基于人工智能代理和事件链的多任务协同处理方法
- 国知局
- 2024-08-01 00:14:30
本发明涉及复杂动态系统智能协同控制领域,更具体地,涉及一种基于人工智能代理和事件链的多任务协同处理方法。
背景技术:
1、复杂工业过程具有工艺关联耦合、运行工况多变、设备特性时变的特点,其控制不仅要实现系统运行工况实时预测和多工序被控物理量协同控制,还要进行系统启停、设备故障诊断、产品品质检测及紧急情况处理等复杂多任务的智能协同处理。随着系统控制对象、控制目标和环境的复杂性日益突出,系统高维性、信息非线性、时变性、不确定性和不完全性等导致控制对象难以数学建模,多层次信息结构使得系统可靠性运行与多任务协同处理难以协调,传统的系统控制理论与多任务协同处理方法面临巨大挑战。
2、生成式人工智能拥有强大的知识编码与复杂任务推理能力,多模态预训练模型融合了多层次信息和领域知识,可以更好地表征、建模和预测复杂动态系统。“预训练-提示-预测”机制从模型参数更新、输入更新和输出优化等方面激发预训练模型和下游控制任务的相互适应,强化和提示学习可通过更新模型参数和输入,不断激活和获取领域相关知识,使模型生成的控制指令逐渐符合工业过程机理。然而,目前尚缺乏一种稳定可靠的基于人工智能代理和事件链的多任务协同方法。
技术实现思路
1、针对现有技术的上述缺陷,本发明提供了一种基于人工智能代理和事件链的多任务协同处理方法,使得制造系统具有异常事件快速响应和处理能力,能适应工业过程实时变化和需求波动,最大化提高生产效率和资源利用率。
2、为实现上述目的,本发明提供一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,包括以下步骤:
3、步骤s1、利用生成式人工智能技术,构建人工智能代理系统,以模拟、预测和优化工业过程复杂场景的多任务自主调度;
4、步骤s2、通过对工业过程中的多源多模态数据进行融合学习,建立复杂任务之间的多种关联模型,利用生成式预训练模型的综合学习能力对工业流程的多任务进行全面建模;
5、步骤s3、所述人工智能代理系统通过学习工业过程中复杂任务间的关联性和交互影响,建立多任务间事件触发和响应机制,捕捉工业过程中关键事件过程链和思维链;
6、步骤s4、通过所述人工智能代理系统对工业过程多任务场景深入理解,实现工业复杂场景多任务协同处理。
7、进一步地,所述步骤s1中,采用了生成式人工智能技术,进一步包括以下步骤:
8、步骤s11、基于开源的生成式预训练模型chatglm3,将其大部分参数冻结,在工业多源多模态数据集上微调最后几层网络的参数,得到具有通用的理解和规划能力的人工智能代理系统;
9、步骤s12、从工业流程运行过程中持续感知多源多模态异构数据和事件,经过数据预处理后更新到企业数据空间,企业数据空间进一步分析异常数据,供人工智能代理系统理解;
10、步骤s13、将所述步骤s11得到的生成式预训练和微调模型的描述和领域知识纳入提示,人工智能代理系统解析工业流程运行需求,将制造任务分解为多个场景任务;
11、步骤s14、调用相应的场景化工业大模型signal gpt进行智能分析,并执行相应决策;
12、步骤s15、所述人工智能代理系统对执行结果进行评估,根据不同场景改进规则和策略,不断优化所述生成式预训练和微调模型,使得人工智能代理系统具有自学习和自优化能力。
13、进一步地,训练相应的场景化工业大模型signal gpt包括以下步骤:
14、利用工业数据集通过掩码重构方法进行自监督预训练,得到初步的预训练模型;
15、通过少量带有标记的工业数据集对预训练模型进行微调,得到了有监督微调模型和actor模型;
16、在此基础上,通过学习人类专家对模型输出结果的反馈,得到了critic模型和奖励模型;
17、上述模型用于与工业生产环境进行交互,以学习和形成经验池。然后对有监督微调模型和奖励模型进行冻结,利用近端策略优化(proximal policy optimization,ppo)算法进行强化学习,对actor模型和critic模型的参数进行更新,最终得到了场景化工业大模型signal gpt。
18、进一步地,所述步骤s2中,通过训练工业生产过程中多源多模态异构数据,利用生成式预训练模型的综合学习能力对工业流程的多任务进行全面建模;挖掘工业生产中的复杂变量和潜在模式,根据预训练模型学习到的规律建立思维链模型,揭示多任务之间的相关性和因果关系,不仅限于任务间的静态联系,更洞悉其动态变化及相互影响。
19、进一步地,所述步骤s3中,人工智能代理系统通过学习工业过程中复杂任务间的关联性和交互影响,基于事件驱动的思维链模型挖掘多任务之间的相互依赖关系,综合考虑多任务的时间敏感性、资源需求以及优先级等因素,建立多任务间事件触发和响应机制。
