KR102462127B1 - 인공 지능 이용한 볼트의 피로 수명 예측 시스템 및 방법 - Google Patents

인공 지능 이용한 볼트의 피로 수명 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102462127B1
KR102462127B1 KR1020210023558A KR20210023558A KR102462127B1 KR 102462127 B1 KR102462127 B1 KR 102462127B1 KR 1020210023558 A KR1020210023558 A KR 1020210023558A KR 20210023558 A KR20210023558 A KR 20210023558A KR 102462127 B1 KR102462127 B1 KR 102462127B1
Authority
KR
South Korea
Prior art keywords
bolt
fatigue life
stress
friction coefficient
value
Prior art date
Application number
KR1020210023558A
Other languages
English (en)
Other versions
KR20220115479A (ko
Inventor
오제훈
양현동
남주현
김동원
Original Assignee
한양대학교 에리카산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 한양대학교 에리카산학협력단 filed Critical 한양대학교 에리카산학협력단
Publication of KR20220115479A publication Critical patent/KR20220115479A/ko
Application granted granted Critical
Publication of KR102462127B1 publication Critical patent/KR102462127B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/32—Investigating strength properties of solid materials by application of mechanical stress by applying repeated or pulsating forces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N19/00—Investigating materials by mechanical methods
    • G01N19/02—Measuring coefficient of friction between materials
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
    • G01N2203/0073—Fatigue

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

인공 지능을 이용한 볼트의 피로 수명 예측 시스템이 개시된다. 볼트의 피로 수명 예측 시스템은 볼트의 마찰 계수를 측정하는 마찰 계수 측정부; 상기 마찰 계수를 이용하여 상기 볼트에 발생하는 응력 값을 산출하는 응력 산출부; 및 상기 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 상기 볼트의 피로 수명을 출력 값을 산출하는 포함한다.

