CN110472288A - 一种螺栓力矩衰减的预测方法、系统、装置和介质 - Google Patents
一种螺栓力矩衰减的预测方法、系统、装置和介质 Download PDFInfo
- Publication number
- CN110472288A CN110472288A CN201910643745.2A CN201910643745A CN110472288A CN 110472288 A CN110472288 A CN 110472288A CN 201910643745 A CN201910643745 A CN 201910643745A CN 110472288 A CN110472288 A CN 110472288A
- Authority
- CN
- China
- Prior art keywords
- bolt
- data set
- attenuation
- target
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000007621 cluster analysis Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 13
- 238000012847 principal component analysis method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种螺栓力矩衰减的预测方法、系统、装置和介质,方法包括获取多个历史螺栓数据,并根据多个历史螺栓数据建立原始螺栓数据集;对原始螺栓数据集进行预处理,得到目标螺栓数据集;分别采用相关系数分析法、聚类分析法和主成分分析法对目标螺栓数据集进行分析,得到力矩衰减关键因子,并根据力矩衰减关键因子建立原始力矩衰减预测模型;根据目标螺栓数据集获取样本数据集,并根据样本数据集对原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;根据目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。本发明能对螺栓的力矩衰减进行预测,预测准确率高、效率高,提高了车辆的安全性。
Description
技术领域
本发明涉及螺栓技术领域,尤其涉及一种螺栓力矩衰减的预测方法、系统、装置和介质。
背景技术
螺栓是最常见的紧固件之一。因其具有结构简单,拆装方便,调整容易等优点,被广泛应用于机械、车辆、铁路以及各种工程结构之中。在交通行业中,各种交通工具的大部分零件都是有螺栓连接的,例如汽车底盘绝大多数零部件就是由螺栓连接,车辆部分部位螺栓在装配线上拧紧后,静止状态检测力矩满足工艺要求,但在不同路况下,车辆路试或跑很长一段时间后,经受横向冲击及轴向颠簸后,螺栓力矩会出现不同程度的衰减情况,严重时影响行车安全。
因此,系统分析螺栓力矩的影响因素,识别各影响因素的显著性,进而建立基于实验测试数据的预测模型,实现对螺栓力矩衰减的预测,对螺栓力矩衰减预警水平的提高是十分重要的,有助于企业及时发现问题并找到对应的解决方案,提高产品的安全性。然而目前还没有一种有效可靠的预测螺栓力矩衰减的方法。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种螺栓力矩衰减的预测方法、系统、装置和介质,能对螺栓的力矩衰减进行预测,能有效分析螺栓力矩衰减的问题,发现影响力矩衰减的主要因素,帮助企业排查螺栓、及时发现问题并找到对应的解决方案。
本发明解决上述技术问题的技术方案如下:
一种螺栓力矩衰减的预测方法,包括以下步骤:
步骤1:获取安装在目标物体上的螺栓的多个历史螺栓数据,并根据多个所述历史螺栓数据建立原始螺栓数据集;
步骤2:对所述原始螺栓数据集进行预处理,得到目标螺栓数据集;
步骤3:分别采用相关系数分析法、聚类分析法和主成分分析法对所述目标螺栓数据集进行分析,得到力矩衰减关键因子,并根据所述力矩衰减关键因子建立原始力矩衰减预测模型;
步骤4:从所述目标螺栓数据集中获取样本数据集,并利用所述样本数据集对所述原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;
步骤5:利用所述目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。
本发明的有益效果是:首先通过获取多个历史螺栓数据,并建立原始螺栓数据集,科学地涵盖了螺栓的全生命周期因素,再通过对原始螺栓数据集进行预处理,一方面能保证数据质量,另一方面便于后续对预处理后得到的目标螺栓数据集进行分析,得到影响螺栓的力矩衰减关键因子;分别采用相关系数分析法、聚类分析法和主成分分析法对目标螺栓数据集进行分析,能有效分析螺栓的力矩衰减问题,并发现影响螺栓力矩衰减的主要因素,便于根据力矩衰减因子构建神经网络的原始力矩衰减预测模型,基于前述的目标螺栓数据集,对原始力矩衰减预测模型进行训练,得到预测准确率高的目标力矩衰减预测模型,通过目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到的预测结果预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步:所述原始螺栓数据集中包含的数据向量有:螺栓材料、螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度。
