本發(fā)明涉及人工智能領(lǐng)域，具體是指基于人工智能的集成電路塑封機控制系統(tǒng)。

背景技術(shù)：

1、隨著人工智能的發(fā)展，人工智能技術(shù)被廣泛應(yīng)用于提高生產(chǎn)效率、優(yōu)化生產(chǎn)過程和改善產(chǎn)品質(zhì)量，基于人工智能的集成電路塑封機控制系統(tǒng)利用先進的人工智能算法和技術(shù)，對塑封機的運行狀態(tài)進行實時監(jiān)測、預(yù)測和控制，從而實現(xiàn)智能化的生產(chǎn)管理和優(yōu)化，在一般的人工智能模塊中針對塑封過程中的溫度、壓力、速度和濕度進行預(yù)測的方法，現(xiàn)有的模型存在復(fù)雜關(guān)系建模困難、泛化能力差的問題，塑封過程中的溫度、壓力、速度和濕度等參數(shù)之間存在復(fù)雜的非線性關(guān)系，傳統(tǒng)的線性模型或簡單的機器學(xué)習(xí)模型無法很好地捕捉這些復(fù)雜的關(guān)系，并且普通模型的泛化能力較差，在新數(shù)據(jù)上的表現(xiàn)不佳，無法很好地適應(yīng)塑封過程中的各種變化和異常情況，導(dǎo)致對塑封過程中關(guān)鍵參數(shù)的預(yù)測效果不佳；現(xiàn)有的pid控制算法存在確定最佳參數(shù)困難、效率低下的問題，pid控制器的性能很大程度上取決于參數(shù)的選擇，而手動調(diào)整pid參數(shù)通常需要經(jīng)驗豐富的工程師和大量的試驗，手動調(diào)整pid參數(shù)需要大量的試驗和調(diào)整過程，耗時耗力，并且可能無法找到全局最優(yōu)解，導(dǎo)致性能低下或者過度調(diào)整。

技術(shù)實現(xiàn)思路

1、針對上述情況，本發(fā)明提供了基于人工智能的集成電路塑封機控制系統(tǒng)，針對在一般的人工智能模塊中針對塑封過程中的溫度、壓力、速度和濕度進行預(yù)測的方法，現(xiàn)有的模型存在復(fù)雜關(guān)系建模困難、泛化能力差的問題，本發(fā)明在人工智能模塊中通過訓(xùn)練coa-cnn-lstm模型，使用歷史監(jiān)測數(shù)據(jù)對塑封過程中的溫度、壓力、速度和濕度進行預(yù)測，lstm神經(jīng)網(wǎng)絡(luò)具有良好的時序數(shù)據(jù)建模能力，能夠捕捉到序列數(shù)據(jù)中的長期依賴關(guān)系，有助于更準(zhǔn)確地預(yù)測塑封過程中的參數(shù)變化趨勢，coa-cnn-lstm模型結(jié)合了多個深度學(xué)習(xí)模型的優(yōu)勢，能夠更好地適應(yīng)塑封過程中的復(fù)雜數(shù)據(jù)模式，具有更強的泛化能力，可以在新數(shù)據(jù)上表現(xiàn)出更好的預(yù)測效果；本發(fā)明在控制算法模塊中使用基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法調(diào)整pid控制算法的參數(shù)，基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法具有高效的搜索能力和收斂速度，能夠在較短的時間內(nèi)找到較優(yōu)的pid參數(shù)組合，從而提高系統(tǒng)的響應(yīng)速度和性能，自動化的優(yōu)化算法可以減少對工程師的人工干預(yù)，提高調(diào)參的效率和精度，降低了人為誤差的風(fēng)險，同時提高基于人工智能的集成電路塑封機控制系統(tǒng)的性能、穩(wěn)定性和自適應(yīng)性。

2、本發(fā)明提供的基于人工智能的集成電路塑封機控制系統(tǒng)，包括數(shù)據(jù)采集模塊、實時數(shù)據(jù)處理模塊、人工智能模塊、控制算法模塊、控制器和執(zhí)行器，具體包括以下內(nèi)容：

3、所述數(shù)據(jù)采集模塊包括溫度傳感器、壓力傳感器、速度傳感器、位置傳感器、濕度傳感器和光學(xué)傳感器，采集塑封機運行過程中的實時監(jiān)測數(shù)據(jù)和歷史監(jiān)測數(shù)據(jù)；

4、所述實時數(shù)據(jù)處理模塊接收塑封機運行過程中的實時監(jiān)測數(shù)據(jù)并進行預(yù)處理后傳輸至控制算法模塊；

5、所述人工智能模塊通過訓(xùn)練coa-cnn-lstm模型，根據(jù)實時監(jiān)測數(shù)據(jù)對塑封過程中的溫度、壓力、速度和濕度進行預(yù)測，得到預(yù)測結(jié)果，根據(jù)預(yù)測結(jié)果判斷異常情況；

