CN115755803A - 一种卷烟生产智能应用平台及应用方法 - Google Patents

Abstract

本发明公开了一种卷烟生产智能应用平台及应用方法，属于工业大数据技术领域。应用平台包括AI数据服务模块、AI智能应用模块及AI边缘计算模块，本发明利用AI数据服务模块、AI智能应用模块及AI边缘计算模块，为卷烟生产加工企业提供了一个适用于生产一线的柔性化智能算法模型、智能应用模型搭建的平台化产品，能有效降低卷烟生产加工一线用户对于人工智能技术在实际生产过程中的应用技术门槛。

Description

一种卷烟生产智能应用平台及应用方法

技术领域

本发明涉及工业大数据技术领域，更具体的说是涉及一种卷烟生产智能应用平台及应用方法。

背景技术

卷烟加工厂主要包括制丝、卷包、动力、物流等生产车间，卷烟生产加工过程以PLC逻辑控制为主，配套的管控系统有电控系统、集控系统、生产制造执行系统等，这些系统围绕生产车间的设备控制、生产任务调度、生产质量过程控制，共同协调完成卷烟加工制造过程管控。

目前，智能装备、智能化产线建设是烟草等流程型制造行业的发展趋势，而人工智能相关技术在生产制造流程中的应用，则是智能装备及智能化产线建设的关键，大数据分析技术则是实现人工智能应用的基础；同时，以机器学习、神经网络深度学习为主的大数据分析技术，在近几年得到了飞速的发展，众多AI研发框架发展成熟并得到广泛应用。

然而，现有的卷烟加工生产过程管控系统，因其业务功能范围的限制，并不能满足大数据分析技术在卷烟制造过程的实际应用，尤其不能为用户提供一个柔性化智能算法模型、智能应用模型搭建的平台化产品，因此，对于卷烟生产加工一线的用户，人工智能技术在实际生产过程中的应用技术门槛较高、实施难度较大。

因此，如何降低人工智能技术在卷烟生产加工一线应用过程中的技术门槛，提供一种卷烟生产智能应用平台及应用方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种卷烟生产智能应用平台及应用方法，为用户提供一个能让用户进行柔性化智能算法模型、智能应用模型搭建的应用平台，降低用户对于人工智能技术在卷烟生产加工一线的“生产、质量、效率、成本、安全”等方面的应用技术门槛，助力烟草制造行业智能装备、智能化产线建设。

为了实现上述目的，本发明采用如下技术方案：

本发明一方面公开了一种卷烟生产智能应用平台，包括：AI数据服务模块、AI智能应用模块及AI边缘计算模块，

AI数据服务模块、AI智能应用模块及AI边缘计算模块；

所述AI数据服务模块，包括，

数据存储子模块：用于集中存储卷烟工厂各生产车间一线主机设备及生产加工过程的实时数据、设定数据、历史数据及AI应用数据，所述AI应用数据包括AI模型数据集、AI算法组件、AI算法模型以及AI应用模型；

