确定估计的拧紧类别的正确性的制作方法

本发明涉及一种用于确定由经训练的多标签机器学习(machine learning，ml)模型估计的由拧紧工具执行的拧紧操作的拧紧类别的正确性的方法以及执行该方法的装置。此外，提供了一种包括计算机可执行指令的计算机程序，当在装置中所包括的处理单元上执行计算机可执行指令时，该计算机可执行指令用于使该装置执行方法的步骤。此外，提供了一种包括计算机可读介质的计算机程序产品，该计算机可读介质上具有在其上实现的计算机程序。

背景技术：

1、在利用拧紧工具拧紧诸如螺栓或螺钉的紧固件的过程中，被拧紧的螺栓或螺钉可能会出现数种不期望的拧紧结果。

2、分析来自拧紧工具的传感器数据提供了关于拧紧结果的有价值的见解。可以开发分析模型，从而基于来自拧紧工具的传感器数据来确定拧紧结果。

3、然而，拧紧结果是否正确可能难以由人工操作者或机器来确定，并且更加麻烦和耗时。

4、为此，可以利用机器学习(machine learning，ml)来分析拧紧结果。然而，经训练的ml模型可能并不总是适合特定的应用，这对于人工操作者或机器来说可能难以检测。

技术实现思路

1、一个目的是解决或至少减轻现有技术中的这个问题，并因此提供一种确定由经训练的多标签机器学习(machine learning，ml)模型估计的用于拧紧操作的拧紧类别的正确性的方法。

2、在第一方面，提供了一种用于确定由经训练的多标签ml模型估计的由拧紧工具执行的拧紧操作的拧紧类别的正确性的装置的方法。所述方法包括：响应于测量到的至少一组由拧紧工具拧紧的紧固件的扭矩和角度值提供给ml模型，获取由经训练的ml模型估计的至少一个拧紧类别，所述拧紧类别标识施加到紧固件的拧紧特性，在施加到紧固件的拧紧特性方面，评估是否存在获取的至少一个拧紧类别不正确的指示，并且如果是，则提供指示出ml模型对至少一个拧紧类别的估计是不正确的警报。

3、在第二方面，提供了一种配置为确定由经训练的多标签ml模型估计的由拧紧工具执行的拧紧操作的拧紧类别的正确性的装置。所述装置包括处理单元，所述处理单元使所述装置：响应于测量到的至少一组由拧紧工具拧紧的紧固件的扭矩和角度值提供给ml模型，获取由经训练的ml模型估计的至少一个拧紧类别，所述拧紧类别标识施加到紧固件的拧紧特性，在施加到紧固件的拧紧特性方面，评估是否存在获取的至少一个拧紧类别是不正确的指示，并且如果是，则提供指示出ml模型对至少一个拧紧类别的估计是不正确的警报。

4、实际上，可能会出现经训练的ml模型估计的拧紧类别是不正确的。例如，可能由于某种原因，经训练的ml模型不适合给定的单个工具，或者经训练的ml模型对于一种类型的拧紧工具表现不佳，但是对于另一种类似类型的拧紧工具表现良好。

5、在另一个示例中，可以设想，ml模型对给定的拧紧应用或环境敏感；例如，可以设想，经训练的ml模型对小尺寸的螺栓执行高度精确的拧紧类别估计，但对大尺寸的螺栓执行不太精确的估计，或者经训练的ml模型很好地适合一种类型的要拧紧的接合部，但不适合另一种类型等。

6、有利地，对于本文公开的实施方案，针对拧紧操作(在其期间，应用经训练的ml模型)，对经训练的ml模型的拧紧类别估计进行评估，以确定经训练的ml模型是否确实适合该特定的场景，即工具、应用、螺栓、接合部、环境等。如果不是，则被评估的经训练的ml模型最好不要应用于该特定的场景，而是应当利用更适合该特定的场景的经训练的ml模型。换句话说，如果评估显示ml模型的一个或更多个估计被指示为不正确，则应当提供警报。

7、在一个实施方案中，如果评估指示出获取的至少一个拧紧类别的估计是正确的，则提供指示出ml模型对至少一个拧紧类别的估计确实是正确的警报。

8、在一个实施方案中，如果确定至少一个估计的拧紧类别被评估为不正确的测量到的扭矩和角度值的组的数量超过预定阈值，则提供指示出ml模型对至少一个拧紧类别的估计是不正确的警报。

9、在一个实施方案中，如果进一步确定评估了预定数量组的测量到的扭矩和角度值，则提供警报。

10、在一个实施方案中，如果超过预定阈值指示出经训练的ml模型的先前版本执行更好的估计，则经训练的ml模型的当前版本改变为经训练的ml模型的先前版本。

11、在一个实施方案中，警报提供给拧紧工具的操作者、拧紧工具本身、监督控制室或远程云功能。

12、在一个实施方案中，拧紧工具向工具的操作者提供听觉和/或视觉的警报。

13、在一个实施方案中，机器学习基于神经网络、基于随机森林的分类和回归分析的一个或更多个。

14、在一个实施方案中，响应于测量到的至少一组扭矩和角度值提供给ml模型而获取由经训练的ml模型估计的至少一个拧紧类别包括获取至少两个拧紧类别，并且评估是否存在获取的至少一个拧紧类别为不正确的指示包括：在施加到紧固件的拧紧特性方面，评估获取的至少两个拧紧类别之间是否存在冲突；并且如果是，则提供指示出ml模型对至少一个拧紧类别的估计是不正确的警报。

