[发明专利]估算螺栓的夹紧力的方法

说明书

一种估算螺栓的夹紧力的方法，包括由信号处理和分析装置转换和分析用于螺栓的夹紧力的学习信号，该学习信号由数据获取装置获取；将转换和分析得到的根据信号特征进行分组的学习信号与期望估算的区分信号进行比较；以及通过比较，将分类为分组的学习信号中与最相似组的信号相对应的夹紧力估算为区分信号的夹紧力。

相关申请的交叉引用

本申请要求2019年3月28日提交的韩国专利申请第10-2019-0035599号的优先权，其全部内容出于所有目的通过引用并入本文。

技术领域

本发明涉及一种估算作为紧固单元联接的螺栓的夹紧力的方法。

背景技术

相关技术描述

通常，螺栓用作部件之间联接的重要因素。

用于钢结构连接处的螺栓需要符合规定。可以严格控制这种螺栓的夹紧力。

在韩国工业标准(KS)中，根据扭矩系数将螺栓分为A型和B型，并且针对每种类型定义适当的扭矩系数。

KS规定A型螺栓的扭矩系数的平均值在0.11至0.15的范围内，B型螺栓的扭矩系数的平均值在0.15至0.19的范围内。

螺栓的夹紧力可以由扭矩值、扭矩系数和螺栓的直径确定。可以通过调节扭矩值来获得期望的紧固夹紧力。

拧紧方法已经用于控制螺栓的夹紧力。螺栓拧紧方法分为扭矩控制方法和螺母转动方法。

螺母转动方法的优点在于，由于使用了螺母的转动角度，所以夹紧力的分布相对减小。

另一方面，由于在已经确定扭矩值的上限和下限之后使用扭矩扳手拧紧螺栓，所以扭矩控制方法的优点在于可加工性优异。

然而，螺栓的扭矩系数不保持恒定，并且可能由于各种因素而变化，例如作为物理因素的螺栓长度和作为环境因素的温度。

因此，扭矩控制方法的缺点在于由于扭矩系数的变化夹紧力的分布增加。

此外，在现场的不方便之处在于，在使用扭矩扳手拧紧螺栓之后，需要使用单独的测量装置来测量拧紧螺栓的夹紧力。

因此，为了保持螺栓的适当紧固力，估算螺栓的紧固力是很重要的。

最近，已经公开了使用人工智能技术的各种估算技术。

提供了一种使用人工神经网络估算螺栓紧固力的技术。图1示出了使用这种人工神经网络估算螺栓的夹紧力的方法。

在使用人工神经网络估算夹紧力的传统方法中，如图1所示，从由传感器获得的信号推导出倒谱系数和短时傅立叶变换(STFT)。

对于倒谱系数，使用高通滤波器仅从获得的信号中提取高频因子以减小噪声的影响。

随后，在提取各个帧的代表值之后，将划分成数百个的频域乘以具有等腰三角形分布的各个权重，并且将结果值相加，从而获得确定值。

对确定的值应用对数，并通过离散余弦变换推导出倒谱系数。

在STFT的情况下，通过基于短时间的具有50％重叠部分的快速傅立叶变换，将获得的信号转换为具有几百帧的频域数据。

倒谱系数和STFT处理后的数据的特征是将其作为监控信号输入，使用代价函数通过梯度下降法形成多个权重矩阵层，使用权重矩阵层表示夹紧力的估算值。

然而，传统的估算技术的问题在于其相对复杂，因此难以进行实时夹紧力估算，并且估算的精度低。

包括在本发明的背景技术部分中的信息仅仅是为了增强对本发明的一般背景的理解，而不能被认为是承认或以任何形式暗示该信息形成本领域技术人员已知的现有技术。