进一步:所述步骤2的具体步骤包括:
步骤2.1:采用线性插值法对所述原始螺栓数据集中的缺失数据向量进行数据修复,并采用均值平滑法对所述原始螺栓数据集中的异常数据向量进行数据修复,得到第一处理螺栓数据集;
步骤2.2:采用数据规约方法对所述第一处理螺栓数据集进行特征规约,得到第二处理螺栓数据集;
步骤2.3:采用降维处理方法对所述第二处理螺栓数据集进行数据降维,得到所述目标螺栓数据集。
进一步:在所述步骤3中,得到所述关键因子的具体步骤包括:
步骤3.1:采用相关系数分析法对所述目标螺栓数据集进行相关性分析,计算得到所述目标螺栓数据集中的每两个特征向量之间的相关系数;
计算所述目标螺栓数据集中第i个所述特征向量和第j个所述特征向量之间的所述相关系数的具体公式为:
其中,vi为第i个所述特征向量,vj为第j个所述特征向量,rij为第i个所述特征向量和第j个所述特征向量之间的所述相关系数,ui为第i个所述特征向量的期望值,uj为第j个所述特征向量的期望值,D(vi)为第i个所述特征向量的方差,D(vj)为第j个所述特征向量的方差,E(·)为求数学期望运算;
步骤3.2:根据所有所述相关系数,采用类平均法对所述目标螺栓数据集中的所有所述特征向量进行聚类分析,得到多个类别变量下的力矩衰减影响因子;
步骤3.3:根据每个类别变量分别对每个所述力矩衰减影响因子的累积贡献率,计算得到与每个类别变量一一对应的多个主成分载荷矩阵,根据所有所述主成分载荷矩阵对所有所述力矩衰减影响因子进行主成分分析,得到所述力矩衰减关键因子;
计算第k个类别变量下的所述主成分载荷矩阵的公式为:
其中,λk为第k个类别变量下的所述主成分载荷矩阵,αkn为第k个类别变量对第n个力矩衰减影响因子的所述累积贡献率,lkn为第k个类别变量对第n个力矩衰减影响因子的标准正交化特征向量。
进一步:在所述步骤4中,得到所述目标力矩衰减预测模型的具体步骤包括:
步骤4.1:按照预设的划分比例将所述样本数据集分为训练集和测试集;
步骤4.2:利用所述训练集对所述原始力矩衰减预测模型进行训练,得到所述目标力矩衰减预测模型。
进一步:在所述步骤4.2之后还包括以下步骤:
步骤4.3:根据所述测试集,并利用评价指标集合对所述目标力矩衰减预测模型进行评估,若评估通过,则执行所述步骤5,若评估不通过,则返回所述步骤4.2;所述评价指标集合包括四个评价指标,分别为平方绝对误差、均方根误差、相关系数和拟合优度。
依据本发明的另一方面,提供了一种螺栓力矩衰减的预测系统,包括数据获取模块、数据处理模块、分析模块、模型训练与构建模块和预测模块;
所述数据获取模块,用于获取安装在目标物体上的螺栓的多个历史螺栓数据,并根据多个所述历史螺栓数据建立原始螺栓数据集;
所述数据处理模块,用于对所述原始螺栓数据集进行预处理,得到目标螺栓数据集;
所述分析模块,用于分别采用相关系数分析法、聚类分析法和主成分分析法对所述目标螺栓数据集进行分析,得到力矩衰减关键因子;
所述模型训练与构建模块,用于根据所述力矩衰减关键因子建立原始力矩衰减预测模型,还用于从所述目标螺栓数据集获取样本数据集,并利用所述样本数据集对所述原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;
所述预测模块,用于利用所述目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。
本发明的有益效果是:通过数据获取模块获取多个历史螺栓数据,并建立原始螺栓数据集,科学地涵盖了螺栓的全生命周期因素,通过数据处理模块对原始螺栓数据集进行预处理,一方面能保证数据质量,另一方面便于后续分析模块对预处理后得到的目标螺栓数据集进行分析,得到影响螺栓的力矩衰减关键因子;通过分析模块分别采用相关系数分析法、聚类分析法和主成分分析法对目标螺栓数据集进行分析,能有效分析螺栓的力矩衰减问题,并发现影响螺栓力矩衰减的主要因素,便于模型训练与构建模块根据力矩衰减因子构建神经网络的原始力矩衰减预测模型,基于前述的目标螺栓数据集,对原始力矩衰减预测模型进行训练,得到预测准确率高的目标力矩衰减预测模型,通过预测模块根据目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到的预测结果,预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步:所述原始螺栓数据集中包含的数据向量有:螺栓材料、螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度。
