Implementation of machine learning algorithms for monitoring bolted joints using piezoelectric washers

This work is part of a project that aims at the development of a smart washer based on the electro-mechanical impedance (EMI) method for structural health monitoring. The focus is primarily on detecting loosening in threaded joints. Specifically, first, the research aims to understand whether bolt tightening conditions affect the impedance signatures from the smart washer design under study. Second, it was necessary to develop a machine learning algorithm to predict the adopted torque by an automatic signal analysis and study its robustness to temperature changes. Finally, it is desired to implement an algorithm, designed specifically for practical applications, capable of simplifying training and detecting different types of anomalies in the surroundings of the sensorized washer. The first objective was achieved by a careful signal analysis, showing an effective correlation between EMI signature and preload, detected after a feature extraction process. The second aim was achieved by implementing a Classification Neural Network, capable of identifying with accuracy the tightening conditions applied to the sensorized washer. Even though the results were promising, a drawback was found to be the algorithm's sensitivity to temperature changes from training data conditions. Although this critical issue can be overcome by training on multiple temperature levels, this method is not suitable for most real-world applications. The last objective was achieved by shifting to an anomaly detection perspective. An Autoencoder Neural Network, trained only on healthy signals, was implemented and tuned to detect general anomalies with respect to healthy conditions. Through a test structure, it was also demonstrated how the autoencoder is capable of detecting changes in the surroundings of the smart washer.

Questo lavoro si inserisce all'interno di un progetto che mira allo sviluppo di una rondella sensorizzaata basata sul metodo di impedenza elettromeccanica (EMI method) per il monitoraggio strutturale. L'attenzione è rivolta principalmente al rilevamento dell'allentamento nei giunti filettati. Inizialmente, la ricerca mira a comprendere se la coppia di serraggio applicata su viti sensorizzate influenzi le firme di impedenza provenienti dai prototipi in esame di rondelle intelligenti. In secondo luogo, si desidera sviluppare un algoritmo di machine learning capace di predire la coppia di serraggio, mediante un'analisi automatica del segnale. Si intende anche studiare la robustezza dell'algoritmo alle variazioni di temperatura. Infine si desidera implementare un algoritmo, pensato appositamente per applicazioni pratiche, capace di semplificare l'addestramento e rilevare diverse tipologie di anomalie nei dintorni di una rondella sensorizzata. Il primo obiettivo è stato raggiunto attraverso un'attenta analisi del segnale, che ha mostrato un'effettiva correlazione tra la firma EMI e il precarico. Il secondo obiettivo è stato raggiunto implementando una rete neurale di classificazione, in grado di identificare con accuratezza le condizioni di serraggio adottate sulla vite sensorizzata tramite la rondella intelligente. Uno svantaggio dell'algoritmo è stato riscontrato nella sua sensibilità alle variazioni di temperatura rispetto alle condizioni di addestramento. Sebbene questa criticità possa essere superata tramite addestramento su più livelli di temperatura, questo metodo non è adatto per la maggior parte di applicazioni reali. L'ultimo obiettivo è stato raggiunto passando a una prospettiva di rilevamento delle anomalie. In particolare, è stata implementata una rete neurale autoencoder, addestrata solo su segnali provenienti da condizioni sane, capace di rilevare anomalie generali rispetto alle condizioni di addestramento. Attraverso una struttura di prova, è stato inoltre dimostrato come l'autoencoder sia in grado di rilevare cambiamenti nei dintorni della rondella sensorizzata, come l'allentamento di una vite vicina.