技术领域
[0001] 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，属于机械装备技术领域。
背景技术
[0002] 螺栓联接是装配体最为常见和广泛的连接形式，螺栓联接的合格与否直接影响着产品装配
质量和装配效率。工程实际中，通常采用控制拧紧力矩的方式实现螺栓拧紧。拧紧力矩值求解一般有理论公式法和实验获取法两种，但上述方法都有相应
缺陷和不足：关于理论公式法，目前通用的理论公式过于理想，并未考虑复杂的实际情况(如
螺纹加工
精度、螺纹副
摩擦系数以及润滑程度)；实验获取法则无法适应条件不断变化的实际环境，一旦螺栓品种规格更替或装配环境与训练环境有差异，那么之前计算的拧紧力矩值将毫无参考意义。因此，螺栓拧紧问题依然是装配过程的质量和效率
瓶颈。
[0003] 传统的
专家系统通过建立海量专家知识和规则结构来实现对现有状态下的值预估，一方面该专家系统建立难度大，另一方面一旦环境中出现
知识库里没有的情况则专家系统无法得出结论，整个系统缺乏自适应性。
发明内容
[0004] 本发明的目的是提出一种用于螺栓联接的拧紧力矩自适应补偿方法，用于识别动态环境变化(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。
[0005] 本发明提出的用于螺栓联接的拧紧力矩自适应补偿方法，包括以下步骤：
[0006] (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：
[0007] H1＝(h1,h1,…,h1)T
[0008] H2＝(h2,h2,…,h2)T
[0009]
[0010] Hc＝(hc,hc,…,hc)T
[0011] 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；
[0012] (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：
[0013] yi(n)＝Hi(n)+αWHi(n)
[0014]
[0015] 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：
[0016] W＝WT
[0017] λmin≥0，λmim为W的最小特征值
[0018] ωi,j是W的第i行第j列元素值
[0019] ε是正常数，
[0020] 为超立方体函数，用于限制意识反应模型的超立方体边界；
[0021] (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；
[0022] (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：
[0023]
[0024] 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；
[0025] 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；
[0026] (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：
[0027] ht＝tanh(Xt)·Ot
[0028] Xt＝Xt-1st+I(t)tanh(Ct)tanh(ht-1)+tanh(ht)
[0029] st＝μ(Ws·[Xt-1,ht-1,Ct]+bs)
[0030] It＝μ(WI·[Xt-1,ht-1,Ct]+bI)
[0031] Ot＝μ(WO·[Xt-1,ht-1,Ct]+bO)
[0032] 其中，tanh符号为双曲正切函数，其表达式如下：
[0033]
[0034] 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；
[0035] (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；
[0036] (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。
[0037] 本发明提出的用于螺栓联接的拧紧力矩自适应补偿方法，其优点是：
[0038] 1、本发明提出的用于螺栓联接的拧紧力矩自适应补偿方法，模仿人类专家思考和记忆，提取建立自适应补偿方法，避免了传统专家系统对海量规则库、知识库的建立和维护，而且无需采集、转换、输入专家知识，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。
[0039] 2、本发明方法为一种基于神经学理论建立的拧紧力矩阈值补偿方法，避免了传统建立理论公式模型适用对象单一、未考虑螺栓拧紧会受到螺纹加工精度、螺纹副摩擦系数以及上一工艺涂料等外在因素对拧紧值的影响，因此本发明将加工精度、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。
附图说明
[0041] 图2是本发明方法涉及的意识反应模型示意图。
[0042] 图3是本发明方法涉及的意识反应模型的超立方体边界示意图。
[0043] 图4是本发明方法涉及的意识反应模型的三维空间点示意图。
[0044] 图5是本发明方法涉及的基于记忆方法的补偿神经网络示意图。
[0045] 图6是本发明方法的一个
实施例中的拧紧力矩值三峰分布概率
密度图。
具体实施方式
[0046] 本发明提出的用于螺栓联接的拧紧力矩自适应补偿方法，其流程框图如图1所示，包括以下步骤：
[0047] (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：
[0048] H1＝(h1,h1,…,h1)T
[0049] H2＝(h2,h2,…,h2)T
[0050]
[0051] Hc＝(hc,hc,…,hc)T
[0052] 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；
[0053] (2)利用上述f×1维度向量，建立意识反应模型，如图2所示，该模型将所有上述拧紧力矩向量放置于f维超立方体空间(一个f维向量在f维空间即视为一个点)，并通过刺激激励方式使每一个点在超立方体空间运动，直到每个拧紧力矩点均稳定停留在各个超立方体的角点。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：