15、在一个实施方案中，评估获取的至少两个拧紧类别之间是否存在冲突包括：确定出获取的至少两个拧紧类别标识在相同的拧紧操作期间预期不会发生的特性。

16、在一个实施方案中，评估是否存在获取的至少一个拧紧类别是不正确的指示包括：确定出对于获取的至少一个拧紧类别，缺少一个或更多个预期的另一个拧紧类别。

17、在一个实施方案中，评估是否存在获取的至少一个拧紧类别是不正确的指示包括：确定出获取的至少一个拧紧类别不在用于训练ml模型的训练数据集中。

18、在第三方面，提供了一种包括计算机可执行指令的计算机程序，当在装置所包括的处理单元上执行计算机可执行指令时，所述计算机可执行指令用于使装置执行第一方面的方法所述的步骤。

19、在第四方面，提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质上具有根据第三方面在其上实现的计算机程序。

20、通常，权利要求中使用的所有术语应根据其在技术领域中的普通含义进行解释，除非本文另有明确定义。除非另有明确说明，否则对“元件、装置、组件、手段、步骤等”的所有引用均应开放地解释为涉及该元件、装置、组件、手段、步骤等的至少一个示例。除非明确说明，否则本文中公开的任意方法的步骤不必以公开的确切顺序执行。

技术特征：

1.一种用于确定由经训练的多标签机器学习模型估计的由拧紧工具(10)执行的拧紧操作的拧紧类别的正确性的装置(20，35)的方法，所述方法包括：

2.根据权利要求1所述的方法，进一步包括，如果评估指示出获取的至少两个拧紧类别的至少一个的估计是正确的：

3.根据前述权利要求的任一项所述的方法，其中，如果确定(s202b)至少一个估计的拧紧类别被评估为不正确的测量到的扭矩和角度值的组的数量超过预定阈值，提供(s203)指示出机器学习模型对所述至少两个拧紧类别的至少一个的估计是不正确的警报。

4.根据权利要求3所述的方法，其中，如果进一步确定(s202a)评估了预定数量组的测量到的扭矩和角度值，提供警报。

5.根据权利要求3或4所述的方法，其中，如果超过预定阈值指示出经训练的机器学习模型的先前版本执行更好的估计，经训练的机器学习模型的当前版本改变为经训练的机器学习模型的先前版本。

6.根据前述权利要求的任一项所述的方法，其中，警报提供给拧紧工具(10)的操作者、拧紧工具(10)本身、监督控制室或远程云功能(30)。

7.根据权利要求6所述的方法，其中，拧紧工具(10)向工具(10)的操作者提供听觉和/或视觉的警报。

8.根据前述权利要求的任一项所述的方法，其中，机器学习基于神经网络、基于随机森林的分类和回归分析的一个或更多个。

9.根据前述权利要求的任一项所述的方法，其中，评估(s202)获取的至少两个拧紧类别之间是否存在冲突包括：确定出获取的至少两个拧紧类别标识在相同的拧紧操作期间预期不会发生的特性。

10.根据前述权利要求的任一项所述的方法，其中，评估(s202)获取的至少两个拧紧类别之间是否存在冲突包括：确定出对于获取的至少两个拧紧类别，缺少一个或更多个预期的另一个拧紧类别。

11.根据前述权利要求的任一项所述的方法，其中，评估(s202)获取的至少两个拧紧类别之间是否存在冲突包括：确定出至少一个拧紧类别不在用于训练机器学习模型的训练数据集。

12.一种计算机程序(18，33)，其包括计算机可执行指令，当在装置(20，35)包括的处理单元(17，32)上执行计算机可执行指令时，所述计算机可执行指令使装置(20，35)执行根据权利要求1至11的任一项所述的步骤。

13.一种计算机程序产品，其包括计算机可读介质(19，34)，所述计算机可读介质(19，34)具有在其上实现的根据权利要求12所述的计算机程序(18，33)。

14.一种配置为确定由经训练的多标签机器学习模型估计的由拧紧工具(10)执行的拧紧操作的拧紧类别的正确性的装置(20，35)，所述装置(20，35)包括处理单元(17，32)，所述处理单元(17，32)操作以使装置(20，35)：

技术总结
本发明涉及确定估计的拧紧类别的正确性。本发明提供了一种用于确定由经训练的多标签机器学习模型估计的由拧紧工具(10)执行的拧紧操作的拧紧类别的正确性的装置(20，35)的方法。该确定基于在施加到紧固件(25)的拧紧特性方面评估是否存在获取的至少一个拧紧类别是不正确的指示，并且如果是，则提供指示出ML模型对至少一个拧紧类别的估计是不正确的警报。

技术研发人员：唐立斐,W·哈纳斯,D·威尔克曼,T·阿克塞尔森,B·雷斯特德,S·阿尔登沃克
受保护的技术使用者：阿特拉斯·科普柯工业技术公司
技术研发日：
技术公布日：2024/11/7