数据治理子模块：用于利用树形数据结构对数据存储子模块存储的实时数据、历史数据及AI应用数据进行组织管理；

数据服务子模块：用于通过REST API微服务接口方式，为AI智能应用模块及AI边缘计算模块提供实时数据、历史数据、设定数据及AI应用数据的访问接口服务；

信息集成子模块：用于为AI智能应用模块及AI边缘计算模块提供WEB服务信息集成服务、MQTT服务信息集成服务及SQL服务信息集成服务；

所述AI智能应用模块，包括，

AI算法组件管理子模块：用于对AI算法组件进行配置；

AI算法模型设计子模块：用于对AI算法模型的算法管道进行设计；

AI算法模型训练子模块：用于编制AI算法模型的训练任务，并对训练任务的执行进行分配；

AI算法模型评估子模块：用于对AI算法模型进行测试评估；

AI算法模型应用子模块：用于对AI算法模型进行卷烟工厂各生产车间一线主机设备及生产加工过程的应用参数配置，并生成AI应用模型；

AI算法模型服务子模块：用于对AI应用模型对象进行部署调度；

AI算法模型档案子模块：用于对AI算法模型从生成到部署调度期间，所产生的各阶段的档案日志进行记录管理和查询；

所述AI边缘计算模块，包括，

边缘设备数据采集子模块：用于完成卷烟工厂各生产车间一线主机设备及产线控制相关实时数据及历史数据的采集，及设定数据写入；

边缘智能模型计算子模块：用于执行AI算法模型训练任务；

边缘智能语音播报子模块：用于实现卷烟工厂各生产车间一线主机设备及生产加工过程中实时数据及设定数据的智能语音播报。

所述实时数据包括卷烟工厂各生产车间一线主机设备及生产加工过程中的瞬时数据信息。

所述设定数据，是指按照标准化卷烟生产加工作业输入的车间环境、主机设备相关的标准数据。

所述历史数据包括卷烟工厂各生产车间一线主机设备及生产加工过程中以批次为依据进行周期性采集归档的历史序列值表。

所述AI应用数据，包括，

AI模型数据集，是由用户根据AI算法模型训练、AI算法模型评估的数据输入要求，在本地个人电脑终端上，借助excel等表格工具，对历史数据进行整理后导出的CSV类型文件；

AI算法组件，是由Python等开发工具开发的，具备对AI模型数据集进行计算处理能力的机器学习、深度学习算法程序；

AI算法模型，是为了实现智能预测、智能决策、优化控制等智能化应用的目的，而建立的一种算法管道模型，算法管道由1至n个步骤构成，每个步骤都配置1个AI算法组件，这些AI算法组件按照队列进行先后排列，前一个步骤的AI算法组件的程序计算结果作为后一个AI算法组件的程序输入数据；

AI应用模型，是为了实现AI算法模型在卷烟工厂各生产车间一线主机设备及生产加工过程的实际应用过程中，对AI算法模型进行进一步的应用参数配置而产生的模型对象。

边缘设备数据采集子模块包括温湿度传感器及流量传感器，通过OPC UA接口完成实时数据的传输，并通过OPC UA接口对相关设定数据进行读写。

本发明另一方面公开了一种卷烟生产智能应用方法，包括：

S01、利用边缘设备数据采集子模块进行卷烟工厂各生产车间一线主机设备及产线控制相关实时数据及历史数据的采集，及设定数据的输入；

S02、利用数据治理子模块对实时数据、历史数据、设定数据，以及AI应用数据进行组织管理，所述AI应用数据包括AI模型数据集、AI算法组件、AI算法模型以及AI应用模型；

S03、利用AI算法组件管理子模块，对AI算法组件及AI算法组件的初始参数进行配置；

S04、利用AI算法模型设计子模块，完成AI算法管道设计，生成AI算法模型；

S05、利用AI算法模型训练子模块，完成AI算法模型训练任务的编制，及AI算法模型训练任务执行的分配；

S06、利用边缘智能模型计算子模块，执行AI算法模型训练任务；

S07、利用AI算法模型评估子模块，对AI算法模型进行测试评估；

S08、利用AI算法模型应用子模块，对测试评估后的AI算法模型进行卷烟工厂各生产车间一线主机设备及生产加工过程的应用参数配置，生成AI应用模型；

S09、利用AI应用模型服务子模块，完成对AI应用模型相关程序的调度运行；

S10、利用AI算法模型档案子模块，对AI算法模型的各阶段档案日志进行记录管理和查询。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种卷烟生产智能应用平台及应用方法，为卷烟工厂提供了一个柔性化智能算法模型、智能应用模型搭建的平台，能有效降低卷烟生产加工一线用户对于人工智能技术在实际生产过程中的应用技术门槛，弥补现有卷烟加工生产过程管控系统的不足，助力烟草制造行业智能装备、智能化产线建设。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明基于OPC UA接口技术、WEB微服务接口技术、MQTT信息通讯技术、AI研发框架技术、边缘计算技术等，一方面公开了一种卷烟生产智能应用平台，包括AI数据服务模块、AI智能应用模块及AI边缘计算模块三个主功能模块：

