基于改進BP神經網絡PID控制器溫室溫濕度控制研究?

李 鋒 樊玉和 梁 輝

（青島科技大學機電工程學院 青島 266061）

1 引言

隨著計算機智能控制技術和自動化技術的極速發展，利用互聯網技術對溫室環境控制來提高溫室蔬菜的產值越來越受重視。溫室蔬菜的生長受溫室多種因素的影響，溫室環境括溫室內的溫度、濕度、光照強度、二氧化碳濃度等多方面的多變量、強耦合、多時變的環境因素被控對象［1］，且山東四季分明、季節變化溫差濕差大，其中對溫室蔬菜影響嚴重的是溫室內的溫度濕度，其次是光照強度和二氧化碳的濃度，因此準確高效控制溫室內的溫濕度是提高蔬菜生長最關鍵的兩個因素。現有的傳統PID控制模式不能滿足非線性多因素的變化進行有效控制，BP神經網絡PID可以對非線性的多種因素進行測控，但其權值不能有效準確控制。現設計基于改進后的BP神經網絡PID控制器能夠有效控制權值，進而精準控制溫室的溫濕度，從而促進蔬菜快速生長，增加蔬菜的產值量。

2 常規BP神經網絡PID控制

傳統的BP神經網絡PID控制器是由BP神經網絡結構和常規的PID控制器兩部分組成。圖1所示為神經網絡結構模型。

圖1 神經網絡結構模型

圖1所示的神經網絡結構模型，輸出節點層輸出三個PID控制器對應的參數Kp，Ki，Kd［2～3］；其分別表示PID控制器的比例、積分、微分系數，傳統的BP神經網絡PID控制系統如圖2所示。

圖2 BP神經網絡PID控制器系統

其BP神經網絡PID控制結構的計算公式：

式（1）中，error=rin-yt，其中rin為控制器設置值，yt為PID控制器實際的測量值，error為控制器真正的輸入值，它是設置值rin與實際測量值yt之差值，u為控制器的實際輸出。PID控制器對應的參數Kp，Ki，Kd；其分別表示PID控制器的比例、積分、微分系數。

3 改進后的BP神經網絡PID控

傳統的BP神經網絡PID控制器再選取初始權值時隨機選取，根據研究專家總結，初始權值選取的精確度直接影響對溫室環境溫濕度的控制［4～5］，因此采用對初始權值選取精度至關重要，現在傳統的BP神經網絡PID控制算法基礎上添加遺傳-粒子群算法，這樣設計出來的控制器能夠保證神經網絡初始權值更精準的選取，然后通過控制系統的硬件驅動設備，實現對溫室溫濕度的精準有效的控制。

3.1 遺傳優化算法

遺傳算法是一種借助生物界進化規律進化而來具有強全局搜素能力的搜索算法［6］，該算法的中心思想圍繞著生物界進化規律（適者生存，優勝劣汰遺傳機制），該算法是通過三個基本遺傳算子進行基本操作（選擇、交叉、變異）［7～10］通過不斷迭代得到全局最優解。求全局最優問題描述的數學規劃模型：

式（2）中X為決策變量，maxf(x)為目標函數，X∈R、R?U為約束條件，U是基本空間，R是U的子集，滿足條件的X為行解，集合R是所有解所有組合的集合。

3.2 粒子群優化算法

該算法基本概念源自對人工生命和鳥群捕食行為的研究，PSO算法沒有遺傳算法中的選擇、交叉、變異等操作，而是經過粒子在解空間跟隨最優的粒子局部搜索，其具有比較強的局部搜尋能力和最快的迭代方法［11］。粒子群優化算法在其自身更新速度及尋優建立數學表達式如下：

式（3）中，由n個粒子組成的種群X=（X1，X2，…，Xn）；第i個粒子表示一個D維向量Xi=（xi1，xi2，…，xiD）T；第i個粒子的速度Vi=（Vi1，Vi2，…，ViD）T；個體極值Pi=（Pi1，Pi2，…，PiD）T；全局極值Pg=（Pg1，Pg2，…，PgD）T。

具體采用粒子群優化算法迭代過程如粒子群算法流程圖3所示。

圖3 粒子群算法流程圖

3.3 基于GA-PSO（遺傳-粒子群）算法優化BP神經網絡PID控制

1）單獨的BP神經網絡、遺傳（GA）、粒子群（PSO）算法比較分析

傳統的BP神經網絡具有較強的非線性映射能力，但單獨使用BP神經網絡會產生全局搜索困難、收斂速度慢等缺點。在BP神經網絡PID控制進行有效改進算法能夠克服單獨BP神經網絡不能實現的欠缺，而如果只在BP神經網絡增添單獨遺傳算法或者單獨粒子群算法也不能達到最精確選取初始權值，作為一種自適應啟發式全局搜索的算法具有較強的全局搜索能力，但在小規模局部范圍內，遺傳算法不能夠對局部小范圍內進行有效的控制初始閾值和權值。粒子群算法是一種簡單、收斂速度快的算法，特別應用在溫室局部小范圍內控制閾值和權值。但在全局搜索能力上相比，粒子群算法遠不如遺傳算法。

