CN115329942A - 一种基于人工智能的螺栓紧固装置及其方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的螺栓紧固装置及其方法，解决了传统螺栓紧固办法难以确保紧固到最理想状态，紧固精度低的问题，其技术方案要点是包括有紧固扳手、紧固驱动装置、紧固监控装置，通过准备紧固数据，建立人工智能的紧固监控模型，通过紧固数据对监控模型进行训练和验证，完成训练后将紧固监控模型运用部署至紧固监控装置中进行预测判断，通过紧固监控装置的实时监控，控制紧固驱动装置进行启停动作，本发明的一种基于人工智能的螺栓紧固装置及其方法，能实时对紧固工程状态进行监控，并且通过人工智能的监控模型能进行预测判断以准确停止紧固工作，能有效提高螺栓紧固预紧力控制的精度，更加可靠。

Description

一种基于人工智能的螺栓紧固装置及其方法

技术领域

本发明涉及螺栓紧固技术，特别涉及一种基于人工智能的螺栓紧固装置及其方法。

背景技术

大型螺栓在风电、核工业、船舶以及其它大型机械设备中应用广泛，是设备正常工作的前提保障。大型设备螺栓使用众多，对螺栓紧固的均匀性要求很高，传统的紧固方法无法保证螺栓紧固的均匀程度或者无法发挥螺栓的最大紧固效能。另外，对于一些服役环境恶劣的螺栓，其对紧固的可靠性要求更高，传统方法难以确保紧固到最理想状态，无法直接预测紧固预紧力。

发明内容

本发明的目的是提供一种基于人工智能的螺栓紧固装置及其方法，能实时对紧固工程状态进行监控，并且通过人工智能的监控模型能进行预测判断以准确停止紧固工作，能有效提高螺栓紧固的预紧力控制精度，紧固更加可靠性。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于人工智能的螺栓紧固方法，包括有以下步骤：

数据准备：基于实际工程需求，对不同规格的螺栓实施紧固处理，采集获取实际紧固数据；

模型构建：设计适用于螺栓紧固工程特征的监控模型，对采集的实际紧固数据进行预处理，将收集到的序列数据进行时频变换和适应对应模型的标准化，通过处理后的紧固数据对监控模型进行训练和验证；

模型应用：将训练好的监控模型编码部署于螺栓紧固监控装置，通讯连接紧固扭矩测量模块、扭转角度测量模块及人机交互模块；

紧固工作：通过人机交互模块设置紧固参数，启动紧固驱动装置，连接螺栓紧固扳手，紧固监控装置实时接收监控反馈的紧固数据，通过监控模型实时判定紧固过程是否达到紧固要求，并于达到要求时反馈以控制紧固驱动装置停机，完成紧固工作。

一种基于人工智能的螺栓紧固装置，包括有：紧固扳手、紧固驱动装置、紧固监控装置；

所述紧固监控装置包括有扭矩测量模块、扭转角度测量模块、人机交互模块及数据通讯模块，还包括有嵌入式部署于紧固监控装置内的监控模型；

所述紧固扳手受控于所述紧固驱动装置，所述紧固驱动装置耦接并响应于所述紧固监控装置；

所述人机交互模块设定有紧固工程的紧固参数，所述扭矩测量模块测量获取紧固扭矩，所述扭转角度测量模块测量获取紧固扭角；所述监控模型通过数据通讯模块连接于所述扭矩测量模块、扭转角度测量模块，并于判定达到预定紧固要求时输出预测紧固停止指令。

综上所述，本发明具有以下有益效果：

通过采集的实际紧固数据对构建的监控模型进行训练，使得监控模型的预测判断能更加的实际、准确；通过紧固监控装置的设置，能实时的获取紧固过程中的相关数据，并且通过监控模型能实时的进行预测判断，通过紧固监控装置和紧固驱动装置的通讯连接，能实现对紧固扳手紧固动作的实时精准控制，对紧固过程中的状态进行实时监控，并在达到紧固要求时能及时准确的停止紧固工作，有效提高螺栓紧固精度、提高紧固工作的可靠性。

