一种基于MIMO证据推理的曝气系统气泵电机端边云协同控制方法

一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法
技术领域
1.本发明涉及一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，属于污水处理好氧工艺曝气系统中的气泵电机智能控制领域。


背景技术：

2.好氧工艺是污水多环节处理中的较为重要的一环，其工艺原理为：通过曝气系统维持好氧池中的氧气含量，为好氧池中的各种好氧微生物提供一个良好的生存繁衍环境，从而借助微生物的各种活动，来对流入好氧池中的污水进行一定的处理；具体地：主要通过在好氧池中，设置一定数量的气泵电机以及相关设备组成曝气系统，来对池水进行适时且适当的曝气操作，以控制好氧池中的氧气含量保持在一个适宜的数值。精确控制好氧池中的待处理污水的含氧量，不仅有利于整个污水处理系统的稳定运转，还可以一定程度降低整个污水处理过程的所需能耗。因此，如何提高对气泵电机的控制精度，成为污水处理好氧工艺中的一个重要问题。
3.传统地，对气泵电机的控制有手动控制和自动控制两种方式，由于手动控制无法保证对电机的控制精度，且能源消耗较大，使得自动控制成为控制气泵电机的主流方式。随着控制技术不断朝向智能自动化方向发展，可编程控制器技术的逐步完善并趋近成熟，基于模型的精准智能控制技术已经应用于气泵电机的自动控制领域当中，并占据主导地位。
4.在物联网协同控制系统中，设备端负责采集、传输和存储数据，边缘设备负责对数据进行初步处理和分析，云端设备则负责对大量数据进行深度分析和应用。物联网端边云协同可以将不同层次设备的数据处理能力整合起来，实现对数据的全方位、多层次分析，提高数据利用率和应用效果。通过物联网端边云协同，可以实现对设备的远程监控、智能控制和优化管理，提高生产效率、降低能源消耗和提升服务质量。


技术实现要素：

5.本发明针对现有技术不足，提出了一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法。
6.本发明将端边云协同作为曝气系统的整体控制架构，使用pid控制器作为气泵电机控制系统的底层控制手段，将pid控制实用性强、鲁棒性好及易操作等优点带入到电机控制系统当中，建立mimo证据推理模型以及参数优化模型，结合系统中实时产生的数据以及历史数据，来对pid控制器的相关参数进行实时调整，以达到精确控制电机运转的效果。
7.本发明包括以下步骤：
8.(1)在物联网协同控制系统中，端部署污水处理的曝气系统气泵电机，并给出其控制模型；
9.(2)在物联网协同控制系统中，云上构建关于气泵电机转速pid控制器参数k
p
、ki和kd的mimo证据推理模型；基于样本投点和似然函数归一化获取参考证据矩阵表，以描述模
型输入向量x(k)和输出向量k
pid
(k)之间的非线性映射关系；
10.(3)在物联网协同控制系统中，从端设备在线获取k时刻的推理模型输入向量x(k)＝[x1(k),x2(k)]，结合步骤(2)所给出的参考证据矩阵表，在边上利用证据推理来估算k时刻模型的输出向量k
pid
(k)＝[k
p
(k),ki(k),kd(k)]；
[0011]
(4)引入增量式pid控制算法，根据步骤(3)估计的推理模型输出和步骤(1)中的气泵电机控制模型，计算k时刻系统控制量u(k)和气泵电机实际转速na(k)；
[0012]
(5)以序列线性优化算法为基础，在边上建立参数优化模型，对云端mimo证据推理模型参数进行实时优化并上传更新，使得pid控制器参数值k
p
、ki和kd能够在边上进行自适应调整，提高对端部署的气泵电机控制精度。
[0013]
本发明的有益效果：本发明是一种基于模型的pid精准控制方法，其搭建了端边云协同控制架构，在云上构建关于pid相关控制参数的信度推理模型；根据电机控制系统的设定输入以及电机的具体数学模型来设定推理模型的输入向量的参考值集合；根据pid控制器的参数变化范围来设定推理模型输出向量的参考值集合。
[0014]