进一步:所述数据处理模块具体用于:
采用线性插值法对所述原始螺栓数据集中的缺失数据向量进行数据修复,并采用均值平滑法对所述原始螺栓数据集中的异常数据向量进行数据修复,得到第一处理螺栓数据集;
采用数据规约方法对所述第一处理螺栓数据集进行特征规约,得到第二处理螺栓数据集;
采用降维处理方法对所述第二处理螺栓数据集进行数据降维,得到所述目标螺栓数据集。
进一步:所述分析模块具体用于:
采用相关系数分析法对所述目标螺栓数据集进行相关性分析,计算得到所述目标螺栓数据集中的每两个特征向量之间的相关系数;
计算所述目标螺栓数据集中第i个所述特征向量和第j个所述特征向量之间的所述相关系数的具体公式为:
其中,vi为第i个所述特征向量,vj为第j个所述特征向量,rij为第i个所述特征向量和第j个所述特征向量之间的所述相关系数,ui为第i个所述特征向量的期望值,uj为第j个所述特征向量的期望值,D(vi)为第i个所述特征向量的方差,D(vj)为第j个所述特征向量的方差,E(·)为求数学期望运算;
根据所有所述相关系数,采用类平均法对所述目标螺栓数据集中的所有所述特征向量进行聚类分析,得到多个类别变量下的力矩衰减影响因子;
根据每个类别变量分别对每个所述力矩衰减影响因子的累积贡献率,计算得到与每个类别变量一一对应的多个主成分载荷矩阵,根据所有所述主成分载荷矩阵对所有所述力矩衰减影响因子进行主成分分析,得到所述力矩衰减关键因子;
计算第k个类别变量下的所述主成分载荷矩阵的公式为:
其中,λk为第k个类别变量下的所述主成分载荷矩阵,αkn为第k个类别变量对第n个力矩衰减影响因子的所述累积贡献率,lkn为第k个类别变量对第n个力矩衰减影响因子的标准正交化特征向量。
进一步:所述模型训练与构建模块具体用于:
按照预设的划分比例将所述样本数据集分为训练集和测试集;
利用所述训练集对所述原始力矩衰减预测模型进行训练,得到所述目标力矩衰减预测模型。
进一步:所述模型构建与训练模块还具体用于:
根据所述测试集,并利用评价指标集合对所述目标力矩衰减预测模型进行评估;所述评价指标集合包括四个评价指标,分别为平方绝对误差、均方根误差、相关系数和拟合优度。
依据本发明的另一方面,提供了一种螺栓力矩衰减的预测装置,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现本发明的一种螺栓力矩衰减的预测方法中的步骤。
本发明的有益效果是:通过存储在存储器上的计算机程序,并运行在处理器上,实现本发明的螺栓力矩衰减的预测,对螺栓的力矩衰减的预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
依据本发明的另一方面,提供了一种计算机存储介质,所述计算机存储介质包括:至少一个指令,在所述指令被执行时实现本发明的一种螺栓力矩衰减的预测方法中的步骤。
本发明的有益效果是:通过执行包含至少一个指令的计算机存储介质,实现本发明的螺栓力矩衰减的预测,对螺栓的力矩衰减的预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
附图说明
图1为本发明实施例一中螺栓力矩衰减的预测方法的流程示意图;
图2为本发明实施例一中得到目标螺栓数据集的流程示意图;
图3为本发明实施例一中得到关键因子的流程示意图;
图4为本发明实施例一中得到目标力矩衰减预测模型的流程示意图一;
图5为本发明实施例一中得到目标力矩衰减预测模型的流程示意图二;
图6为本发明实施例一中目标力矩衰减预测模型的模拟示意图;
图7为本发明实施例二中螺栓力矩衰减的预测系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
下面结合附图,对本发明进行说明。
实施例一、一种螺栓力矩衰减的预测方法,包括以下步骤:
S1:获取安装在目标物体上的螺栓的多个历史螺栓数据,并根据多个所述历史螺栓数据建立原始螺栓数据集;
S2:对所述原始螺栓数据集进行预处理,得到目标螺栓数据集;
S3:分别采用相关系数分析法、聚类分析法和主成分分析法对所述目标螺栓数据集进行分析,得到力矩衰减关键因子,并根据所述力矩衰减关键因子建立原始力矩衰减预测模型;
S4:从所述目标螺栓数据集中获取样本数据集,并利用所述样本数据集对所述原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;
S5:利用所述目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。
首先通过获取多个历史螺栓数据,并建立原始螺栓数据集,科学地涵盖了螺栓的全生命周期因素,再通过对原始螺栓数据集进行预处理,一方面能保证数据质量,另一方面便于后续对预处理后得到的目标螺栓数据集进行分析,得到影响螺栓的力矩衰减关键因子;分别采用相关系数分析法、聚类分析法和主成分分析法对目标螺栓数据集进行分析,能有效分析螺栓的力矩衰减问题,并发现影响螺栓力矩衰减的主要因素,便于根据力矩衰减因子构建神经网络的原始力矩衰减预测模型,基于前述的目标螺栓数据集,对原始力矩衰减预测模型进行训练,得到预测准确率高的目标力矩衰减预测模型,通过目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到的预测结果预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