AI数据服务模块用于卷烟工厂各生产车间一线主机设备及生产加工过程相关数据的集中存储、集中管理，以及数据信息集成服务，为AI智能应用、AI边缘计算提供基础数据平台支撑，具体包括数据存储子模块、数据治理子模块、数据服务子模块、信息集成子模块；

AI智能应用模块用于卷烟工厂智能算法模型建模、智能算法模型应用、智能算法模型执行服务、智能算法模型全生命周期管理，具体包括AI算法组件管理子模块、AI算法模型设计子模块、AI算法模型训练子模块、AI算法模型评估子模块、AI算法模型应用子模块、AI应用模型服务子模块、AI算法模型档案子模块；

AI边缘计算模块用于卷烟生产车间一线主机设备及生产加工过程实时数据采集、历史数据的采集、实时数据写入、AI算法模型训练任务执行，以及卷烟生产加工一线智能语音播报。具体包括边缘设备数据采集子模块、边缘智能模型计算子模块、边缘智能语音播报子模块。

首先对本发明涉及到的相关数据进行说明，实时数据，是指生产车间一线主机设备及卷烟生产加工过程中的当前瞬时数据信息，例如：制丝车间温湿度值、制丝车间叶线A松散回潮机加水阀门当前开度当前实际值、当前加水流量值、制丝车间叶线A叶片加料机加料流量当前实际值等。

设定数据，是指按照标准化卷烟生产加工作业输入的车间环境、主机设备相关的标准数据。

历史数据，是指生产车间一线主机设备及卷烟生产加工过程中以批次为依据进行周期性采集归档的历史序列值表，例如：制丝车间叶线A松散回潮机加水阀门开度实际值，生产批次为220923001，周期为2秒的历史序列值表、制丝车间叶线A叶片加料机加料流量实际值，生产批次为220923001，周期为2秒的历史序列值表。

AI应用数据，包括，

AI模型数据集，是由用户根据AI算法模型训练、AI算法模型评估的数据输入要求，在本地个人电脑终端上，借助excel等表格工具，对历史数据进行整理后导出的CSV类型文件；

AI算法组件，是由Python等开发工具开发的，具备对AI模型数据集进行计算处理能力的机器学习、深度学习算法程序；

AI算法模型，是为了实现智能预测、智能决策、优化控制等智能化应用的目的，而建立的一种算法管道模型，算法管道由1至n个步骤构成，每个步骤都配置1个AI算法组件，这些AI算法组件按照队列进行先后排列，前一个步骤的AI算法组件的程序计算结果作为后一个AI算法组件的程序输入数据；

AI应用模型，是为了实现AI算法模型在生产环境下的实际应用，如：制丝车间温湿度控制、制叶丝线松散回潮水分预测报警跟踪、制叶丝线松散回潮水分优化调控等，对AI算法模型进行进一步的应用参数配置，而产生的新模型对象。

在此基础上，下面对每个子模块的功能进行详细介绍；

所述数据存储子模块，用于集中存储卷烟工厂各生产车间一线主机设备及生产加工过程的实时数据、设定数据、历史数据及AI应用数据，所述AI应用数据包括AI模型数据集、AI算法组件、AI算法模型以及AI应用模型；在对数据进行存储时采用以下方式：

采用高速缓存库方式，对实时数据进行集中存储；

采用时序数据库方式，对历史数据进行集中存储；

采用操作系统二进制文件方式，对AI应用数据进行集中存储。

所述数据治理子模块，用于利用树形数据结构对数据存储子模块存储的实时数据、历史数据及AI应用数据进行组织管理，具体包括：

通过树形数据结构对实时数据、历史数据信息点进行组织管理，信息点的树形组织节点由用户根据烟厂各车间的生产设备工艺布局进行配置，例如：工厂>车间>工段>工序>设备>器件>信息点；

