CN113869502A - 一种基于深度神经网络的螺栓拧紧失效原因分析方法 - Google Patents
一种基于深度神经网络的螺栓拧紧失效原因分析方法 Download PDFInfo
- Publication number
- CN113869502A CN113869502A CN202111223214.1A CN202111223214A CN113869502A CN 113869502 A CN113869502 A CN 113869502A CN 202111223214 A CN202111223214 A CN 202111223214A CN 113869502 A CN113869502 A CN 113869502A
- Authority
- CN
- China
- Prior art keywords
- neural network
- tightening
- scene
- deep neural
- bolt
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度神经网络的螺栓拧紧失效原因分析方法,包括创建拧紧场景、获取特征指标、创建初始标签数据、建立全连接神经网络模型、预测失效原因,在拧紧的场景中,以10%的不合格曲线以及特征指标作为样本数据,对样本数据进行高斯混合模型聚类,得到4~5个聚簇,对每个聚簇的所有拧紧曲线中的角度数据X和所有扭矩数据Y进行多项式回归,得到回归曲线。本发明涉及机器学习技术领域,该基于深度神经网络的螺栓拧紧失效原因分析方法,通过利用计算机软件算法,能够代替专业人员自动判别每一次拧紧失效的异常原因后定向反馈,进而达到节约人工并为其他报警、监控类软件系统提供数据支持的目的。
Description
技术领域
本发明涉及机器学习技术领域,具体为一种基于深度神经网络的螺栓拧紧失效原因分析方法。
背景技术
汽车装配过程涉及到数百个关键拧紧点,必须保证全部拧紧达标才能下线,如果同一拧紧点多次出现一次拧紧不合格、多次返修至合格的情况,则需要专业的质量保证人员复查其原因,针对性地形成工艺优化方案,从而达到提高生产效率、减少螺栓零件消耗的目的。
但是在汽车装配过程中,若螺栓不合格时,需要人工进行复查,而传统人工复查过程工作量较大,需要消耗大量工时,从而降低了工作效率。
发明内容
针对现有技术的不足,本发明提供了一种基于深度神经网络的螺栓拧紧失效原因分析方法,解决了在汽车装配过程中,若螺栓不合格时,需要人工进行复查,而传统人工复查过程工作量较大,需要消耗大量工时,从而降低了工作效率的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度神经网络的螺栓拧紧失效原因分析方法,包括以下步骤:
S1、创建拧紧场景:建立汽车装配螺栓拧紧的场景,将实际生产过程中,螺栓拧紧不合格的曲线纳入到与其相对应的场景中;
S2、获取特征指标:实时计算步骤S1中所得的每个拧紧场景中每一条拧紧失效结果中的拧紧曲线的特征指标,特征指标包括扭矩的最大值和最小值,角度的最大值和最小值,角度的平均值、中位数以及方差、一阶差分的扭矩和角度标准差,扭矩和角度的变异系数,峰度以及偏度;
S3、创建初始标签数据:在拧紧的场景中,以10%的不合格曲线以及特征指标作为样本数据,对样本数据进行高斯混合模型聚类,得到4~5个聚簇,对每个聚簇的所有拧紧曲线中的角度数据X和所有扭矩数据Y进行多项式回归,得到回归曲线,将回归曲线提交给领域专家鉴定,领域专家查看回归曲线确定其不合格原因后,将聚簇与不合格原因合成相应拧紧场景的标签数据;
S4、建立全连接神经网络模型:对步骤S1中所得的每个拧紧场景中,分别对其进行建立各自独立的全连接神经网络模型,然后将步骤S3中所得的标签数据分为训练集和测试集,使用训练集的特征指标为输入,训练集的不合格原因为输出,对神经网络模型进行训练,训练过程需要反复进行至少三次以上,直至训练集准确率高于预期值,使用训练所得模型对测试集进行预测,如果准确率高于指定预期值,即可认为该拧紧场景的神经网络模型为可信模型;
S5、预测失效原因:使用可信模型自动预测其对应拧紧场景未来生产过程中出现的拧紧失效数据的异常原因。
优选的,所述步骤S1中,建立螺栓拧紧的场景时,螺栓的类型和螺栓的拧紧工具以及螺栓拧紧的策略均相同。
优选的,所述步骤S2中,一阶差分的公式为:
(△yx=yx+1-yx,(x=0,1,2,…)) (1.1)
其中,σ为标准差
优选的,所述步骤S2中,扭矩和角度的变异系数公式为:
其中μ是平均值,σ是标准差。
优选的,所述步骤S2中,峰度和偏度公式为:
其中μ4是四阶中心矩,bk为峰度,Sk为偏度,σ是标准差,μ3是三阶中心矩。
优选的,所述步骤S3中,在进行高斯混合模型聚类时,类别数量根据聚类的效果进行相应的调整。
