基于卷积神经网络的拧紧曲线异形识别方法研究

古洪亮，丁建明

基于卷积神经网络的拧紧曲线异形识别方法研究

古洪亮，丁建明

（西南交通大学 牵引动力国家重点实验室，四川 成都 610031）

针对现有拧紧曲线异形识别方法依赖人工提取特征和专业知识的问题，提出了一种基于卷积神经网络的拧紧曲线异形识别方法。首先，针对拧紧曲线数据匮乏、数据长度不均的问题，通过随机裁剪来进行数据增强，通过回归决策树重构曲线实现曲线对齐；然后，基于传统CNN模型，建立了拧紧曲线异形识别模型；最后，通过研究各项超参数与模型识别结果的关系，给出了最终的参数组合方案，并且通过分析训练过程中各个阶段的混淆矩阵，展示了模型的学习过程，通过与传统机器学习方法SVM等对比，验证了本文所提出方法的有效性。实验结果表明：该方法能够有效地识别出螺栓连接拧紧曲线的异常数据，识别正确率可以达到99%，为基于深度学习的螺栓连接件智能诊断提供了方法指导。

卷积神经网络；螺栓连接；拧紧曲线；故障诊断

螺栓连接结构广泛应用于轨道车辆中，单个车辆中的螺栓数量动辄上万，螺栓连接结构的质量及可靠性极大影响车辆的功能，甚至行车安全。目前国内轨道车辆主机厂最常用的螺栓连接质量控制方法是扭矩法和扭矩转角控制法[1]，这两种方法都是利用拧紧工具识别拧紧扭矩是否达到目标值或目标区间来判别螺栓连接是否合格，缺乏对过程数据的分析，也无法反应螺栓连接拧紧过程中产生的问题。

随着拧紧设备水平的提高，拧紧曲线的获取成为了可能[2]，为精进工艺水平，越来越多的学者和工程人员对拧紧曲线展开了研究，陈福森等[3]基于企业实测数据，罗列了螺栓连接拧紧曲线的故障类别，阐述了螺栓连接几种主要缺陷的拧紧曲线特性，并分析了缺陷产生的原因。还有学者对螺栓连接拧紧曲线与螺栓连接结构质量之间的关系进行了探究，如王磊[4]建立了基于拧紧过程与拧紧结果的螺栓连接结构质量评价方法；张春雨[5]对螺栓异常曲线进行了降维处理，之后采用半监督学习对螺栓连接异常做出了分类；Meiners Moritz等[6-7]将机器学习引入到了拧紧曲线的异常监测中，展示了如何通过分析拧紧曲线来监测螺栓紧固件的故障。这些研究证明了从螺栓连接拧紧曲线中获取螺栓质量信息的有效性与实用性，但这些方法主要基于传统机器学习，存在拧紧曲线特征提取依赖人工设计的缺点，难以保障算法的通用性。

近年来，深度学习中的卷积神经网络（Convolutional Neural Network，CNN）凭借着独特的卷积结构，具有自动提取特征、特征具有平移不变性等优势，在计算机视觉、自然语言处理等领域成功应用[8-12]。本文基于卷积神经网络结构，建立螺栓连接拧紧曲线异形识别模型，将数据预处理之后的曲线作为模型输入，不再需要人工提取特征，实现了拧紧曲线的精准分类。

1 拧紧曲线

螺栓连接是用螺栓将多个部件联结成整体的连接方式，螺栓连接的夹紧力是否达到要求直接反应了螺栓连接结构的性能优劣。但夹紧力不容易直接进行测量，常利用扭矩来计算得到夹紧力，二者的关系为：

式中：为夹紧力；为扭矩；为扭矩系数；为螺纹公称直径。

但仅仅监测扭矩并不能保证螺栓连接件满足性能要求，如螺纹损坏、粘滑等故障发生时，最终扭矩也可能在合格区间以内。在这种情况下，拧紧曲线就派上了用场。拧紧曲线反应了扭矩随螺栓旋入角度的增大而变化的情况，包含拧紧全过程的信息，通过识别拧紧曲线的特征，可以对故障进行甄别。