通过树形数据结构对AI应用数据文件进行组织管理，树形组织节点由用户自由配置。用户可在其本地电脑终端上传、下载组织节点下的AI应用数据文件。

所述数据服务子模块，用于通过REST API微服务接口方式，为AI智能应用模块及AI边缘计算模块提供实时数据、历史数据、设定数据及AI应用数据的访问接口服务。

所述信息集成子模块：用于为AI智能应用模块及AI边缘计算模块提供WEB信息集成服务、MQTT信息集成服务及SQL信息集成服务。

所述WEB信息集成服务，通过WEB请求代理模式，为所述AI应用模型服务子模块提供外部应用系统的WEB服务调用接口服务。

所述MQTT信息集成服务，基于MQTT信息通讯技术，为所述AI应用模型服务子模块提供如下MQTT事件消息主题的发布服务：

数据写入请求事件主题，用于对实时数据的异步写入操作请求，由所述边缘设备数据采集子模块订阅处理，并将发布者需写入的实时数据通过OPC UA技术接口，写入至车间生产一线的设备控制系统中；

语音播报请求事件主题，用于卷烟生产现场语音播报请求，由所述边缘智能语音播报子模块订阅处理，并进行消息体文本内容的语音播报。

所述SQL信息集成服务，通过REST API微服务接口方式，为所述AI应用模型服务子模块提供关系型数据库的数据读写接口服务。

所述AI算法组件管理子模块，通过界面表单输入方式，对AI算法组件及其算法初始参数进行配置，而后通过调用所述数据服务子模块提供的REST API微服务接口，将AI算法组件发送至数据存储子模块进行集中存储。

所述AI算法模型设计子模块，通过界面拖、拉、拽方式，完成AI算法管道的设计，生成AI算法模型，而后通过调用所述数据服务子模块提供的REST API微服务接口，将生成的AI算法模型发送至数据存储子模块进行集中存储。

所述AI算法模型训练子模块，通过界面表单输入方式，指定AI模型数据集及AI算法模型，形成AI算法模型训练任务，并将所述AI算法模型训练任务发送至边缘智能模型计算子模块，完成所述AI算法模型训练任务执行的分配过程。

所述AI算法模型评估子模块，通过调用所述数据服务子模块提供的REST API微服务接口，提取指定的AI算法模型及AI模型数据集，而后将AI模型数据集输入至AI算法模型进行计算输出，通过比较AI算法模型的计算输出值及AI模型数据集中的目标值，得出AI算法模型评价指标值，从而完成对AI算法模型对象的测试评估过程。

所述AI算法模型应用子模块，通过调用所述数据服务子模块提供的REST API微服务接口，提取指定的AI算法模型，而后通过界面表单输入方式，进行AI算法模型应用参数的配置，即生成AI应用模型，而后再通过调用所述数据服务子模块提供的REST API微服务接口，将所述AI应用模型发送至数据存储子模块进行集中存储。

所述AI算法模型应用参数，包括AI应用触发周期、AI应用类型、AI算法模型输入参数来源、AI应用输出目的。

所述AI应用触发周期，是AI算法模型程序被调度运行的时间周期。

所述AI应用类型，包括：

智能目标预测，用于对AI算法模型的目标值y，例如：制叶丝线松散回潮出口水分值、制叶丝线叶片加料比例值等，进行预测输出。AI算法模型输入参数值x，例如：制叶丝线松散回潮入口水分值、制叶丝线松散回潮加水流量设定值等，则由AI算法模型输入参数来源进行配置；

智能参数决策，用于通过AI算法模型输入参数来源指定部分已知AI算法模型输入参数值x，及AI算法模型的目标值y，对部分未知AI算法模型输入参数值x进行推理计算，给出最佳的x参数决策输出。

所述AI算法模型输入参数来源，是根据AI应用类型，针对AI算法模型已知的参数值x、或目标值y的输入来源进行配置，包括，

静态参数值：通过界面表单，手动输入值；

实时数据值：AI应用模型程序被调度运行时，通过调用所述数据服务子模块提供的REST API微服务接口，提取指定实时数据值。

所述AI应用输出目的，用于指定AI应用模型程序被调度运行后，对其计算输出值的去向操作，包括，

SQL输出：通过调用所述信息集成子模块的SQL信息集成服务接口，将所述计算输出值跟新或插入至关系数据库表中；

MQTT输出：通过调用所述信息集成子模块的MQTT信息集成服务接口，将所述计算输出值发布至所述数据写入请求事件主题或语音播报请求事件主题。

所述AI应用模型服务子模块，通过调用所述数据服务子模块提供的REST API微服务接口，提取指定的AI应用模型及其AI算法模型；

然后，根据所述AI应用模型的所述AI算法模型输入参数来源，直接读取静态参数值或通过调用所述数据服务子模块提供的REST API微服务接口提取相应的实时数据值，作为所述AI算法模型程序的输入参数；