具体地,本实施例中,所述原始螺栓数据集中包含的数据向量有:螺栓材料、螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度。
上述螺栓材料、螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度均是影响螺栓的力矩衰减的重要因素,分别采集上述七类数据向量,得到原始螺栓数据集,便于后续对螺栓的力矩衰减问题进行处理和分析,从而得到影响力矩衰减的力矩衰减关键因子。
优选地,如图2所示,S2的具体步骤包括:
S2.1:采用线性插值法对所述原始螺栓数据集中的缺失数据向量进行数据修复,并采用均值平滑法对所述原始螺栓数据集中的异常数据向量进行数据修复,得到第一处理螺栓数据集;
S2.2:采用数据规约方法对所述第一处理螺栓数据集进行特征规约,得到第二处理螺栓数据集;
S2.3:采用降维处理方法对所述第二处理螺栓数据集进行数据降维,得到所述目标螺栓数据集。
通过线性插值法对缺失数据向量进行数据修复,通过均值平滑法对异常数据向量进行数据修复,可以保证数据第一处理螺栓数据集中的数据向量能涵盖螺栓的全生命周期,保证数据质量,从而保证后续对目标螺栓数据集进行分析的的结果更加准确,有利于分析出更准确的力矩衰减关键因子。
具体地,本实施例在判断异常数据向量时,若在原始螺栓数据集中出现急剧变化的数据向量,且范围超过预设值的±10%,则确定为异常数据向量,采用均值平滑法对该异常数据向量进行数据修复,也可以直接删除该异常数据向量;其中,线性插值法和均值平滑法的具体操作步骤均为现有技术,此处不再赘述。
数据规约是指尽可能在保持数据原貌的前提下,最大限度地精简数据量,因此,本实施例通过数据规约方法对第一处理螺栓数据集进行特征规约,可以删除不重要或不相关的特征,可以减少第一处理螺栓数据集中的数据向量的个数或维度,得到第一处理螺栓数据集中的特征数据集(特征向量的集合),即S2.2中得到的第二处理螺栓数据集,通过数据规约方法,能精简数据向量,得到的第一处理螺栓数据集中的特征向量的集合(第二处理螺栓数据集),便于提高后续的分析和处理效率;其中,数据规约方法的具体操作步骤均为现有技术,此处不再赘述。
由于本实施例中的第二处理螺栓数据集中的特征向量为多变量多维数据,因此,通过降维处理方法可以在不改变高维数据结构的前提下,将高维数据转化为低维数据,得到的目标螺栓数据集能除去第二处理螺栓数据集中的噪声和冗余数据,便于后续的分析,提高S3中得到力矩衰减关键因子的分析效率,进而有效缩短后续目标力矩衰减预测模型的预测时间,提高整个预测过程的效率,提高预测准确率;其中,降维处理方法有多种,包括主成分分析法、偏最小二乘法、非线性映照和投影寻踪技术等,本实施例具体采用主成分分析法来进行数据降维,其具体操作步骤均为现有技术,此处不再赘述。
优选地,如图3所示,在S3中,得到所述关键因子的具体步骤包括:
S3.1:采用相关系数分析法对所述目标螺栓数据集进行相关性分析,计算得到所述目标螺栓数据集中的每两个特征向量之间的相关系数;
计算所述目标螺栓数据集中第i个所述特征向量和第j个所述特征向量之间的所述相关系数的具体公式为:
其中,vi为第i个所述特征向量,vj为第j个所述特征向量,rij为第i个所述特征向量和第j个所述特征向量之间的所述相关系数,ui为第i个所述特征向量的期望值,uj为第j个所述特征向量的期望值,D(vi)为第i个所述特征向量的方差,D(vj)为第j个所述特征向量的方差,E(·)为求数学期望运算;
S3.2:根据所有所述相关系数,采用类平均法对所述目标螺栓数据集中的所有所述特征向量进行聚类分析,得到多个类别变量下的力矩衰减影响因子;
S3.3:根据每个类别变量分别对每个所述力矩衰减影响因子的累积贡献率,计算得到与每个类别变量一一对应的多个主成分载荷矩阵,根据所有所述主成分载荷矩阵对所有所述力矩衰减影响因子进行主成分分析,得到所述力矩衰减关键因子;
计算第k个类别变量下的所述主成分载荷矩阵的公式为:
其中,λk为第k个类别变量下的所述主成分载荷矩阵,αkn为第k个类别变量对第n个力矩衰减影响因子的所述累积贡献率,lkn为第k个类别变量对第n个力矩衰减影响因子的标准正交化特征向量。
通过相关系数法计算得到的多个相关系数,便于后续根据所有相关系数将目标螺栓数据集中具有相近特性的特征向量进行聚类分析,再具体采用类平均法进行聚类分析,可以初步得到对螺栓的力矩衰减影响较大的多个力矩衰减影响因子,并便于后续对所有的力矩衰减影响因子进行主成分分析,从而得到对螺栓的力矩衰减影响最大、最重要的力矩衰减关键因子;通过主成分分析法,得到最重要的力矩衰减关键因子,进一步保证后续构建的目标力矩衰减预测模型的预测准确率,从而保证能有效、准确地对待预测螺栓的力矩衰减进行预测,从而帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,提高了产品的安全性。
