大數據算法在緊固技術中的應用

李琨　魯鵬　史東旭　邵子堯　陳浩然

摘 要：緊固技術在制造業中起著關鍵作用，它確保緊固件被固定到正確的扭矩。本文旨在探討大數據算法在緊固技術中的應用。本文首先討論了大數據分析的算法種類和適用領域，然后探討了大數據算法在緊固技術中的應用，如何用于提高緊固工藝的準確性、效率和可靠性，最后提出了應用大數據進行擰緊技術開發面臨的挑戰，本研究可為緊固技術的數據分析提供參考價值。

關鍵詞：大數據算法 緊固技術 數據分析

1 引言

緊固技術是將螺栓、螺母和其他緊固件安全地固定到規定的扭矩的過程。在制造業中，緊固至關重要，因為它確保成品的質量和可靠性。緊固的準確性在各個行業中都非常重要，包括汽車、航空航天和建筑業。傳統的緊固方法涉及手動扭矩扳手，這可能導致錯誤、不一致性和低效的工藝。隨著大數據算法的出現，有機會提高緊固技術的準確性、效率和可靠性。大數據算法是能夠快速準確地分析大量數據的計算機程序。這些算法使用統計模型、機器學習和其他技術來識別數據中的模式、趨勢和洞見。將大數據算法應用于緊固技術有可能徹底改變緊固件的固定方式。

2 目前常用的大數據算法

近年來，隨著大數據算法的發展，這些算法已經被廣泛應用于各種行業，包括制造業和緊固技術。下面是一些最常用的大數據算法。

2.1 線性回歸

線性回歸是一種統計方法[1]，流程如圖1所示。可用于分析一個或多個自變量與因變量之間的關系。它通常用于制造業，以預測未來的性能并確定改進的領域。

2.2 決策樹

決策樹是一種機器學習算法[2]，如圖2所示，可根據一組規則對數據進行分類。它通常用于制造業中分析過程數據并識別問題的根本原因。

2.3 隨機森林

隨機森林是另一種機器學習算法[3]，可用于對數據進行分類，如圖3所示。它通過創建多個決策樹并組合它們的輸出來進行更準確的預測。隨機森林通常用于制造業中分析大型數據集并預測過程性能。

2.4 支持向量機（SVM）

支持向量機是一種機器學習算法[4]，可用于對數據進行分類，如圖4所示。它通過創建將數據分為不同類別的超平面來工作。SVM通常用于制造業中分析過程數據并識別可用于提高性能的模式。

2.5 神經網絡

神經網絡是一種機器學習算法，模擬人腦的結構[5]，如圖5所示。它可用于分析復雜數據集并對未來的性能進行預測。神經網絡通常用于制造業中分析傳感器數據并識別趨勢和模式。

2.6 K均值聚類

K均值聚類是一種無監督機器學習算法[6]，可用于根據相似性將數據分組為群集，如圖6所示。它通常用于制造業中分析過程數據并識別可用于提高性能的模式。

2.7 關聯規則挖掘

關聯規則挖掘是一種數據挖掘技術，可用于識別大型數據集中的模式和關系[7-8]，如圖7所示。它通常用于制造業中分析過程數據并確定改進的領域。

大數據算法有潛力革命制造業和緊固技術的方式。通過使用這些算法，制造商可以提高其過程的準確性，效率和可靠性，從而提高生產力并減少浪費。

3 大數據算法在緊固技術中的應用

松動的螺栓或螺母可能會導致車輛性能下降，甚至造成事故。因此，必須確保每個螺栓和螺母都正確安裝。這就需要對緊固力進行監測和控制，以確保其符合要求。過去，這通常是通過手動檢查和調整來完成的，但這樣的方法存在很大的風險和不確定性。現在，大數據技術可以提供更準確，高效和可靠的解決方案。

使用傳感器和實時數據收集技術，制造商可以收集大量的緊固力數據。這些數據可以通過各種大數據算法進行分析，以識別任何問題并預測未來的性能。例如，線性回歸可以用于分析不同因素（如扭矩和轉角）對緊固力的影響，以確定最佳參數范圍。隨機森林可以用于預測未來的緊固力，并識別任何異常情況，如松動或斷裂的螺栓。決策樹可以用于識別哪些因素最大程度地影響緊固力，以便采取相應的措施。支持向量機可以用于識別緊固力的正常范圍，并在超出該范圍時進行報警。