本发明结合从端设备获得的样本数据，基于样本投点和似然函数归一化获取关于模型输入和模型输出的信度矩阵表，以描述输入与输出之间的非线性关系。在边上，针对端设备上传的某一时刻采样数据样本，基于其向量特性，利用欧式距离计算输入样本与设定参考值的匹配度，并结合云端构建的推理模型，利用证据推理的理论规则计算融合后的证据集合，根据融合后的证据，来估算pid控制器的相关参数数值，并将其用作对端设备的控制。
[0015]
本发明采用序列线性规划方法对云端证据推理模型中的相关参数进行优化、更新，使对端设备的控制精度得到进一步提升。
[0016]
根据本发明方法编制的程序(编译环境matlab)能成功在计算机上运行，并结合相关采集器、传感器等硬件设备组成气泵电机控制系统，实现对气泵电机的智能控制，提高电机控制系统的控制精度，降低污水处理中的好氧工艺所需能耗。
附图说明
[0017]
图1是基于mimo证据推理的曝气系统气泵电机端边云协同控制系统模型结构框图；
[0018]
图2是本发明方法的程序流程框图；
[0019]
图3是曝气系统三相异步交流气泵电机闭环输出信号跟踪输入信号的图；
[0020]
图4是曝气系统三相异步交流气泵电机闭环输出信号与输入信号的偏差图。
具体实施方式
[0021]
本发明提出的基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，是在图1的基础上做出的一种基于模型的电机智能控制方法，其流程图如图2所示，包括以下各步骤：
[0022]
(1)在物联网协同控制系统中，端部署污水处理的曝气系统气泵电机，其控制模型为：
[0023][0024]
式(1)中：u和y分别为气泵电机控制系统的输入端设定转速nr和输出端实际转速na；km＝n
p
/j为增益系数，n
p
为电机的极对数，j为电机的转动惯量；t
eq
为电机的时间常数。
[0025]
(2)在物联网协同控制系统中，云上构建关于气泵电机转速pid控制器参数k
p
、ki和kd的mimo(多输入多输出)证据推理模型，基于样本投点和似然函数归一化获取参考证据矩阵表，以描述模型输入向量x(k)和输出向量k
pid
(k)之间的非线性映射关系。
[0026]
(3)在物联网协同控制系统中，从端设备在线获取k时刻的推理模型输入向量x(k)＝[x1(k),x2(k)]，结合步骤(2)所给出的参考证据矩阵表，在边上利用证据推理来估算k时刻模型的输出向量k
pid
(k)＝[k
p
(k),ki(k),kd(k)]。
[0027]
(4)引入增量式pid控制算法，根据步骤(3)估计的推理模型输出和步骤(1)中的气泵电机控制模型，计算k时刻系统控制量u(k)和气泵电机实际转速na(k)。
[0028]
(5)以序列线性优化算法为基础，在边上建立参数优化模型，对云端mimo(多输入多输出)证据推理模型参数进行实时优化并上传更新，使得pid控制器参数值k
p
、ki和kd能够在边上进行自适应调整，提高对端部署气泵电机的控制精度。
[0029]
在本技术的一实施例中，所述步骤(2)的具体步骤如下：
[0030]
(2-1)确定模型输入xi(i＝1,2)分别为x1(k)＝nr(k)和x2(k)＝na(k-1)，其中x(k)＝[x1(k),x2(k)]表示k时刻模型输入向量，满足x2(1)＝na(0)＝0，nr(k)＝sin(k*ts*p)，k＝1,2,...,k，ts为采样间隔，k为采样点个数；模型输出为pid控制器参数向量k
pid
(k)＝[k
p
(k),ki(k),kd(k)]。
[0031]
从端设备获取样本向量数据，则k个样本向量构成了样本集合s＝{[x(k),k
pid
(k)]|k＝1,2,...,k}。
[0032]
(2-2)设定模型输入xi的参考值集合为则输入向量x(k)对应的参考向量为其中，ji表示模型输入xi对应的参考值个数。同时，设定k
p
、ki和kd的参考值集合为则输出向量k
pid
(k)对应的参考向量为其中l＝1,2,3分别对应输出k
p
、ki和kd，n
l
表示不同pid控制器参数对应的参考值个数。
[0033]
(2-3)对样本集合s中的样本数据进行投点，并基于似然函数归一化获取如表1所示的参考证据矩阵表，以描述模型输入向量x(k)和输出向量k
pid
(k)之间的非线性映射关系；其中表示输入参考向量对应的证据；表示当模型输入向量x为时，模型输出向量k
pid
为的信度，满足且有
[0034]
表1输入向量x的参考证据矩阵表
[0035][0036]