理想的拧紧曲线可分为三个阶段，以M12镀锌螺栓压板试验拧紧曲线为例进行说明，如图1所示。在预拧紧阶段，扭矩主要克服螺纹副之间的摩擦力，此时扭矩较小；拧至贴合后，进入弹性拧紧阶段，扭矩逐渐增大，稳定后曲线几乎呈直线形，在这个阶段拆卸螺栓，螺栓会回到原始状态；扭到屈服点后，螺栓发生塑性变形，这个阶段拧紧曲线斜率下降，甚至变为负数，直至螺栓被拉断。

图1 拧紧曲线

2 数据获取及数据预处理

2.1 数据获取

本文所使用的螺栓连接拧紧曲线数据是采用德国Kistler公司的螺栓紧固分析设备在实验室中取得。为达到拧紧曲线异形识别的目的，设计不同的试验条件，得到四种不同的曲线，包括正常、装错件、螺纹损坏、粘滑四种类别，获得的各类数据如图2所示。

图2 各类拧紧曲线

2.2 数据增强

数据样本量的大小对神经网络模型的训练效果有很大的影响，一般而言，样本量越大，模型的泛化能力越强。因此，在模型训练之前，常常会使用数据增强的技术来扩冲数据样本，常用的数据增强方式有随机裁剪、几何变换、颜色变换等。考虑到拧紧曲线的特殊性，本文采用随机裁剪的方式进行数据增强。

2.3 曲线对齐

从拧紧设备上采集的拧紧曲线长度不一，为使每条拧紧曲线都能适应统一的神经网络，需要进行曲线对齐，使每条拧紧曲线的点数保持一致。本文采用回归决策树来学习每条曲线的特征，对曲线进行重构，从而达到曲线对齐的目的。首先，利用决策树学习曲线，使用均方误差作为决策树划分标准，将决策树的最大深度设为100，使决策树过拟合，从而记住曲线的细节特征；其次，以曲线最大角度的千分之一作为步长，预测每个角度对应的扭矩，以此得到新的曲线。重构的每条曲线角度步长不同，但点数相同，达到了曲线对齐的目的。

图3为某条拧紧曲线某一区间重构前后的对比图，其中，原始曲线有9030个数据点，重构之后有1000个数据点。可以看出，曲线重构后，曲线点数减少了，但是曲线的走势基本没变，保留了原始曲线的细微特征。

图3 某一段曲线重构前后对比图

2.4 数据归一化

为排除特征量纲的影响，加速模型收敛，提高模型精度，本文对数据进行线性归一化处理，公式为：

式中：x为归一化后的数据；为原始的角度（扭矩）数据；min为每列角度（扭矩）数据的最小值；max为每列角度（扭矩）数据的最大值。

3 基于卷积神经网络的拧紧曲线异形识别模型

3.1 模型构建

本文模型采用二维卷积与一维卷积结合的神经网络结构，如图4所示，其中包括1个输入层、一个2维卷积层、1个一维卷积层、2个一维池化层、3个全连接层，图中的蓝色方框代表卷积核的大小、红色方框代表池化窗口的大小。螺栓连接拧紧数据的复杂度不高，因此较低层数的神经网络模型已经能很好的解决问题，在网络层数过高时，反而会导致过拟合使得识别准确率降低。

图4 拧紧曲线异形识别模型

3.2 流程设计

拧紧曲线异形识别流程如图5所示。输入拧紧数据后，随机将85%的数据划分为训练集、剩下的15%作为测试集，之后的流程可分为模型训练与模型测试两个环节。在模型训练阶段，首先对神经网络模型的参数进行初始化，然后网络向前传播计算出预测值，根据预测值计算出损失，之后反向传播更新模型参数，循环多次达到训练要求后，结束训练。在模型测试阶段，利用已经训练好的卷积神经网络模型对测试集中的数据进行识别，根据识别结果与真实标签的匹配程度，判断模型的优劣程度。