具体地,本实施例得到的力矩衰减影响因子分别为螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度,目标螺栓数据集为Z∈Rp×q,其中,为目标螺栓数据集中的总样本数,为力矩衰减影响因子总数,根据主成分分析法(PCA),投影到两个正交子空间(主元子空间和残差子空间),即其中,为主元向量,E为残差向量,T和P分别为主元子空间的得分矩阵和载荷矩阵,和分别为残差子空间的残差得分矩阵和残差载荷矩阵;主元子空间具有获取过程系统变化信息的能力,残差子空间可以表征随机噪声甚至一些异常信息;通过上述主成分分析法,可以得到准确的力矩衰减关键因子。
优选地,如图4所示,在S4中,得到所述目标力矩衰减预测模型的具体步骤包括:
S4.1:按照预设的划分比例将所述样本数据集分为训练集和测试集;
S4.2:利用所述训练集对所述原始力矩衰减预测模型进行训练,得到所述目标力矩衰减预测模型。
基于神经网络,通过上述S4.1~S4.2得到的目标力矩衰减预测模型对待预测的螺栓的力矩衰减的预测准确率高、预测效率高,能帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,提高了产品的安全性。
具体地,本实施例预设的划分比例为3:2,即训练集占样本数据集的五分之三,测试集占样本数据集的五分之二。
优选地,如图5所示,在S4.2之后还包括以下步骤:
S4.3:根据所述测试集,并利用评价指标集合对所述目标力矩衰减预测模型进行评估,若评估通过,则执行S5,若评估不通过,则返回S4.2;所述评价指标集合包括四个评价指标,分别为平方绝对误差、均方根误差、相关系数和拟合优度。
通过上述四个评价指标的评估方法,能进一步保证目标力矩衰减预测模型对待预测的螺栓的力矩衰减的预测准确率和预测效率。
具体地,所述平方绝对误差的计算公式为:
所述均方根误差的计算公式为:
所述拟合优度的计算公式为:
其中,MSE为所述平均绝对误差,RMSE为所述均方根误差,R2为所述拟合优度,m为所述测试集中的样本总数,为所述测试集中第t个样本的预测值,Yt为所述测试集中第t个样本的真实值,为所述测试集中所有样本的真实值的平均值。
需要说明的是,在S3.1中已经列出了相关系数的计算公式,因此在S4.3中将测试集中对应的值代入该相关系数的计算公式求解即可。
具体地,本实施例中的目标力矩衰减预测模型的模拟示意图如图6所示。
实施例二、如图7所示,一种螺栓力矩衰减的预测系统,包括数据获取模块、数据处理模块、分析模块、模型训练与构建模块和预测模块;
所述数据获取模块,用于获取安装在目标物体上的螺栓的多个历史螺栓数据,并根据多个所述历史螺栓数据建立原始螺栓数据集;
所述数据处理模块,用于对所述原始螺栓数据集进行预处理,得到目标螺栓数据集;
所述分析模块,用于分别采用相关系数分析法、聚类分析法和主成分分析法对所述目标螺栓数据集进行分析,得到力矩衰减关键因子;
所述模型训练与构建模块,用于根据所述力矩衰减关键因子建立原始力矩衰减预测模型,还用于从所述目标螺栓数据集获取样本数据集,并利用所述样本数据集对所述原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;
所述预测模块,用于利用所述目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。
本实施例通过数据获取模块获取多个历史螺栓数据,并建立原始螺栓数据集,科学地涵盖了螺栓的全生命周期因素,通过数据处理模块对原始螺栓数据集进行预处理,一方面能保证数据质量,另一方面便于后续分析模块对预处理后得到的目标螺栓数据集进行分析,得到影响螺栓的力矩衰减关键因子;通过分析模块分别采用相关系数分析法、聚类分析法和主成分分析法对目标螺栓数据集进行分析,能有效分析螺栓的力矩衰减问题,并发现影响螺栓力矩衰减的主要因素,便于模型训练与构建模块根据力矩衰减因子构建神经网络的原始力矩衰减预测模型,基于前述的目标螺栓数据集,对原始力矩衰减预测模型进行训练,得到预测准确率高的目标力矩衰减预测模型,通过预测模块根据目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到的预测结果,预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
实施例三、基于实施例一和实施例二,本实施例还公开了一种螺栓力矩衰减的预测装置,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现如图1所示的S1至S5的具体步骤。