为了便于理解，这里举例说明步骤(2-2)～(2-3)，过程如下：
[0037]
设定模型输入x1和x2的参考值集合，分别为a1＝{-1.1,0,1.1}和a2＝{-1.2,0,1.2}，将x1和x2的参考值集合中的元素进行遍历组合，得到模型输入向量x参考值向量集合为a＝{[-1.1,-1.2],[-1.1,0],[-1.1,1.2],[0,-1.2],[0,0],[0,1.2],[1.1,-1.2],[1.1,0],[1.1,1.2]}。同时，设定k
p
、ki和kd的参考值集合，分别为d1＝{0.6，0.64，0.68}、d2＝{0.62，0.66，0.7}和d3＝{0.56，0.67，0.78}，将k
p
、ki、kd的参考值集合中的所有元素进行遍历组合，得到推理模型的输出k
pid
(t)的参考值集合d＝{[0.6,0.62,0.56],[0.6,0.62,0.67],[0.6,0.62,0.78],[0.60,0.66,0.56],[0.60,0.66,0.67],[0.60,0.66,0.78],[0.60,0.70,0.56],[0.60,0.70,0.67],[0.60,0.70,0.78],[0.64,0.62,0.56],[0.64,0.62,0.67],[0.64,0.62,0.78],[0.64,0.66,0.56],[0.64,0.66,0.67],[0.64,0.66,0.78],[0.64,0.70,0.56],[0.64,0.70,0.67],[0.64,0.70,0.78],[0.68,0.62,0.56],[0.68,0.62,0.67],[0.68,0.62,0.78],[0.68,0.66,0.56],[0.68,0.66,0.67],[0.68,0.66,0.78],[0.68,0.70,0.56],[0.68,0.70,0.67],[0.68,0.70,0.78]}。
[0038]
从端获取10000个样本组成样本集s＝{[x(k),k
pid
(k)]|k＝1,2,...,10000}，对样本集s进行投点，获得如表2的投点表；
[0039]
表2样本s的投点表
[0040]
[0041][0042]
对表2进行似然函数归一化可得到如表3所示的描述模型输入向量x(k)和输出向量k
pid
(k)之间非线性映射关系的参考证据矩阵表；
[0043]
表3输入向量x的参考证据矩阵表
[0044]
[0045][0046]
在本技术的一实施例中，所述步骤(3)的具体步骤如下：
[0047]
(3-1)求取输入向量x(k)与其对应的l＝j1×
j2个参考向量之间的欧氏距离，并将其归一化结果作为参考证据
的激活权重ω
l
(l＝1,2,...,l)，计算如下：
[0048][0049]
(3-2)获得参考证据的激活权重ω
l
后，利用证据推理规则对表1中l条参考证据进行融合，融合结果为：
[0050][0051][0052]
式(3)和(4)中：参考证据表示当模型输入向量x为第l个参考向量时，模型输出向量k
pid
为第s个参考向量的信度，满足s＝1,2,...,s；s＝n1×
n2×
n3表示输出向量k
pid
对应的参考向量的个数；
[0053]
(3-3)根据步骤(3-2)得到的融合结果可估计出k时刻模型的输出向量k
pid
(k)＝[k
p
(k),ki(k),kd(k)]，计算公式如下：
[0054][0055]
为便于理解，在此举例说明k＝1时刻模型的输出向量k
pid
(k)＝[k
p
(k),ki(k),kd(k)]的估计过程，过程如下：
[0056]
在k＝1时刻，由推理模型输入x1(1)＝nr(1)＝0.0628和x2(1)＝na(0)＝0,可得模型输入向量x(1)＝[0.0628,0]，输入向量样本x(1)激活参考证据矩阵表中的所有证据，根据步骤(3-1)可以得到此时模型输入激活各证据的激活权重，输入向量样本x(1)激活证据的激活权重ω1(1)＝0.1495，激活证据的激活权重ω2(1)＝0.1040，激活证据的激活权重ω3(1)＝0.1495，激活证据的激活权重ω4(1)＝0.1075，激活证据的激活权重ω5(1)＝0.0056，激活证据的激活权重ω6(1)＝0.1075，激活证据的激活权重ω7(1)＝0.1419，激活证据的激活权重ω8(1)＝0.0928，激活证据的激活权重ω9(1)＝0.1419，根据公式(3)和(4)对激活的证据进行融合，融合结果为(1)＝0.1419，根据公式(3)和(4)对激活的证据进行融合，融合结果为(1)＝0.1419，根据公式(3)和(4)对激活的证据进行融合，融合结果为(1)＝0.1419，根据公式(3)和(4)对激活的证据进行融合，融合结果为
