1.基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于，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；

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。

2.根据权利要求1所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：所述步骤1中采用N个通道同时采集肌电信号，N为自然数；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。

3.根据权利要求2所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：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，Amax为N通道中肌电信号的最大值；Amin为N通道中肌电信号的最小值；Ai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。

4.根据权利要求1所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于，所述步骤4为：对所述扭矩信号先进行标准化处理，再求均值；所述扭矩信号按照如下公式组进行标准化，得到Ti'，其中，li为i型号扳手的长度，lmax为最长扳手的长度，Ti为i型号扳手下测量的扭矩值，Ti'为i型号下标准化后的扭矩值；

所述标准化公式组为：T′i＝lmaxTi/li。

5.根据权利要求1所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于，所述步骤6为：各所述独立CNN模型输入带扭矩标签的肌电图，该扭矩标签对应的粒度与模型粒度一致，输出为扭矩标签，将各独立CNN模型的输出扭矩标签融合在一起，作为多粒度并联CNN模型的预测扭矩值。

6.根据权利要求5所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：所述融合为：取各粒度CNN模型输出的最大概率的扭矩标签对应的扭矩区间的中间值，计算所有中间值的平均值，将其作为多粒度并联CNN模型的预测的扭矩值。

7.根据权利要求2所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：所述对采集到的各通道肌电信号进行预处理，包括如下步骤：采集到的肌电信号依次通过50Hz低通陷波器和30Hz零相移高通滤波，再将肌电信号中的复制进行反转，然后再通过5Hz零相移低通滤波器进行滤波，模拟肌肉的低通滤波特性；其中，50Hz低通陷波器消除本地工频对肌电信号的干扰；30Hz零相移高通滤波对接收到的肌电信号进行运动劣迹清除。

8.根据权利要求4所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：所述扭矩信号标准化后进入如下预处理后再求均值：对扭矩信号应用50Hz低通陷波器，消除本地工频对信号采集的影响，接着对处理后的扭矩信号应用30Hz零相移高通滤波进行滤波，清除运动劣迹。

9.根据权利要求1所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：所述步骤1中，在操着者身上佩戴可穿戴设备进行肌电信号采集。

10.根据权利要求9所述的基于多粒度并联CNN模型的肌电信号-扭矩匹配方法，其特征在于：所述可穿戴设备为MYO腕带。