[发明专利]一种用于螺栓联接的拧紧力矩自适应补偿方法

摘要

本发明涉及一种用于螺栓联接的拧紧力矩自适应补偿方法，属于机械加工技术领域。本方法识别动态环境变化(加工精度、润滑程度、上一工艺残留碎屑等)对拧紧力阈值影响规律，对螺栓拧紧力进行自适应迭代更新补偿，以适应不断变化的装配环境以及实时改变的加工精度对拧紧力矩的要求。本方法模仿人类专家思考和记忆，提取建立自适应补偿方法，从样本数据中自学习数据规律，并启发训练、记忆存储和提取，从而估计下一时刻拧紧力矩值。本方法将加工精度、润滑条件等动态环境变化纳入补偿方法建立过程，提高了方法的普适性和精确度。

主权项

1.一种用于螺栓联接的拧紧力矩自适应补偿方法，其特征在于该方法包括以下步骤：(1)采集多个螺栓在拧紧时分别所需的拧紧力矩，并分别记录拧紧时的环境属性，包括螺栓的加工精度、润滑度、表面碎屑和环境温度，多个螺栓所需的拧紧力矩组成一个向量，记为H＝{h1,h2,…,hc}，对向量中的每一拧紧力矩进行延展升维，得到一个f×1维度的拧紧力矩向量：H1＝(h1,h1,…,h1)TH2＝(h2,h2,…,h2)THc＝(hc,hc,…,hc)T其中，f为延展升维后得到拧紧力矩向量的长度值，f取值大于所记录的环境属性的个数，c为螺栓个数，上标T为向量转置；(2)根据上述拧紧力矩向量，建立一个意识反应模型，表达式如下：yi(n)＝Hi(n)+αWHi(n)其中，yi(n)为第i个螺栓的拧紧力矩向量在意识反应模型中第n次迭代下超立方体空间上的坐标位置表示，α为拧紧力矩调整因子，取值范围为[0,1]，n为意识反应模型的迭代次数，V为意识反应模型的门限值，表示意识反应模型的超立方体边缘点，Hi(n)为对第i个螺栓的拧紧力矩进行延展后得到的向量，Hi,j(n)为第n次迭代下第i个螺栓的第j个拧紧力矩，j＝1,2,…,f，W是f×f矩阵，f为延展升维后得到拧紧力矩向量的长度值,即为意识反应模型中为神经元数目，W满足如下条件，以保证聚类角点拥有吸引力：W＝WTλmin≥0，λmim为W的最小特征值ω_i,j是W的第i行第j列元素值ε是正常数，为超立方体函数，用于限制意识反应模型的超立方体边界；(3)向上述意识反应模型中输入步骤(1)的f×1维度的拧紧力矩向量，得到第i个螺栓的拧紧力矩分类标记Hi(n)，重复本步骤，得到所有螺栓的拧紧力矩分类标记；(4)根据步骤(3)所有螺栓的拧紧力矩分类标记，利用下式，计算步骤(1)中拧紧时螺栓的加工精度、润滑度、表面碎屑和环境温度的Gini指标：其中，e是步骤(1)的环境属性的序号，d是同一聚类角点的拧紧力矩值个数，l是在同一聚类角点中拧紧力矩序号，p为比率，是指以环境属性e作为分类标准，对步骤(2)的意识反应模型聚类角点上的聚类值即拧紧力矩进行分类，分到各环境属性序号的拧紧力矩个数占总拧紧力矩个数的比率；一个聚类角点上的所有拧紧力矩向量构成一个聚类集，计算每一个聚类集与各环境属性相对应的Gini指标，以与该聚类集相对应的Gini指标中的最低Gini指标作为相应环境属性的聚类标签，并将相同聚类标签的聚类角点合并为一个带有聚类标签的聚类集；(5)建立一个基于记忆方法的补偿神经网络，补偿神经网络的模型如下：ht＝tanh(Xt)·OtXt＝Xt‑1st+I(t)tanh(Ct)tanh(ht‑1)+tanh(ht)st＝μ(Ws·[Xt‑1,ht‑1,Ct]+bs)It＝μ(WI·[Xt‑1,ht‑1,Ct]+bI)Ot＝μ(WO·[Xt‑1,ht‑1,Ct]+bO)其中，tanh符号为双曲正切函数，其表达式如下：Xt‑1为取值在[0，1]之间的记忆细胞，表示对历史输入值hi(i＝1,2,…,t‑1)的保留程度，当Xt‑1的取值为1时，表示“对t‑1之前时刻所有输入值hi(i＝1,2,…,t‑1)完全保留并进入下一公式”，当Xt‑1的取值为0时，表示“对t‑1之前时刻所有输入值hi(i＝1,2,…,t‑1)完全舍弃并进入下一公式”，Xt为补偿神经网络的记忆细胞输出，输出值范围为[0,1]，Ct为t时刻环境属性序号，ht‑1,ht分别为第t‑1和t时刻的拧紧力矩，st、It、Ot分别为短时记忆网络、输入网络、输出网络的结果输出，Ws,bs,WI,bI,WO,bO分别为短时记忆网络、输入网络、输出网络的权值向量和偏置；(6)将步骤(1)得到的第t‑1时刻拧紧力矩值、第t时刻的环境属性序号作为步骤(5)的补偿神经网络的输入，步骤(1)的第t时刻的拧紧力矩值作为指导输出，对步骤(5)的补偿神经网络模型中的权值向量、偏置和记忆细胞Xt‑1进行随机初始化，训练过程中，将第t‑1时刻拧紧力矩值、第t时刻的环境属性序号和记忆细胞Xt‑1输入步骤(5)的补偿神经网络，计算输出结果与指导输出的差值，根据该差值对补偿神经网络的权值向量和偏置进行反馈调整，重复上述训练过程，直到输出结果与指导输出的差值小于设定阈值，结束训练过程，并将此时的权值向量和偏置作为补偿神经网络中短时记忆网络、输入网络、输出网络的权值向量和偏置，得到训练成熟的补偿神经网络；(7)设当前时刻为g时刻，将第g‑1时刻的拧紧力矩值hg‑1、当前g时刻的环境属性序号值Cg以及第g‑1时刻记忆细胞Xg‑1输入到步骤(6)训练成熟的补偿神经网络中，输出的hg即为当前g时刻的补偿后的拧紧力矩值。