2）遺傳-粒子群算法混合的BP神經網絡PID控制

現設計一種由遺傳、粒子群算法混合的BP神經網絡算法，該復合算法能夠克服單獨的遺傳算法局部搜索能力弱及單獨粒子群算法全局搜索能力弱、收斂速度慢的缺陷，該混合算法繼承了遺傳算法和粒子群算法的優勢從而實現對控制系統中的權值和閾值精確的控制選擇、收斂速度快，進而有效控制整個控制系統對溫室的溫濕度精準控制與調節，實現蔬菜最適的溫濕度，促進蔬菜快速增殖，增加蔬菜產值量。

遺傳、粒子群混合算法種群個體的組織方式如圖4所示。

圖4 GA—PSO算法種群個體組織

如圖4所示的GA—PSO算法種群個體組織方式圖可知，本算法分為三層包括個體、底層、上層結構。首先，從整個群體中由遺傳算法進行全局搜索得到底層結構，算法的底層結構也稱之為基礎結構；再從基礎結構經過粒子群算法局部搜索、收斂速度快得到上層結構，上層結構是在種群個體優化的基礎上再進行優化的，通過粒子群算法主要是對精英種群個體再進行部分搜索，得到精銳中的精銳種群個體。遺傳—粒子群算法相結合在搜索過程中始終使算法的收斂速度加快。

3）遺傳—粒子群算法優化的BP神經網絡PID控制器的設計

針對BP神經網絡學習速度較慢、網絡訓練失敗的可能性較大、網絡層數有限以及容易陷入局部極小值等不足，現設計出一種混合式算法控制器（GA-PSO-BP神經網絡PID控制器），該混合式算法控制器能夠彌補神經網絡的各種不足，充分利用各種算法的優點，時控制效果達到最佳狀態。該遺傳-粒子群優化的BP神經網絡控制器結構如圖5所示。

圖5 GA-PSO-BP神經網絡PID控制器

圖5所示的GA-PSO-BP神經網絡PID控制器是由兩部分相互協調組成，分別是由圖4中的GA-PSO-BP神經網絡和傳統的PID控制器組成。傳統的PID控制器的輸入端為error（error=rin-yt）和3個參數Kp、Ki、Kd，通過控制控制器中的算法控制控制器輸出u，再由控制對象處的傳遞函數輸出yout，從而完成控制器PID的閉環控制，達到預期的效果［12］。只要控制系統PID不停地運行，BP神經網絡就可以通過自身的自調整優化加權系數Kp、Ki、Kd，并通過PID自動控制，獲得最優的精準的控制參數，使整個控制系統達到較為理想的控制狀態。

4）遺傳-粒子群（GA-PSO）算法優化BP神經網絡權值

遺傳-粒子群算法優化BP神經網絡現采用分層結構（底層結構、上層結構）。遺傳算法和粒子群算法共同優化的BP神經網絡能使神經網絡PID控制器的權值和閾值精準更新。種群個體通過適應度函數計算適應度值，通過選擇、交叉、變異基本操作篩選出最適適合度值的個體。將遺傳算法的每次迭代最優種群個體組成上層粒子群個體，然后計算出粒子群中各個粒子的速度得到的最近更新的相應位置，并且朝著更新的方向進化，基于這些得到更新的位置得到最新得到的網絡誤差error（er?ror=rin-yt），在此同時，粒子群中的粒子通過不斷地運動從而不斷地更新粒子的位置，這樣不斷優化更新網絡權值。最終，在不斷更新網絡權值后，將最優的網絡權值輸入到BP神經網絡進行自學習，達到控制更加精準的效果，從而有利于精確控制溫室內的溫度和濕度數值，達到準時、有效、收斂速度快的訓練效果。GA-PSO-BP-PID控制算法過程如圖6所示。

圖6 GA-PSO-BP-PID控制算法過程

4 溫室溫濕度控制系統的設計

4.1 溫室系統控制總體系統結構

影響溫室環境的因素多種多樣，其中包括溫度、濕度、光照強度、二氧化碳濃度、土壤濕度等多種因素相互耦合、相互影響。溫室內的溫度濕度是溫室控制最重要的兩個參數，其次是光照強度、二氧化碳的濃度［13］。現設計一種改進的BP神經網絡控制器精準控制輸入控制器的初始權值和閾值，進而精準控制溫室內溫度和濕度。該控制系統的總體設計包括感應模塊、控制模塊、執行模塊、服務器模塊、外部顯示及報警模塊。溫室控制系統中所有各硬件組成的模塊相互關系如圖7所示。

