孫威

摘要：本文通過研究人工智能技術的最新進展，結合電氣自動化的當前發(fā)展，探索了如何將人工智能與電氣自動化相結合的應用思路。本文分別描述了“人工智能繪制電路板”和“人工智能天然氣輸氣管線壓力控制”的應用思路，作為后期探索的示例進行了論述。探索實現(xiàn)電氣自動化向電氣智能化轉變的思路。

Abstract： This paper explores how to integrate artificial intelligence with electrical automation by studying the latest advances in artificial intelligence technology and combining current developments in electrical automation. This article describes the application of "artificial intelligence drawing circuit board" and "artificial intelligence natural gas transmission line pressure control" application ideas， as an example of later exploration discussed， and explores the idea of realizing the transformation from electrical automation to electrical intelligence.

關鍵詞：人工智能；電氣自動化；深度學習

Key words： artificial intelligence；electrical automation；deep learning

中圖分類號：TM76；TP18 文獻標識碼：A 文章編號：1006-4311（2018）26-0152-03

0 引言

現(xiàn)如今，我們正處在人工智能的第三次熱潮中，由于計算機硬件和軟件計算能力的極大進步，加上移動互聯(lián)網(wǎng)產(chǎn)生了海量的數(shù)據(jù)信息和呼之欲出的物聯(lián)網(wǎng)時代，各大科技公司對人工智能的技術都趨之如鶩，催生了大量高效的人工智能技術。然而，現(xiàn)有的電氣自動化系統(tǒng)，仍停留在弱人工智能階段。因而，如何將最新的人功能技術與電氣自動化系統(tǒng)相結合，成為了進一步提高電氣自動化系統(tǒng)的智能化程度的關鍵。鑒于此，本文從兩大方面進行研究。第一方面，了解人工智能技術的主要內(nèi)容、在電氣控制領域中的優(yōu)勢。第二方面，分析電氣自動化控制與人工智能技術相結合的發(fā)展思路并通過示例進行分析。

1 人工智能技術概述

人工智能技術是一種基于計算機技術的跨領域的綜合學科。人工智能技術的具體應用是模擬人的思想和行為，制造可代替人類工作的智能機器，使人從復雜、高危險的工作中解脫出來?？偠灾?，將人工智能技術與電氣自動化技術結合的發(fā)展前景十分廣闊。人工智能的一個較為先進的研究思路是：其對人類大腦及其大腦思考的過程的模仿。近些年來，人工智能技術研究主要是機器人系統(tǒng)和專家系統(tǒng)[1]。

2016年，以AlphaGo戰(zhàn)勝人類圍棋棋手李世石為標志，人工智能開始不斷升溫，在Google、亞馬遜、BAT的持續(xù)推動下，人工智能出現(xiàn)了巨大的突破，出現(xiàn)了一系列的新技術。因此，如何在電氣自動化中融入最新的人工智能技術，是電氣自動化發(fā)展的一個重大方向。將人工智能技術應用在電氣自動化控制中，可以使專家系統(tǒng)能快速處理指令，產(chǎn)生結論數(shù)據(jù)。而模糊控制，需要根據(jù)具體場景建模，并需要大量樣本測試來進行參數(shù)調優(yōu)，對場景和設備的依賴度高。通過使用最新的人工智能技術，可以極大縮減系統(tǒng)的開發(fā)和調優(yōu)周期。此外，人工智能技術能對收集的海量數(shù)據(jù)進行合理的分析與歸類，能快速定位問題，對潛在問題進行提前預警，甚至可以采取有效的規(guī)避策略，最大程度的降低風險。人工智能技術本身也是智能化，因此可以自主學習，實現(xiàn)自身的快速迭代更新。