Description

인공 지능 이용한 볼트의 피로 수명 예측 시스템 및 방법{System and method for predicting bolt fatigue life using artificial intelligence}
본 발명은 볼트의 피로 수명 예측 시스템 및 방법에 관한 것으로, 보다 상세하게는 인공 지능을 통해 볼트의 피로 수명을 예측하는 시스템 및 방법에 관한 것이다.
장치에 체결된 볼트가 부러지게 되면, 경우에 따라 대형사고가 발생할 수 있다. 이러한 볼트 파괴에 영향을 주는 현상 중 하나가 볼트의 피로 파괴이다. 때문에, 볼트의 피로 수명을 예측하는 것이 매우 중요하다.
기존에는 볼트의 피로 수명을 예측하기 위하여, 작업자가 볼트와 작동 환경과 동일한 환경을 갖추고, 해당 볼트의 피로 예측 모델을 반복적으로 실험 및 수정하면서 피로 수명을 예측하였다.
이러한 예측 방법은 고가의 전용 장비를 사용해야 하고, 오랜 시간이 걸리므로, 현장 적용이 쉽지 않아 실험실에서 주로 수행되었다. 그리고 피로 수명 예측은 그 과정이 복잡하고 피로 파손에 관한 방대하고 깊은 지식을 요구하기 때문에 일반인이 접근하기 어려운 한계가 있다. 또한, 같은 볼트라고 하더라도 작동 환경이 달라질 경우, 예컨대 차량용 볼트가 엔진 마운트에 장착되는 경우와 차량 휠에 장착되는 경우, 작동 환경에 따라 피로 수명이 달라질 수 있다. 때문에 하나의 작동 환경에서 피로 수명을 예측하더라도, 작동 환경이 달라지면 다시 피로 수명을 예측해야 하는 불편함이 있다.
본 발명은 다양한 작동 환경에서의 볼트의 피로 수명을 용이하게 예측할 수 있는 시스템 및 방법을 제공한다.
본 발명에 따른 볼트의 피로 수명 예측 시스템은 볼트의 마찰 계수를 측정하는 마찰 계수 측정부; 상기 마찰 계수를 이용하여 상기 볼트에 발생하는 응력 값을 산출하는 응력 산출부; 및 상기 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 상기 볼트의 피로 수명을 출력 값을 산출하는 포함한다.
또한, 상기 응력 산출부는, 상기 볼트에 가해지는 피로 하중에 따라 상기 볼트의 나사산의 최대응력 지점에서 발생하는 응력을 상기 응력 값으로 산출할 수 있다.
또한, 상기 피로 하중은 최대 하중과 최소 하중을 포함하며, 상기 응력 값은, 상기 최대 하중 조건에서 상기 볼트에 발생하는 3개의 최대 주응력; 및 상기 최소 하중 조건에서 상기 볼트에서 발생하는 3개의 최소 주응력을 포함할 수 있다.
또한, 상기 학습된 신경망은 상기 3개의 최대 주응력과 상기 3개의 최소 주응력을 입력 값으로 하고, 상기 입력 값에 가중치를 곱하여 상기 피로 수명의 예측을 학습할 수 있다.
또한, 상기 마찰 계수 측정부는 수식을 이용하여 상기 마찰 계수를 산출할 수 있다.
[수식]
Figure 112021021277499-pat00001
여기서,
T: 토크(Torque)
F: 축력
P: 나사산과 나사산 사이의 거리(Pitch)
d2: 볼트의 나사산의 직경
Db=(Do+dh)/2, Do는 너트 접촉면 외경, dh는 너트의 홀 지름
μth: 나사산 부 마찰계수, μb: 너트 접촉부 마찰계수
임.
본 발명에 따른 피로 수명 예측 시스템은 볼트의 마찰 계수를 측정하는 단계; 상기 마찰 계수를 통해 상기 볼트에 발생하는 응력 값을 산출하는 단계; 및 상기 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 상기 볼트의 피로 수명을 출력 값으로 산출하는 단계를 포함할 수 있다.
본 발명에 의하면, 볼트의 마찰 계수와 응력 값을 산출하고, 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 볼트의 피로 수명을 용이하게 예측할 수 있다.
도 1은 본 발명의 실시 예에 따른 볼트의 피로 수명 예측 시스템을 간략하게 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 볼트의 피로 수명 예측 방법을 나타내는 순서도이다.
도 3은 본 발명의 실시 예에 따라 예측된 피로 수명의 정확도를 나타내는 그래프이다.
이하, 첨부된 도면들을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명할 것이다. 그러나 본 발명의 기술적 사상은 여기서 설명되는 실시 예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시 예는 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한, 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
또한, 본 명세서의 다양한 실시 예 들에서 제1, 제2, 제3 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 따라서, 어느 한 실시 예에 제 1 구성요소로 언급된 것이 다른 실시 예에서는 제 2 구성요소로 언급될 수도 있다. 여기에 설명되고 예시되는 각 실시 예는 그것의 상보적인 실시 예도 포함한다. 또한, 본 명세서에서 '및/또는'은 전후에 나열한 구성요소들 중 적어도 하나를 포함하는 의미로 사용되었다.
명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 또한, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 구성요소 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 구성요소 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하는 것으로 이해되어서는 안 된다. 또한, 본 명세서에서 "연결"은 복수의 구성 요소를 간접적으로 연결하는 것, 및 직접적으로 연결하는 것을 모두 포함하는 의미로 사용된다.
또한, 하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 것이다.
도 1은 본 발명의 실시 예에 따른 볼트의 피로 수명 예측 시스템을 간략하게 나타내는 도면이고, 도 2는 마찰 계수 측정에서 마찰 계수를 측정하는 과정을 나타내는 도면이다.
