电气自动化控制中AI技术的应用

张忠 王斌生 孙宏强 田江锋 张园园

山西太钢不锈钢股份有限公司临汾分公司 山西省临汾市 041000

摘要：随着世界各国智能化改造战略的提出，通过“大数据+AI”解决传统行业问题和技术瓶颈成为新一代电力建设探索的主要方向。近些年来，科技水平不断提高，大数据技术不断深化发展，我国已经进入信息化时代，AI技术的应用也越来越广泛，尤其是在电气自动化控制中发挥着重要的作用，所以对电气自动化控制中AI技术的应用进行探索有着重要的意义，本文针对其展开详细论述，进一步对研究和完善提出建议。

关键词：电气自动化控制;AI技术;应用

引言

AI技术，即人工智能技术，作为计算机科学技术的重要分支，已经从最初的理论分析发展到了如今的实际应用，该技术通过分析人脑的运行机制和原理，模拟人脑的工作状态，来处理大量的数据信息，从而实现有效的控制。AI技术在各领域例如电气自动化控制中的应用，实现智能化控制和操作，推动大数据时代下信息的快速传播，显著提高电气自动化控制的先进程度和智能程度，从而提升其经济价值和社会价值。

1ASR技术演进

语音识别即机器理解和识别人类语音信号并转成文本的技术，基本流程有3个环节：语音预处理数字化、特征提取、训练/识别，通用的语音识别算法是通过模式匹配与统计模型相结合的方式来实现，先对已有的音素数据构建参考模板；再构建参考模板和未知数据提取的模板之间测度函数，最终用最佳准则来识别决策。第1代的通用算法是HMM-GMM混合高斯隐形马尔科夫模型，该算法可以将声学和句法集成在单一框架中，并使得连续语音识别成为可能，在业内最早实现商用化，并持续商用了近30年。随着深度学习理论下深度神经网络（DNN）的成熟，受限玻尔兹曼机（RBM）所堆叠出的深度置信网络（DBN）替代了混合高斯模型（GMM），基于DNN-HMM模型成为第2代语音识别的主流算法，显著降低了误识别率，并激发了基于深度神经网络的语音识别研究热潮。新的深度神经网络层出不穷，循环神经网络（RNN）与传统的深度神经网络相比，网络结构更有优势更能成功地应用到语音识别任务中，而长短时记忆网络（LSTM）作为RNN的一种典型网络，将识别准确率较之前提高了6%~8%，成为第3代语音识别技术主体。近2年来，研究者们发现RNN的另一种典型网络连接时序分类器（CTC）网络不必再针对每一帧对语音进行对齐的预处理操作，省去了耗时的反复多次迭代，彻底摆脱HMM的框架，预测时的速度更快，识别速度更快，且更换识别语言体系时可以利用相同的框架结构训练，实现了端到端的语音输入到文字识别。该算法模型为语音识别第四代算法模型，称为E2E模型。目前该技术识别率处于国内领先地位，16K语音识别率超97%，8K语音识别率超85%；识别速度实时率可以达到0.2~0.3；且支持英语等外语种、维藏蒙彝朝等少数民族语、粤语四川闽南话等方言的识别。

2NLP技术

自然语言处理是指在人机交互中机器理解自然语言，并做出响应的技术，解决人工智能完备性上的认知智能问题，具体技术手段仍为马尔可夫统计学建模与机器学习、深度学习相结合的方法。自然语言处理在分析对象上分为词汇级、句子级和段落篇章级，包含的功能要点有语法分析、语义表示、语义关系、语句生成以及单文本/多文本分析；在分析内容上分为词法分析、语法分析、语义分析、语用分析等。近10年来，自然语言处理都是基于神经网络来实现的。第1代自然语言处理利用浅层神经网络，基于词向量技术，将用户输入问题进行分词，利用关键词的词频及词权重进行关键词赋值，实现了词汇级的理解；第2代自然语言处理基于深度学习和强化学习技术，从词向量扩展到句向量，进而支持基于上下文的语义理解和多轮对话，目前是AI机器人主流应用技术；第3代自然语言处理基于更先进的ELMo算法，支持篇章级的语义抽取，对上下文的语义理解和多轮对话有了更进一步的提升。随着网络深度的不断增加和机器学习自主化的深入，自然语言处理系统一方面能够应用历史积累的数据，只需少量人工给出头部结论，便可自主学习进行知识归类及认知；另一方面能够应用历史积累处理失败数据，无需人工参与，自主进行无监督聚类，挖掘出新的知识点，并对旧的知识点进行优化。