2 人工智能在電氣自動化控制中的具體應用

本文將通過對兩個實例，探索人工智能在電器自動化中的應用思路。

2.1 基于Scikit-Learn深度學習引擎的人工智能繪制電路板應用思路分析

將人工智能技術用于優(yōu)化電氣自動化產(chǎn)品的生產(chǎn)環(huán)節(jié)，可以將人從繁雜的勞動中解放出來，從而使人從事機器無法處理的工作，即可減輕人的勞動負擔，又可提高生產(chǎn)效率。使電氣自動化轉變?yōu)殡姎庵悄芑?，將真正實現(xiàn)行業(yè)結構的升級換代。

電氣產(chǎn)品的設計過程需要綜合考慮多種因素。第一、在傳統(tǒng)的設計中，電路板的設計主要依靠經(jīng)驗的積累，只能通過手工方式進行設計。這種設計方式需要大量的人力資源，很難實現(xiàn)大規(guī)模批量生產(chǎn)[2]。第二、隨著物聯(lián)網(wǎng)的逐漸到來，智能設備層出不窮，每個智能設備中或多或少都含有了IC芯片。而每種智能設備需要的功能也是千差萬別的。雖然直接用最小系統(tǒng)板可以滿足很多功能的需要，但深入研究可以發(fā)現(xiàn)，最小系統(tǒng)支持的很多功能，在當前的智能設備中是不需要的，這勢必然造成了資源的浪費；而如果針對每種智能設備設計一種專門電路，開發(fā)周期和成本也十分巨大。因此，如何通過一種智能化繪制電路板系統(tǒng)，實現(xiàn)功能靈活的按需定制，在縮短開發(fā)周期的同時，只提供必需的芯片，從而從兩方面實現(xiàn)成本的節(jié)省。

在各大科技公司的持續(xù)推動下，出現(xiàn)了一系列比較優(yōu)良的人工智能開源框架和平臺。其中包括：加州大學伯克利分校的Caffe、Google的TensorFlow引擎[3]、百度Paddle引擎[4]以及基于python的Scikit-Learn深度學習引擎[5]等。在綜合比較了各種引擎的優(yōu)缺點后，本文最終選擇使用Scikit-Learn深度學習引擎作為人工智能學習系統(tǒng)的核心。

它的主要特點有[6]：

①支持多種分類算法：可快速識別某個對象屬于哪個類別；利用分類算法，自動識別錄入系統(tǒng)中相關數(shù)據(jù)的類別，可以將靈活錄入的信息進行較準確的劃歸到最接近的分類中，形成分類樣本的集合，能提高人工智能學習系統(tǒng)的學習準確率。

②支持多種回歸分析算法：可預測與對象相關聯(lián)的連續(xù)值屬性；樣本中的分類信息之間并不是完全相互獨立的信息孤島，而是存在復雜交叉關聯(lián)的圖狀結構，可以利用回歸分析算法，預測與對象相關聯(lián)的屬性。并根據(jù)屬性的重要程度添加不同的權重系數(shù)。提高重要屬性對學習過程的影響度。

③支持多種聚類算法：可以將相似對象自動分組；通過聚類算法，將相似的環(huán)節(jié)劃歸到一個分組中，在深度學習中不斷反饋，提高分組的準確率。間接提高整個系統(tǒng)的準確率。

④支持多種降維算法：能減少要考慮的隨機變量的數(shù)量；整個系統(tǒng)存在大量的輸入，不正確或不準確的輸入，將成為整個系統(tǒng)的噪點。

⑤支持多種模型：能比較，驗證，選擇參數(shù)和模型。

⑥支持多種預處理：可進行特征提取和歸一化。

具體應用流程圖如圖1所示。

具體實現(xiàn)思路：

①開發(fā)錄入系統(tǒng)平臺，主要功能有：1）錄入基本信息：器件信息、器件參數(shù)信息、各種標準最小系統(tǒng)數(shù)據(jù)、已有的特定系統(tǒng)數(shù)據(jù)。2）規(guī)則錄入：飛線規(guī)則、倒角規(guī)則、引腳信息等。3）對數(shù)據(jù)進行簡單分類錄入數(shù)據(jù)庫。4）錄入某功能電路的功能需求。

