CN111325314A - 使用卷积神经网络法来预测夹紧力的方法 - Google Patents

Abstract

一种使用卷积神经网络法来预测夹紧力的方法，包括：从信号处理分析设备生成倒谱图像；通过人工智能学习将预定权重值乘以生成的倒谱图像的像素来提取特征图像；从所提取的特征图像中提取最大像素作为代表性图像；通过合成提取的代表性图像信息来合成图像；并且通过将合成图像与预定值进行比较来预测夹紧力。

Description

使用卷积神经网络法来预测夹紧力的方法

技术领域

本公开的示例性实施方式涉及一种使用卷积神经网络法来预测夹紧力的方法，更具体地，涉及一种使用预测螺栓夹紧力的卷积神经网络法来预测夹紧力的方法。

背景技术

螺栓被广泛用作接合两个或多个零件的重要元件。特别是，在钢结构的接合处必须使用符合规定的螺栓，并且必须严格控制螺栓的夹紧力。

例如，韩国工业标准(KS)根据扭矩系数将螺栓的类型分为A类和B类，并指定适当的扭矩系数。KS标准规定，对于A类螺栓，扭矩系数的平均值适合于0.11至0.15，并且对于B类螺栓，扭矩系数的平均值适合于0.15至0.19。

可以从扭矩值、扭矩系数和螺栓的直径来计算螺栓的接头夹紧力，并且可以通过调节扭矩值来获得期望的接头夹紧力。

通常使用紧固方法来管理螺栓的夹紧力，其可以分为扭矩控制方法和螺母旋转方法。

由于螺母旋转法使用螺母的旋转角度，因此具有夹紧力的分布相对较小的优点。

相反，扭矩控制方法具有出色的可加工性的优点，因为该方法确定扭矩值的上限和下限并使用扭矩扳手拧紧螺栓。

然而，螺栓的扭矩系数不能保持恒定，而是可以由于诸如螺栓的长度(其为物理因素)和温度(其为环境因素)等各种因素而改变。

因此，扭矩控制方法具有由于扭矩系数的改变而导致夹紧力的分布较大的缺点。

此外，存在的缺点在于，在使用扭矩扳手拧紧螺栓之后，需要通过单独的测量设备来测量拧紧的螺栓的夹紧力。

因此，重要的是预测螺栓的夹紧力，以使螺栓保持适当的夹紧力。

近期出现了使用人工智能的各种预测技术。其中，已经介绍了使用人工神经网络预测螺栓夹紧力的预测技术。

在现有技术中使用人工神经网络计算夹紧力的方法中，倒频谱系数和短时傅立叶变换(STFT)分别从传感器单元获取的信号中得出。

在倒频谱系数的情况下，使用高通滤波器仅提取所获取信号的高频带以减小对噪声的影响。

然后，通过在每个帧中选择代表值，然后将每个等腰三角形分布的权重值乘以数百个划分的频域，然后对其求和来获得值。

所计算的值与对数相乘并进行离散余弦变换以得出倒频谱系数。

在STFT的情况下，通过基于短时间的具有50％重叠周期的快速傅立叶变换，将所获取的信号变换为具有数百帧的频域数据。

将倒谱系数和STFT数据的特性作为监督信号输入，并通过使用成本函数的斜率下降法形成多层权重矩阵层，并使用多层权重矩阵层指示夹紧力预测值。

然而，由于这种传统的预测技术复杂，因此存在以下问题：实时夹紧力预测困难并且精度低。

发明内容

本公开的实施方式旨在提供使用卷积神经网络法来预测夹紧力的方法，该方法被简化并且能够通过提高准确性来进行实时预测。

根据本公开的示例性实施方式，使用卷积神经网络法预测夹紧力的方法包括：通过信号处理分析设备生成倒谱图像；通过人工智能学习，通过将预定权重值乘以所生成的倒谱图像的像素来提取特征图像；从所提取的特征图像中提取最大像素作为代表性图像；通过合成提取的代表性图像信息来合成图像；并且通过将合成图像与预定值进行比较来预测夹紧力。