[0057]
得到融合结果后，可由公式(5)计算出k＝1时刻模型的输出向量
[0058]
在本技术的一实施例中，所述步骤(4)的具体步骤如下：
[0059]
(4-1)基于传统的pid算法，将控制公式离散化，得到了一个离散系统的pid算法，其控制规律如下
[0060][0061]
式(6)中：t，ti和td分别为控制器的采样周期、积分时间常数和微分时间常数；e(k)＝nr(k)-na(k)是气泵电机输出端实际转速na(k)跟踪输入端设定转速nr(k)的偏差；k
p
,ki＝k
p
t/ti和kd＝k
p
td/t分别为比例、积分和微分系数；u(k)表示k时刻pid控制器的控制量。
[0062]
(4-2)根据式(6)，增量pid控制算法可表示为：
[0063][0064]
式(7)中：δu(k)表示k时刻pid控制器的控制增量，e(k-1)和e(k-2)分别为(k-1)和(k-2)时刻电机控制系统的偏差值；
[0065]
(4-3)根据步骤(3-3)估计的输出向量k
pid
(k)，可得到k时刻pid控制器参数值k
p
(k)、ki(k)和kd(k)，将其带入公式(7)可计算出pid控制器的控制增量δu(k)，进而可获得k时刻的系统控制量u(k)；对公式(1)进行离散化变换，并将u(k)带入变换后的离散公式中，即可计算出k时刻气泵电机控制系统的输出端实际转速na(k)。
[0066]
为便于理解，结合步骤(3)计算k＝1时刻系统控制量u(1)和气泵电机的实际转速na(1)；
[0067]
将步骤(3)计算得到的k
p
(1)、ki(1)和kd(1)代入公式(6)和(7)可计算出k＝1时刻pid控制器的输出增量δu(1)＝0.1237和系统控制量u(1)＝0.1237，将代入由公式离散变换之后的公式中，可计算出k＝1时刻气泵电机控制系统输出端实际转速na(1)＝0。
[0068]
在本技术的一实施例中，所述步骤(5)的具体步骤如下：
[0069]
(5-1)以气泵电机输入端设定转速nr(k)和输出端实际转速na(k)的偏差及控制增量δu(k)的平方和为目标函数，搭建如下优化模型：
[0070][0071]
式(8a)中：
[0072]
表示待优
化参数的集合；式(8b)和(8c)表示优化参数需满足的约束条件；
[0073]
(5-2)根据步骤(5-1)建立的参数优化模型，对云端mimo证据推理模型参数进行实时优化，并将优化后的参数上传到云，实现参考证据矩阵表的动态更新，并将更新后的参考证据矩阵表作为k+1时刻模型的初始参数。结合步骤(4)计算的输出端实际转速na(k)，可获取k+1时刻的样本输入向量x(k)＝[x1(k+1),x2(k+1)]，重复步骤(3)和(4)即可完成k+1时刻模型推理，确定pid控制器参数值k
p
(k+1)、ki(k+1)和kd(k+1)，并用于计算该时刻气泵电机输出端的实际转速na(k+1)和k+2时刻推理模型的输入样本向量。依次迭代，通过对模型参数的在线优化、更新，实现pid控制器参数的自适应调整，提高对曝气系统气泵电机的控制精度。
[0074]
为便于理解，延用上述例子说明边优化模型的具体优化过程，优化模型将云推理模型中的信度矩阵表中元素作为参数优化对象，且具有在线优化、参数实时更新的特点；
[0075]
对于k＝1时刻的推理模型样本输入，激活了推理模型中的信度矩阵表中的所有证据，此时，优化模型对所有被激活证据中的置信度进行优化，优化完成后，上传至云，并对推理模型中的信度矩阵表中元素进行对应地更新，得到新的信度矩阵表，如表4所示，并将其作为下一时刻k＝2推理模型的初始信度矩阵表；
[0076]
表4输入向量x的参考证据矩阵表
[0077]
[0078][0079]
以下结合附图，详细介绍本发明方法的实施例：
[0080]