通过存储在存储器上的计算机程序,并运行在处理器上,实现本发明的螺栓力矩衰减的预测,对螺栓的力矩衰减的预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
本实施例还提供一种计算机存储介质,所述计算机存储介质上存储有至少一个指令,所述指令被执行时实现所述S1至S5的具体步骤。
通过执行包含至少一个指令的计算机存储介质,实现本发明的螺栓力矩衰减的预测,对螺栓的力矩衰减的预测准确率高,极大地帮助了企业及时地和全面地掌握力矩衰减情况,并对螺栓进行排查并采取相应的解决方案,减少了主观臆断的不确定性,工作效率得到极大提升,提高了产品的安全性。
本实施例中S1至S5的未尽细节,详见实施例一及图1至图6的内容,具体不再赘述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种螺栓力矩衰减的预测方法,其特征在于,包括以下步骤:
步骤1:获取安装在目标物体上的螺栓的多个历史螺栓数据,并根据多个所述历史螺栓数据建立原始螺栓数据集;
步骤2:对所述原始螺栓数据集进行预处理,得到目标螺栓数据集;
步骤3:分别采用相关系数分析法、聚类分析法和主成分分析法对所述目标螺栓数据集进行分析,得到力矩衰减关键因子,并根据所述力矩衰减关键因子建立原始力矩衰减预测模型;
步骤4:从所述目标螺栓数据集中获取样本数据集,并利用所述样本数据集对所述原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;
步骤5:利用所述目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。
2.根据权利要求1所述的螺栓力矩衰减的预测方法,其特征在于,所述原始螺栓数据集中包含的数据向量有:螺栓材料、螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度。
3.根据权利要求1所述的螺栓力矩衰减的预测方法,其特征在于,所述步骤2的具体步骤包括:
步骤2.1:采用线性插值法对所述原始螺栓数据集中的缺失数据向量进行数据修复,并采用均值平滑法对所述原始螺栓数据集中的异常数据向量进行数据修复,得到第一处理螺栓数据集;
步骤2.2:采用数据规约方法对所述第一处理螺栓数据集进行特征规约,得到第二处理螺栓数据集;
步骤2.3:采用降维处理方法对所述第二处理螺栓数据集进行数据降维,得到所述目标螺栓数据集。
4.根据权利要求1所述的螺栓力矩衰减的预测方法,其特征在于,在所述步骤3中,得到所述关键因子的具体步骤包括:
步骤3.1:采用相关系数分析法对所述目标螺栓数据集进行相关性分析,计算得到所述目标螺栓数据集中的每两个特征向量之间的相关系数;
计算所述目标螺栓数据集中第i个所述特征向量和第j个所述特征向量之间的相关系数的具体公式为:
其中,vi为第i个所述特征向量,vj为第j个所述特征向量,rij为第i个所述特征向量和第j个所述特征向量之间的相关系数,ui为第i个所述特征向量的期望值,uj为第j个所述特征向量的期望值,D(vi)为第i个所述特征向量的方差,D(vj)为第j个所述特征向量的方差,E(·)为求数学期望运算;
步骤3.2:根据所有所述相关系数,采用类平均法对所述目标螺栓数据集中的所有所述特征向量进行聚类分析,得到多个类别变量下的力矩衰减影响因子;
步骤3.3:根据每个类别变量分别对每个所述力矩衰减影响因子的累积贡献率,计算得到与每个类别变量一一对应的多个主成分载荷矩阵,根据所有所述主成分载荷矩阵对所有所述力矩衰减影响因子进行主成分分析,得到所述力矩衰减关键因子;
计算第k个类别变量下的所述主成分载荷矩阵的公式为:
其中,λk为第k个类别变量下的所述主成分载荷矩阵,αkn为第k个类别变量对第n个力矩衰减影响因子的所述累积贡献率,lkn为第k个类别变量对第n个力矩衰减影响因子的标准正交化特征向量。
5.根据权利要求1所述的螺栓力矩衰减的预测方法,其特征在于,在所述步骤4中,得到所述目标力矩衰减预测模型的具体步骤包括:
步骤4.1:按照预设的划分比例将所述样本数据集分为训练集和测试集;
步骤4.2:利用所述训练集对所述原始力矩衰减预测模型进行训练,得到所述目标力矩衰减预测模型。
6.根据权利要求5所述的螺栓力矩衰减的预测方法,其特征在于,在所述步骤4.2之后还包括以下步骤:
步骤4.3:根据所述测试集,并利用评价指标集合对所述目标力矩衰减预测模型进行评估,若评估通过,则执行所述步骤5,若评估不通过,则返回所述步骤4.2;所述评价指标集合包括四个评价指标,分别为平方绝对误差、均方根误差、相关系数和拟合优度。
7.一种螺栓力矩衰减的预测系统,其特征在于,包括数据获取模块、数据处理模块、分析模块、模型训练与构建模块和预测模块;
所述数据获取模块,用于获取安装在目标物体上的螺栓的多个历史螺栓数据,并根据多个所述历史螺栓数据建立原始螺栓数据集;
所述数据处理模块,用于对所述原始螺栓数据集进行预处理,得到目标螺栓数据集;
所述分析模块,用于分别采用相关系数分析法、聚类分析法和主成分分析法对所述目标螺栓数据集进行分析,得到力矩衰减关键因子;