在图像的合成与夹紧力的预测之间可以应用用于优化预定权重值的亚当优化。

损失函数可以应用于亚当优化。

在特征图像的提取中，可以应用卷积滤波器。

在代表性图像的提取中，可以应用合并滤波器。

可以连续地应用至少两个卷积滤波器。

对所提取的代表性图像可以进行至少一次特征图像的提取。

根据本公开的另一示例性实施方式，使用卷积神经网络法预测夹紧力的方法包括：从信号处理分析设备生成倒谱图像；以及通过将所产生的倒谱图像与预定值进行比较来预测夹紧力。

根据本公开，获得以下效果。

首先，由于在减小图像尺寸的同时数据处理速度快，所以具有实时测量容易的优点。

第二，由于应用亚当优化，因此有利的是，通过减小损失值来提高预测的准确性，因为当通过迭代学习连续访问路径时，权重值被充分地更新。

第三，在实时测量系统中使用该方法是有利的，因为该方法比常规的斜率下降方法更快。

第四，由于在接合期间信号的大小较大，所以具有当以不同的速度执行多步接合时能够进行清楚的区分的优点。

第五，优点是容易使用卷积神经网络的图像来推导特征图，因为在多步接合中有明显的区别。

附图说明

图1是根据本公开的示例性实施方式的流程图。

图2是根据本公开的示例性实施方式的卷积神经网络方法的配置图。

图3是根据本公开的示例性实施方式的滤波器的配置图。

具体实施方式

本公开可以具有各种修改，并且各种实施方式和特定实施方式将在附图中示出并且在详细描述中进行详细描述。然而，这并不将本公开限制于特定实施方式，并且应当理解，本公开涵盖包括在本公开的思想和技术范围内的所有修改、等同物和替换。

