CNN‐Based Determination of Bolt Preload in High‐Strength Bolted Connections

Diese Publikation stellt den ersten Teil einer umfassenden Studie zur Entwicklung einer neuartigen Methode zur Echtzeitüberwachung der Schraubenvorspannkraft in hochfesten Schraubenverbindungen vor, die an einer standardisierten Rahmenecke angewendet wurde. Der Ansatz kombiniert elektromechanische Impedanzmessung (EMI) mit Convolutional Neural Networks (CNN), um eine skalierbare, robuste und industriell einsetzbare Lösung im Bereich des Structural Health Monitoring (SHM) zu ermöglichen. Im Fokus des ersten Teils stehen die grundsätzliche Anwendbarkeit des EMI‐CNN‐Konzepts, der physikalische Hintergrund sowie die Entwicklung einer automatisierten Auswertungsumgebung. Zwei experimentelle Versuchsreihen wurden an einem standardisierten Rahmeneck‐Prüfkörper mit M16‐HV‐Schrauben durchgeführt. EMI‐Spektren wurden mithilfe oberflächenapplizierter piezoelektrischer Wandler erfasst und mit trainierten CNN‐Modellen ausgewertet, um die Vorspannkraft zu ermitteln. Das Modell erzielte einen mittleren absoluten Fehler (MAE) von 1,07 % bezogen auf die aufgebrachte Vorspannkraft. Ein interaktives Softwaretool visualisiert die Schraubenverbindung, importiert trainierte Modelle und wertet neue EMI‐Daten automatisch aus. Das Vorspannkraftniveau wird prozentual angezeigt, ein integriertes Ampelsystem bietet eine intuitive Zustandsbewertung in Echtzeit. Die Ergebnisse belegen die Eignung und Zuverlässigkeit des EMI‐CNN‐Frameworks und schaffen eine Basis für eine skalierbare industrielle Umsetzung mit vorkalibrierten, sensorintegrierten Schrauben.

This publication presents the first part of a comprehensive study on a novel methodology for real‐time monitoring of preload in high‐strength bolted connections, applied to a standardised beam‐to‐column frame corner. The approach combines electromechanical impedance (EMI) measurements with convolutional neural networks (CNNs) to enable a scalable, robust, and industrially applicable solution for structural health monitoring (SHM). This first part focuses on demonstrating the applicability of the EMI‐CNN concept, explaining the underlying physical principles, and developing an automated evaluation environment. Two experimental series were conducted on a standardised frame corner specimen with M16 HV bolts. EMI spectra were acquired using surface‐mounted piezoelectric transducers and processed with trained CNN models to quantify the preload. In the conducted experiments, the model achieved a mean absolute error (MAE) of 1.07 % with respect to the applied preload. An interactive software tool was developed to support practical application, including visualisation of the bolted connection, model import, and automated real‐time evaluation of new EMI measurements. The preload level is displayed as a percentage, while an integrated traffic light system enables intuitive real‐time condition assessment. The results confirm the feasibility and reliability of the EMI‐CNN framework for preload determination and provide a solid basis for scalable industrial implementation using pre‐calibrated, sensor‐integrated bolts.