之后，根据所述AI应用模型的所述AI应用触发周期，周期性地对所述AI算法模型程序进行调度运行；

之后，根据所述AI应用模型的所述AI应用类型参数，对所述智能目标预测或智能参数决策的输出值进行计算，作为所述AI应用模型程序的输出值；

最后，根据所述AI应用模型的所述AI应用输出目的，对所述AI应用模型程序的输出值进行所述SQL输出或MQTT输出的操作。

所述AI算法模型档案子模块，由平台后端程序自动对所述AI算法模型所经历的各阶段操作，进行档案日志的记录，并通过界面表单操作，对所述档案日志的检索查询、及修正操作。

所述边缘设备数据采集子模块，包括：温湿度传感器及流量传感器等各类传感器，完成实时数据采集和设定数据写入等功能：

实时数据采集，通过OPC UA接口订阅卷烟生产现场相关连接设备的实时数据值，当实时数据值发生变化时，将所述实时数据值发送至所述数据存储子模块的高速缓存库中进行集中同步跟新存储；

历史数据采集，通过周期性地读取从OPC UA接口订阅而来的实时数据值，形成历史数据，并将所述历史数据发送至数据存储子模块的时序数据库中进行集中存储；

设定数据写入，通过订阅所述MQTT信息集成服务提供的数据写入请求事件主题，根据收到的事件消息体所述信息点值，通过OPC UA通信协议接口，将所述信息点值写入现场控制设备实时数据中的当前设定值地址。

所述边缘智能模型计算子模块，接收所述AI算法模型训练子模块发送的所述AI算法模型训练任务；

之后，通过调用所述数据服务子模块提供的REST API微服务接口，读取所述AI算法模型训练任务所述AI算法模型及AI模型数据集；

之后，将所述AI模型数据集作为所述AI算法模型的输入参数，并调用所述AI算法模型的训练程序执行，当所述AI算法模型的训练程序执行完成后，对所述AI算法模型的各步骤AI算法组件参数进行跟新；

最后，通过调用所述数据服务子模块提供的REST API微服务接口，将被更新过各步骤AI算法组件参数的所述AI算法模型发送至数据存储子模块进行跟新存储。

所述边缘智能语音播报子模块，通过订阅所述MQTT信息集成服务提供的语音播报请求事件主题，对收到的事件消息体所述文本内容进行语音播报。

上述组成部分之间的连接关系为：

AI数据服务、AI智能应用、AI边缘计算，及其所述各子模块，通过互联网进行通讯。

如图1所示，为一种卷烟生产智能应用平台软件的结构示意图，该平台软件包括：

AI数据服务模块1：用于卷烟工厂各生产车间一线主机设备及生产加工过程相关数据的集中存储、集中管理，以及数据信息集成服务，为AI智能应用、AI边缘计算提供基础数据平台支撑，具体包括数据存储子模块11、数据治理子模块12、数据服务子模块13、信息集成子模块14；

AI智能应用模块2：用于卷烟工厂智能算法模型建模、智能算法模型应用、智能算法模型执行服务、智能算法模型全生命周期管理，具体包括AI算法组件管理子模块21、AI算法模型设计子模块22、AI算法模型训练子模块23、AI算法模型评估子模块24、AI算法模型应用子模块25、AI应用模型服务子模块26、AI算法模型档案子模块27；

AI边缘计算模块3：用于卷烟生产车间一线主机设备及生产加工过程实时数据采集、历史数据的采集、设定数据写入、AI算法模型训练任务执行，以及卷烟生产加工一线智能语音播报。具体包括边缘设备数据采集子模块31、边缘智能模型计算子模块32、边缘智能语音播报子模块33。

