Classification of ultrasonic signals using machine learning to identify optimal frequency for elongation control : Threaded fastening tools
Autor: | Bahy, Mazen |
---|---|
Jazyk: | angličtina |
Rok vydání: | 2022 |
Předmět: |
Machine Learning
Convolutions Neural Network (CNN) Barker signals Ultrasonic sensors Clamp-force Threaded fastening assembly Maskininlärning konvolutionellt neuralt nätverk Barker-signaler Ultraljudssensorer klämkraft Åtdragningsmontering Computer and Information Sciences Data- och informationsvetenskap |
Druh dokumentu: | Text |
Popis: | Studying the preload in a screw joint has been the focus of today’s industry. The manufacturer reflects that demand by investigating different opportunities and techniques to develop this area. There are four different ways of controlling the tightening of bolts and joints to achieve the required clamp force that can hold for a specific preload. Torque control, angle control, gradient control, and ultrasonic clamp-force or elongation control. Many studies do exist about the first three mentioned techniques. However, there are a small number of studies for the ultrasonic clamp-force technique, and there is no study focusing on the usage of machine learning in that technique. This study investigates the use of machine learning to find the optimal frequency used to transmit the ultrasonic signals into the bolt for calculating the bolt elongation. Two machine learning models have been constructed, presenting two approaches: one for one-dimensional data (1D-CNN) and one for two-dimensional data (2D-CNN). The models classify the received signals (echos) with different frequencies into either accepted or non-accepted signals to get the optimal frequencies to be used later on, in the bolt elongation process. Both the 1D-CNN and 2D-CNN show an accepted performance of around 85% accuracy. The results indicate that there does exist a pattern in these ultrasonic signals that are useful for classifying them into accepted and non-accepted frequencies, so the usage of machine learning for the problem is feasible. Att studera förspänningen i en skruvförband har varit i fokus för dagens industri. Tillverkaren speglar den efterfrågan genom att undersöka olika möjligheter och tekniker för att utveckla detta område. Det finns fyra olika sätt att kontroller åtdragningen av bultar för att uppnå den erforderliga klämkraften som kan hålla för en specifik förspänning. Vridmomentkontroll, vinkelkontroll, gradientkontroll och ultraljudskontroll av klämkraft. Det finns många studier om de tre förstnämnda teknologier. Det finns dock ett litet antal studier för ultraljudsklämkraftstekniken, och det finns ingen studie som fokuserar på användningen av maskininlärning i den tekniken. Denna studie undersöker användningen av maskininlärning för att hitta den optimala frekvensen som används för att beräkna bultens förlängning. Två maskininlärningsmodeller har konstruerats, som presenterar två metoder: en för endimensionell data (1D-CNN) och en för två-dimensionella data (2D-CNN). Modellerna klassificerar de mottagna signalerna (ekon) med olika frekvenser i antingen accepterade eller icke-accepterade signaler för att få de optimala frekvenserna att användas senare, i bultförlängningsprocessen. Både 1D-CNN och 2D-CNN visar en accepterad prestanda på cirka 85% noggrannhet. Resultaten indikerar att det finns ett mönster i dessa ultraljudssignaler som är användbara för att klassificera dem i accepterade och icke-accepterade frekvenser, så användningen av maskininlärning för problemet är genomförbar. |
Databáze: | Networked Digital Library of Theses & Dissertations |
Externí odkaz: |