基于人工智能的自动化控制系统及其方法

技术领域

本发明涉及自动化控制技术领域，具体是基于人工智能的自动化控制系统。

背景技术

当前，人工智能技术仍处于不断发展的阶段，在各行业的发展中都发挥着不可或缺的作用。在工业自动化控制系统的转型发展过程中遇到的阻碍与压力，人工智能技术可以提供更多动力，实现工业自动化控制系统的快速发展。

对比文件CN111045408A“一种分布式自动化控制系统”通过对数据分析模块对主机信息并进行分析得到主机的分配值，通过分配值将主机对应控制的自动化设备合理的筛选并分配到其它主机上进行转接控制，从而合理的优化主机的控制量；当主机进行维护时，服务器将该主机对应控制的所有自动化设备标记为待转控设备，并通过数据分析模块进行分配和转接；方便对主机进行维护，同时又可以对自动化设备进行分布式控制；

对比文件CN114995270A“一种电气自动化控制系统”对数据通过模型进行优化，提升数据的质量，有助于对电气自动化的信息进行处理，减小企业的投资成本；可对故障设备进行精准的查找，从而第一时间对故障设备进行维修，提高了维修的效率；可以对设备状态数据进行保存，并保证数据的准确性和有效性，使得设备状态数据可以被充分利用，同时还可以减轻本地的通信压力。

传统的工业设备问题的检测，大都通过专业人员的人工检测方式来完成，人工检测存在一个效率问题，最好的情况就是检测的第一个设备是问题设备，最坏的情况是最后一个设备是问题设备，如何通过智能检测预测提前确定人工检测的顺序，同时在工业设备发生故障时，避免故障产生的影响进一步扩大的倾向，对设备和周围系统造成更严重的损害，减少生产设备的中断和经济损失是我们亟需解决的技术问题，现提供基于人工智能的自动化控制系统。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于人工智能的自动化控制系统，包括监控中心，所述监控中心通信连接有数据采集模块、质量监测模块、数据可视模块、故障维修模块和质量预警模块；

所述数据采集模块用于根据工业生产过程中各个阶段的工艺流程特征对工业生产过程进行分段，并根据各段的工艺流程特性设置质量监测内容；

所述质量监测模块用于判断各流程子序列的质量监测结果是否符合可靠性标准，并根据质量监测结果生成流程子序列的异常性等级；

所述数据可视模块用于根据各流程子序列之间的装配关系和装配顺序构建生产流程拓扑有向图；

所述故障维修模块用于对质量监测结果不符合可靠性标准的流程子序列进行人工检修；

所述质量预警模块用于获取各边缘监测节点的质量监测结果与处理场景信息之间的关联度，构建生产可靠性预测模型，并根据生产可靠性预测模型获取各流程子序列的质量监测预测结果。

进一步的，所述数据采集模块根据工业生产过程中各个阶段的工艺流程特征对工业生产过程进行分段，并根据各段的工艺流程特性设置质量监测内容的过程包括：

获取当前工业生产设备的工艺流程特性，根据工艺流程特性提取生产流程信息，将生产流程信息进行初步简化，去除冗余生产流程，将生产流程信息根据工艺流程特性进行分段，划分为若干个流程子序列；

在各流程子序列上设置边缘监测节点，根据各流程子序列的工艺流程特性利用数据检索获取各个流程子序列的质量监测指标；

所述边缘监测节点用于采集对应流程子序列的质量监测指标，并将各流程子序列的结束时间戳作为采集时间点。

进一步的，所述质量监测模块用于判断各流程子序列的质量监测结果是否符合可靠性标准，并根据质量监测结果生成流程子序列的异常性等级的过程包括：

获取各边缘监测节点的质量监测指标的阈值范围，将各边缘监测节点的各项质量监测指标的监测结果与对应的阈值范围进行对比，获取各流程子序列的偏差值；

设置偏差阈值区间，判断所述偏差值是否落在偏差阈值区间内，若落在，则证明当前流程子序列的质量监测结果符合可靠性标准；

若不落在，则证明当前流程子序列的质量监测结果不符合可靠性标准，并根据所述流程子序列的偏差值设置当前流程子序列的质量监测的异常性等级。

进一步的，所述数据可视模块根据各流程子序列之间的装配关系和装配顺序构建生产流程拓扑有向图的过程包括：

获取各流程子序列之间的装配关系和装配顺序，根据各流程子序列之间的装配关系和装配顺序构建供应链拓扑有向图；

将各流程子序列作为拓扑有向图的节点，将各流程子序列之间的装配关系和装配顺序作为节点之间的连接关系，并获取各流程子序列的不同处理场景信息以及各流程子序列对应的质量监测指标的监测结果；