도 1 및 도 2를 참조하면, 볼트의 피로 수명 예측 시스템은 마찰 계수 측정부(110), 응력 산출부(120), 그리고 피로 수명 산출부(130)를 포함한다.
마찰 계수 측정부(110)는 볼트를 너트에 체결하기 위한 토크와 이때 발생하는 축력을 측정하고, 아래 수식을 이용하여 역으로 볼트 접촉부에서의 마찰 계수(μth)를 산출한다.
[수식]
Figure 112021021277499-pat00002
여기서,
T: 토크(Torque)
F: 축력
P: 나사산과 나사산 사이의 거리(Pitch)
d2: 볼트의 나사산의 직경
Db=(Do+dh)/2, Do는 너트 접촉면 외경, dh는 너트의 홀 지름
μth: 나사산 부 마찰계수, μb: 너트 접촉부 마찰계수
임.
응력 산출부(120)는 마찰 계수를 이용하여 볼트에 발생하는 응력 값(Stress value)을 산출한다. 응력 산출부(120)는 유한 요소 해석을 통해 응력 값을 산출할 수 있다. 응력 산출부(120)는 볼트에 가해지는 피로 하중(또는 교번 하중이라 함)에 따라 볼트 나사산의 최대응력 지점에서 발생하는 응력을 상기 응력 값으로 산출할 수 있다. 피로 하중은 볼트에 반복적인 하중을 가하게 되는데, 피로 하중에는 최대 하중과 최소 하중이 포함된다. 응력 산출부(120)는 최대 하중과 최소 하중에 대해 각각 구조해석을 수행하고, 유한요소해석을 진행한다. 이때, 구조해석에서 가장 높은 등가응력(Equivalent stress)을 갖는 요소를 특이 요소로 선정한다. 그리고 응력 산출부(120)는 최대 하중 조건에서 볼트에 발생하는 3개의 최대 주응력(σ11, σ12, σ13)과 최소 하중 조건에서 볼트에 발생하는 3개의 최소 주응력(σ21, σ22, σ23)을 응력 값으로 산출한다.
피로 수명 산출부(120)는 응력 값을 입력 값으로 하여 학습된 인공 지능 신경망(이하, '학습된 신경망' 이라 한다)을 이용하여 볼트의 피로 수명을 출력값으로 산출한다.
학습된 신경망은 기 보유한 응력 데이터들과 실제 피로 수명 데이터들을 이용하여 미리 학습된다. 학습된 신경망은 상기 응력 데이터들을 입력 값으로 하고, 입력 값들에 일정한 가중치를 곱하여 상기 실제 피로 수명 데이터들에 근사하는 함수를 도출한다. 신경망은 상기 가중치를 달리하여 반복 학습하며, 상기 실제 피로 수명 데이터에 가장 근사화될 수 있는 함수를 도출한다.
피로 수명 산출부(120)는 상기 과정으로 학습된 신경망에 응력 값을 입력 값으로 입력하고, 학습된 신경망에서 출력되는 출력 값을 해당 볼트의 피로 수명으로 예측한다.
도 3은 본 발명의 실시 예에 따른 볼트의 피로 수명 예측 방법을 나타내는 순서도이다.
도 3을 참조하면, 볼트의 피로 수명 예측 방법은 볼트의 마찰 계수를 측정하는 단계(S10), 응력 값을 산출하는 단계(S20), 그리고 피로 수명을 예측하는 단계(S30)를 포함한다.
마찰 계수를 측정하는 단계(S10)는, 볼트를 너트와 체결하면서 볼트에 가해지는 토크와 축력을 측정하고, 상기 수식을 이용하여 역으로 볼트 접촉부에서의 마찰 계수를 산출한다.
응력 값을 산출하는 단계(S20)는, 마찰 계수를 이용하여 볼트에 발생하는 응력 값을 산출한다. 응력 값을 산출하는 단계(S20)는 유한 요소 해석을 통해 응력 값을 산출할 수 있다. 응력 값을 산출하는 단계(S20)는 볼트에 가해지는 피로 하중에 따라 볼트의 나사산의 최대 응력 지점에서 발생하는 응력을 응력 값으로 산출할 수 있다. 이 때, 상기 피로 하중의 최대 하중 조건에서 볼트에 발생하는 3개의 최대 주응력(σ11, σ12, σ13)과 최소 하중 조건에서 볼트에 발생하는 3개의 최소 주응력(σ21, σ22, σ23)을 응력 값으로 산출할 수 있다.
피로 수명을 예측하는 단계(S30)는 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 볼트의 피로 수명을 출력값으로 산출한다.
도 4는 본 발명의 실시 예에 따라 예측된 피로 수명의 정확도를 나타내는 그래프이다.
도 4를 참조하면, 제1그래프는 기 보유한 응력 데이터들과 실제 피로 수명 데이터들을 이용하여 신경망을 학습한 후, 학습에 사용된 응력 데이터를 입력 값으로 하였을 때 출력값으로 산출되는 볼트의 예측 피로 수명과 실제 피로 수명과의 오차를 나타내는 그래프이다. 제2그래프는 신경망 학습에 사용되지 않은 응력 데이터를 입력 값으로 입력하였을 때 출력값으로 산출되는 볼트의 예측 피로 수명과 해당 볼트의 실제 피로 수명과의 오차를 나타내는 그래프이다. 가로축은 신경망 학습에 적용된 반복 학습 수를 의미하고, 세로축은 평균 절대 비율 오차(MAPE)를 의미한다.
제1 및 제2그래프를 참조하면, 신경망의 반복 학습이 진행될수록 오차가 감소하며, 약 25%의 MAPE로 수렴하는 것을 확인할 수 있다. 피로 수명 예측 분야는 난이도가 굉장히 높은 분야로, 약 25%의 MAPE는 상당히 정확도가 높은 예측이라 할 수 있다.
상술한 볼트의 피로 수명 예측 시스템 및 방법은 딥러닝 기반으로 볼트의 피로 수명을 높은 정확도로 예측할 수 있다. 특히, 피로 수명 예측에 대해 지식이 없는 작업자도 자신이 사용하고자 하는 볼트의 사양 및 장착 환경에 따라 쉽게 피로 수명을 예측할 수 있다. 일 예로, 자동차 엔진에 체결되는 볼트, 생활 가구에 체결되는 볼트, 그리고 소형 가전 기기에 체결되는 볼트 등은 볼트의 사양 및 체결 환경이 모두 다르며, 이에 따라 서로 다른 피로 수명을 갖게 된다. 본 발명에 따른 볼트의 피로 수명 예측 시스템 및 방법은, 볼트의 다양한 사용 환경에 따라 볼트의 피로 수명을 간단하고 쉽게 예측할 수 있다.
이상, 본 발명을 바람직한 실시 예를 사용하여 상세히 설명하였으나, 본 발명의 범위는 특정 실시 예에 한정되는 것은 아니며, 첨부된 특허청구범위에 의하여 해석되어야 할 것이다. 또한, 이 기술분야에서 통상의 지식을 습득한 자라면, 본 발명의 범위에서 벗어나지 않으면서도 많은 수정과 변형이 가능함을 이해하여야 할 것이다.
110: 마찰 계수 측정부
120: 응력 산출부
130: 피로 수명 산출부

