشته ظریف با قطر 125 میکرومتر کشیده می شود. روابط متقابل بین پارامترهایی مانند سرعت کشش، دمای کوره و کشش بسیار پیچیده است. حتی نوسانات جزئی می تواند بر دقت هندسی و عملکرد نوری فیبر تأثیر بگذارد. با استفاده از الگوریتم‌های یادگیری ماشین، داده‌های تولید تاریخی را می‌توان استخراج کرد تا یک مدل کمی بین پارامترهای فرآیند و کیفیت محصول ایجاد شود. بنابراین، هنگامی که دسته‌های مواد خام یا شرایط محیطی تغییر می‌کنند، سیستم می‌تواند به‌طور خودکار ترکیب بهینه پارامترهای فرآیند را توصیه کند و اتکا به تجربه اپراتور را کاهش دهد.

تعمیر و نگهداری پیش بینی یکی دیگر از زمینه های با ارزش است. فیبر در فضای باز، توقف برنامه ریزی نشده تجهیزات حیاتی در خط تولید، مانند برج های کششی و اکسترودرها، می تواند منجر به خسارات اقتصادی قابل توجهی شود. با تجزیه و تحلیل مداوم داده‌های عملیاتی مانند لرزش تجهیزات، دما و جریان، سیستم‌های هوش مصنوعی می‌توانند روندهای غیرعادی در وضعیت تجهیزات را از قبل شناسایی کنند، روزها یا حتی هفته‌ها قبل از وقوع خرابی هشدارهایی را صادر کنند. پرسنل تعمیر و نگهداری می توانند برنامه های تعمیر و نگهداری معقولی را بر اساس اطلاعات هشدار اولیه برای جلوگیری از خاموش شدن اضطراری و تعمیر و نگهداری واکنشی انجام دهند.