[发明专利]一种基于深度神经网络的螺栓拧紧失效原因分析方法

权利要求书

1.一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于，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。

2.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：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。

3.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：所述步骤S2中，一阶差分的公式为：

(△y_x＝y_x+1-y_x，(x＝0，1，2，…)) (1.1)

根据一阶差分计算出平均数然后计算出标准差，标准差的计算公式为：

其中，σ为标准差。

4.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：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。

5.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：所述步骤S2中，峰度和偏度公式为：

其中μ₄是四阶中心矩，b_k为峰度，S_k为偏度，σ是标准差，μ₃是三阶中心矩。

6.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：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。

7.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：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＝(X₁Y₁+X₂Y₂+...+X_nY_n-nXY)/(X₁+X₂+...+X_n-nX) (1.6)

8.根据权利要求1所述的一种基于深度神经网络的螺栓拧紧失效原因分析方法，其特征在于：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。