附图说明

图1为螺栓紧固装置的结构示意框图；

图2为螺栓紧固方法的流程示意图；

图3为基于卷积神经网络的监控模型框架图；

图4为基于循环神经网络的监控模型框架图；

图5为基于传统机器学习的监控模型框架图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

根据一个或多个实施例，公开了一种基于人工智能的螺栓紧固装置，如图1所示，包括有紧固扳手、紧固驱动装置、紧固监控装置。

紧固扳手通过紧固套筒，连接至紧固驱动装置，受控于紧固驱动装置，通过紧固驱动装置控制后进行紧固动作。

紧固驱动装置则耦接并响应于紧固监控装置，接收紧固监控装置输出的指令或信号以进行驱动控制。紧固驱动装置为液压驱动或者气压驱动，通过液压/气压管路连接至紧固扳手对紧固扳手提供驱动力。

紧固监控装置包括有扭矩测量模块、扭转角度测量模块、人机交互模块及数据通讯模块，还包括有嵌入式部署于紧固监控装置内的监控模型。

扭矩测量模块对螺栓紧固过程中的扭矩进行实时测量，获得紧固扭矩。扭转角度测量模块对螺栓紧固过程中的扭角进行实时测量，获得紧固扭角，人机交互模块设定有紧固工程的紧固参数。根据紧固过程中测量获得扭矩和扭角数据，能实时推算紧固摩擦系数，以准确计算螺栓的实际预紧力。

人机交互模块包括有触摸屏和遥控器；遥控器为手柄遥控扫码器，包括有控制按钮、显示屏及用于工程记录的扫码部件，通过控制按钮进行扫描操作，通过扫码部件扫描记录紧固螺栓信息(螺栓位置和编号等)，并且通过显示屏进行显示。人机交互模块设定紧固工程的紧固参数，可通过触摸屏进行手动输入，以及通过扫码部件扫描获取紧固扳手的相关参数数据。

监控模型为基于卷积神经网络、循环神经网络、传统机器学习算法中的任意一种构建。经过训练验证后用于紧固预测。

例如，监控模型基于深度卷积神经网络构建，深度卷积神经网络包含一级输入层、二级输入层、隐藏层以及输出层，其中一级输入层为所述扭矩和扭角的时域和频域的多模态数据，二级输入层为预先测定的所述的螺旋副摩擦系数，隐藏层为一系列标准层，每个标准层都包含卷积、激活函数、batch-normalization和池化步骤。

监控模型通过数据通讯模块连接于扭矩测量模块、扭转角度测量模块，响应于紧固数据并进行判断，于判定达到预定紧固要求时输出预测紧固停止指令。数据通讯模块可通过电缆或者无线的方式进行各部件之间的通讯连接。

连接紧固驱动装置与紧固扳手，通过数据通讯模块连接紧固监控装置与紧固驱动装置及紧固扳手。紧固监控装置根据人机交互模块的触摸屏输入的紧固参数以及扫码部件扫描获取的相关参数，紧固驱动装置启动，在紧固过程中，扭矩测量模块、扭转角度测量模块实时进行测量，并反馈测量的紧固数据至监控模型，监控模块通过预设的紧固要求对紧固过程进行判断，并于达到预定要求时输出预测紧固停止指令，紧固监控装置将相对应的指令输出至紧固驱动装置，进而停止紧固动作完成紧固工作。

根据一个或多个实施例，公开了一种基于人工智能的螺栓紧固方法，如图2所示，包括有以下步骤：

S1、数据准备：基于实际工程需求，对不同规格的螺栓实施紧固处理，采集获取实际紧固数据。

具体的数据准备包括有以下步骤：

S11、使用紧固驱动装置和紧固扳手对不同规格螺栓实施紧固，紧固到预定扭矩时停止。

S12、以手动控制方式紧固到螺栓失效，收集实施紧固过程中的实际紧固数据，包括有螺旋副摩擦系数、紧固扭矩、紧固扭角、通过力传感器返回的螺栓预紧力。将通过力传感器返回螺栓的预紧力作为模型训练的金标准。