本发明的核心部分是：搭建了基于端边云协同的曝气系统气泵电机控制架构，在云上构造了关于污水处理好氧工艺中所使用气泵电机pid控制器相关控制参数的信度推理模型，基于从端设备获取的采样样本数据获取描述气泵电机控制系统中电机设定转速和电机实际输出转速与pid控制器参数之间复杂非线性关系的信度规则矩阵表。
[0081]
本发明首先，构建关于pid控制器参数的mimo信度推理模型，给定模型输入特征向量和输出结果向量的参考向量集合，给定反应输入特征向量与输出结果向量之间关系的参考证据矩阵表，模型具有根据输入特征信号确定pid参数值的能力；其次，从端设备获取实时数据样本，在边上计算输入样本与各参考值的匹配度，从而确定输入样本激活推理模型中各证据的激活权重，结合证据推理中证据融合的相关规则，对被激活的所有规则进行融合，进而得到pid控制器参数的估计值，将其用到对端设备的控制；最后，在边上构建参数优化模型，采用序列线性规划方法对云端证据推理模型参数进行实时优化、更新，以优化模型推理结果的准确度，不断提高对端设备的控制精度。
[0082]
以下结合三相异步交流电动机，详细介绍本实施例的各个步骤。
[0083]
1.确定在端部署的三相异步交流电动机模型的参数
[0084]
被控对象输入为电机设定转速，输出为电动机的实际转速，在不加负载的情况下，被控对象的传递函数为：
[0085][0086]
式中t
eq
为电机的时间常数，电机的增益系数km为：
[0087][0088]
式中n
p
为电机的极对数，j(单位:kg
·
m2)为电机的转动惯量。
[0089]
三相异步交流电动机的电机极对数n
p
＝3，转动惯量j＝0.0286kg
·
m2，由式(10)可以得到电机的增益系数为km＝104.895，又有t
eq
＝0.02s，代入式(9)可以得到三相异步电动机的传递函数为：
[0090][0091]
2.选取云端证据推理模型特征参数的参考值并构造信度规则矩阵表
[0092]
依照本发明方法的步骤(2)设定pid控制器参数k
pid
参考值集合d＝{[0.6,0.62,0.56],[0.6,0.62,0.67],[0.6,0.62,0.78],[0.60,0.66,0.56],[0.60,0.66,0.67],[0.60,0.66,0.78],[0.60,0.70,0.56],[0.60,0.70,0.67],[0.60,0.70,0.78],[0.64,
0.62,0.56],[0.64,0.62,0.67],[0.64,0.62,0.78],[0.64,0.66,0.56],[0.64,0.66,0.67],[0.64,0.66,0.78],[0.64,0.70,0.56],[0.64,0.70,0.67],[0.64,0.70,0.78],[0.68,0.62,0.56],[0.68,0.62,0.67],[0.68,0.62,0.78],[0.68,0.66,0.56],[0.68,0.66,0.67],[0.68,0.66,0.78],[0.68,0.70,0.56],[0.68,0.70,0.67],[0.68,0.70,0.78]}；设定推理模型输入向量x参考值向量集合为a＝{[-1.1,-1.2],[-1.1,0],[-1.1,1.2],[0,-1.2],[0,0],[0,1.2],[1.1,-1.2],[1.1,0],[1.1,1.2]}。由k＝1时刻优化模型结果可知k＝2时刻描述输入特征和输出结果之间关系的初始信度规则矩阵表，如表5所示；
[0093]
表5输入向量x的参考证据矩阵表
[0094]
[0095][0096]
3.从端设备获取k时刻推理模型输入，在边上根据步骤(3)估算k时刻模型输出向量k
pid
(k)。
[0097]
采样k＝2时刻端设备产生的样本输入特征数据输入向量x(2)＝[0.1253,0]，输入向量样本x(1)激活参考证据矩阵表中的所有证据，根据步骤(3-1)可以得到此时模型输入激活各证据的激活权重，输入向量样本x(2)激活证据的激活权重ω1(2)＝0.1552，激活证据的激活权重ω2(2)＝0.1088，激活证据的激活权重ω3(2)＝0.1491，激活证据的激活权重ω4(2)＝0.1113，激活证据的激活权重ω5(2)＝0.0119，激活证据的激活权重ω6(2)＝0.1027，激活证据的激活权重ω7(2)＝0.1405，激活证据的激活权重ω8(2)＝0.0866，激活证据的激活权重ω9(2)＝0.1338，根据公式(3)和(4)对激活的证据进行融合，融合结果为融合结果为融合结果为融合结果为融合结果为融合结果为