在描述每个附图时，附图标记指代相似的元件。

包括作为第一、第二等的术语用于描述各种构成元件，但是组成元件不受这些术语的限制。该术语仅用于将一个组成元件与另一元件区分开。

该术语仅用于将一个组成元件与另一元件区分开。术语“和/或”包括多个相关公开项目或多个相关公开项目中的任何项目的组合。

如果没有相反的定义，则本文使用的所有术语，包括技术术语或科学术语，具有与本领域普通技术人员通常理解的含义相同的含义。

在通用词典中定义的术语应被解释为具有与相关技术上下文中的含义相同的含义，并且除非在本申请中明确定义，否则不应解释为理想含义或过分正式的含义。

将描述根据本公开的示例性实施方式的使用卷积神经网络法来预测夹紧力的方法的流程。

图1是根据本公开的示例性实施方式的流程图，图2是根据本公开的示例性实施方式的卷积神经网络方法的配置图，以及图3是根据本公开的示例性实施方式的滤波器的配置图。

首先，在倒频谱图像生成步骤(S1)中，通过信号处理分析设备生成倒频谱图像(S20)。

随着所获取的信号的夹紧力增加，所生成的倒频谱图像包含频率变化信息作为像素值。

倒频谱图像可以从信号处理和分析设备获得(S10)。

可以从生成的倒谱图像中获取学习倒谱图像(S30)。

接下来，在特征图像提取步骤(S2)中，通过将预定权重值乘以通过人工智能学习生成的倒谱图像的像素(S30)，来提取特征图像。

此时，在特征图像提取步骤(S2)中，可以应用卷积滤波器(S40)。

卷积滤波器是小型滤波器，并且具有要乘以图像像素的权重值。

更具体地，卷积滤波器是用于提取输入图像的卷积神经网络的层之一。

在每个深度学习中，卷积滤波器的矩阵的值被称为掩码。

通过使用卷积滤波器，通过重复学习的掩模的值被改变为用于区分的适当值，从而提高学习的准确性。

当倒谱图像被输入到卷积滤波器时，该滤波器在图像上移动并且通过乘以预定的适当权重值来提取特征图像。

所提取的特征图像被输入到合并滤波器(S50)。

合并滤波器(S50)仅提取像素信息中的代表值。

更具体地，合并过滤器(S50)用于导出通过卷积导出的特征图的最高有效值，并且用于减小图像的尺寸。

当所提取的特征图像通过合并滤波器时(S50)，仅代表信息被存储，并且图像的尺寸减小。

可以连续地应用至少两个卷积滤波器。

接下来，在代表性图像提取步骤(S3)中，从提取的特征图像中提取最大像素。

此时，在代表性图像提取步骤(S3)中，可以应用合并滤波器。

所提取的代表性图像可以至少再次经历特征图像提取步骤。

接下来，在图像合成步骤(S4)中，通过合成提取的代表性图像信息来生成合成图像。

最后，在夹紧力预测步骤(S5)中，通过将合成图像与预定值进行比较来指示预测的夹紧力(S80)。

此时，由代表值构成的信息最终由致密层合成，并且预测值被表示为具有最高概率的夹紧力。

预测值被指示为特定于夹紧力的概率向量(S70)。

另一方面，可以应用亚当优化(S62)来优化图像合成步骤(S4)和夹紧力预测步骤(S5)之间的权重值。

由于最小值是使用亚当优化器得出的，因此由于其速度比常规的斜率下降方法快，因此适合在实时测量系统中使用。

此时，可以将损失函数(S61)应用于亚当优化(S62)。

换句话说，亚当优化技术有助于卷积滤波器的优化。

具有足够优化的滤波器具有权重值以有效地提取图像的特征。

以下将参照图3详细描述根据本公开的示例性实施方式的滤波器的构造。

倒频谱图像100被获取作为从组件测量的数据，并且此时，图像的尺寸是599 x 32像素的尺寸。

卷积滤波器200应用于整个图像，而尺寸为3 x 3的滤波器向右或向下移动一个空间以提取倒频谱变化的特征。

更具体地，第一卷积滤波器210和第二卷积滤波器220可以连续地用作卷积滤波器200。

从卷积滤波器200提取的第一特征图像310的尺寸保持在599 x 32像素的尺寸。

第一特征图像310被输入到第一合并滤波器410。

合并过滤器400可以按顺序包括第一合并过滤器410和第二合并过滤器420。

当经历卷积的第一特征图像310进入合并滤波器400时，图像的所有区域被划分为2×2区域，并且提取每个区域中的最大像素值。

该值是第一代表性图像510。

即，由于如图所示从四个值中仅获得一个代表性图像值，因此图像的水平和垂直尺寸减小一半。

通过第三卷积滤波器230和第四卷积滤波器240再次将第一代表性图像510导出为第二特征图像320。

第二特征图像320再次通过第二合并滤波器420以获得第二代表性图像520。

通过对致密层(S60)的图像信息进行合成以测量与50kN至81kN的31个类别中的每个类别的相似度并添加相似度，合成图像600变为1。

在夹紧力预测步骤(S5)中，将所测量的相似度中具有最高相似度的类别确认为确定的夹紧力。

这样，第一卷积滤波器210和第二卷积滤波器220可以被双重用作卷积滤波器200。

这样，可以应用多滤波器结构，其中将由第一卷积滤波器210和第二卷积滤波器220获得的特征图像提供给第一池化滤波器410，并且将通过第三卷积获得的特征图像滤波器230和第四卷积滤波器240被提供给第二滤波器420。

换句话说，可以使用作为双卷积滤波器和池化滤波器的组合的三重滤波器结构来应用多滤波器结构。

以这种方式，可以通过将卷积滤波器堆叠在多层中来提取深度特征。

另外，重要信息可以通过使用合并滤波器至少一次存储在较小的图像中，从而提高实时预测的速度和准确性。

根据本公开的示例性实施方式的使用卷积神经网络法来预测夹紧力的方法可以由倒频谱图像生成步骤(S31)和预测步骤(S80)构成，该倒频谱图像生成步骤(S31)从信号处理分析设备生成倒频谱图像，该预测步骤(S80)通过将生成的倒谱图像与预定值进行比较来指示预测的夹紧力。

Claims (8)

1.一种使用卷积神经网络法来预测夹紧力的方法，包括：

通过信号处理分析设备生成倒谱图像；

通过人工智能学习将预定权重值乘以生成的倒谱图像的像素来提取特征图像；

从提取的特征图像提取最大像素作为代表性图像；

通过合成提取的代表性图像信息来合成图像；并且

通过将合成的图像与预定值进行比较来预测所述夹紧力。

2.根据权利要求1所述的方法，其中，在所述图像的合成与所述夹紧力的预测之间应用用于优化所述预定权重值的亚当优化。

3.根据权利要求2所述的方法，其中，将损失函数应用于所述亚当优化。

4.根据权利要求1所述的方法，其中，在所述特征图像的提取中，应用卷积滤波器。

5.根据权利要求1所述的方法，其中，在所述代表性图像的提取中，应用合并滤波器。

6.根据权利要求4所述的方法，其中，连续地应用至少两个所述卷积滤波器。

7.根据权利要求6所述的方法，其中，对所述提取的代表性图像进行至少一次所述特征图像的提取。

8.一种使用卷积神经网络法来预测夹紧力的方法，包括：

通过信号处理分析设备生成倒谱图像；并且

通过将所生成的倒频谱图像与预定值进行比较来预测所述夹紧力。

Images