在本实施例中，AI数据服务1、AI智能应用2、AI边缘计算3，及其所述各子模块，通过互联网进行通讯。

另一方面本发明公开了一种卷烟生产智能应用方法，具体的工作过程为：

S01、利用边缘设备数据采集子模块31进行卷烟工厂各生产车间一线主机设备及产线控制相关实时数据及历史数据的采集，及设定数据的输入；

S02、利用数据治理子模块12对实时数据、历史数据、设定数据，以及AI应用数据进行组织管理，所述AI应用数据包括AI模型数据集、AI算法组件、AI算法模型以及AI应用模型；

S03、利用AI算法组件管理子模块21，对AI算法组件及AI算法组件的初始参数进行配置；

S04、利用AI算法模型设计子模块22，完成AI算法管道设计，生成AI算法模型；

S05、利用AI算法模型训练子模块23，完成AI算法模型训练任务的编制，及AI算法模型训练任务执行的分配；

S06、利用边缘智能模型计算子模块32，执行AI算法模型训练任务；

S07、利用AI算法模型评估子模块24，对AI算法模型进行测试评估；

S08、利用AI算法模型应用子模块25，对测试评估后的AI算法模型进行卷烟工厂各生产车间一线主机设备及生产加工过程的应用参数配置，生成AI应用模型；

S09、利用AI应用模型服务子模块26，完成对AI应用模型相关程序的调度运行；

S10、利用AI算法模型档案子模块27，对AI算法模型的各阶段档案日志进行记录管理和查询

综上所述，本发明基于OPC UA接口技术、WEB微服务接口技术、MQTT信息通讯技术、AI研发框架技术、边缘计算技术等，提供了一种卷烟生产智能应用平台，通过该平台所配置的AI数据服务、AI智能应用、AI边缘计算三个主模块及其相关子模块功能，实现了卷烟工厂各生产车间一线主机设备及生产加工过程相关数据的集中存储、集中治理、数据服务功能；卷烟工厂智能算法模型建模、智能算法模型应用、智能算法模型服务、智能算法模型全生命周期管理功能；卷烟生产车间一线主机设备及生产加工过程边缘数据读写和数据采集、AI算法模型边缘计算、智能语音播报功能。为卷烟生产加工企业提供了一个适用于生产一线的柔性化智能算法模型、智能应用模型搭建的平台化产品，能有效降低卷烟生产加工一线用户对于人工智能技术在实际生产过程中的应用技术门槛，弥补现有卷烟加工生产过程管控系统的不足，助力烟草制造行业智能装备、智能化产线建设。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种卷烟生产智能应用平台，其特征在于，包括：

AI数据服务模块、AI智能应用模块及AI边缘计算模块；

所述AI数据服务模块，包括，

数据存储子模块：用于集中存储卷烟工厂各生产车间一线主机设备及生产加工过程的实时数据、设定数据、历史数据及AI应用数据，所述AI应用数据包括AI模型数据集、AI算法组件、AI算法模型以及AI应用模型；