S13、标记每颗螺栓紧固过程的最佳停止时刻，获取相关数据用于模型训练及验证。通过人工方式标记出每颗螺栓紧固过程的理想停止时刻，以备用于紧固模型训练。

在实验室条件下，使用紧固驱动装置和对应扳手，结合扭矩(压力)测量装置、扭转角度测量装置和预紧力测量装置，对不同规格、不同强度等级、不同法兰材质和不同润滑条件下的螺栓进行紧固作业，完成完整紧固数据记录。

S2、模型构建：设计适用于螺栓紧固工程特征的监控模型，对采集的紧固数据进行预处理，将收集到的序列数据进行时频变换和适应对应模型的标准化，通过处理后的紧固数据对监控模型进行训练和验证。

AI模型构建的训练、仿真测试具体为：

S21、将采集获取的实际紧固数据进行预处理。对数据进行时频变化及对应模型的标准化。根据所获得的数据特点对数据进行预处理，提取特征；例如，基于液压紧固扳手紧固过程周期性的特点，对压力数据进行时频变换，以捕获不同紧固阶段的特点。同时，记录法兰和螺栓的材质，结合实际的润滑状况给出摩擦力的等级。

S22、通过采集的实际紧固数据对构建的监控模型进行训练，并不断进行验证，直至模型收敛。

S23、对训练好的监控模型，基于实际紧固数据中的紧固扭矩、紧固扭角进行模拟输入，测试监控模型输出结果的准确性。

S3、模型部署应用：将训练好的监控模型基于嵌入式硬件特点重新编码部署于螺栓紧固监控装置，通讯连接紧固扭矩测量模块、扭转角度测量模块及人机交互模块。

S4、紧固工作：通过人机交互模块设置紧固参数，启动紧固驱动装置，连接螺栓紧固扳手，紧固监控装置实时接收监控反馈的紧固数据，通过监控模型实时判定紧固过程是否达到紧固要求，并于达到要求时反馈以控制紧固驱动装置停机，完成紧固工作。

紧固监控装置实时接收的紧固数据包括有：紧固扭矩测量模块测量获取的紧固扭矩、扭转角度测量模块测量获取的紧固扭角、人机交互模块设定的紧固参数。紧固监控装置对接收的数据继续分段和预处理后，通过监控模型进行预测判断。监控模型基于紧固过程中的扭矩和扭角数据推算紧固摩擦系数，以便于准确计算螺栓实际预紧力。

设计的监控模型可基于卷积神经网络、循环神经网络、梯度提升机等建立。

实例一、基于卷积神经网络构建深度学习模型：

如图3所示构建模型，本模型有两个数据输入口，压力数据经过时频变换(如小波变换)后转为二维图像数据，通过输入口1输入模型；针对图像模型，通过多个卷积-激活-池化操作进行特征提取；扭转角度数据在数据输入口2输入，对其进行多次一维卷积操作，并将上述两路特征张量在中间合并；随后继续进行卷积-激活-池化操作，并按照多任务学习的思路，输出紧固摩擦系数以及输出紧固预紧力和预测紧固过程是否应该结束。该模型基于压力数据在紧固不同阶段的特征差异来分析紧固是否结束，融合紧固压力(推算扭矩)和扭转角度的变化来感知系统的摩擦参数，并对预紧力进行计算，最终输出紧固过程的预紧力。

针对所设计模型，基于第一步获得的紧固数据集进行训练和验证。在训练过程中，采用训练N个epoch对预紧力的预测，再训练1个epoch对摩擦等级的分类，如此交替往复，最终使模型收敛到能够满足实际工程应用的性能。

对训练好的模型，基于实际紧固过程可获得的压力和扭转角度数据进行模拟输入，验证模型输出结果的准确性；根据液压紧固装置特点和模型预测结果，设计相应的控制装置硬件，基于模型结果对紧固驱动装置发出控制指令，控制设备的紧固开启与终止。

