英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
轻便的神经网络监控螺纹紧固件自动装配
L. D教授和visuwan先生
伦敦大学国王学院
机械工程系
伦敦，wc2r 2ls
摘要：螺纹紧固件占到所有装配操作的四分之一。实现这个过程的智能化和自动化是有利的。本文提出了一种新的基于轻便的神经网络自动自攻螺丝插入智能监控策略。这种神经网络被设计和训练来监控螺纹紧固件的自动装配。该网络首先使用计算机模拟训练和测试，然后进行实验状态下的测试步骤。通过可见和不可见两种情况下呈现出来的实验数据来确认这种途径的有效性。结果表明，轻便的神经网络相对容易训练，是一种有效的监控螺纹紧固件装配自动化的方法。
一、前言
螺纹紧固是一种常见的装配方式，在所有的装配方式中总计超过1/4。螺纹紧固在需要拆卸维修，维护保养，要求能搬迁的装配中应用的尤为广泛。通过螺纹紧固的零件通过控制最终的拧紧力矩，可以在不同程度的压缩力上夹紧。螺纹接头的完整性取决于拧紧力矩，螺杆的行程，螺杆和孔的质量
在手动螺丝插入过程中，操作工人会首先将螺丝与孔对其，将螺丝放置在正确的位置和方向，然后旋转拧紧直到达到合适的拧紧力矩。操作者会用过去的经验和工作要求来判断是否成功，同时在监控过程中对错误进行在线监测，并在必要时采取纠正措施。电动工具常用来提高螺钉插入的速度。这个过程仍需要操作人员来确定位置和方向，电动工具以一种相对较高的速度旋转螺钉，使零件紧固。通常情况下，一个机械离合器机构用于控制最终的拧紧力矩。离合器会脱开，当达到预设的最终扭矩值时。但是因为高速，操作员不能起到监视和错误恢复的作用，导致废品的增加。螺纹紧固件会遭受一些潜在的问题，包括螺旋干扰，螺纹滑扣，错扣，楔形旋入。当使用电动工具时这些问题大量存在未被检测到。因此，应当需要在早期阶段采用自动监测策略，以检测一般故障，并采取纠正行动。
教学方法是目前应用最为广泛的监测自攻螺钉紧固件技术，通过监测在旋入过程中的转矩与位移（或角度）曲线可以检测到的故障。这种方法利用的是正确的插入和每个错误类型的插入都具有鲜明的的特征信号(1-21）。因此，通过比较紧固过程中实时扭矩和角信号和已知特征信号，该过程可以监控。运用教学方法，在生产前，正确的信号是被教导的，这可能导致包括较长的准备时间和缺乏灵活性等问题。
模糊逻辑[4]和神经网络提供了其他的方法来监测螺钉插入过程。它们已成功地应用于许多不同的应用程序，然而神经网络应用于螺旋插入问题的研究尚是一个未开发的研究领域。本文提出的研究的目的是开发基于神经网络的故障检测策略，自动自攻螺丝插入。因为它的适应能力和灵活性，相较于教学方法，神经网络被认为是一种提前自动的检测方式，一旦神经网络受过训练就没有必要再培训或在操作过程中提供额外的数据。
本文提出了一种新的基于轻便的神经网络自动自攻螺丝插入智能监控策略。这种神经网络被设计和训练来监控螺纹紧固件的自动装配。该网络使用计算机模拟和实验结果进行测试，结果表明，该方法是，监测螺丝自动装配的有效工具。
二、轻便的神经网络
在本研究中，轻便的神经网络（以下简称WNN)作为一种检测工具来使用。该神经网络在概念上是不同于传统的神经网络。使用WNNS时，训练数据存储在内存存储器中，而使用常规的神经网络时数据是用来调整权重的。WNNS具有所有传统的神经网络的主要优点，包括通过实例的学习能力，映射能力，强大的性能，并行处理能力，归纳能力。除此之外WNNS不会遇到局部最低限度的问题。它们容易训练和升级，拥有很快的操作速度。
2.1单神经元
轻便神经网络最基本的成分是单神经元（SGN），就相当于传统神经网络的一个节点。SGN主要成分是一个地址译码器，一组存储寄存器，数据输入寄存器，数据输出寄存器。如图1，单神经元具有两种工作模式：训练模式和回顾模式、
图1单神经元 图2普通神经元
在训练状态下的SGN接收和存储信息以供将来参考。每个训练中输入的向量都有一个相关的数据输入寄存器。因此。如果输入向量有n个比特，WNN会提供2^n数据输入寄存器空间，这些寄存器中的值是0或1，所有数据输入寄存器对应的训练输入向量充满了1和其余的充满了0。在WNNS的训练过程中只会使用正确的扭矩信号曲线
