成 铭, 郑 宇, 杨文强

(上海交通大学 机械与动力工程学院,上海 200240,E-mail:chengming1996@sjtu.edu.cn)

每年在制造行业需要千亿个螺栓用于装配组装,螺栓拧紧过程机理复杂,除了作用于材料变形的剪切力和拉力外,还会受到振动、温度、风力、流量、压力、负载等其他作用力,这些信号均为非线性且不平稳的信号,这些物理信号采集困难,需要用到高精度的传感器,且采集过程耗时耗力。另外,传感器在采集数据时也会不可避免地带来一些噪声,这些都导致了原始数据中所蕴含的螺栓拧紧过程的信息被弱化,更加难以从原始数据中直接挖掘出螺栓拧紧过程中所处的状态及其合格的质量与不合格的故障类别[1-3]。

拧紧结果的异常检测算法是具使用需求与研究难度的内容,一旦拧紧系统对于异常结果有准确的分类与识别,那么拧紧错误的追溯与反馈将变得易于实现。王磊采用大数据分析的方法对螺栓拧紧结果数据进行质量评级与异常识别,他针对普通螺栓和高强度螺栓的特点,分别采用K-means与Dbscan聚类算法,通过无监督学习方式,对拧紧结果数据做分类,并通过6-sigma质量评价方法实现拧紧结果质量评级[4]。贾全超将拧紧数据视为不平衡数据集,采用Smote算法消除不平衡带来的影响,选取拧紧过程的直接与间接特征,在使用PCA特征降维后,采用机器学习的XGboost算法实现拧紧异常的分类检测[5]。Jerry针对螺栓拧紧过程拧转曲线的物理特征,将拧紧过程划分为多个阶段,在阶段分类的基础上,对拧紧过程与结果数据考虑时间序列的状态变化,采用深度学习的LSTM模型进行拧紧数据集异常分类,并通过决策树的方法进行实时阶段预测,达到对拧紧状态的实时控制[6]。……