黄佳伟

【摘  要】首先从应用概念、应用理论、应用原理三个层面对人工智能在电气自动化控制领域当中的应用可行性进行了分析。其次，结合实际技术条件，给出了一些具体的实践方式，通过论述证明了其有效性。

【关键词】人工智能;电气自动化;应用前景

引言

人工智能是21实际科技竞争的制高点，从技术层面来看，人工智能使机械设备具有了逻辑判断、快速反应力、大数据处理、视觉识别等诸多能力，在工业生产当中能够极大的替代劳动密集型生产模式，解放人类劳动力，提高生产安全性、高效性、稳定性。当前，人工智能在电气自动化控制领域当中的应用愈加广泛，其优势已非常显著：其一，人工智能克服了传统电子控制器干扰因素复杂的缺点，增强了控制器的鲁棒性，同时，人工智能借助先进的智能算法在一些多耦合控制领域能够取得传统PID控制所无法企及的成效;其二，算法是人工智能的核心，在设计电气自动化控制器时，技术人员可以根据实际需求对多种控制率进行融合，通过获取大量的检测数据来实现控制目标。比如，基于智能算法的多层倒立摆控制。其三，基于人工智能的电气自动化系统能够实现对设备故障检测的高精确性、高可靠性、高效率性。总之，人工智能技术在电气自动化控制中的应用前景是十分广泛的，相关的理论也成为了当今自动化领域的研究热点，基于此，文章将展开详细的论述。

1.人工智能在电气自动化控制中应用

1.1应用概念

自进入二十一世纪以来，我国工业生产规模、生产技术取得了空前的发展，在一些领域已经处于世界领先地位。人工智能技术的兴起推动了各行各业的发展变革，从广域物流网到大数据，从智能制造到情感机器人，人工智能在一定程度上正在推动第五次工业革命。人工智能在电气自动化控制当中的应用在近些年来处于前沿科技领域，将两者进行充分的结合能够极大的降低工业生产活动对劳动力的依赖，特别是一些高危行业，甚至规避了人员伤害的风险。比如煤矿企业中如果充分发挥人工智能与电气自动化的优势，就可能彻底改变矿石开采生产的模式，实现井下无人化，从而降低煤矿事故发生率。

1.2应用理论

高级算法是人工智能技术得以实现的核心要素，无论是数学问题求解、逻辑关系推理还是视音识别、数据处理，算法在这些应用中都扮演了底层物理构架的角色。结合当前广大学者的研究成果，大部分人工智能电气自动化系统的成果都建立在模拟物理模型的层面上，从应用角度来看，缺少了真实实践环境的验证，人工智能系统技术与物理模型的构建会受到一定阻碍。因此，在人工智能与电气自动化控制的结合中，要高度重视实践与理论的结合，为创新创造思维的产生提供条件。

1.3应用原理

针对不同的应用领域，人工智能会划分为多个分支、例如，在面对一些具体问题的处理上，人工智能会更加偏向于专家系统的构建，对事件发生的各种情况与影响因子进行分析，从而构建经验知识库，在处理问题时依据先验知识对事物的发展规律进行判断，比如智能故障诊断系统。强人工智能系统所具有的功能会更加强大，在某种程度上将，是对人类思考模式的全真模拟，系统将具备“思考”能力，能够自主发现问题、分析问题、解决问题、评估结果的合理性。在生产过程电气自动化控制中，不仅需要设备状态监测还需要故障分析、参数调整等诸多工作，因此强人工智能非常适宜于工业自动化生产领域。通过构建完整的智能控制系统，实现大量生产任务的无人化。可以说，人工智能的应用程度是未来国家工业生成先进性的关键指标。

2.人工智能在制造领域电气自动化控制中的实践

人工智能是而是二十一世纪的关键词汇，在各行各业都具有深远的影响。在尖端制造领域智能控制技术的应用对于打破技术瓶颈起到了重要的作用。智能控制算法依托计算机强大的处理能力以及海量的数据信息能够实现对关键信息的挖掘，从而对制造设备进行高精确全自动化控制。