在回顾模式下，SGN使用培训信息做出决定，当SGN接收测试的输入向量信号时，它会定位相应的内存地址寄存器，在训练过程中存储的数据，作为SGN的输出。因此，输出1将对应正确的插入方式，输出0对应不正确的插入方式。
2.2普通神经单元
但是，单神经元的实际应用仅限于螺纹紧固件的监测。因此在实践中GNU的外部输入向量是一个二进制数字图像，表示当前应用程序中的转矩特征信号。每个SGN有n个输入连接到外部的输入向量和一个输出连接到GNU输出单元，对于需要一个简单的“是”或“不”的答案的问题，GNU的一个输出是一比特的值，1或0就可以满足。对于更复杂的问题。要求更多元的数据输出。GNU的输出取决于SGNS的输入和一个简单的少数服从多数的投票机制。
2.3监测螺钉插入的轻便神经网络设计
在这项研究中采用的轻便神经网络有一个影藏的层次，包含100个单神经元，每个神经元有8 比特空间输入向量连接到全局输入图像，一个典型的输入图像包括的信息有紧固扭矩与螺杆位移（衡量角度旋转）曲线如图3所示。
图3动态窗口概念
为了提高计算效率， 实时监控螺杆的插入过程。这里介绍动态窗口的概念。一个典型的窗口包含一个输入图像的一部分，这是依次走过的移动窗口从一端到另一个。
在本次研究中的力矩-转角曲线离散化，形成一个14x256全局输入图像像素分辨率。这给出了一个15度的角度轴分辨率和0.005纳米扭矩轴分辨率。采用分辨率为4x256动态窗口，第一14x256分辨率段，代表螺杆的转动一个60度角，是神经网络的输入。在第一段被处理后，该窗口被沿x轴移动1像素长度以定位第二段，需要注意的是相邻节段之间有重叠
首先GNU训练过程中会提供充足的应用知识，这种训练包括记忆过程和学习过程。在监测过程中，每一个单神经元都有鲜明的插入特征，同时决策单元总结归纳SGNS的输出信号，将结果与预定义的阈值进行比较，然后确定螺丝装配过程是否正确。
三、计算机仿真测
监测螺丝装配问题的轻便神经网络首先是利用计算机模拟研究实现。在[ 1，2]开发出的扭矩特征信号的分析模型被用来来生成理想的一般自攻螺钉紧固件扭矩特征信号。
对于一般情况下，五个不同阶段的螺杆拧紧过程可以识别。如图4：阶段1处理螺钉的接合，阶段2处理螺杆推进（螺纹切削和克服摩擦），直到螺杆端达到底端，阶段3处理完成螺纹切削，4阶段涉及到的螺杆前进螺钉头部顶端接触
板，阶段5处理螺丝拧紧。在每个阶段进行准静态分析，使用应力分析的概念检查螺钉上的力，然后导出了各个阶段的转矩方程，考虑平衡条件，列出方程1-5。
T1 ，T5分别是1到5阶段所需要的扭矩；theta;是螺丝钉的旋转角度，Ls是螺丝长度，Lt是锥状物的长度，Ds是大直径,Dm是小直径，Dh是较低的孔直径,t是较低的板厚,L是总板厚，Dsh是螺旋头直径，Duh是较高的孔的直径，P是螺纹的螺距，beta;是螺旋角度，u是螺钉和钢板材料之间的摩擦系数，delta;uts是板料的极限抗拉强度,所有其他参数取决于螺杆和孔尺寸，摩擦和材料性能.我们能注意到，这些参数对于任何给定的螺丝紧固例子是恒定的。
方程1到5可以用来预测在一个理想的螺丝插入操作的扭矩分布，给定的这些常数参数，它们可以用来预测理想的扭矩曲线，可以看出，相对于螺杆旋转的角度该方程是线性的。因此，扭矩与角度的一般自攻螺丝插入过程由五个线性部分分段组成，如图4。
图4模拟转矩信号
在所有的计算机仿真测试和训练实例中，为了模拟传感器噪声，叠加一个幅度在0和0.4纳米之间的随机信号的扭矩特征曲线。第一个测试研究了轻便的神经网络的学习能力，自攻螺丝型AB No.8用于2.5 mm厚的低碳钢板和一个3.8毫米的孔直径。高达200套的WNN分5批次进行训练。然后每个进行设定的5 个阶段的训练期，分别用正确的和错误的插入曲线测试轻便神经网络。
图5神经网络的学习能力的仿真结果
图5给出了性能与仿真测试曲线与训练信号的数目关系图，可见，经过50个扭矩特征训练信号，神经网络给出了一个100%正确的监测性能表现。
更深入的实验进行了神经网络的归纳总结能力的测试,实验对比了自攻螺钉型AB 8号与3.7、3.8、3.9,4毫米四种不同孔径的亚克力板。在图6中给出了螺旋插入级1到4的计算机模拟转矩特征信号。结果显示孔尺寸的增加会降低所需驱动转矩的幅度。
图6一组模拟转矩信号
