【技术实现步骤摘要】
本专利技术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。
技术介绍
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...
【技术保护点】
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...
【技术特征摘要】
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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。