6、所述控制算法模塊使用pid控制算法，通過基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法調(diào)整pid控制算法的參數(shù)，得到優(yōu)化后的pid控制算法并計算出控制信號；

7、所述控制器將控制算法模塊生成的控制信號轉(zhuǎn)換成執(zhí)行信號，并傳遞給執(zhí)行器；

8、所述執(zhí)行器接收控制器轉(zhuǎn)換的執(zhí)行信號，并根據(jù)執(zhí)行信號對塑封機的各個部件進行實際的控制操作。

9、進一步的，在人工智能模塊中，訓(xùn)練coa-cnn-lstm模型，具體包括以下步驟：

10、步驟s1：數(shù)據(jù)收集與預(yù)處理，接收歷史數(shù)據(jù)收集模塊種的歷史監(jiān)測數(shù)據(jù)集，將數(shù)據(jù)集以6：2：2的比例劃分為訓(xùn)練集、測試集和驗證集；

11、步驟s2：特征提取與選擇，使用主成分分析方法將歷史監(jiān)測數(shù)據(jù)集轉(zhuǎn)換為新的特征空間，使用嵌入法找到最優(yōu)的特征子集；

12、步驟s3：建立coa-cnn-lstm模型，架構(gòu)參數(shù)包括輸入層、卷積層、激活層、最大池化層、lstm單元和完全連接層，使用coa算法獲取coa-cnn-lstm模型的最終參數(shù)設(shè)置；

13、步驟s4：模型訓(xùn)練與優(yōu)化，使用coa-cnn-lstm模型的最終參數(shù)設(shè)置，同時使用coa-cnn-lstm模型對訓(xùn)練集和特征子集進行訓(xùn)練，得到訓(xùn)練后的coa-cnn-lstm模型；

14、步驟s5：模型驗證，使用驗證集對訓(xùn)練后的coa-cnn-lstm模型進行驗證，評估性能和泛化能力，得到初步評估結(jié)果，得到驗證后的coa-cnn-lstm模型；

15、步驟s6：輸出預(yù)測結(jié)果，將實時監(jiān)測數(shù)據(jù)輸入至驗證后的coa-cnn-lstm模型中，得到預(yù)測結(jié)果。

16、進一步的，在控制算法模塊中，通過基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法調(diào)整pid控制算法的參數(shù)，具體包括以下步驟：

17、步驟q1：問題建模，將pid控制器參數(shù)調(diào)整轉(zhuǎn)化為一個多目標(biāo)優(yōu)化問題，定義目標(biāo)函數(shù)表示如下：

18、；

19、其中，、和為權(quán)重參數(shù)，、和為穩(wěn)定性、超調(diào)量和調(diào)節(jié)時間；

20、步驟q2：初始化種群，定義搜索空間，采用均勻隨機初始化方法生成蜘蛛猴種群的初始解每個初始解為一個蜘蛛猴個體，代表可能的pid參數(shù)組合，每個蜘蛛猴個體的位置用一個維度為d的向量表示，計算公式如下：

21、；

22、其中，表示第個蜘蛛猴個體的第個維度上的取值，和分別為該維度的最小值和最大值，是生成的均勻隨機數(shù)；

23、步驟q3：隨機劃分蜘蛛猴種群為m個子群，每個子群包含n個蜘蛛猴個體，每個子群適應(yīng)度值最高的個體為該子群的局部領(lǐng)導(dǎo)者；

24、步驟q4：執(zhí)行基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法，進行迭代，在每次迭代中更新個體位置，評估適應(yīng)度，選擇每次迭代的適應(yīng)度值最高的個體作為優(yōu)化后的初始解候選集；

25、步驟q5：pid控制器參數(shù)更新，使用目標(biāo)函數(shù)從優(yōu)化后的初始解候選集中選取最優(yōu)的pid參數(shù)組合，得到最優(yōu)的pid控制器參數(shù)配置。

26、進一步的，步驟q4，具體包括以下步驟：

27、步驟q41：局部領(lǐng)導(dǎo)者階段，每個蜘蛛猴個體根據(jù)所屬子群的局部領(lǐng)導(dǎo)者和子群中其他蜘蛛猴個體更新位置，所用公式如下：

