Advanced bolt-tightening tools such as automatic nutrunners are commonly used in industrial factories to streamline the assembly process. In safety-critical systems, it is crucialto control the tightening process. Ultrasonic clamp force control has been widely investigated in academia, showing higher accuracy than many other control methods, such astorque control. However, the precision of the method highly depends on the choice ofexcitation signal. To mitigate the effect of external variables on the method’s precision,a new sending signal may be derived for each new tightening case. Related work suggeststhe use of cross-correlation methods to find the optimal sending signal. However, suchcalculations are often time-consuming and need to be done before each new tightening.This study proposes an alternative method for finding the optimal sending signal. Theproposed method uses machine learning to substitute the heavy signal processing usedin other solutions. The study’s experiment was conducted by recording more than 50000chirp response signals, which were used as training data for three different binary classifiers. The classifiers obtained an accuracy of up to 93.4% on a test set. In addition,the linear relation between the quality value and bolt parameters was investigated. Thelinear correlation was weak, as the linear correlation coefficient only reached 0.23 at itshighest. 

Inom bil- och flygindustrin används automatiska åtdragningsverktyg för att effektivisera monteringsprocessen. åtdragningen är ett kritiskt moment för att säkerställa att ett bultforband uppfyller ställda säkerhetskrav. Klämkraftsreglering med ultraljud har visat en högre noggrannhet än många andra åtdragningsmetoder, bland annat åtdragning med momentreglering. Tekniken använder ultraljud för att beräkna kraften i förbandet -klämkraften. För att minska omgivningens påverkan på ultraljudsmätningarna kan den bästa exciteringssignalen beräknas inför varje åtdragning. I tidigare studier har korskor-relationsmetoder använts för att kvantifiera signalkvaliteten och bestämma den optimala signalen. Denna metod ger noggranna mätningar men är tidskrävande på grund av mängden beräkningar som utförs för varje signal. För att lösa detta problem presenteras i denna studie en ny metod som använder maskininlärning för att ersätta de tunga beräkningarna i signalbehandlingen. I studien samlades över 50000 ekosignaler in och användes som träningsdata för tre maskininlärningsmodeller. Modellerna tränades sedan för att kunna bestämma kvaliteten på ultraljudssignaler. Resultatet visade att modellerna kunde bestämma kvaliteten på nya ultraljudssignaler med en noggrannhet på 93.4%, när testdata användes. I studien undersöktes även det linjära sambandet mellan signalkvalitet och bultparametrar. Sambandet visade sig vara svagt då den linjära korrelationskoefficienten som högst var 0.23