实例二、基于循环神经网络构建模型：

例如长短期记忆网络(LSTM)，模型设计框图如图4所示。本实例基于循环神经网络设计基于液压动力的紧固驱动装置和紧固扳手，开发新型的智能紧固控制系统，由于循环神经网络优秀的时序数据预测能力，可采用循环神经网络与传统经验公式相结合的办法。通过循环神经网络预测后续的压力曲线和角度曲线，分析螺栓副摩擦系数，既可以利用传统公式计算后续预紧力，也可以通过曲线的趋势分析螺栓的屈服极限，保障螺栓的安全性能。

模型的构建和训练具体为：

基于LSTM基本架构，并结合seq2seq的思路，设计单独的压力数据预测枝和角度数据预测枝，并在中间层将两部分隐变量合并，用于分析螺栓的摩擦力等级。该模型的输出为摩擦等级、压力与角度数据的预测曲线，根据以上数据，结合螺栓工程的经验公式计算出螺栓预紧力及其屈服极限，并判断是否达到停机条件。循环神经网络的输入端LSTM单元个数为(m-l)个，输出端LSTM单元个数为(n-m)个，在实际使用的过程中将选取最新的(m-l)个时间间隔的曲线信息作为输入。

针对所设计模型，基于实验室条件获得的紧固数据集进行训练和验证。在数据处理过程中，将已知的压力-时间曲线和角度-时间曲线按照规定的时间间隔进行分割，按照给定的循环神经网络规格分批次输入进行训练。在训练过程中，采用训练N个epoch对压力-时间曲线和角度-时间曲线的独立预测，再训练1个epoch对摩擦等级的分类，如此交替往复，最终使模型收敛到能够满足实际工程应用的性能。通过经验公式的计算最终得出后续模型的预紧力数据和螺栓的屈服极限。

实例三、基于传统机器学习算法构建模型：

例如随机森林以及XGBoost的模型，设计框图如图5所示。由于传统的机器学习算法在小样本数据上拥有不错的精度以及较高的计算效率，本实例拟采用类似实例二的思路，及利用机器学习模型分析螺栓的摩擦系数，并预测压力-时间曲线以及角度-时间曲线后续的趋势以及螺栓的屈服强度，并通过经验公式计算螺栓的预紧力。

对摩擦力等级的计算和对压力-时间曲线以及角度-时间曲线的预测是独立进行的。基于随机森林算法计算摩擦力等级，通过将压力和角度传感器信息通过一个通道输入到模型中，最终分类得到摩擦力等级。基于XGBoost算法预测压力-时间曲线和角度-时间曲线，需要独立的训练两个XGBoost模型，分别用于两种曲线的预测。

根据一个或多个实施例，公开了一种基于人工智能的螺栓紧固平台，包括服务器，服务器具有存储器；以及

耦合到存储器的处理器，该处理器被配置为执行存储在存储器中的指令，处理器执行以下操作：

数据准备：基于实际工程需求，对不同规格的螺栓实施紧固处理，采集获取实际紧固数据；

模型构建：设计适用于螺栓紧固工程特征的监控模型，对采集的紧固数据进行预处理，将收集到的序列数据进行时频变换和适应对应模型的标准化，通过处理后的紧固数据对监控模型进行训练和验证；

模型应用：将训练好的监控模型编码部署于螺栓紧固监控装置，通讯连接紧固扭矩测量模块、扭转角度测量模块及人机交互模块；

紧固工作：通过人机交互模块设置紧固参数，启动紧固驱动装置，连接螺栓紧固扳手，紧固监控装置实时接收监控反馈的紧固数据，通过监控模型实时判定紧固过程是否达到紧固要求，并于达到要求时反馈以控制紧固驱动装置停机，完成紧固工作。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的平台、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (9)

1.一种基于人工智能的螺栓紧固方法，其特征是，包括有以下步骤：

数据准备：基于实际工程需求，对不同规格的螺栓实施紧固处理，采集获取实际紧固数据；

模型构建：设计适用于螺栓紧固工程特征的监控模型，对采集的实际紧固数据进行预处理，将收集到的序列数据进行时频变换和适应对应模型的标准化，通过处理后的紧固数据对监控模型进行训练和验证；