将各流程子序列的不同处理场景信息以及各流程子序列对应的质量监测指标的监测结果作为节点的补充节点，并根据装配有向图中各个节点的邻接矩阵获取对其他节点可靠性影响程度。

进一步的，所述故障维修模块对质量监测结果不符合可靠性标准的流程子序列进行人工检修的过程包括：

获取质量监测结果不符合可靠性标准的流程子序列的异常性等级，将流程子序列的异常性等级匹配调度流程子序列对其他流程子序列的可靠性影响程度获取流程子序列综合故障优先级；

根据所述综合故障优先级对各个流程子序列的顺序排序，根据排序结果依次对各个流程子序列进行人工检修。

进一步的，所述质量预警模块获取各边缘监测节点的质量监测结果与处理场景信息之间的关联度的过程包括：

获取各边缘监测节点的不同处理场景信息条件下的产生质量监测结果不符合可靠性标准的累计次数和每次质量监测结果不符合可靠性标准对应的异常性等级，根据各边缘监测节点的不同处理场景信息条件下的产生质量监测结果不符合可靠性标准的累计次数构建关于质量监测结果不符合可靠性标准与处理场景信息之间关联度的评价标准，通过模糊综合评价判断构建表示质量监测结果与处理场景信息之间的关联度与评价标准之间模糊关系的隶属度矩阵；

并获取各边缘监测节点的不同处理场景信息条件下每次质量监测结果不符合可靠性标准对应的异常性等级的平均异常性等级，根据所述评价异常性等级构建各边缘监测节点的不同处理场景信息条件下的权重矩阵；

根据所述隶属度矩阵与权重矩阵进行融合，获取各边缘监测节点的质量监测结果与处理场景信息之间的模糊综合评价结果向量，根据所述模糊综合评价结果向量获取各边缘监测节点的质量监测结果与处理场景信息之间的关联系数。

进一步的，所述质量预警模块构建生产可靠性预测模型，并根据生产可靠性预测模型获取各流程子序列的质量监测预测结果的过程包括：

基于图卷积神经网络构建生产可靠性预测模型，所述生产可靠性预测模型用于对各边缘监测节点的质量监测结果与处理场景信息之间的关联系数进行学习，输出流程子序列的质量监测预测结果；

设置监测周期，获取当前监测周期内流程子序列所属不同处理场景信息的时间所占比例以及流程子序列在不同处理场景信息下质量监测结果与处理场景信息之间的关联系数，并输入生产可靠性预测模型；

通过所述生产可靠性预测模型获取下一监测周期内流程子序列的质量监测预测结果，并根据所述预测结果进行提前人工检修操作。

本发明同时提供基于人工智能的自动化控制方法，包括以下步骤：

步骤S1：根据工业生产过程中各个阶段的工艺流程特征对工业生产过程进行分段，并根据各段的工艺流程特性设置质量监测内容，判断各流程子序列的质量监测结果是否符合可靠性标准，并根据质量监测结果生成流程子序列的异常性等级；

步骤S2：根据各流程子序列之间的装配关系和装配顺序构建生产流程拓扑有向图，对质量监测结果不符合可靠性标准的流程子序列进行人工检修；

步骤S3：获取各边缘监测节点的质量监测结果与处理场景信息之间的关联度，构建生产可靠性预测模型，并根据生产可靠性预测模型获取各流程子序列的质量监测预测结果。

与现有技术相比，本发明的有益效果是：本发明根据所述综合故障优先级对各个流程子序列的顺序排序，根据排序结果依次对各个流程子序列进行人工检修，通过将此类故障设备的维修优先级提高，可以及时修复故障并防止问题扩散，从而减少维修成本和维修时间；并在人工检测过程之前，增设智能检测预测过程，可以有效的提高人工检测效率。

附图说明

图1为本申请实施例的基于人工智能的自动化控制系统的原理图。

图2为本申请实施例的基于人工智能的自动化控制方法的原理图。

具体实施方式

下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，基于人工智能的自动化控制系统，包括监控中心，所述监控中心通信连接有数据采集模块、质量监测模块、数据可视模块、故障维修模块和质量预警模块；