优选的,所述步骤S3中,对角度数据X和所有扭矩数据Y进行多项式回归时,其回归方程式为:
b=(X1Y1+X2Y2+…+XnYn-nXY)/(X1+X2+…+Xn-nX) (1.6)
优选的,所述步骤S4中,训练集的数量为所得标签的60%,剩余的40%为测试集的数量。
优选的,所述步骤S4中,训练集准确率预期值为95%,测试集准确率预期值为90%。
优选的,所述步骤S5中,对预测后的场景进行整理分类,并且将其备份储存在终端中。
有益效果
本发明提供了一种基于深度神经网络的螺栓拧紧失效原因分析方法,与现有技术相比具备以下有益效果:
1、该基于深度神经网络的螺栓拧紧失效原因分析方法,通过利用计算机软件算法,能够代替专业人员自动判别每一次拧紧失效的异常原因后定向反馈,进而达到节约人工并为其他报警、监控类软件系统提供数据支持的目的。
2、该基于深度神经网络的螺栓拧紧失效原因分析方法,能够适应于不同设备上的螺栓拧紧失效监测工作,增加了其适用范围性。
附图说明
图1为本发明的分析流程框图;
图2为本发明分析流程的逻辑框图;
图3为本发明场景模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,本发明提供两种技术方案:
实施例一
一种基于深度神经网络的螺栓拧紧失效原因分析方法,包括以下步骤:
S1、创建拧紧场景:建立汽车装配螺栓拧紧的场景,将实际生产过程中,螺栓拧紧不合格的曲线纳入到与其相对应的场景中;
S2、获取特征指标:实时计算步骤S1中所得的每个拧紧场景中每一条拧紧失效结果中的拧紧曲线的特征指标,特征指标包括扭矩的最大值和最小值,角度的最大值和最小值,角度的平均值、中位数以及方差、一阶差分的扭矩和角度标准差,扭矩和角度的变异系数,峰度以及偏度;
S3、创建初始标签数据:在拧紧的场景中,以10%的不合格曲线以及特征指标作为样本数据,对样本数据进行高斯混合模型聚类,得到4个聚簇,对每个聚簇的所有拧紧曲线中的角度数据X和所有扭矩数据Y进行多项式回归,得到回归曲线,将回归曲线提交给领域专家鉴定,领域专家查看回归曲线确定其不合格原因后,将聚簇与不合格原因合成相应拧紧场景的标签数据;
S4、建立全连接神经网络模型:对步骤S1中所得的每个拧紧场景中,分别对其进行建立各自独立的全连接神经网络模型,然后将步骤S3中所得的标签数据分为训练集和测试集,使用训练集的特征指标为输入,训练集的不合格原因为输出,对神经网络模型进行训练,训练过程需要反复进行至少三次以上,直至训练集准确率高于预期值,使用训练所得模型对测试集进行预测,如果准确率高于指定预期值,即可认为该拧紧场景的神经网络模型为可信模型;
S5、预测失效原因:使用可信模型自动预测其对应拧紧场景未来生产过程中出现的拧紧失效数据的异常原因。
本发明实施例中,步骤S1中,建立螺栓拧紧的场景时,螺栓的类型和螺栓的拧紧工具以及螺栓拧紧的策略均相同。
本发明实施例中,步骤S2中,一阶差分的公式为:
(△yx=yx+1-yx,(x=0,1,2,…)) (1.1)
其中,σ为标准差
本发明实施例中,步骤S2中,扭矩和角度的变异系数公式为:
其中μ是平均值,σ是标准差。
本发明实施例中,步骤S2中,峰度和偏度公式为:
其中μ4是四阶中心矩,bk为峰度,Sk为偏度,σ是标准差,μ3是三阶中心矩。
本发明实施例中,步骤S3中,在进行高斯混合模型聚类时,类别数量根据聚类的效果进行相应的调整。
本发明实施例中,步骤S3中,对角度数据X和所有扭矩数据Y进行多项式回归时,其回归方程式为:
b=(X1Y1+X2Y2+…+XnYn-nXY)/(X1+X2+…+Xn-nX) (1.6)
本发明实施例中,步骤S4中,训练集的数量为所得标签的60%,剩余的40%为测试集的数量。
本发明实施例中,步骤S4中,训练集准确率预期值为95%,测试集准确率预期值为90%。
本发明实施例中,步骤S5中,对预测后的场景进行整理分类,并且将其备份储存在终端中。
实施例二
一种基于深度神经网络的螺栓拧紧失效原因分析方法,包括以下步骤:
S1、创建拧紧场景:建立汽车装配螺栓拧紧的场景,将实际生产过程中,螺栓拧紧不合格的曲线纳入到与其相对应的场景中;
S2、获取特征指标:实时计算步骤S1中所得的每个拧紧场景中每一条拧紧失效结果中的拧紧曲线的特征指标,特征指标包括扭矩的最大值和最小值,角度的最大值和最小值,角度的平均值、中位数以及方差、一阶差分的扭矩和角度标准差,扭矩和角度的变异系数,峰度以及偏度;
S3、创建初始标签数据:在拧紧的场景中,以10%的不合格曲线以及特征指标作为样本数据,对样本数据进行高斯混合模型聚类,得到5个聚簇,对每个聚簇的所有拧紧曲线中的角度数据X和所有扭矩数据Y进行多项式回归,得到回归曲线,将回归曲线提交给领域专家鉴定,领域专家查看回归曲线确定其不合格原因后,将聚簇与不合格原因合成相应拧紧场景的标签数据;