20、进一步地,所述步骤s4中,通过人工智能代理系统对工业过程多任务场景深入理解,将工业复杂场景多任务协同处理模式分为“单个任务”、“序列任务”和“图任务”三种类型。
21、进一步地,单个任务只涉及一个任务的请求,当且仅当任务名称和预测的标签完全相等时,使用f1和准确性作为评估指标。
22、进一步地,序列任务表示用户的请求可以分解为多个子任务的序列,使用f1和归一化的编辑距离作为评估度量。
23、进一步地,图任务表示用户请求可以分解为有向无环图;考虑到在图任务中存在多个规划拓扑的可能性,仅依赖f1分数并不足以反映领域大模型的规划能力,采用gpt-4作为批评者评估规划的正确性,即为gpt-4评分。
24、与现有技术相比,本发明具有以下技术效果:
25、(1)本发明提出了基于思维链的复杂场景多任务自主调度框架。以人工智能代理系统为基础,解析工业流程运行需求,将复杂制造任务分解为多个场景任务。
26、(2)本发明基于特定场景工业数据集和领域专家知识训练,得到了场景化工业大模型signal gpt,支持场景任务的实时分析与智能决策。
27、(3)本发明建立了多任务间事件触发和响应机制,挖掘多任务之间的相互依赖关系,综合考虑多任务的时间敏感性、资源需求以及优先级等因素,不仅能够在动态环境下灵活调整任务的处理顺序和分配,还能够自适应应对生产流程中的变化和需求波动。
技术特征:1.一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,所述步骤s1中,采用了生成式人工智能技术,进一步包括以下步骤:
3.根据权利要求2所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,训练相应的场景化工业大模型signal gpt包括以下步骤:
4.根据权利要求1或2所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,所述步骤s2中,通过训练工业生产过程中多源多模态异构数据,利用生成式预训练模型的综合学习能力对工业流程的多任务进行全面建模;挖掘工业生产中的复杂变量和潜在模式,根据预训练模型学习到的规律建立思维链模型,揭示多任务之间的相关性和因果关系,不仅限于任务间的静态联系,更洞悉其动态变化及相互影响。
5.根据权利要求4所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,所述步骤s3中,人工智能代理系统通过学习工业过程中复杂任务间的关联性和交互影响,基于事件驱动的思维链模型挖掘多任务之间的相互依赖关系,综合考虑多任务的时间敏感性、资源需求以及优先级等因素,建立多任务间事件触发和响应机制。
6.根据权利要求4所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,所述步骤s4中,通过人工智能代理系统对工业过程多任务场景深入理解,将工业复杂场景多任务协同处理模式分为“单个任务”、“序列任务”和“图任务”三种类型。
7.根据权利要求6所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,单个任务只涉及一个任务的请求,当且仅当任务名称和预测的标签完全相等时,使用f1和准确性作为评估指标。
8.根据权利要求6所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,序列任务表示用户的请求可以分解为多个子任务的序列,使用f1和归一化的编辑距离作为评估度量。
9.根据权利要求6所述的一种基于人工智能代理和事件链的多任务协同处理方法,其特征在于,图任务表示用户请求可以分解为有向无环图;考虑到在图任务中存在多个规划拓扑的可能性,仅依赖f1分数并不足以反映领域大模型的规划能力,采用gpt-4作为批评者评估规划的正确性,即为gpt-4评分。
技术总结本发明公开了一种基于人工智能代理和事件链的多任务协同处理方法,包括构建人工智能代理系统、对工业过程中的多源多模态数据进行融合学习、建立多任务之间的事件触发和响应机制、通过人工智能代理系统进行场景理解,实现多任务协同处理等步骤。本发明提出了基于思维链的复杂场景多任务自主调度框架,以人工智能代理系统为基础,解析工业流程运行需求,将复杂制造任务分解为多个场景任务;基于特定场景工业数据集和领域专家知识训练,得到了场景化工业大模型,支持场景任务的实时分析与智能决策;挖掘多任务之间的相互依赖关系,综合考虑了多任务的时间敏感性、资源需求以及优先级等因素。技术研发人员:汪韩,刘敏受保护的技术使用者:同济大学技术研发日:技术公布日:2024/7/15本文地址:https://www.jishuxx.com/zhuanli/20240730/200183.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表