O caminho para a IA para processos de soldagem

Jan 22, 2024

12 de maio de 2023

14:44

Mark Boyle, Amada Weld Tech, discute como os algoritmos de Inteligência Artificial (IA) e Aprendizado de Máquina (ML) estão sendo implementados para determinar o fluxo de material através das linhas de produção no chão de fábrica, alocar peças no lugar certo na hora certa para aumentar o rendimento, e prever qual produto construir para maximizar os lucros.

Uma área chave de desenvolvimento é o monitoramento do processo de solda: usando AI/ML para olhar diretamente para uma resistência ou processo de fabricação de solda a laser para determinar o sucesso. Isso envolve registrar e analisar uma matriz dos sinais físicos emitidos, o que requer não apenas sensores de alta resolução para coletá-los (a duração da solda pode ser da ordem de milissegundos), mas também uma infraestrutura para exportar e analisar grandes quantidades de dados .

Esta postagem de blog explorará as três principais áreas de desenvolvimento - e uma área colateral - que estão abrindo caminho para a IA para processos de solda a laser na fabricação atual. Esses desenvolvimentos facilitarão uma compreensão mais profunda do que está acontecendo durante o processo, resultando em melhor qualidade e rendimento.

Fig 1 – O caminho para inteligência artificial e aprendizado de máquina para processos de soldagem requer aquisição de dados de alta resolução, manipulação de dados de alta velocidade e algoritmos AI/ML para analisar e usar os dados. O ramo colateral da segurança de dados é uma etapa adicional lógica necessária ao colocar monitores de processo em uma rede.

A primeira e, sem dúvida, a parte mais importante do processo é a aquisição de dados, que inclui coleta, digitalização e armazenamento.

Os processos de solda por resistência e a laser podem levar apenas milissegundos para peças menores, mas há dinâmicas, mesmo dentro dessa escala de tempo muito curta, que fornecerão informações valiosas sobre o sucesso da solda. Assim, a resolução de captura de dados precisa ser alta o suficiente para reunir recursos na escala de tempo de microssegundos. Para algoritmos AI/ML, quanto mais rico o conjunto de dados (maior resolução), mais precisamente os algoritmos podem classificar o bom do ruim. Vamos dar uma olhada mais de perto na importância da resolução.

A Fig. 2, abaixo, mostra um sinal físico de uma solda coletado por um sensor ao longo do tempo. Quando os dados são coletados em uma taxa de amostragem baixa (canto superior), a saída (canto superior direito) é um sinal de degrau que perde o recurso atípico que aparece no centro da curva, o que pode resultar em uma solda ruim considerada boa ou vice-versa. Se a taxa de amostragem for alta (parte inferior central), no entanto, o sinal verdadeiro é melhor reconstruído (canto inferior direito) na saída e esse outlier será notado. O mesmo vale para o nível do sinal: quanto maior a resolução do sinal, melhor a reconstrução do sinal físico real que ocorre durante o processo de soldagem.

Fig 2 – Dados de alta resolução são a chave para reconstrução e interpretação precisas dos sinais físicos. Nesta ilustração, vemos uma representação de taxas de amostragem baixas e altas e o efeito que elas têm na captura de um recurso.

Por que isso é tão importante? Ao fazer qualquer tipo de previsão sobre qualidade, mais dados resultam em resultados mais precisos. Se aquele pontinho no meio da curva for o principal indicador de uma solda bem-sucedida, fica claro que o sinal de maior resolução é necessário para confirmar sua presença.

Para ser justo, a curva no exemplo acima é bastante simples e um engenheiro de processo experiente poderia facilmente identificar boas/más soldas. Na realidade, porém, as curvas são muito mais complicadas e a correlação entre certos segmentos da curva medida e o sucesso da soldagem não será óbvia. É aqui que os algoritmos de IA/ML podem ser usados ​​para analisar e eliminar as tendências dos dados de várias maneiras para encontrar novas correlações. O take-away aqui? Dados de resolução mais alta produzirão melhores resultados dos algoritmos AI/ML.

A aquisição de dados de alta resolução representa um desafio, no entanto, quando chega a hora de transferi-los do sensor para o armazenamento local ou para o armazenamento remoto em rede. Dependendo da resolução e do número de canais, isso pode se traduzir em muitos megabits por segundo. Isso claramente requer transferência de dados em alta velocidade pela Internet e discos rígidos com velocidade de gravação rápida capazes de aceitar essa quantidade de informações continuamente durante a produção.