S4、建立全连接神经网络模型:对步骤S1中所得的每个拧紧场景中,分别对其进行建立各自独立的全连接神经网络模型,然后将步骤S3中所得的标签数据分为训练集和测试集,使用训练集的特征指标为输入,训练集的不合格原因为输出,对神经网络模型进行训练,训练过程需要反复进行至少三次以上,直至训练集准确率高于预期值,使用训练所得模型对测试集进行预测,如果准确率高于指定预期值,即可认为该拧紧场景的神经网络模型为可信模型;
S5、预测失效原因:使用可信模型自动预测其对应拧紧场景未来生产过程中出现的拧紧失效数据的异常原因。
本发明实施例中,步骤S1中,建立螺栓拧紧的场景时,螺栓的类型和螺栓的拧紧工具以及螺栓拧紧的策略均相同。
本发明实施例中,步骤S2中,一阶差分的公式为:
(△yx=yx+1-yx,(x=0,1,2,…)) (1.1)
其中,σ为标准差
本发明实施例中,步骤S2中,扭矩和角度的变异系数公式为:
其中μ是平均值,σ是标准差。
本发明实施例中,步骤S2中,峰度和偏度公式为:
其中μ4是四阶中心矩,bk为峰度,Sk为偏度,σ是标准差,μ3是三阶中心矩。
本发明实施例中,步骤S3中,在进行高斯混合模型聚类时,类别数量根据聚类的效果进行相应的调整。
本发明实施例中,步骤S3中,对角度数据X和所有扭矩数据Y进行多项式回归时,其回归方程式为:
b=(X1Y1+X2Y2+…+XnYn-nXY)/(X1+X2+…+Xn-nX) (1.6)
本发明实施例中,步骤S4中,训练集的数量为所得标签的60%,剩余的40%为测试集的数量。
本发明实施例中,步骤S4中,训练集准确率预期值为95%,测试集准确率预期值为90%。
本发明实施例中,步骤S5中,对预测后的场景进行整理分类,并且将其备份储存在终端中。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
Claims (10)
1.一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于,包括以下步骤:
S1、创建拧紧场景:建立汽车装配螺栓拧紧的场景,将实际生产过程中,螺栓拧紧不合格的曲线纳入到与其相对应的场景中;
S2、获取特征指标:实时计算步骤S1中所得的每个拧紧场景中每一条拧紧失效结果中的拧紧曲线的特征指标,特征指标包括扭矩的最大值和最小值,角度的最大值和最小值,角度的平均值、中位数以及方差、一阶差分的扭矩和角度标准差,扭矩和角度的变异系数,峰度以及偏度;
S3、创建初始标签数据:在拧紧的场景中,以10%的不合格曲线以及特征指标作为样本数据,对样本数据进行高斯混合模型聚类,得到4~5个聚簇,对每个聚簇的所有拧紧曲线中的角度数据X和所有扭矩数据Y进行多项式回归,得到回归曲线,将回归曲线提交给领域专家鉴定,领域专家查看回归曲线确定其不合格原因后,将聚簇与不合格原因合成相应拧紧场景的标签数据;
S4、建立全连接神经网络模型:对步骤S1中所得的每个拧紧场景中,分别对其进行建立各自独立的全连接神经网络模型,然后将步骤S3中所得的标签数据分为训练集和测试集,使用训练集的特征指标为输入,训练集的不合格原因为输出,对神经网络模型进行训练,训练过程需要反复进行至少三次以上,直至训练集准确率高于预期值,使用训练所得模型对测试集进行预测,如果准确率高于指定预期值,即可认为该拧紧场景的神经网络模型为可信模型;
S5、预测失效原因:使用可信模型自动预测其对应拧紧场景未来生产过程中出现的拧紧失效数据的异常原因。
2.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于:所述步骤S1中,建立螺栓拧紧的场景时,螺栓的类型和螺栓的拧紧工具以及螺栓拧紧的策略均相同。
6.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于:所述步骤S3中,在进行高斯混合模型聚类时,类别数量根据聚类的效果进行相应的调整。
7.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于:所述步骤S3中,对角度数据X和所有扭矩数据Y进行多项式回归时,其回归方程式为:
b=(X1Y1+X2Y2+...+XnYn-nXY)/(X1+X2+...+Xn-nX) (1.6)
8.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于:所述步骤S4中,训练集的数量为所得标签的60%,剩余的40%为测试集的数量。
9.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于:所述步骤S4中,训练集准确率预期值为95%,测试集准确率预期值为90%。