如圖7所示溫室控制系統總圖，整個控制系統最核心的模塊是控制模塊（COMFAST嵌入式智能網關），嵌入式智能網關是通過RS485串口通信采集室內外傳感器、氣象臺的實時數據進行處理并且保存數據，進而根據設置的溫濕度偏差度控制環流風機、高壓水泵、遮陽網等相應執行模塊的操作，對數據分析過濾之后，首先在嵌入式數據庫sqlite進行有效存儲，之后將數據傳遞給云服務操作器存儲在sqlserver［14～15］中，操作人員也可以根據查看手機或者溫室管理平臺進行實時數據查詢、設備控制及相應的自動化控制。

圖7 溫室控制系統總圖

4.2 感應模塊

感應模塊主要包括室內溫濕度傳感器和由光溫濕傳感器組成的室外氣象臺。GY-BME280溫濕度傳感器是博世公司APSM工藝的小封裝低功耗數字復合傳感器，它不僅能夠檢測室內溫濕度而且對大氣壓強測量也比較準確。濕敏元件具有快速喚醒與相應時間、并且精度高和寬溫度工作范圍；氣壓敏感元件是一個壓阻式底噪高精度高分辨率絕對大氣壓力感應元件；溫度感測元件具有底噪高分辨率特性，溫度值可以對濕度和氣壓進行溫度補償自校正。BME280溫濕度傳感器電路圖如圖8所示。如圖8所示，CSB為片選引腳，當接高電平時為I2C通信接口，當接低電平時為SPI通信接口。并且BMP280溫濕度傳感器的測量誤差小，精度高，在溫室內使用BMP280更有利于精確測量室內溫濕度及大氣壓強。室外溫濕度和大氣壓強通過氣象臺來測量，氣象臺用來測量近地面空氣溫度的主要是裝有水銀或酒精的玻璃管溫度表。

圖8 GY-BME280溫濕度傳感器電路圖

4.3 顯示及報警設備

圖9 蜂鳴器電路圖

溫室內的溫度濕度通過溫濕度傳感器采集的信息和室外的溫濕度及大氣壓強通過氣象臺搜集到的信息通過RS485串口通信傳遞到網關內，并且存儲。室內溫濕度及室外溫濕度等信息通過LCD12864點陣屏顯示時間、溫度、濕度、大氣壓強等信息。當室內或者室外某一因素超過設定范圍時，AD-22SM蜂鳴器會持續發生聲音并且警示燈會不停閃爍，直到室內的溫濕度上升或者降低到允許范圍之內蜂鳴器的聲音漸漸變弱。蜂鳴器電路圖如圖9所示。

5 測控系統的驗證與結果分析

為了驗證改進的BP神經網絡PID控制器系統對蔬菜生長過程最適溫濕度的控制效果，科研小組在導師的帶領下到達山東省壽光市進行溫室蔬菜生長過程溫濕度控制實驗。該實驗選取的溫室觀察對象為番茄，該溫室一共包含6個區域，每個區域安裝上4個溫濕傳感器，且具有側窗、內外遮陽網、環流風機、高壓水泵等多個執行設備，溫室外面安裝一個包含溫度、濕度、光照強度、風速風向、降水量5種傳感器組成的氣象站，用于感知室外環境因素的變化數據信息，并在每個區域安裝兩個LCD12864點陣屏和4個蜂鳴器，同時安裝上攝像頭觀察每段時間間隔內各因素變化情況。本次實驗的時間是在2018年12月5日，本次實驗研究對象是番茄作為測試對象，在同一溫室內分別使用改進的BP神經網絡PID控制器系統和傳統的BP神經網絡控制系統測試溫室內的溫濕度。

根據多方面調查與訪問，番茄正處于蓮座期最適于番茄生長的溫度范圍在23℃～27℃，最適于番茄快速成長的濕度范圍在60%～80%，故系統溫度設定值為25℃，濕度設定值為70%，將設計的設定值輸入到系統中，開啟系統自動控制模式，測試時間段是8：00～20：00，每間隔一小時計入測得數據繪制成折線圖如圖10。

圖10 溫室內溫度濕度變化曲線圖

結果分析：圖10所示變化的曲線圖我們可以看出在冬季傳統的BP神經網絡PID控制器控制的溫度范圍在18.2℃～26.3℃，濕度變化范圍在70.2%～95.3%；而改進后的BP神經網路PID控制器控制的溫度范圍在22.5℃～26.1℃，濕度變化范圍在72.5%～86.5%。由數據可以看出兩種控制器控制系統均能將溫室溫濕度控制在番茄快速生長的范圍內，但改進后的BP神經網絡PID控制器控制的效果要比傳統的BP神經網絡控制器控制效果更加準確接近番茄快速生長的標準值。

6 結語

設計改進后的BP神經網絡PID控制器的溫室控制系統，通過對溫室的蔬菜溫度濕度的研究，利用GA-PSO-BP算法對PID控制的初始權值參數進行合理有序最佳的調整，提高了系統對溫度濕度準確的控制，提高了系統控制的準確性和動態性能，實現了對溫室蔬菜溫度濕度自動調控效果。實驗證明，系統穩定性和動態性能越高，系統的相應速度越快，魯棒性越強，可靠性越高［15］。