[0098]
得到融合结果后，可由公式(5)计算出k＝2时刻模型的输出向量
[0099]
4.引入增量式pid控制算法，根据步骤(3)估计的推理模型输出和步骤(1)中的气泵电机数学模型，计算k时刻系统控制量u(k)和气泵电机实际转速na(k)
[0100]
将公式(11)中的g(s)进行离散变换可得到：
[0101][0102]
将步骤(3)估计得到的推理模型输出代入公式(7)，得到k＝2时刻系统控制量u(2)＝0.1498，结合公式(12)得到k＝2时刻气泵电机实际转速na(2)＝0.049；
[0103]
5.构建参数优化模型，对云端推理模型参数进行优化、更新，得到新的信度规则矩阵表，如表6所示：
[0104]
表6输入向量x的参考证据矩阵表
[0105]
[0106][0107]
将表6作为k＝3(下一时刻)推理模型的初始信度规则矩阵表，获取k＝3时刻推理模型的输入特征样本数据x(3)＝[x1(3),x2(3)]，重复步骤(3)和(4)，即可完成k＝3时刻的推理过程，确定此时pid控制器参数k
p
、ki和kd的具体数值，用于计算此时气泵电机输出端的实际转速na(3)和k＝4时刻推理模型的输入样本向量。
[0108]
本发明通过搭建端边云协同控制架构，将其优势代入到对曝气系统气泵电机的智能控制中；构建云端推理模型，在边上实现对pid控制器参数的实时获取，并将其用到对端设备的控制当中；构建了边参数优化模型，实现对云端推理模型相关参数的实时优化、更新，优化了边证据推理结果的准确性，进一步提高了对端设备的控制精度，保证端部署的闭环控制系统能够准确追踪输入信号。图3和图4分别为曝气系统三相异步交流气泵电机闭环输出信号跟踪输入信号的图和曝气系统三相交流气泵电机闭环输出信号与输入信号的偏差图，由图可以看出，本发明能够很好地保证闭环控制系统输出准确追踪输入信号，提高了以曝气系统气泵电机为被控对象的闭环控制系统控制精度，降低了污水处理好氧工艺的能耗。

技术特征：
1.一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，其特征在于该方法包括以下步骤：(1)在物联网协同控制系统中，端部署污水处理的曝气系统气泵电机，并给出其控制模型；(2)在物联网协同控制系统中，云上构建关于气泵电机转速pid控制器参数k
p
、k
i
和k
d
的mimo证据推理模型；基于样本投点和似然函数归一化获取参考证据矩阵表，以描述模型输入向量x(k)和输出向量k
pid
(k)之间的非线性映射关系；(3)在物联网协同控制系统中，从端设备在线获取k时刻的推理模型输入向量x(k)＝[x1(k),x2(k)]，结合步骤(2)所给出的参考证据矩阵表，在边上利用证据推理来估算k时刻模型的输出向量k
pid
(k)＝[k
p
(k),k
i
(k),k
d
(k)]；(4)引入增量式pid控制算法，根据步骤(3)估计的推理模型输出和步骤(1)中的气泵电机控制模型，计算k时刻系统控制量u(k)和气泵电机实际转速n
a
(k)；(5)以序列线性优化算法为基础，在边上建立参数优化模型；对云端mimo证据推理模型参数进行实时优化并上传更新，使得pid控制器参数值k
p
、k
i
和k
d
能够在边上进行自适应调整，提高对端部署的气泵电机控制精度。2.根据权利要求1所述的一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，其特征在于，所述步骤(2)的具体步骤如下：(2-1)确定模型输入x
i
(i＝1,2)分别为x1(k)＝n
r
(k)和x2(k)＝n
a
(k-1)，其中x(k)＝[x1(k),x2(k)]表示k时刻模型输入向量，满足x2(1)＝n
a
(0)＝0，n
r
(k)＝sin(k*t
s
*p)，k＝1,2,...,k，t
s
为采样间隔，k为采样点个数；模型输出为pid控制器参数向量k
pid
(k)＝[k
p
(k),k
i
(k),k
d
(k)]；从端设备获取样本向量数据，则k个样本向量构成了样本集合s＝{[x(k),k
pid
(k)]|k＝1,2,...,k}；(2-2)设定模型输入x