图5 算法流程图

4 试验与分析

4.1 实验数据集

数据集取自第2章预处理后的数据，在数据集中随机抽取85%作为训练集、剩下的15%作为测试集，数据分布如表1所示。

表1 数据样本组成

4.2 模型参数设置

对于神经网络模型，选取合适的模型参数能极大提升模型性能，包括优化器类型、批处理样本量、学习率、卷积层数、卷积核大小等。本文模型的卷积层数、卷积核大小、池化窗口大小等结构参数已经确定，如图4所示。因此，本文着重针对优化器类型、批处理样本量和学习率进行试验，选取相对较优的参数组合，提高模型性能。

优化器用于计算和更新神经网络参数，使得损失函数达到最小值。不同的优化器有不同的特点，如SGD具有很好的泛化性能，但容易收敛到局部最优；Adagrad可以自适应学习率，但迭代后期收敛缓慢；Adadelta在Adagrad的基础上进行改进，能够减弱Adagrad学习率过激地单调递减的现象，使得训练过程更加顺畅，但训练前期的收敛速度会变慢；Adam是上述方法的集大成者，具有很强的普适性，但在某些情况下可能不收敛。本文将SGD、Adagrad、Adadelta、Adam进行对比分析，不同优化器的表现如图6所示，SGD、Adadelta陷入了局部最小值且在训练后期收敛较慢，而Adam的准确率最高、收敛速度最快，因此本文选取Adam作为优化器。

图6 不同优化器对模型识别结果的影响

批量大小是模型单次训练所使用样本的数量，设置过小则模型不容易收敛，设置过大则容易陷入局部最优。本文将批量大小分别设置为4、8、16、32、64、128，计算结果如图7所示，可以看出：批量大小为4时准确率最低，未能收敛；批量大小分别为8、16、32时，准确率都接近了100%，训练至收敛的时间依次递减；批量大小提高到64与128后，训练至收敛的时间变长。综合来看，在批量大小为32时，准确率高和训练时间短，因此本文选取批量大小为32。

图7 批量大小对训练结果的影响

学习率表示每次神经网络更新参数的步幅大小，设置的大则前期学习速度快但模型可能不能收敛，学习率设置的小则更容易收敛、但学习速度慢、而且也可能陷入局部最优。为了选取相对合适的学习率，本文设置了不同的学习率，每个工况试验10次，计算结果如表2所示，可以看出，随着学习率的降低，准确率得到了提高，但训练至收敛的时间在增加。综合来看，学习率为0.001时，准确率高、训练时间相对较短，因此本文选取学习率为0.001。

表2 不同学习率对训练结果的影响

4.3 试验结果分析

依照4.2节的模型参数设置，模型训练结果如图8所示，可以看出：模型的损失函数值和准确率在训练集和测试集上的表现基本一致；当训练次数为30时，模型的准确率已经接近了99%，此时损失函数值也降到了较小值；当训练次数为50时，模型准确率稳定在了99%以上，损失函数值进一步降低。由此可见，本文模型的训练结果较好，能满足螺栓连接拧紧曲线异形识别的要求。

为了展示模型学习过程，本文引入混淆矩阵对各个阶段的模型进行量化分析，如图9所示，可以看出：训练5次后，正常数据（标签为0）与粘滑数据（标签为3）不能区分，装错件数据（标签为1）与螺纹损坏数据（标签为2）有混淆；训练15次后，装错件数据与螺栓损坏数据被区分开了，不过粘滑数据还是不能与正常数据区分开；训练20次后，开始能够区分出一些粘滑数据与正常数据；训练50次后，实现了所有类别的精准区分。

为说明本文方法的有效性，将本文方法与传统机器学习方法SVM、KNN、Logistic进行对比分析，如表3所示，可知，本文所用的方法在测试集上的表现显著好于其他方法，说明本文方法有优秀的特征提取和分类能力。

图9 不同训练次数模型的混淆矩阵

表3 本文方法与传统机器学习方法的对比

5 结论与展望

本文针对现有拧紧曲线异形识别方法依赖人工提取特征的问题，提出了一种基于卷积神经网络的拧紧曲线异形识别方法。考虑到实际生产环境数据长度参差不齐的特点，本文建立了数据预处理流程来保证模型输入端的规范性。本文所建立的模型的优势是无需人工提取特征、计算速度快、准确率高，因此具有良好的通用性，有利于实现拧紧过程的在线智能评价。但本文所应用的数据量较少，类别不够多，后续将积累更多数量、更多种类的拧紧曲线来进行试验，并进一步优化网络结构，保证准确率，降低计算时间。

[1]张赫. 汽车螺栓打紧质量大数据分析[D]. 沈阳：沈阳工业大学，2019.