所述模型训练与构建模块,用于根据所述力矩衰减关键因子建立原始力矩衰减预测模型,还用于从所述目标螺栓数据集获取样本数据集,并利用所述样本数据集对所述原始力矩衰减预测模型进行训练,得到目标力矩衰减预测模型;
所述预测模块,用于利用所述目标力矩衰减预测模型对待预测螺栓的力矩衰减进行预测,得到预测结果。
8.根据权利要求7所述的螺栓力矩衰减的预测系统,其特征在于,所述原始螺栓数据集中包含的数据向量有:螺栓材料、螺栓等级、垫片等级、连接件材料、摩擦系数、表面硬度和拧紧速度。
9.一种螺栓力矩衰减的预测装置,其特征在于,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现如权利要求1至6任一项权利要求所述的方法步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质包括:至少一个指令,在所述指令被执行时实现如权利要求1至6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643745.2A CN110472288B (zh) | 2019-07-17 | 2019-07-17 | 一种螺栓力矩衰减的预测方法、系统、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643745.2A CN110472288B (zh) | 2019-07-17 | 2019-07-17 | 一种螺栓力矩衰减的预测方法、系统、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472288A true CN110472288A (zh) | 2019-11-19 |
CN110472288B CN110472288B (zh) | 2022-12-13 |
Family
ID=68508750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910643745.2A Expired - Fee Related CN110472288B (zh) | 2019-07-17 | 2019-07-17 | 一种螺栓力矩衰减的预测方法、系统、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472288B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400562A (zh) * | 2020-03-26 | 2020-07-10 | 中扭科技(重庆)有限公司 | 用于扣件螺栓定扭的在线数据处理系统及方法 |
CN112065626A (zh) * | 2020-08-28 | 2020-12-11 | 东风商用车有限公司 | 一种喷油器压紧螺栓拧紧力矩设计方法 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
CN112346893A (zh) * | 2020-11-10 | 2021-02-09 | 深圳市康必达控制技术有限公司 | 故障预测方法、装置、终端及存储介质 |
CN114358059A (zh) * | 2021-12-17 | 2022-04-15 | 华南理工大学 | 一种基于力矩奇异性分析的丝杆类零件合格性检验方法 |
CN114459743A (zh) * | 2022-01-14 | 2022-05-10 | 东风柳州汽车有限公司 | 螺栓异常检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140341453A1 (en) * | 2013-05-17 | 2014-11-20 | Bailing Hsu | Myocardial blood flow quantitation with dynamic spect or spect/ct imaging |
JP2015225454A (ja) * | 2014-05-27 | 2015-12-14 | 日本電信電話株式会社 | 重回帰分析装置、重回帰分析方法、およびプログラム |
CN107705159A (zh) * | 2017-10-20 | 2018-02-16 | 中国农业大学 | 存量房估价方法及装置 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
-
2019
- 2019-07-17 CN CN201910643745.2A patent/CN110472288B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140341453A1 (en) * | 2013-05-17 | 2014-11-20 | Bailing Hsu | Myocardial blood flow quantitation with dynamic spect or spect/ct imaging |