模型应用：将训练好的监控模型编码部署于螺栓紧固监控装置，通讯连接紧固扭矩测量模块、扭转角度测量模块及人机交互模块；

紧固工作：通过人机交互模块设置紧固参数，启动紧固驱动装置，连接螺栓紧固扳手，紧固监控装置实时接收监控反馈的紧固数据，通过监控模型实时判定紧固过程是否达到紧固要求，并于达到要求时反馈以控制紧固驱动装置停机，完成紧固工作。

2.根据权利要求1所述的基于人工智能的螺栓紧固方法，其特征是，具体的数据准备包括有以下步骤：

使用紧固驱动装置和紧固扳手对不同规格螺栓实施紧固，紧固到预定扭矩时停止，收集紧固数据；

随后以手动控制方式紧固到螺栓失效，收集实际紧固数据，紧固数据包括有螺旋副摩擦系数、紧固扭矩、紧固扭角、通过力传感器返回的螺栓预紧力；

标记每颗螺栓紧固过程的最佳停止时刻，获取相关数据用于模型训练及验证。

3.根据权利要求2所述的基于人工智能的螺栓紧固方法，其特征是，紧固监控装置实时接收的紧固数据包括有：紧固扭矩测量模块测量获取的紧固扭矩、扭转角度测量模块测量获取的紧固扭角、人机交互模块设定的紧固参数。

4.根据权利要求2所述的基于人工智能的螺栓紧固方法，其特征是，模型构建的训练和测试具体为：

将采集获取的实际紧固数据进行预处理；

通过采集的实际紧固数据对构建的监控模型进行训练，并不断进行验证，直至模型收敛；

对训练好的监控模型，基于实际紧固数据中的紧固扭矩、紧固扭角进行模拟输入，验证监控模型输出结果的准确性。

5.一种基于人工智能的螺栓紧固装置，其特征是，包括有：紧固扳手、紧固驱动装置、紧固监控装置；

所述紧固监控装置包括有扭矩测量模块、扭转角度测量模块、人机交互模块及数据通讯模块，还包括有嵌入式部署于紧固监控装置内的监控模型；

所述紧固扳手受控于所述紧固驱动装置，所述紧固驱动装置耦接并响应于所述紧固监控装置；

所述人机交互模块设定有紧固工程的紧固参数，所述扭矩测量模块测量获取紧固扭矩，所述扭转角度测量模块测量获取紧固扭角；所述监控模型通过数据通讯模块连接于所述扭矩测量模块、扭转角度测量模块，并于判定达到预定紧固要求时输出预测紧固停止指令。

6.根据权利要求5所述的基于人工智能的螺栓紧固装置，其特征是：所述人机交互模块包括有触摸屏、遥控器；所述遥控器包括有控制按钮、显示屏及扫码部件。

7.根据权利要求5所述的基于人工智能的螺栓紧固装置，其特征是：所述紧固驱动装置为液压驱动或气压驱动。

8.一种基于人工智能的螺栓紧固平台，其特征是：所述平台包括服务器，服务器具有存储器；以及

耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行以下操作：

数据准备：基于实际工程需求，对不同规格的螺栓实施紧固处理，采集获取实际紧固数据；

模型构建：设计适用于螺栓紧固工程特征的监控模型，对采集的实际紧固数据进行预处理，将收集到的序列数据进行时频变换和适应对应模型的标准化，通过处理后的紧固数据对监控模型进行训练和验证；

模型应用：将训练好的监控模型编码部署于螺栓紧固监控装置，通讯连接紧固扭矩测量模块、扭转角度测量模块及人机交互模块；

紧固工作：通过人机交互模块设置紧固参数，启动紧固驱动装置，连接螺栓紧固扳手，紧固监控装置实时接收监控反馈的紧固数据，通过监控模型实时判定紧固过程是否达到紧固要求，并于达到要求时反馈以控制紧固驱动装置停机，完成紧固工作。

9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现如权利要求1至4中任一所述的方法。

Images