Claims (6)

  1. 볼트의 마찰 계수를 측정하는 마찰 계수 측정부;
    상기 마찰 계수를 이용하여 상기 볼트에 발생하는 응력 값을 산출하는 응력 산출부; 및
    상기 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 상기 볼트의 피로 수명을 출력 값을 산출하는 피로 수명 산출부를 포함하되,
    상기 응력 산출부는,
    상기 볼트에 가해지는 피로 하중에 따라 상기 볼트의 나사산의 최대응력 지점에서 발생하는 응력을 상기 응력 값으로 산출하는 볼트의 피로 수명 예측 시스템.
  2. 삭제
  3. 볼트의 마찰 계수를 측정하는 마찰 계수 측정부;
    상기 마찰 계수를 이용하여 상기 볼트에 가해지는 피로 하중에 따라 상기 볼트에 발생하는 응력 값을 산출하는 응력 산출부; 및
    상기 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 상기 볼트의 피로 수명을 출력 값을 산출하는 피로 수명 산출부를 포함하되,
    상기 피로 하중은 최대 하중과 최소 하중을 포함하며,
    상기 응력 값은,
    상기 최대 하중 조건에서 상기 볼트에 발생하는 3개의 최대 주응력; 및
    상기 최소 하중 조건에서 상기 볼트에서 발생하는 3개의 최소 주응력을 포함하는 볼트의 피로 수명 예측 시스템.
  4. 제 3 항에 있어서,
    상기 학습된 신경망은 상기 3개의 최대 주응력과 상기 3개의 최소 주응력을 입력 값으로 하고, 상기 입력 값에 가중치를 곱하여 상기 피로 수명의 예측을 학습하는 볼트의 피로 수명 예측 시스템.
  5. 제 1 항 또는 제 3 항에 있어서,
    상기 마찰 계수 측정부는 아래 수식을 이용하여 상기 마찰 계수를 산출하는 볼트의 피로 수명 예측 시스템.
    [수식]
    Figure 112022044189172-pat00003

    여기서,
    T: 토크(Torque)
    F: 축력
    P: 나사산과 나사산 사이의 거리(Pitch)
    d2: 볼트의 나사산의 직경
    Db=(Do+dh)/2, Do는 너트 접촉면 외경, dh는 너트의 홀 지름
    μth: 나사산 부 마찰계수, μb: 너트 접촉부 마찰계수
    임.
  6. 볼트의 마찰 계수를 측정하는 단계;
    상기 마찰 계수를 통해 상기 볼트에 발생하는 응력 값을 산출하는 단계; 및
    상기 응력 값을 입력 값으로 하여 학습된 신경망을 이용하여 상기 볼트의 피로 수명을 출력 값으로 산출하는 단계를 포함하되,
    상기 응력 값의 산출은 상기 볼트에 가해지는 피로 하중에 따라 상기 볼트의 나사산의 최대응력 지점에서 발생하는 응력으로 산출하는 피로 수명 예측 시스템.
KR1020210023558A 2021-02-10 2021-02-22 인공 지능 이용한 볼트의 피로 수명 예측 시스템 및 방법 KR102462127B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210018995 2021-02-10
KR1020210018995 2021-02-10