i
的参考值集合为则输入向量x(k)对应的参考向量为其中，j
i
表示模型输入x
i
对应的参考值个数；同时，设定k
p
、k
i
和k
d
的参考值集合为则输出向量k
pid
(k)对应的参考向量为：其中l＝1,2,3分别对应输出k
p
、k
i
和k
d
，n
l
表示不同pid控制器参数对应的参考值个数；(2-3)对样本集合s中的样本数据进行投点，并基于似然函数归一化获取参考证据矩阵表，以描述模型输入向量x(k)和输出向量k
pid
(k)之间的非线性映射关系。3.根据权利要求2所述的一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，其特征在于，所述步骤(3)的具体步骤如下：(3-1)求取输入向量x(k)与其对应的l＝j1×
j2个参考向量之间的欧氏距离，并将其归一化结果作为参考证据的激活权重ω
l
,l＝1,2,...,l；(3-2)获得参考证据的激活权重ω
l
后，利用证据推理规则对参考证据矩阵表中l条参考
证据进行融合；(3-3)根据步骤(3-2)得到的融合结果估计出k时刻模型的输出向量k
pid
(k)＝[k
p
(k),k
i
(k),k
d
(k)]。4.根据权利要求3所述的一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，其特征在于，所述步骤(4)的具体步骤如下：根据估计的输出向量k
pid
(k)，得到k时刻pid控制器参数值k
p
(k)、k
i
(k)和k
d
(k)，将其带入增量pid控制算法计算出pid控制器的控制增量δu(k)，进而可获得k时刻的系统控制量u(k)；对气泵电机控制模型进行离散化变换，并将u(k)带入变换后的离散公式中，计算出k时刻气泵电机控制系统的输出端实际转速n
a
(k)。5.根据权利要求4所述的一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，其特征在于，所述步骤(5)的具体步骤如下：(5-1)以气泵电机输入端设定转速n
r
(k)和输出端实际转速n
a
(k)的偏差及控制增量δu(k)的平方和为目标函数，搭建参数优化模型；(5-2)根据步骤(5-1)建立的参数优化模型，对云端mimo证据推理模型参数进行实时优化，并将优化后的参数上传到云，实现参考证据矩阵表的动态更新，并将更新后的参考证据矩阵表作为k+1时刻模型的初始参数；结合步骤(4)计算的输出端实际转速n
a
(k)，获取k+1时刻的样本输入向量x(k)＝[x1(k+1),x2(k+1)]，重复步骤(3)和(4)完成k+1时刻模型推理，确定pid控制器参数值k
p
(k+1)、k
i
(k+1)和k
d
(k+1)，并用于计算该时刻气泵电机输出端的实际转速n
a
(k+1)和k+2时刻推理模型的输入样本向量；依次迭代，通过对模型参数的在线优化、更新，实现pid控制器参数的自适应调整，提高对曝气系统气泵电机的控制精度。6.根据权利要求5所述的一种基于mimo证据推理的曝气系统气泵电机端边云协同控制方法，其特征在于，所述的参数优化模型具体如下：min
p
ξ(p(k))＝(n
r
(k)-n
a
(k))2+δ2u(k)u(k)式中：表示待优化参数的集合。

技术总结
本发明公开了一种基于MIMO证据推理的曝气系统气泵电机端边云协同控制方法。本发明在云端构造关于气泵电机转速控制系统PID控制器参数的MIMO证据推理模型，并基于样本投点和似然函数归一化获取参考证据矩阵表；从端设备在线获取某时刻的推理模型输入向量，在边上利用证据推理来估算该时刻模型的输出向量；将从边上获取的PID控制器参数传输到端设备，以调整气泵电机转速控制系统的控制参数，并获取该时刻系统的实时控制量和气泵电机实际转速；在边上构建参数优化模型对云端模型参数进行实时优化并上传更新参数，提高对端设备的控制效果。本发明实现了对曝气系统气泵电机的精准智能控制，降低了污水处理的能耗。降低了污水处理的能耗。降低了污水处理的能耗。


技术研发人员：张雪林 韩瑜 徐晓滨 俞武嘉 何宏 黄进刚 韩伟 侯平智 孟建芳
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.04.27
技术公布日：2023/8/6