数据治理子模块：用于利用树形数据结构对数据存储子模块存储的实时数据、历史数据及AI应用数据进行组织管理；

数据服务子模块：用于通过REST API微服务接口方式，为AI智能应用模块及AI边缘计算模块提供实时数据、历史数据、设定数据及AI应用数据的访问接口服务；

信息集成子模块：用于为AI智能应用模块及AI边缘计算模块提供WEB服务信息集成服务、MQTT服务信息集成服务及SQL服务信息集成服务；

所述AI智能应用模块，包括，

AI算法组件管理子模块：用于对AI算法组件进行配置；

AI算法模型设计子模块：用于对AI算法模型的算法管道进行设计；

AI算法模型训练子模块：用于编制AI算法模型的训练任务，并对训练任务的执行进行分配；

AI算法模型评估子模块：用于对AI算法模型进行测试评估；

AI算法模型应用子模块：用于对AI算法模型进行卷烟工厂各生产车间一线主机设备及生产加工过程的应用参数配置，并生成AI应用模型；

AI算法模型服务子模块：用于对AI应用模型对象进行部署调度；

AI算法模型档案子模块：用于对AI算法模型从生成到部署调度期间，所产生的各阶段的档案日志进行记录管理和查询；

所述AI边缘计算模块，包括，

边缘设备数据采集子模块：用于完成卷烟工厂各生产车间一线主机设备及产线控制相关实时数据及历史数据的采集，及设定数据写入；

边缘智能模型计算子模块：用于执行AI算法模型训练任务；

边缘智能语音播报子模块：用于实现卷烟工厂各生产车间一线主机设备及生产加工过程中实时数据及设定数据的智能语音播报。

2.根据权利要求1所述的卷烟生产智能应用平台，其特征在于，所述实时数据包括卷烟工厂各生产车间一线主机设备及生产加工过程中的瞬时数据信息。

3.根据权利要求1所述的卷烟生产智能应用平台，其特征在于，所述历史数据包括卷烟工厂各生产车间一线主机设备及生产加工过程中以批次为依据进行周期性采集归档的历史序列值表。

4.根据权利要求1所述的卷烟生产智能应用平台，其特征在于，

所述AI模型数据集，包括用户根据AI算法模型训练及AI算法模型评估的数据输入要求，在本地个人电脑终端上，借助excel表格工具，对历史数据进行整理后导出的CSV类型文件。

5.根据权利要求4所述的卷烟生产智能应用平台，其特征在于，

所述AI算法组件，包括由开发工具开发的，具备对AI模型数据集进行计算处理能力的机器学习或深度学习的算法程序。

6.根据权利要求5所述的卷烟生产智能应用平台，其特征在于，

所述AI算法模型，包括算法管道对象，所述算法管道对象由1至n个步骤构成，每个步骤都配置1个AI算法组件，所述AI算法组件按照队列进行先后排列，前一个步骤的AI算法组件的程序计算结果作为后一个AI算法组件的程序输入数据。

7.根据权利要求6所述的卷烟生产智能应用平台，其特征在于，所述AI应用模型，包括实现AI算法模型在卷烟工厂各生产车间一线主机设备及生产加工过程的实际应用过程中，对AI算法模型进行进一步的应用参数配置而产生的模型对象。

8.根据权利要求1所述的卷烟生产智能应用平台，其特征在于，所述MQTT信息集成服务，具体包括，基于MQTT信息通讯技术，提供MQTT事件消息主题服务，包括，设定数据写入请求、设定数据读取请求及语音播报请求。

9.根据权利要求1所述的卷烟生产智能应用平台，其特征在于，所述边缘设备数据采集子模块包括温湿度传感器及流量传感器，通过OPC UA接口完成实时数据的传输，并通过OPCUA接口对相关设定数据进行读写。

10.一种卷烟生产智能应用方法，其特征在于，所述方法包括以下步骤：

S01、利用边缘设备数据采集子模块进行卷烟工厂各生产车间一线主机设备及产线控制相关实时数据及历史数据的采集，及设定数据的输入；

S02、利用数据治理子模块对实时数据、历史数据、设定数据，以及AI应用数据进行组织管理，所述AI应用数据包括AI模型数据集、AI算法组件、AI算法模型以及AI应用模型；

S03、利用AI算法组件管理子模块，对AI算法组件及AI算法组件的初始参数进行配置；

S04、利用AI算法模型设计子模块，完成AI算法管道设计，生成AI算法模型；

S05、利用AI算法模型训练子模块，完成AI算法模型训练任务的编制，及AI算法模型训练任务执行的分配；

S06、利用边缘智能模型计算子模块，执行AI算法模型训练任务；

S07、利用AI算法模型评估子模块，对AI算法模型进行测试评估；

S08、利用AI算法模型应用子模块，对测试评估后的AI算法模型进行卷烟工厂各生产车间一线主机设备及生产加工过程的应用参数配置，生成AI应用模型；

S09、利用AI应用模型服务子模块，完成对AI应用模型相关程序的调度运行；

S10、利用AI算法模型档案子模块，对AI算法模型的各阶段档案日志进行记录管理和查询。

Images