3电气自动化控制中AI技术的应用

3.1模糊控制

模糊控制技术作为智能控制技术的一种，主要是通过模糊理推方式，采用用直流或交流传动形式，以模糊理论、语言参数等内容作为基础的控制理念。通过利用模糊控制设备，针对被控目标进行相应的模糊模型和反馈结构数控体系的搭建，从而完成控制要求。模糊控制的自学能力较强，具有较好的适应能力，模糊控制技术与AI技术相结合，可以在控制领域达到较好的效果，能够在电气控制过程进行自适应的修改和完善，自动校正控制器，提升控制系统的性能，减少扰动的影响，在复杂的电气自动化控制系统的应用上有突出的优势。

3.2AI技术在故障诊断中的应用

利用AI技术开展行故障诊断与分析工作时，可采取模糊理论来分析电气设备的工作情况，从而保证其精准化运行，维护其运行效率和稳定程度，避免后期的运行检修工作。在诊断发电机以及发动机等设备的过程中，充分发挥AI技术的作用，检测相关指标并开展评估工作，开展自动识别工作，迅速精准的检测出设备出现的问题，及时发现故障点，以设备相关参数为依据快速分析故障原因，利用各处理器采取有效的解决措施，简化对于设备的维修工作，尽可能降低故障带来的不利影响，使得故障范围不会继续扩大，减少电力安全事故的出现，同时，有利于在工作过程中保证操作人员的人身安全，也能够为后期同类问题提供参考经验。

3.3大数据与AI能力共建共享策略

大数据AI能力开放平台实现开“箱”即用依托异构计算、存储、网络、容器及调度等资源，针对3类人群(懂业务、懂算法组件、懂编码)，构建开“箱”即用。一站式AI全流程开发管理能力，包含数据接入及预处理、样本筛选、算法开发、训练、模型自优化、部署及管理功能。

3.4基于SMT32MCU的AI人流量监测解决方案

通过使用SMT32Cube．AI工具链提高了设计效率，该工具链具有成熟的功能，可为各种SMT32MCU开发AI应用。SMT32 Cube软件开发生态系统的工程资源、先进技术和易用性为电气提供了宝贵的硬件设计灵活性和效率。

3.55G和AI技术的合作发展方向

在5G技术应用下，可以显著提升AI技术的分析和相应能力。例如想要对不同应用程序性能提供保障，一定要在准确的端到端行为视图应用下连续性监视网络，及时排除网络运行故障，不断实施优化，在此基础上也就需要保障实现对不同来源海量数据的收集及处理，针对端对端连接数据的处理只能够采用自动化方法，AI技术的应用可以实现数据筛选、优化向网络设计灵活性及软件化的过渡。

结语

综上所述，电气自动化控制中AI技术的应用有着独特性质，尤其是在社会信息化快速发展、信息网络不断建设的今天，为电气自动化控制的发展带来更积极的推动作用，在继续改革和完善的情况下，会进一步提升电气自动化控制技术的应用水平和能力，也会带来巨大的经济效益，使我国在国际信息化的竞争中脱颖而出。

参考文献

［1］杨霞，刘璐璐，摆小军．人工智能技术在电气自动化控制中的应用［J］．集成电路应用，2020，37(09)120-121．

［2］王建永，谢雷，师向阳．人工智能技术在电气自动化控制中的应用［J］．工程建设与设计，2020(12)247-248．