[0054] yi(n)＝Hi(n)+αWHi(n)
[0055]
[0056] 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，可以理解为
单层线性神经网络，为了使拧紧力矩值点能够最终稳定落在各聚类角点，W满足如下条件，以保证聚类角点拥有吸引力：
[0057] W＝WT
[0058] λmin≥0，λmim为W的最小特征值
[0059] ωi,j是W的第i行第j列元素值
[0060] ε是正常数，
[0061] 为超立方体函数，用于限制意识反应模型的超立方体边界，如图3所示。
[0062] (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；
[0063] 该模型运行原理为：拧紧力矩向量Hi(n)经意识反应模型第1步处理，得到对角点具有吸引力的拧紧力矩向量yi(n)，拧紧力矩向量yi(n)中的每个拧紧力矩值yi,j(n)，j＝1,2,…,f均在超立方体边界之内(不包括边界)，则该拧紧力矩向量处于游离态，即该拧紧力矩向量处于超立方体函数中间陡斜率段，意味着其拧紧力矩向量经由超立方体函数映射得到拧紧力矩向量输出值变化幅度大，该状态点经由超立方体函数映射获得更新的状态值Hi,j(n+1)。不断循环迭代直到Hi(n)位置处于超立方体边界，则该拧紧力矩向量点状态变更为沿壁态，该拧紧力矩向量点将缓慢沿壁爬行，直到进入稳定态；当拧紧力矩向量点位置落于角点位置，即稳定态，所述稳定状态即为超立方体角点位置状态，每一角点代表一个类别。超立方体函数在中间位置
曲率大，边缘位置曲率小，目的是让空间点在混沌状态能够尽快靠近超立方体的边缘壁，当到达边缘壁后即以较小的速度选择落点，降低
算法收敛时间且提高算法分类准确度。意识反应模型的三维空间图如图4所示。
[0064] (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：
[0065]
[0066] 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；Gini指标越小，说明聚类角点受该环境属性分类影响越小，聚类角点越有可能属于该环境属性。
[0067] 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；所述环境属性包括但不限于加工精度、润滑度、表面碎屑和环境温度。
[0068] (5)建立一个基于记忆方法的补偿神经网络，如图5所示，补偿神经网络的模型如下：
[0069] ht＝tanh(Xt)·Ot
[0070] Xt＝Xt-1st+I(t)tanh(Ct)tanh(ht-1)+tanh(ht)
[0071] st＝μ(Ws·[Xt-1,ht-1,Ct]+bs)
[0072] It＝μ(WI·[Xt-1,ht-1,Ct]+bI)
[0073] Ot＝μ(WO·[Xt-1,ht-1,Ct]+bO)
[0074] 其中，tanh符号为双曲正切函数，其表达式如下：
[0075]
[0076] 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；
[0077] (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，反馈调整的方法可以为
梯度下降法等；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，该阈值的取值根据模型的精度要求设定，本发明的一个实施例中，取值为10-5，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；
[0078] (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。
[0079] 下面介绍本发明方法的一个实施例：
[0080] 理想状态下，采集的拧紧力矩值呈现正态分布；但由于动态环境的变化，拧紧力矩值往往呈现多峰分布(环境属性数目与峰数目呈正相关)。本发明用计算机模拟生成受动态环境变化影响的拧紧力矩值样本，多峰分布函数如下：
[0081]
[0082] 其中本实施例将各参数设置为：a1＝60，σ1＝2，k1＝0.3；a2＝65，σ2＝2，k2＝0.3；a3＝60，σ3＝2，k3＝0.3。如图6所示。
[0083] 根据上述概率密度函数进行模拟
采样，共生成3304个拧紧力矩，部分样本值如表2所示。
[0084]
[0085]
[0086] 取f＝3，将上述一维拧紧力矩值扩展为三维向量，如下所示：
[0087] H1＝(66.2,66.2,66.2)T
[0088] H2＝(67.0,67.0,67.0)T
[0089]
[0090] H3304＝(70.2,70.2,70.2)T
[0091] 将上述三维阈值向量输入意识反应模型进行训练和聚类，聚类结果集中在(-1，-1，-1)、(1，1，1)、(-1，1，1)、(1，-1，-1)四个角点。因此上述输入样本被意识反应模型分为四类。
[0092] 考虑三种环境属性，分别为润滑程度(无润滑)、加工精度(加工不合格)、上一工艺涂料残留度(有残留物)，某一实施例下的Gini系数表如下：
[0093]聚类角点 润滑程度 加工精度 涂料残余
(-1，-1，-1) 0.1 0.3 0.5
(1，1，1) 0.6 0.4 0.2
(-1，1，1) 0.8 0.2 0.6
(1，-1，-1) 0.6 0.1 0.5
[0094] 从上表可知，归为(-1，-1，-1)的集合点为润滑程度不足情况下的拧紧值；归为(1，1，1)的集合点为涂料有残余情况下的拧紧值；归为(-1，1，1)的集合点为加工精度不足情况下的拧紧值；归为(1，-1，-1)的集合点也为加工精度不足情况下的拧紧值。设置标签，令润滑程度标签为-1，加工精度标签为2和-2，涂料残余标签为1，可生成带标签
训练数据(共
3478条训练数据)如下：
[0095]
[0096]
[0097] 将上述带标签数据按时间序列训练补偿神经网络，直到输出结果与指导输出的差值小于设定阈值，该阈值的取值根据模型的精度要求设定，本发明的一个实施例中，取值为10-5，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，训练成熟神经网络即具备补偿功能。