JP2015225454A (ja) * | 2014-05-27 | 2015-12-14 | 日本電信電話株式会社 | 重回帰分析装置、重回帰分析方法、およびプログラム |
CN107705159A (zh) * | 2017-10-20 | 2018-02-16 | 中国农业大学 | 存量房估价方法及装置 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400562A (zh) * | 2020-03-26 | 2020-07-10 | 中扭科技(重庆)有限公司 | 用于扣件螺栓定扭的在线数据处理系统及方法 |
CN112065626A (zh) * | 2020-08-28 | 2020-12-11 | 东风商用车有限公司 | 一种喷油器压紧螺栓拧紧力矩设计方法 |
CN112065626B (zh) * | 2020-08-28 | 2021-09-14 | 东风商用车有限公司 | 一种喷油器压紧螺栓拧紧力矩设计方法 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
CN112346893A (zh) * | 2020-11-10 | 2021-02-09 | 深圳市康必达控制技术有限公司 | 故障预测方法、装置、终端及存储介质 |
CN114358059A (zh) * | 2021-12-17 | 2022-04-15 | 华南理工大学 | 一种基于力矩奇异性分析的丝杆类零件合格性检验方法 |
CN114358059B (zh) * | 2021-12-17 | 2024-07-12 | 华南理工大学 | 一种基于力矩奇异性分析的丝杆类零件合格性检验方法 |
CN114459743A (zh) * | 2022-01-14 | 2022-05-10 | 东风柳州汽车有限公司 | 螺栓异常检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110472288B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472288B (zh) | 一种螺栓力矩衰减的预测方法、系统、装置和介质 | |
CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN103824137B (zh) | 一种复杂机械设备多工况故障预测方法 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
DE102020100591A1 (de) | Fehlererfassungsvorrichtung zum erfassen eines problems mit einem teil einer maschine | |
DE10259609A1 (de) | Verfahren zur Bestimmung der Ermüdungsempfindlichkeit | |
CN109085805B (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
DE112012003403T5 (de) | Verfahren, Vorrichtung und Computerprogramm zum Erkennen eines Auftretens von Abnormität | |
CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN111367253B (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
CN112114103A (zh) | 基于鲁棒自适应典型相关分析的污水厂污泥膨胀检测方法 | |
CN115958990A (zh) | 一种v2g充电桩信息诊断与安全防护方法 | |
CN111832442B (zh) | 从海量桥梁动态应变数据中自动化分离温度应变成分的方法 | |
CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN110060374B (zh) | 一种飞机燃油系统异常检测方法及装置 | |
CN110288724B (zh) | 一种基于小波函数主元分析的批次过程监测方法 | |
CN111488262A (zh) | 一种基于云模型卷积理论的工艺健康系统评估方法 | |
CN117367775B (zh) | 一种液压制动系统模拟测试装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221213 |
|
CF01 | Termination of patent right due to non-payment of annual fee |