該過程通過調用Scikit-Learn深度學習引擎中合適的分類算法進行分類。

②對錄入數(shù)據(jù)進行回歸分析，重點是提取可拆分的系統(tǒng)模塊，通過模塊化的分類，便于根據(jù)不同需求靈活組合，只組合特定需求需要的模塊。

③對步驟2里的相似模塊進行分類，縮小模塊匹配查找的范圍，更快找到最佳匹配的模塊。

該過程通過調用Scikit-Learn深度學習引擎中的聚類算法進行分類。

①設計人工智能學習算法，實際就是一個精確匹配過程，根據(jù)步驟1的第4步選定的功能，從模塊庫里選擇需要的最佳模塊組。

②根據(jù)模塊組中各個模塊的引腳信息，結合各種規(guī)則，對模塊進行布局，尋找布局占用面積最小、飛線最合理的方案。

③將步驟5的方案生成仿真電路，模擬步驟1的第4步中選定的功能，如果通過驗證，則將方案提交給用戶，同時將該方案錄入數(shù)據(jù)庫。在反復的模擬中，根據(jù)模擬結果，實時調整數(shù)據(jù)庫中的信息。

由于電路板制作工藝復雜，而且電路板對電磁兼容性極其敏感，前期在沒有大量樣本數(shù)據(jù)時，系統(tǒng)的整體匹配度會偏低。而且存在大量人工錄入，但當積累的數(shù)據(jù)量達到一定級別后，整個系統(tǒng)的匹配度會出現(xiàn)質的飛躍。

隨著物聯(lián)網(wǎng)的逐漸到來，智能設備層出不窮，每個智能設備中或多或少都含有了IC芯片。而每種智能設備需要的功能也是千差萬別的。雖然直接用最小系統(tǒng)板可以滿足很多功能的需要，但深入研究可以發(fā)現(xiàn)，最小系統(tǒng)支持的很多功能，在當前的智能設備中是不需要的，這勢必然造成了資源的浪費；而如果針對每種智能設備設計一種專門電路，開發(fā)周期和成本也十分巨大。因此，如何通過一種智能化繪制電路板系統(tǒng)，實現(xiàn)功能靈活的按需定制，在縮短開發(fā)周期的同時，只提供必需的芯片，從而從兩方面實現(xiàn)成本的節(jié)省。

2.2 人工智能技術在天然氣管道設備電氣自動化控制中的應用思路

利用人工智能技術對數(shù)據(jù)的采集和處理，可以對電氣自動化系統(tǒng)提供更精準的反饋信息，從而實現(xiàn)電氣自動化系統(tǒng)實現(xiàn)智能化的自我更新。本節(jié)以中油龍慧自動化工程有限公司設計的典型壓氣分輸站中的人工智能調節(jié)閥為例，對人工智能技術在天然氣管道設備電氣自動化控制的具體應用進行探索。

①系統(tǒng)硬件。

壓力變送器、控制接觸器、閥門、AB PCL RSLogix 5000、MOXA服務器NPort5630[7]。

②系統(tǒng)原理與流程。

將AI808人工智能調節(jié)器與自主研發(fā)的PLC人工智能功能模塊相結合，對輸氣管道壓力實現(xiàn)更加精準的控制，具體原理為：

利用現(xiàn)場壓力傳感器儀表采集壓力數(shù)據(jù)，通過系統(tǒng)總線將壓力數(shù)據(jù)分別傳輸給AI808人工智能調節(jié)器與自主開發(fā)的PLC人工智能功能模塊。利用AI808快速計算出壓力誤差和誤差變化率，盡可能實時的做出控制響應，確保壓力在可控范圍內(nèi)；自主開發(fā)的PLC人工智能功能模塊進行歷史累計數(shù)據(jù)的智能分析，得出更精準的壓力變化趨勢和控制幅度，通過系統(tǒng)總線盡可能實時的傳輸給AI808，實現(xiàn)對AI808的滯后補償控制，提高對輸氣管線壓力的控制精度[8]。