所述数据采集模块用于根据工业生产过程中各个阶段的工艺流程特征对工业生产过程进行分段，并根据各段的工艺流程特性设置质量监测内容；

所述质量监测模块用于判断各流程子序列的质量监测结果是否符合可靠性标准，并根据质量监测结果生成流程子序列的异常性等级；

所述数据可视模块用于根据各流程子序列之间的装配关系和装配顺序构建生产流程拓扑有向图；

所述故障维修模块用于对质量监测结果不符合可靠性标准的流程子序列进行人工检修；

所述质量预警模块用于获取各边缘监测节点的质量监测结果与处理场景信息之间的关联度，构建生产可靠性预测模型，并根据生产可靠性预测模型获取各流程子序列的质量监测预测结果。

需要进一步说明的是，在具体实施过程中，所述数据采集模块根据工业生产过程中各个阶段的工艺流程特征对工业生产过程进行分段，并根据各段的工艺流程特性设置质量监测内容的过程包括：

获取当前工业生产设备的工艺流程特性，根据工艺流程特性提取生产流程信息，将生产流程信息进行初步简化，去除冗余生产流程，将生产流程信息根据工艺流程特性进行分段，划分为若干个流程子序列；

在各流程子序列上设置边缘监测节点，根据各流程子序列的工艺流程特性利用数据检索获取各个流程子序列的质量监测指标；

所述边缘监测节点用于采集对应流程子序列的质量监测指标，并将各流程子序列的结束时间戳作为采集时间点。

需要进一步说明的是，在具体实施过程中，所述工业生产设备的工艺流程特性的过程包括但不限于：原材料的清洗、分割、研磨、混合，产品的加工、装配、组装、喷涂、焊接、铸造、压制等过程。

需要进一步说明的是，在具体实施过程中，所述质量监测指标包括但不限于：完成各流程子序列的所预计的平均时间、在生产过程中产生的不合格产品的比例、预计时间内成功完成的流程子序列数量与计划流程子序列数量之间的比率。

需要进一步说明的是，在具体实施过程中，所述质量监测模块用于判断各流程子序列的质量监测结果是否符合可靠性标准，并根据质量监测结果生成流程子序列的异常性等级的过程包括：

获取各边缘监测节点的质量监测指标的阈值范围，将各边缘监测节点的各项质量监测指标的监测结果与对应的阈值范围进行对比，获取各流程子序列的偏差值；

设置偏差阈值区间，判断所述偏差值是否落在偏差阈值区间内，若落在，则证明当前流程子序列的质量监测结果符合可靠性标准；

若不落在，则证明当前流程子序列的质量监测结果不符合可靠性标准，并根据所述流程子序列的偏差值设置当前流程子序列的质量监测的异常性等级。

需要进一步说明的是，在具体实施过程中，所述数据可视模块根据各流程子序列之间的装配关系和装配顺序构建生产流程拓扑有向图的过程包括：

获取各流程子序列之间的装配关系和装配顺序，根据各流程子序列之间的装配关系和装配顺序构建供应链拓扑有向图；

将各流程子序列作为拓扑有向图的节点，将各流程子序列之间的装配关系和装配顺序作为节点之间的连接关系，并获取各流程子序列的不同处理场景信息以及各流程子序列对应的质量监测指标的监测结果；

将各流程子序列的不同处理场景信息以及各流程子序列对应的质量监测指标的监测结果作为节点的补充节点，并根据装配有向图中各个节点的邻接矩阵获取对其他节点可靠性影响程度。

需要进一步说明的是，在具体实施过程中，根据装配有向图中各个节点的邻接矩阵获取对其他节点可靠性影响程度的计算公式为：

其中，S

需要进一步说明的是，在具体实施过程中，所述故障维修模块对质量监测结果不符合可靠性标准的流程子序列进行人工检修的过程包括：

获取质量监测结果不符合可靠性标准的流程子序列的异常性等级，将流程子序列的异常性等级匹配调度流程子序列对其他流程子序列的可靠性影响程度获取流程子序列综合故障优先级；

根据所述综合故障优先级对各个流程子序列的顺序排序，根据排序结果依次对各个流程子序列进行人工检修，通过将此类故障设备的维修优先级提高，可以及时修复故障并防止问题扩散，从而减少维修成本和维修时间。

需要进一步说明的是，在具体实施过程中，将流程子序列的异常性等级匹配调度流程子序列对其他流程子序列的可靠性影响程度获取流程子序列综合故障优先级的具体计算公式为：

Z

其中，Z

需要进一步说明的是，在具体实施过程中，所述质量预警模块获取各边缘监测节点的质量监测结果与处理场景信息之间的关联度的过程包括：

获取各边缘监测节点的不同处理场景信息条件下的产生质量监测结果不符合可靠性标准的累计次数和每次质量监测结果不符合可靠性标准对应的异常性等级，根据各边缘监测节点的不同处理场景信息条件下的产生质量监测结果不符合可靠性标准的累计次数构建关于质量监测结果不符合可靠性标准与处理场景信息之间关联度的评价标准，通过模糊综合评价判断构建表示质量监测结果与处理场景信息之间的关联度与评价标准之间模糊关系的隶属度矩阵；

