Sila kovičenja je eden ključnih parametrov, ki vplivajo na delovanje zakovičenega spoja. Neposredno vpliva na porazdelitev napetosti v bližini spoja ter s tem na mehanske lastnosti, življenjsko dobo pri utrujanju in odpovedne mehanizme. Zagotavljanje nadzora nad tem parametrom je zato ključno za kakovost izdelka. Naše prejšnje raziskave so pokazale, da je silo stiskanja mogoče oceniti z analizo dinamskega odziva spoja. Tak pristop omogoča nadzor kakovosti tudi v poznejših fazah življenjskega cikla izdelka. Primernost mehanskih lastnosti zakovičenega spoja se oceni s primerjavo ocenjene sile stiskanja z želeno referenčno vrednostjo. Tradicionalne metode temeljijo na podobnosti med dinamičnim odzivom opazovanega spoja in odzivi referenčnih spojev z znanimi silami kovičenja. Ta članek predlaga izboljšano metodologijo, ki kriterij podobnosti nadomesti z algoritmom strojnega učenja z namenom povečanja robustnosti ocene. Tako kot pri konvencionalni metodi se uporabi dinamsko podstrukturiranje, s katerim se odziv spoja izolira od preostalega sklopa, kar omogoča uporabo istega modela strojnega učenja v različnih sestavih pod pogojem, da so materialne, geometrijske in torne lastnosti v bližini spoja skladne. Predlagana metoda je bila testirana v okviru laboratorijskega primera in primerjana z obstoječim pristopom ocenjevanja, ki temelji na LAC kriteriju. Rezultati kažejo izboljšano robustnost in širšo splošno uporabnost v primerjavi z LAC-pristopom. To nakazuje, da napredne napovedne zmožnosti modelu strojnega učenja omogočajo boljše razlikovanje učinkov sile stiskanja zakovice od variacij, ki jih povzročajo nekonsistentnosti v materialu, manjše spremembe procesnih parametrov ali položaja senzorjev v primerjavi z LAC-pristopom. Ključni izziv pristopa, ki temelji na strojnem učenju je pridobitev dovolj velikega in reprezentativnega nabora podatkov za učenje modela strojnega učenja.