西南交通大学牵引动力国家重点实验室;
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。
| 112 | 1 | 33 |
| 下载次数 | 被引频次 | 阅读次数 |
[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 HOY?. 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.
基本信息:
DOI：
中图分类号:U270.3;TP183
引用信息:
[1]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[J].机械,2023,50(07):19-24+80.
基金信息:
国家重点研发计划（2020YFA0710902）