本发明涉及多级罗茨泵，尤其涉及基于人工智能的多级罗茨泵控制方法、系统。
背景技术：
1、多级罗茨泵作为真空系统中的核心设备，其运行效率与稳定性直接影响工业生产的性能。传统多级罗茨泵控制方法多依赖固定参数pid控制或经验规则，难以应对复杂动态工况下的各个单独抽气房的压力耦合问题。
2、现有专利公开了一种变相位角多级罗茨真空泵及其工作方法(公开号cn116517828a)。所述变相位角多级罗茨真空泵包括：泵壳、右转子1、左转子2，所述右转子1、左转子2分别绕各自的旋转轴沿相反方向旋转。该专利所公开技术中，由于多级罗茨泵运行时，各层级间的压力不均衡，并且难以对各个单独的抽气房进行动态压力调控，因此这就易造成局部过载或效率损失的现象。
技术实现思路
1、本发明为解决现存的技术问题而提供基于人工智能的多级罗茨泵控制方法、系统，解决了各层级中罗茨泵出现压力不同的问题。
2、为解决上述技术问题，根据本发明的一个方面，更具体的说是基于人工智能的多级罗茨泵控制方法，包括：
3、s1、通过霍尔传感器、压力传感器及角速度传感器采集多级罗茨泵的实时运行数据信号，所述数据信号包括出气口压力、磁场强度及转速信号；对所述数据信号进行动态特征提取，并通过归一化模型处理并生成标准化特征数据；
4、s2、基于实际工况数据构建数据孪生模型，利用迁移学习机制将标准化特征数据迁移至所述数据孪生模型；
5、s3、以能效比最大化和偏差量最小化为联合优化目标，采用深度确定性策略梯度算法训练强化学习，生成多级罗茨泵级间压力分配的最优解耦控制策略；
6、s4、根据所述解耦控制策略，通过pid控制器实时调整各层级电机的转速；
7、s5、基于数据孪生模型进行轻量化边缘部署，实时采集控制效果数据并计算预测偏差；当所述预测偏差超过预设阈值时，触发单个罗茨泵控制模型增量更新机制。
8、更进一步的，所述归一化模型用于对每个传感器信号单独进行最小-最大归一化处理，将其缩放到[0，1]区间，有：
9、
10、式中，c表示第i类传感器归一化处理后的标准数据；ci表示第i类传感器的原始数据；cmin、cmax分别表示该第i类传感器所检测到最小、最大理论值。
11、更进一步的，所述数据孪生模型根据周期时间下出气口压力的偏差量，以及出气口压力变化周期与磁场强度变化周期的偏差量，计算预测偏差，有：
12、
13、式中，g表示数据孪生模型计算出多级罗茨泵的偏差量；m表示周期时间内出气口压力的偏差量；a表示出气口压力变化周期与磁场强度变化周期的偏差量。
14、更进一步的，当g≥78％时，则表示预测偏差超过预设阈值，进而触发单个罗茨泵控制模型增量更新机制；
15、当g＜78％时，则表示无需触发模型增量更新机制。
16、更进一步的，所述步骤s3中，所述深度确定性策略梯度算法的奖励函数定义为能效比与偏差量的加权反比函数。
17、更进一步的，所述步骤s4中pid控制器的具体流程有：
18、1)、根据角速度传感器反馈的转速信号与控制单个罗茨泵控制模型中电机转速的输入信号进行对比；
19、2)、将对比后输入信号与实际输出的偏差量补入输入信号。
20、更进一步的，所述解耦控制策略，用于根据多级罗茨泵中不同单个罗茨泵控制模型的状态进行定制化控制。
21、基于人工智能的多级罗茨泵控制系统，包括：
22、多源数据感知模块，用于采集多级罗茨泵的实时运行数据信号，所述数据信号包括出气口压力、磁场强度及转速信号；
23、数据孪生建模模块，用于根据实际工况数据构建数据孪生模型，利用迁移学习机制将标准化特征数据迁移至所述数据孪生模型；
24、分层强化学习模块，采用深度确定性策略梯度算法训练强化学习，生成多级罗茨泵级间压力分配的最优解耦控制策略；
25、级间解耦控制模块，通过pid控制器实时调整各层级电机的转速；
26、轻量化边缘部署模块，实时采集控制效果数据并计算预测偏差；当所述预测偏差超过预设阈值时，触发单个罗茨泵控制模型增量更新机制。
27、本发明提供的基于人工智能的多级罗茨泵控制方法、系统，相比现有技术，本方法取得的效果有：
28、1、本发明通过基于深度确定性策略梯度算法，以能效比最大化和偏差量最小化为联合优化目标，生成级间压力最优分配策略，显著降低耦合效应，提升整体能效约15％-20％的性能；并且解耦控制策略支持对多级罗茨泵的定制化调控，适应不同层级设备的运行状态差异。
29、2、本发明通过构建数据孪生模型，将标准化特征数据快速迁移至实际工况模型，缩短训练周期并提高模型泛化能力；通过轻量化边缘部署，实现实时数据采集与预测偏差计算，确保不会出现局部过载或效率损失的现象。
30、3、本发明通过基于预测偏差阈值触发增量更新，仅针对异常层级的罗茨泵模型进行优化，减少计算资源消耗，同时提升系统鲁棒性，并且该机制可将模型更新效率提高40％，并降低故障停机风险。
31、4、本发明通过对霍尔传感器、压力传感器及角速度信号进行动态特征提取与最小-最大归一化处理，消除量纲差异，提升数据一致性，为后续算法提供高质量输入。
1.基于人工智能的多级罗茨泵控制方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的多级罗茨泵控制方法，其特征在于：所述归一化模型用于对每个传感器信号单独进行最小-最大归一化处理，将其缩放到[0，1]区间，有：
3.根据权利要求1所述的基于人工智能的多级罗茨泵控制方法，其特征在于：所述数据孪生模型根据周期时间下出气口压力的偏差量，以及出气口压力变化周期与磁场强度变化周期的偏差量，计算预测偏差，有：
4.根据权利要求3所述的基于人工智能的多级罗茨泵控制方法，其特征在于：当g≥78％时，则表示预测偏差超过预设阈值，进而触发单个罗茨泵控制模型增量更新机制；
5.根据权利要求1所述的基于人工智能的多级罗茨泵控制方法，其特征在于：所述步骤s3中，所述深度确定性策略梯度算法的奖励函数定义为能效比与偏差量的加权反比函数。
6.根据权利要求1所述的基于人工智能的多级罗茨泵控制方法，其特征在于：所述步骤s4中pid控制器的具体流程有：
7.根据权利要求1所述的基于人工智能的多级罗茨泵控制方法，其特征在于：所述解耦控制策略，用于根据多级罗茨泵中不同单个罗茨泵控制模型的状态进行定制化控制。
8.基于人工智能的多级罗茨泵控制系统，其特征在于，应用于权利要求1-7任一项所述的控制方法，所述的控制系统，包括：