一种基于深度神经网络的螺栓拧紧失效原因分析方法

摘要

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。

说明书

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：

(△y

根据一阶差分计算出平均数

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μ

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＝(X

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：

(△y

根据一阶差分计算出平均数

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μ

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＝(X

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：

(△y

根据一阶差分计算出平均数

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μ

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＝(X

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。