2.1数据采集

可靠数据的获取是智能化制造实现的必要条件，在一些零部件的加工中，能否对零件的外形数据进行实时监测是同种工艺下提升产品质量的关键。不过在实际应用中，加工过程产生的数据量是非常庞大的，且在高纬数据中提取有用信息存在很多困难。针对这些问题，相关学者基于互联网提出了大量的数据采集管理模型以及先进的数据挖掘算法，例如，结合数据可视化技术将各个工序的数据进行解耦统计，并设计出全过程自主更新的数据采样系统。

2.2优化工艺参数

在对工艺数据进行实时采集后，利用智能算法对数据进行综合分析，并将分析结果应用在零件生产当中，在这一过程中运用机器学习不断优化和改进控制精度。机器学习过程类似于构建专家系统，既通过经验学习不断吩咐知识库，用于解决加工过程中特定的问题，对切剪力、转轴位移等工艺参数进行动态优化。例如，以收集到的数据为基础结合神经网络模型，在多次切削工艺后对输入参数与输出参数进行学习，构建预测模型，实现预测控制;以工艺参数为优化目标，构建最优控制算法，实现多目标优化。近年来一些智能算法在控制优化当中的研究已经取得了很好的效果，例如粒子群算法、遺传算法、模拟退火算法、模糊神经网络等等。总而言之，工艺参数优化是实现先进数控技术与智能制造的重要前提。

2.3智能诊断

在智能制造当中，故障诊断是生产过程自适应能力的重要体现，通过对控制系统的实时监控，以及出现故障的诊断不断改进加工设备的各项参数。与参数优化模型的构建相似，智能诊断技术同样借助于大量的数据，通过学习构建完备的机床故障诊断知识库。例如，专家系统，作为一种基于大量专家经验知识的智能系统，近年来，在故障诊断领域的应用越来越广泛。专家系统通过先验知识对已经发生过的故障情况进行综合统计，对各种情况下的故障因素进行逻辑判断，专家模型的学习过程是以故障表现为输入变量而故障原因为输出的。当机械加工制造设备出现故障时，系统就可以根据故障表现对原因进行推理，从而得出相应的结论。不过，这种方法是建立在先进的智能算法之上，因此系统的建立需要技术人员具备深厚的学术功底，系统最终的预测效果受人员因素影响较大。又如基于模糊神经网络的故障诊断能够对任意非线性关系进行高精度拟合，但是神经网络参数缺乏具体的物理意义。模糊系统以“if-then”的形式将输入空间进行模糊划分，通过合理的模糊规则制定，形成输入与输出的判断准则，在处理不确定性问题是具有很大的优势，但是模糊系统缺乏自学习能力，其隶属度函数参数一旦确定后就不能改变，模糊系统与神经网络结合构成模糊神经网络能够实现两者的优势互补。在机械制造设备故障诊断应用中使用模糊神经网络建立诊断系统实质是基于输入输出关系建立一个黑箱模型，与专家系统不同，模糊神经网络不需要大量的先验知识，模型完全是基于海量数据进行训练，通常将各种机械设备故障时的参数表现作为输入，将各种故障原因的可能性因子作为输出。应用建立好的模糊神经网络进行故障诊断时，一旦某一部件运行参数发生波动，模型就会自动给出可能导致的故障情况以及发生故障的原因。

3.结束语

综上所述，人工智能对于未来电气自动化控制技术的发展的确具有深远影响，本文依托当前计算机技术条件，对其在电气自动化控制中的具体实践前景进行了粗浅分析，希望对行业进步有所借鉴。当然，对于更加深入的理论研究还需要广大学者投入更多的精力。

参考文献

[1]刘奇巍.人工智能技术在电气自动化控制中的运用[J].科技创新与应用，2020（30）：161-162.

[2]李永男，高任，金松林.人工智能技术在电气自动化中的应用[J].集成电路应用，2019，36（11）：74-75.

[3]蔡敏.人工智能在电气自动化控制中的应用探析[J].内燃机与配件，2018（18）：195-197.