[发明专利]基于多粒度并联CNN模型的肌电信号-扭矩匹配方法

说明书

本发明涉及基于多粒度并联CNN模型的肌电信号‑扭矩匹配方法，步骤1、采集拧紧螺栓时的扭矩信号和肌电信号；步骤2、将传感器该量程按照至少两种粒度进行划分，生成与该粒度对应的多个扭矩区间，每个扭矩区间添加一扭矩标签；步骤3、生成各时间窗对应的肌电图；步骤4、根据扭矩平均值所落入的扭矩区间确定各时间窗在每种粒度划分下的扭矩标签；步骤5、生成样本集；步骤6、构造多粒度并联CNN模型，使用样本集合训练各独立CNN模型；步骤7、将操作者实际装配过程中的肌电信号输入训练后的多粒度并联CNN模型，识别出装配扭矩。本发明通过将肌电信号输入多粒度并联CNN模型，获取到扭矩值，方便且准确地实时监测拧紧扭矩。

技术领域

本发明涉及基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，属于产品装配监测和智能制造领域。

背景技术

精准施加拧紧力矩是保证螺栓连接性能、提高产品装配质量的重要措施之一。当前受装配空间、装配效率等影响，不具备扭矩测量功能的扳手仍然是一种广泛应用的装配工具。因此，扳手扭矩实时监测是需要解决的急切问题之一。当前工厂中，进行装配扭矩监测常用的工具有测力矩扳手、定力矩扳手以及扭矩应力测试仪等。应用测力矩扳手可以实时地观察装配螺栓过程的扭矩。但这种方法需要操作人员掌握不同型号螺栓的力矩标准，容易出现拧紧过度甚至是滑丝等现象；应用定力矩扳手虽然无法实时进行扭矩监测，但是通过设定螺栓拧紧的力矩额度，可以保证连接件连接紧固性，并且避免螺栓拧紧过度或滑丝等问题；应用螺栓应力测试仪可以实现在产品使用过程中对高强度螺栓松动情况进行实时监测，但这种监测方法是产品装配完成后的监测，监测结果具有滞后性，并且螺栓应力测试仪中的超声元件、压电元件常受到使用环境的影响。

表面肌电信号(sEMG)是反应神经肌肉系统活动的一维时序信号，这种信号可以直接反应人体运动特性，并被广泛应用在医学、康复医学、人机交互等领域。并且通过sEMG信号可以估计无法精确计算的人体肌力，从而实现应用sEMG信号进行动作识别分类、肌力预测等应用。因此，本发明提出利用肌电信号，监测产品装配时的拧紧力矩。

发明内容

为了解决上述技术问题，本发明提供一种基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，通过获取肌电信号输入多粒度并联CNN模型，即可获取到扭矩值，能够方便且准确地实时监测拧紧扭矩。

本发明技术方案如下：

基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，包括如下步骤：步骤1、采集并保存操作者在试验台拧紧螺栓时的扭矩信号和肌电信号；步骤2、根据试验台上用于测量拧紧力矩信号的传感器的量程，将该量程按照至少两种粒度进行划分，每种粒度划分均生成与该粒度对应的多个扭矩区间，为每个扭矩区间添加一扭矩标签；步骤3、所述肌电信号按照每t秒为一个时间窗，生成各时间窗对应的肌电图；步骤4、计算出所述扭矩信号在各所述时间窗内所有扭矩的平均值，根据扭矩平均值所落入的扭矩区间确定各时间窗在每种粒度划分下的扭矩标签；步骤5、生成样本集，其至少包括两个粒度的样本集合，每个粒度样本集合包括多张带扭矩标签的肌电图，扭矩标签对应的粒度与样本集合对应的粒度相同，扭矩标签对应的时间窗与肌电图时间窗相同；步骤6、构造多粒度并联CNN模型，其至少包含两个并联的独立CNN模型，每个独立CNN模型对肌电信号的分类粒度不同，使用同粒度的样本集合训练对应的独立CNN模型；步骤7、将操作者实际装配过程中的肌电信号输入训练后的所述多粒度并联CNN模型，识别出装配扭矩。

更优地，所述步骤1中采用N个通道同时采集肌电信号；所述步骤3)为：对采集到的各通道肌电信号进行预处理，然后将各通道的各个肌电信号进行归一化处理；绘制各时间窗对应的肌电图，每一肌电图包含该时间窗内各通道的归一化处理后的肌电信号。

更优地，应用公式(1)对肌电信号进行归一化处理，将肌电信号映射到[0,1]范围内；其中，A_max为N通道中肌电信号的最大值；A_min为N通道中肌电信号的最小值；A_i为第i个肌电信号值，A'_i为第i个肌电信号归一化处理后的值。