Publications (2)

Publication Number Publication Date
KR20220115479A KR20220115479A (ko) 2022-08-17
KR102462127B1 true KR102462127B1 (ko) 2022-11-03

Family

ID=83111036

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210023558A KR102462127B1 (ko) 2021-02-10 2021-02-22 인공 지능 이용한 볼트의 피로 수명 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102462127B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118313078B (zh) * 2024-03-25 2024-09-13 冈田精机(常州)有限公司 有限元仿真结合vdi2230的螺钉寿命计算方法及应用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000301262A (ja) * 1999-04-20 2000-10-31 Hitachi Metals Ltd 金型寿命の予測方法及びそれを用いた金型材の最適物性値の予測方法
JP2015004596A (ja) 2013-06-21 2015-01-08 新日鐵住金株式会社 薄板レーザ溶接部の疲労寿命予測方法
CN109520922A (zh) 2018-12-26 2019-03-26 山东中车风电有限公司 一种螺栓摩擦系数和扭矩系数的测试装置及测试方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050123379A (ko) * 2004-06-25 2005-12-29 한국항공우주산업 주식회사 구조물의 피로 수명 해석 시스템
KR101450253B1 (ko) * 2013-01-29 2014-10-14 부산대학교 산학협력단 너트 풀림 평가 방법
KR20190075570A (ko) * 2017-12-21 2019-07-01 주식회사 케이피에프 마찰 계수 산출 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000301262A (ja) * 1999-04-20 2000-10-31 Hitachi Metals Ltd 金型寿命の予測方法及びそれを用いた金型材の最適物性値の予測方法
JP2015004596A (ja) 2013-06-21 2015-01-08 新日鐵住金株式会社 薄板レーザ溶接部の疲労寿命予測方法
CN109520922A (zh) 2018-12-26 2019-03-26 山东中车风电有限公司 一种螺栓摩擦系数和扭矩系数的测试装置及测试方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
‘소성역체결 볼트의 체결력과 마찰계수에 관한 연구’, 손승요 등, 전산구조공학, 7(3), 1994.9, 133-140*

Also Published As

Publication number Publication date
KR20220115479A (ko) 2022-08-17

Similar Documents

Publication Publication Date Title
US20200287497A1 (en) Abnormality determination system, motor control apparatus, and abnormality determination apparatus
Bao et al. Identification of time‐varying cable tension forces based on adaptive sparse time‐frequency analysis of cable vibrations
Cheung et al. Calculation of posterior probabilities for Bayesian model class assessment and averaging from posterior samples based on dynamic system data
US10458863B2 (en) Hybrid virtual load monitoring system and method
US10436669B2 (en) Interpolation engine for analysis of time-varying load data signals
Mao et al. A model for quantifying uncertainty in the estimation of noise-contaminated measurements of transmissibility
US8650137B2 (en) Method and apparatus for creating state estimation models in machine condition monitoring
KR102038703B1 (ko) 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템
KR102462127B1 (ko) 인공 지능 이용한 볼트의 피로 수명 예측 시스템 및 방법
CN106971077B (zh) 一种基于时间片段参数辨识的动态仿真模型验证方法
US20180165898A1 (en) Rotorcraft structural fault-detection and isolation using virtual monitoring of loads
CN112714895A (zh) 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
Campos et al. Self-damping of optical ground wire cables: A bayesian approach
US7840391B2 (en) Model-diversity technique for improved proactive fault monitoring
Mayes et al. Coupling experimental and analytical substructures with a continuous connection using the transmission simulator method
CN112733399B (zh) 随机振动中螺栓的失效评估方法、装置
EP3865838A1 (en) Enhancing rtd measurement accuracy by means of variable excitation current
Kim et al. Accuracy enhancement of fatigue damage counting using design sensitivity analysis
Brommer More evidence is needed to show that heritability and selection are not associated
Qu et al. Parameters identification of constitutive models of rubber bushing
CN118673768B (en) Fatigue damage assessment method and system for bridge stay cable
CN118094442B (zh) 自升式平台的传感数据模拟方法、装置、服务器及介质
Leser et al. Accurate shock absorber load modeling in an all terrain vehicle using black box neural network techniques
CN114596646B (zh) 一种车辆轮心载荷谱预测方法、装置、存储介质和设备

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right