直径3.7毫米和4.0毫米孔的扭矩特征信号被用来对网络进行了训练，直径3.8毫米和3.9毫米孔的扭矩特征信号被用来对网络进行测试。神经网络进行了从5到200批次的分批训练。每经过5个训练期，神经网络分别用可见和不可见的曲线进行测试，包括3.8毫米和3.9毫米直径孔的曲线，结果如图7所示。可以看出在15个批次的训练后，神经网络给出了100%的正确检测性能的表现。由此可看出这种轻便的神经网络有高效的归纳总结能力。经过一个相对适度的培训工作后，能注意到插入时的归纳能力是明显的。正如图7，试验结果表明，轻便神经无法处理的情况下，需要外界进行推理归纳
图7神经网络的归纳能力仿真结果
四、实验台测试
神经网络的下一个实验测试使用马头牌S5螺丝刀，如图8所示。为了实现监控策略，实时测量动态转矩曲线作为螺杆旋转角度的功能是必要的。一种基于应变计的扭矩传感器和一个角度编码器被用来测量转矩和旋转角度。一个典型的从测试台获得的扭矩信号如图9所示。
图8实验测试设置 图9典型扭矩信号
五、实验结果
以电脑模拟测试为基础，进行了实验测试，测试用来监控自动螺丝扣件的轻便神经网络的的学习和归纳能力。首先测试的是轻便神经网络的学习能力。一块带有直径为4.3mm洞的亚克力板和自攻螺钉AB型10号（4.8毫米螺纹大径）被用来进行训练和测试神经网络。神经网络是分5批次的训练，用来训练的测试曲线包括正确的和错误的曲线。如图10，在10个批次的训练以后，该神经网络给出了100%的正确检测性能的表现
图10神经网络学习能力的测试结果
然后进行神经网络归纳总结能力的测试，试验用类型为AB No10型自攻螺钉插入四个不同丙烯酸板上的孔，被插入的四个不同的丙烯酸板的孔直径为3.7，3.8，3.9，和4毫米。图11显示了所有八种情况下的实验转矩特征信号。
图11实验扭矩信号的结果
神经网络训练用的数据组包括10号螺杆，4.3毫米直径孔和8号螺杆，直径4毫米的孔。神经网络分5批次进行训练（每一组由2个信号组成，直径为4毫米和4.3毫米），最多40批训练。在每个培训批次结束，该神经网络是用下列看不见的扭矩特征信号测试
(a)3.7、3.8和3.9毫米直径、和8的螺钉的正确和不正确的信号。
(b)正确的和不正确的直径4.4,4.5的10号螺杆扭矩特征信号。
实验结果如图12所示，可以看出，25个训练批次后，轻便的神经网络给出了100%监测所有六个看不见的测试用例的性能。
因此可以看出相比较而言，这种轻便的神经网络是更容易培训的。此外，如图7和12所显示的，它有一个概括的能力，这涉及到插值。
图12神经网络概括能力的试验结果
六、总结
总而言之，总之，本文提出了一种新的成功的策略，基于轻便的神经网络，用于在自动化装配自攻螺丝连接监控。
这种神经网络首先使用电脑进行模拟，在自攻螺丝插入过程的理论模型是用一个函数来模拟传感器噪声、训练、测试和评估该神经网络。结果表明，该神经网络具有作为一种螺杆装配监测工具的潜力。
然后在实验状态下研究了该神经网络。使用了一个工业螺杆驱动程序安装的扭矩传感器，并进行了一系列的实验。对该神经网络进行训练、测试和评价。结果验证了计算机模拟预测的该神经网络的螺纹紧固五段过程监测方法的有效性。
它已经表明，轻便的神经网络是监测螺钉插入操作的有效方法。利用该神经网络的主要优点是概括和应对未知情况的能力. 实验结果表明，该神经网络是比较容易培养和实施的。试验结果还表明，该神经网络对螺纹紧固件监测的潜力。
参考文献
[l] L. D.Seneviratne, F. A. Ngemoh and S. W. E. Earles;,“Theoretical modelling of screw tightening operations”. Proc:.1992 ASME ESDA Conference, Vol. 1, pp189-19
[2] L. D.Senevuatne, F. A. Ngemoh and S. W. E. Earles;,“Sensor based inspection in automated assembly”. Proc. 6th International
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[148301]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