并获取各边缘监测节点的不同处理场景信息条件下每次质量监测结果不符合可靠性标准对应的异常性等级的平均异常性等级，根据所述评价异常性等级构建各边缘监测节点的不同处理场景信息条件下的权重矩阵；

根据所述隶属度矩阵与权重矩阵进行融合，获取各边缘监测节点的质量监测结果与处理场景信息之间的模糊综合评价结果向量，根据所述模糊综合评价结果向量获取各边缘监测节点的质量监测结果与处理场景信息之间的关联系数。

需要进一步说明的是，在具体实施过程中，根据所述隶属度矩阵与权重矩阵进行融合，获取各边缘监测节点的质量监测结果与处理场景信息之间的模糊综合评价结果向量的过程包括：

通过如下公式融合所述权重矩阵与所述隶属度矩阵以获取各边缘监测节点的质量监测结果与处理场景信息之间的模糊综合评价结果向量；

其中，所述公式为：

M＝a

其中，“+”表示所述权重矩阵和所述隶属度矩阵相对应位置处的元素相加，a

需要进一步说明的是，在具体实施过程中，所述质量预警模块构建生产可靠性预测模型，并根据生产可靠性预测模型获取各流程子序列的质量监测预测结果的过程包括：

基于图卷积神经网络构建生产可靠性预测模型，所述生产可靠性预测模型用于对各边缘监测节点的质量监测结果与处理场景信息之间的关联系数进行学习，输出流程子序列的质量监测预测结果；

设置监测周期，获取当前监测周期内流程子序列所属不同处理场景信息的时间所占比例以及流程子序列在不同处理场景信息下质量监测结果与处理场景信息之间的关联系数，并输入生产可靠性预测模型；

通过所述生产可靠性预测模型获取下一监测周期内流程子序列的质量监测预测结果，并根据所述预测结果进行提前人工检修操作。

需要说明的是，生产可靠性预测模型神经网络由输入层、输出层和隐藏层组成，隐藏层通过设置一层或多层神经元进行数据的计算，每一层神经元可以有若干个节点，通过神经网络能够对流程子序列在各不同处理场景信息下相关工业生产设备的质量监测结果进行训练，从而预测出在不同处理场景信息下的质量监测结果；

所述处理场景信息包括但不限于：如高温、低温、湿度、腐蚀性介质等不利的环境条件可能会导致设备故障，环境因素对设备元件和电子元器件的性能和可靠性产生不良影响；由于生产需求增加、材料堵塞、工艺参数失控等导致设备超过其设计能力或运行负荷；频繁地启动和停止设备可能会加剧机械磨损、热膨胀等问题，导致故障的概率增加；设备长时间使用而没有得到及时的清洁、润滑、校准和检修，会导致零部件磨损加剧、油脂变质、腐蚀等问题，从而增加故障的风险；长期的使用和磨损会导致设备内部部件的精度下降、材料疲劳、连接部件松动等问题，从而增加故障风险；电力系统的不稳定、电源故障或电网问题可能导致设备故障或损坏。

本发明在生产设备的检测过程有提前智能检测和人工检测，智能检测的速度较快，人工检测的准确度较高，本发明技术方案通过智能检测预测提前确定人工检测的顺序，基于这一顺序再进行人工检测，传统的设备问题的检测，大都通过专业人员的人工检测方式来完成，人工检测存在一个效率问题，最好的情况就是检测的第一个设备是问题设备，最坏的情况是最后一个设备是问题设备，本发明在人工检测过程之前，增设智能检测预测过程，可以有效的提高人工检测效率。

如图2所示，基于人工智能的自动化控制方法，包括以下步骤：

步骤S1：根据工业生产过程中各个阶段的工艺流程特征对工业生产过程进行分段，并根据各段的工艺流程特性设置质量监测内容，判断各流程子序列的质量监测结果是否符合可靠性标准，并根据质量监测结果生成流程子序列的异常性等级；

步骤S2：根据各流程子序列之间的装配关系和装配顺序构建生产流程拓扑有向图，对质量监测结果不符合可靠性标准的流程子序列进行人工检修；

步骤S3：获取各边缘监测节点的质量监测结果与处理场景信息之间的关联度，构建生产可靠性预测模型，并根据生产可靠性预测模型获取各流程子序列的质量监测预测结果。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。