這些算法不僅可以提高緊固的準確性和效率，還可以幫助制造商提高其生產力并減少浪費。例如，通過識別不必要的緊固操作并消除它們，制造商可以節省時間和資源，提高生產效率。此外，通過預測未來的緊固力，制造商可以采取預防措施并避免停機時間和維修費用。

3.1 預測性維護

大數據算法可用于預測何時需要維護或修理緊固工具。通過分析傳感器和其他來源的數據，這些算法可以檢測早期的磨損跡象，使維護團隊能夠在工具故障之前進行預防性維護。這有助于最小化停機時間，并確保緊固工藝保持準確和高效。

3.2 質量控制與過程優化

大數據算法也可以用于質量控制。通過分析傳感器和其他來源的數據，這些算法可以識別緊固工藝中可能表示質量問題的模式和趨勢。這有助于制造商在它們導致昂貴的缺陷或召回之前識別和糾正問題。大數據算法可用于優化緊固工藝。通過分析傳感器和其他來源的數據，這些算法可以識別工藝中的瓶頸和瓶頸原因。這使制造商能夠做出改進，提高生產效率和減少浪費。

3.3 數據收集和分析

大數據算法可用于收集和分析各種類型的數據，如圖8所示。例如傳感器數據、工藝參數和歷史數據。通過分析這些數據，制造商可以了解工藝中的趨勢和模式，從而更好地了解生產線的性能。這有助于制造商預測未來的性能和優化工藝。

3.4 在線監測

大數據算法可以用于實時在線監測緊固工具的扭矩輸出和其他參數，如圖9所示。通過分析實時數據，制造商可以檢測工具故障和質量問題，從而能夠立即采取行動。這

有助于確保緊固工藝的準確性和可靠性。

4 應用大數據進行擰緊技術開發面臨的挑戰

雖然大數據算法在緊固技術中的應用具有很多潛在的優點，但實施這些算法時還需要解決一些挑戰。

4.1 數據質量

大數據算法的準確性取決于數據的質量。如果數據不準確或不完整，這些算法的結果可能不準確或不可靠。因此，在實施大數據算法之前，必須確保數據質量。

4.2 算法選擇

有許多大數據算法可用于緊固技術。選擇正確的算法非常重要，因為不同的算法可能會產生不同的結果。制造商必須仔細考慮每種算法的優缺點，以選擇最適合其需求的算法。

4.3 數據隱私

大數據算法通常需要使用大量的數據，包括敏感數據。因此，在實施這些算法時，必須考慮數據隱私和保護問題。

4.4 實施成本

實施大數據算法的成本可能很高，因為需要購買硬件和軟件、進行培訓并聘請專業人員。因此，制造商必須考慮實施成本和預期回報之間的平衡。

5 結論

大數據算法在緊固技術中的應用具有潛在的優點，可以提高緊固工藝的準確性、效率和可靠性。然而，實施這些算法時必須解決一些挑戰，例如數據質量、算法選擇、數據隱私和實施成本。制造商必須仔細考慮這些問題，并確保選擇最適合其需求的算法。

參考文獻：

[1]許業林.基于線性回歸的軸承預緊技術研究[J].機械工程師，2009（08）：45-47.

[2]謝兆賢，鄒興敏，張文靜.大型數據集的高效參數剪枝決策樹算法研究[J/OL].計算機工程：1-11.

[3]吳鈺，杜慶東.基于大數據技術的隨機森林算法研究[J].現代工業經濟和信息化，2020，10（09）：24-25.

[4]路繩方，劉震.動車底部螺栓快速定位方法[J].計算機工程與應用，2017，53（15）：31-35.

[5]樊宇，楊建業.大數據在擰緊數據分析中的應用[J].汽車工藝與材料，2022（06）：27-32.

[6]王磊. 基于大數據分析的螺栓擰緊工藝質量評價方法研究[D].山東大學，2018.

[7]魏佳旭，吳旭東，趙丹.基于關聯規則挖掘的自動駕駛高風險場景構建[J].山東交通科技，2023（01）：147-151.

[8]曹磊，徐磊，楊菲，賈彭斐.基于關聯規則挖掘的路面損壞狀況影響因素分析[J].計算機系統應用，2021，30（01）：186-193.