[2]陈平. 汽车行业螺栓拧紧质量监控[J]. 中国计量，2022（1）：40-41，58.

[3]陈福森，马贝方. 拧紧曲线在螺纹连接质量分析中的应用研究[J]. 制造技术与机床，2021（9）：9-12.

[4]王磊. 基于大数据分析的螺栓拧紧工艺质量评价方法研究[D]. 济南：山东大学，2018.

[5]张春雨. 导师：朱习军. 基于机器学习的螺栓异常检测[D]. 青岛：青岛科技大学，2021.

[6]MEINERS M，MAYR A，FRANKE J. Process curve analysis with machine learning on the example of screw fastening and press-in processes[J]. Procedia CIRP，2021，97（8）：166-171.

[7]MEINERS M，KUHN M，FRANKE J. Manufacturing process curve monitoring with deep learning[J]. MANUFACTURING LETTERS，2021（30）：15-18.

[8]STANISAW HOYŃ. Convolutional Neural Networks for Classifying Electronic Components in Industrial Applications[J]. Energies，2023，16（2）：887.

[9]HOWARD A G，SANDLER M，CHEN L C，et al. Highly Efficient Convolutional Neural Networks: EP3933707A4[P]. 2019-05-16.

[10]GHALEB M，EBIED H，SHEDEED H，et al. Content-based Image Retrieval based on Convolutional Neural Networks[J]. IEEE，2022（10）：149-153.

[11]曹亚利，李振雷，刘旭东，等. 基于卷积神经网络的冲击地压预警方法研究[J]. 中国安全生产科学技术，2022，18（10）：101-108.

[12]艾霖嫔，杨锦涛，徐权峰，等. 基于一维卷积神经网络的恒星光谱分类研究[J]. 云南民族大学学报（自然科学版），2021，30（3）：258-263.

Recognition Method of Abnormal Shape of Tightening Curve Based on Convolutional Neural Network

GU Hongliang，DING Jianming

( State Key Laboratory of Traction Power, Southwest Jiaotong University, Chengdu 610031, China )

To address the problem that the existing methods largely depend on artificial feature extraction and professional knowledge, this paper proposes a method for identifying the abnormal shape of tightening curve based on convolutional neural network. Firstly, in view of the lack of data and uneven data length of tightening curve, the paper uses random clipping to enhance the data, and uses regression decision tree to reconstruct the curve to keep the same length. Secondly, based on the traditional CNN model, the identification model of tightening curve abnormity is established. Finally, by studying the influence of super parameters on diagnosis results, the final parameter combination scheme is given. By analyzing the confusion matrix in each stage of the training process, the model learning process is demonstrated. By comparing with the traditional machine learning method, such as SVM, the effectiveness of the method proposed is verified. The experimental results show that the method can effectively identify the abnormal data of the bolt connection tightening curve, and the recognition accuracy is close to 99%, which provides a guidance for the intelligent diagnosis method of bolt connection based on deep learning.

convolutional neural networks；bolted connections；process curve；fault diagnosis

U270.6+7

A

10.3969/j.issn.1006-0316.2023.07.003

1006-0316 (2023) 07-0019-07

2022-12-27

国家重点研发计划（2020YFA0710902）

古洪亮（1998－），男，四川泸州人，硕士研究生，主要研究方向为紧固件缺陷智能检测，E-mail：1312331780@qq.com；丁建明（1981－），男，四川平昌人，博士，副研究员，主要研究方向为机电设备的智能控制与大数据可视化研究。