[发明专利]基于强化学习的电批锁附螺丝方法及系统

说明书

本发明公开了基于强化学习的电批锁附螺丝方法及系统，随机生成电批的扭矩控制方案集，以使电批根据扭矩控制方案集内的扭矩控制方案锁附螺丝；通过强化学习神经网络对扭矩控制方案进行打分，得到分数值；通过分数值改进扭矩控制方案；将扭矩控制方案与标准控制模型进行比对，直至形成与标准控制模型最为接近的扭矩控制方案。基于此，本发明能够有效减少电批锁附螺丝时发生的浮锁、滑牙、爆钉等情况，提高每颗螺丝的锁附精度，提高产品合格率；减少了锁附螺丝对操作工人的经验需求，在没有相关经验的情况下工人也能较快、较好地完成螺丝锁附工作；为企业提高生产线的智能化，有助于产业链升级，从总体上降低企业成本。

技术领域

本发明实施例涉及但不限于强化学习技术领域，特别是涉及一种基于强化学习的电批锁附螺丝方法及系统。

背景技术

在种类繁多的机械产品中,零件之间应用最广泛的联接方式是螺纹连接,尤其在电视机、手机、相机等电子产品中大量应用公称直径小于5mm的螺丝,常常遇到滑牙滑丝等问题,造成零件联接孔不可逆的破坏,因此在螺丝拧紧过程中应考虑防止滑牙滑丝等锁付质量控制的问题。在螺丝锁付过程中,实际上是要保证连接件有足够的预紧力,然而直接控制预紧力并不现实。自动锁付机构一般采用一个固定拧紧力矩来间接控制预紧力,此固定力矩即为监控力矩。为了保证螺丝拧紧,企业在实际操作中往往选择比理论值稍大一点的监控力矩。

目前技术存在的问题是当电动螺丝刀处于高转速状态时，其具有相当高的动能，当螺丝紧固后，其在极短的时间停止，会产生瞬时大于设定值的扭矩，若拧紧扭矩过大，则会造成螺纹脱扣或螺杆断裂，影响产品质量和维修性。

现如今市场上的伺服电动螺丝刀仅带有固定扭矩与转速的设置选项，未针对上述问题进行优化，若在生产前不对锁付的最佳扭矩与速度进行大量测试，则会导致大量不良品的产生。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种基于强化学习的电批锁附螺丝方法及系统，能够通过自动训练来找到锁附螺丝的最佳扭矩控制方案，从而提高产品质量。

第一方面，本发明实施例提供了一种基于强化学习的电批锁附螺丝方法，包括：

随机生成电批的扭矩控制方案集，以使所述电批根据所述扭矩控制方案集内的扭矩控制方案锁附螺丝；

通过强化学习神经网络对所述扭矩控制方案进行打分，得到分数值；

通过所述分数值改进所述扭矩控制方案；

将所述扭矩控制方案与标准控制模型进行比对，直至形成与所述标准控制模型最为接近的所述扭矩控制方案。

在一些实施例，所述扭矩控制方案集为包括不同扭矩范围的多个扭矩控制方案的集合。

在一些实施例，所述标准控制模型为电批锁附螺丝时最佳扭矩与速度关系的模型。

在一些实施例，在所述随机生成电批的扭矩控制方案集，以使所述电批根据所述扭矩控制方案集内的扭矩控制方案锁附螺丝之前，还包括：

获取电批的标准扭矩变化曲线，所述标准扭矩变化曲线用于表征电批锁附合格螺丝过程中扭矩与速度的对应关系；

根据所述标准扭矩变化曲线导出扭矩变化数据；

根据所述扭矩变化数据输出所述标准控制模型。

在一些实施例，所述随机生成电批的扭矩控制方案集，包括：

在预设范围内随机生成电批的扭矩控制方案集。

在一些实施例，所述强化学习神经网络采用深度确定性策略梯度算法DDPG。

在一些实施例，所述通过所述分数值改进所述扭矩控制方案，包括：