28、；

29、其中，為更新后的蜘蛛猴個體的位置，表示局部領(lǐng)導(dǎo)者在第維的值，表示所屬子群內(nèi)隨機選擇的蜘蛛猴個體；

30、計算的適應(yīng)度值，的適應(yīng)度值優(yōu)于的適應(yīng)度值時，接受該更新，否則不更新；

31、步驟q42：全局領(lǐng)導(dǎo)者階段，蜘蛛猴個體根據(jù)全局領(lǐng)導(dǎo)者和隨機個體進行位置更新，所用公式如下：

32、；

33、其中，為更新后的蜘蛛猴個體的位置，表示全局領(lǐng)導(dǎo)者的位置，表示隨機選擇的蜘蛛猴個體；

34、計算的適應(yīng)度值，的適應(yīng)度值優(yōu)于的適應(yīng)度值時，接受該更新，否則不更新；

35、步驟q43：信息素引導(dǎo)階段，引入蟻群優(yōu)化的信息素機制，調(diào)整蜘蛛猴個體的位置，所用公式如下：

36、；

37、其中，是信息素濃度，是信息素影響系數(shù)；

38、計算的適應(yīng)度值，的適應(yīng)度值優(yōu)于的適應(yīng)度值時，接受該更新，否則不更新；

39、步驟q44：全局領(lǐng)導(dǎo)者學(xué)習(xí)階段，應(yīng)用貪婪選擇過程更新全局領(lǐng)導(dǎo)者位置，若全局領(lǐng)導(dǎo)者的位置保持不變，則全局搜索過程中的迭代次數(shù)加一次；

40、步驟q45：局部領(lǐng)導(dǎo)學(xué)習(xí)階段，更新每個子群中局部領(lǐng)導(dǎo)者的位置，若當(dāng)前局部領(lǐng)導(dǎo)者與上一次相同則全局搜索過程中的迭代次數(shù)加一次；

41、步驟q46：全局領(lǐng)導(dǎo)決策階段，根據(jù)聚類算法重新劃分為子群，并確定每個子群新的局部最佳位置；

42、步驟q47：局部領(lǐng)導(dǎo)決策階段，基于局部領(lǐng)導(dǎo)者的位置和全局領(lǐng)導(dǎo)者的位置計算個體的更新概率，所用公式如下：

43、；

44、其中，是蜘蛛猴個體的更新概率，是一個取值為[0,1]的隨機數(shù)，和是當(dāng)前蜘蛛猴種群中適應(yīng)度值的最大值和最小值；

45、更新個體位置，所用公式如下：

46、；

47、其中，表示全局最佳位置，表示局部最佳位置，是個體的概率；

48、計算的適應(yīng)度值，的適應(yīng)度值優(yōu)于的適應(yīng)度值時，接受該更新，否則不更新；

49、步驟q48：設(shè)置最大迭代次數(shù)，當(dāng)達到最大迭代次數(shù)時停止迭代；

50、步驟q49：得到優(yōu)化后的初始解候選集，在上述迭代過程中，選擇適應(yīng)度值為前10%的蜘蛛猴個體作為優(yōu)化后的初始解候選集。

51、采用上述方案本發(fā)明取得的有益效果如下：

52、（1）針對上述情況，本發(fā)明提供了基于人工智能的集成電路塑封機控制系統(tǒng)，針對在一般的人工智能模塊中針對塑封過程中的溫度、壓力、速度和濕度進行預(yù)測的方法，現(xiàn)有的模型存在復(fù)雜關(guān)系建模困難、泛化能力差的問題，本發(fā)明在人工智能模塊中通過訓(xùn)練coa-cnn-lstm模型，使用歷史監(jiān)測數(shù)據(jù)對塑封過程中的溫度、壓力、速度和濕度進行預(yù)測，lstm神經(jīng)網(wǎng)絡(luò)具有良好的時序數(shù)據(jù)建模能力，能夠捕捉到序列數(shù)據(jù)中的長期依賴關(guān)系，有助于更準(zhǔn)確地預(yù)測塑封過程中的參數(shù)變化趨勢，coa-cnn-lstm模型結(jié)合了多個深度學(xué)習(xí)模型的優(yōu)勢，能夠更好地適應(yīng)塑封過程中的復(fù)雜數(shù)據(jù)模式，具有更強的泛化能力，可以在新數(shù)據(jù)上表現(xiàn)出更好的預(yù)測效果。

53、（2）本發(fā)明在控制算法模塊中使用基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法調(diào)整pid控制算法的參數(shù)，基于蜘蛛猴和蟻群優(yōu)化的高效多目標(biāo)調(diào)度算法具有高效的搜索能力和收斂速度，能夠在較短的時間內(nèi)找到較優(yōu)的pid參數(shù)組合，從而提高系統(tǒng)的響應(yīng)速度和性能，自動化的優(yōu)化算法可以減少對工程師的人工干預(yù)，提高調(diào)參的效率和精度，降低了人為誤差的風(fēng)險，同時提高基于人工智能的集成電路塑封機控制系統(tǒng)的性能、穩(wěn)定性和自適應(yīng)性。