具體應用流程圖如圖2所示。

2.3 控制邏輯與算法

輸氣管線壓力數(shù)據(jù)具有時變、非線性的特點，如果要達到理想的控制效果，單獨使用PID控制難以實現(xiàn)。因此使用本系統(tǒng)中的AI808和自主開發(fā)的PLC人工智能功能模塊進行模糊控制，通過更精確的分析壓力變化趨勢，實現(xiàn)更準確的壓力控制。本文將AI808作為非線性函數(shù)近似器，PLC人工智能模塊作為補償器，對人工智能進行開發(fā)和研究[9]。與普通的函數(shù)估計器相比，人工智能非線性函數(shù)近似器具有非常明顯的優(yōu)勢。首先，如果使用普通的函數(shù)估計器，研究的過程中會遇到一些不確定性因素，對輸氣設備的穩(wěn)定性造成影響。而使用非線性函數(shù)近似解，則無需將研究對象的模型建立起來，能夠對個別對象進行便利的研究，結合自主開發(fā)的PLC人工智能功能模塊進行補償控制，從而實現(xiàn)輸氣管線壓力的高精度控制。其次，與控制器或者普通函數(shù)估計器相比，人工智能非線性函數(shù)近似器在調節(jié)數(shù)據(jù)方面更加便利，能夠對設輸氣備的數(shù)據(jù)進行便利的調節(jié)。第三，在設計輸氣管線壓力自動化控制系統(tǒng)的過程中，設計者只需獲取壓力傳感器的數(shù)據(jù)，就能夠應用人工智能技術對其進行設計。在設計輸氣管線壓力自動化控制系統(tǒng)時，只需根據(jù)其反饋的數(shù)據(jù)，就可以完成全部的設計，極大地簡化了設計過程[10]。

3 結論

通過設計“人工智能繪制電路板”系統(tǒng)，經(jīng)過海量樣本數(shù)據(jù)的反復學習，不斷優(yōu)化算法設計，將逐步建立一套完善的智能化電路板設計系統(tǒng)，能極大滿足未來物聯(lián)網(wǎng)對海量定制電路板設計的需求，整個系統(tǒng)設計復雜、建模難度大，越早布局才能更快的發(fā)揮出價值。天然氣輸氣管線壓力控制在天然氣傳輸中起著至關重要的作用。通過人工智能的控制模塊，可以實現(xiàn)更加精確的控制，確保將輸氣管線壓力控制在可控范圍內(nèi)。

參考文獻：

[1]紀文革.人工智能技術在電氣自動化控制中的應用思路分析[J].電子測試，2014（03）.

[2]王成林.人工智能在電氣工程自動化中的應用[J].無線互聯(lián)科技，2018（2）.

[3]章敏敏.谷歌TensorFlow機器學習框架及應用[J].微型機與應用，2017（5）.

[4]陸首群.積極投入開源大發(fā)展洪流[J].辦公自動化，2016（02）.

[5]張翼英，張麗麗.智能學習引擎的研究[J].沈陽工程學院學報（自然科學版），2018（04）.

[6]http：//sklearn.apachecn.org/cn/0.19.0/index.html.

[7]王希勇.天然氣長輸管道運行優(yōu)化及壓氣站負荷調度研究[D].西南石油學院，2004.

[8]唐光榮，李九齡，鄧麗曼.數(shù)據(jù)采集與控制技術[M].北京：清華大學出版社，2000.

[9]吳作明.工控組態(tài)軟件與PLC應用技術[M].北京：北京航空航天大學出版社，2007.

[10]Logix5550控制器通用程序手冊[M].羅克韋爾自動化公司，2006.