Robustness of CNN models for EMI‐based bolt preload prediction

In einer vorangegangenen Studie wurde gezeigt, dass die Kombination aus elektromechanischer Impedanz (EMI) und Convolutional Neural Networks (CNN) eine präzise Vorhersage der Schraubenvorspannkraft ermöglicht. Die Modelle wurden positionsspezifisch trainiert und jeweils auf die Trainingsschraube angewendet. Diese kontrollierten Laborbedingungen führten zu einer robusten Vorhersageleistung. Die hohe Vorhersagegenauigkeit der bisherigen Untersuchungen schafft die Basis, um den Ansatz im Hinblick auf Generalisierbarkeit und Robustheit für den praktischen Einsatz weiterzuentwickeln. Zentrale Fragestellungen betreffen die Übertragbarkeit eines Referenzmodells auf verschiedene Schraubenpositionen sowie die Reduzierung des Trainingsaufwands durch Modellbildung auf Schraubentyp‐Ebene. Diese Arbeit untersucht daher systematisch die Transferierbarkeit zwischen Positionen und die Übertragbarkeit auf andere Schrauben sowie die Vorhersage von Temperaturinformationen aus EMI‐Spektren. Ein kompaktes CNN wurde auf Daten einer einzelnen Schraube trainiert und anhand von Messungen unter Variation von Schraubenposition und ‐exemplar validiert. Die Ergebnisse zeigen eine hohe Vorhersagegenauigkeit (  =  0,95, MAE  =  5,8 % F) über verschiedene Positionen hinweg. Zudem konnten Temperaturwerte präzise aus den EMI‐Spektren rekonstruiert werden (MAE  =  0,09 °C), was eine Grundlage für zukünftige Temperaturkompensationsstrategien bildet. Die Ergebnisse unterstreichen das Potenzial des EMI‐basierten CNN‐Ansatzes, sich von einer Laboranwendung hin zu einer robusten, übertragbaren und skalierbaren Lösung für den praktischen Einsatz in SHM‐Systemen weiterzuentwickeln.

In a previous study, the combination of electromechanical impedance (EMI) and convolutional neural networks (CNN) was shown to enable accurate prediction of bolt preload. The models were trained in a position‐specific manner and applied to the trained bolt under controlled laboratory conditions, resulting in robust prediction performance. The high level of accuracy obtained in that study provides the basis for further development of the approach with regard to generalisability and robustness for practical application. Key questions concern the transferability of a reference model to different bolt positions and the reduction of training effort through modelling at the bolt‐type level. This study therefore systematically investigates position and bolt transferability, as well as the prediction of temperature information from EMI spectra. A compact CNN was trained on data from a single bolt and validated using measurements from different positions and bolt specimens. The results demonstrate high prediction accuracy (  =  0.95, MAE  =  5.8 % ) across different positions. In addition, temperature values could be reconstructed precisely from the EMI spectra (MAE  =  0.09 °C), providing a basis for future temperature compensation strategies. The findings highlight the potential of the EMI‐based CNN approach to evolve from a laboratory application towards a robust, transferable, and scalable solution for practical structural health monitoring (SHM).