10.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法,其特征在于:所述步骤S5中,对预测后的场景进行整理分类,并且将其备份储存在终端中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223214.1A CN113869502A (zh) | 2021-10-20 | 2021-10-20 | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223214.1A CN113869502A (zh) | 2021-10-20 | 2021-10-20 | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869502A true CN113869502A (zh) | 2021-12-31 |
Family
ID=78996746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111223214.1A Pending CN113869502A (zh) | 2021-10-20 | 2021-10-20 | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869502A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407823A (zh) * | 2023-12-14 | 2024-01-16 | 长春泰坦斯科技有限公司 | 基于视觉辅助定位的螺栓拧紧防错的方法及系统 |
-
2021
- 2021-10-20 CN CN202111223214.1A patent/CN113869502A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407823A (zh) * | 2023-12-14 | 2024-01-16 | 长春泰坦斯科技有限公司 | 基于视觉辅助定位的螺栓拧紧防错的方法及系统 |
CN117407823B (zh) * | 2023-12-14 | 2024-03-15 | 长春泰坦斯科技有限公司 | 基于视觉辅助定位的螺栓拧紧防错的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
CN108363836B (zh) | 多工况自适应的工业机器人健康度评估方法及系统 | |
CN109597967A (zh) | 一种电力系统配变电站负荷数据异常检测与修复方法 | |
CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN113869502A (zh) | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN106845825B (zh) | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 | |
CN116748352B (zh) | 一种金属弯管机加工参数监测控制方法、系统及存储介质 | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及系统 | |
CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN112529242A (zh) | 一种端子排产品组装线工序总工时定额预测方法 | |
CN116050716A (zh) | 基于互联网的智慧园区管理控制平台 | |
CN116665401A (zh) | 一种化工生产用防事故报警系统 | |
CN112785142B (zh) | 物联网污水处理设备预警智慧工单方法及其系统 | |
CN109325289B (zh) | 一种估计电子件可靠性参数的方法 | |
CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
CN108844662B (zh) | 一种数控机床电气柜状态评估方法 | |
CN111199419A (zh) | 股票异常交易的识别方法及系统 | |
CN110991765A (zh) | 工业生产的预测模型的监测方法、装置及电子设备 | |
CN118094271B (zh) | 基于知识图谱的机务管理方法 | |
CN117952482B (zh) | 一种基于卷积神经网络的产品质量事故分级方法及系统 |
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 |