基于神經網絡PID的溫濕度控制系統設計?

李 鋒 張桂堂 梁 輝

（青島科技大學機電工程學院 青島 266061）

1 引言

隨著生活水平的提高，越來越多的人已經不滿足于當季蔬菜的食用，他們更希望可以吃到一些新鮮的反季節蔬菜，這不禁要依靠于室內溫濕度控制技術的發展。以往的室內測溫技術采用分布式多點測溫，需要在室內各處安裝測溫裝置，安裝過程復雜，并且該電路傳遞的是模擬信號，成本較高且傳遞過程中可能出現信號干擾等情況。本設計采用一種數字化單總線測溫技術，該技術可以很好地解決以往設計中的問題。本次設計采用單片機系統作為基礎，STM32F407ZGT6作為該系統的控制核心，STM32類屬于ARM系列單片機，相較于C51系列單片機，其交互界面更友好，處理速度更快，運算能力更強［6～10］。此外，該系統還可以實時監測室內的溫濕度，并通過AM2305數字傳感器將測得的溫濕度信號，轉化為電流信號，再轉化為電壓信號，最后經過單片機的處理，由LCD1602顯示元件將其顯示。并且還輔之以BT神經網絡PID算法，該算法可以將單片機系統進行調節和優化，使得該系統更加智能化、精細化，從而更好地保證作物的生長和便于科研人員的管理。

2 系統的工作原理設計

本系統以一臺主控計算機作為上位機，以多臺STM32單片機作為下位機組合成一個多分布式的分布系統。該系統工作原理：給上位機輸入一個編寫好的程序，上位機經過一系列的運算處理，給下位機發送啟動命令。下位機接收到命令后，一方面控制其下屬的DS18B20溫度傳感器［2］和AM2305數字溫濕度傳感器進行溫度與濕度的實時檢測；另一方面將采集到的溫濕度信號轉化為電壓信號，上傳給上位機進行顯示，儲存，以及與程序給定的標準數據相對比。如果溫度和濕度與給定的標準值偏差過大，則由上位機傳遞信號給下位機控制報警系統進行報警提示，當溫度過高且濕度過低時，由室內的噴灑裝置進行加濕降溫，反之則進行升溫操作，從而可以實時控制室內的溫濕度。此外，通過BT神經網絡PID算法對下位機進行優化調節，使得室內溫濕度始終處于最佳狀態，系統硬件電路原理如圖1所示。

3 系統硬件電路

3.1 溫濕度檢測電路

該系統采用DS18B20智能溫度傳感器來對室內的溫度進行實時的檢測，采用AM2305數字溫濕度傳感器對室內的濕度進行檢測。DS18B20的特點在于其采用特殊的單總線設計思路［2］，既可以與串行口線連接，也可與I/O口線連接，使用更加方便。此外，其溫度變化區間為-55℃～+125℃，完全滿足室內的溫度變化。而AM2305數字傳感器的特點在于測量更加精確［4］，結構比較簡單，便于安裝。單總線測溫結構如圖2，DS18B20的結構原理如圖3，AM2305電路控制如圖4。

圖2 單總線測溫系統結構圖

圖3 DS18B20結構原理圖

圖4 AM2305電路控制圖

3.2 聲光報警系統

當室內溫度高于系統設定的上限值，或者濕度低于系統設定的下限值時，觸發聲光報警裝置，此時報警系統會發出響聲和亮光，并由單片機控制室內的噴灑裝置進行降溫加濕，直到溫濕度都回歸到系統設定的合理區間內，再由單片機控制噴灑裝置關閉。相反，當室內溫度低于系統設定的下限值，或者濕度高于系統設定的上限值時，也會觸發聲光報警裝置，此時報警系統也會發出響聲和亮光，并由單片機控制室內的空調機進行升溫操作，直至溫濕度回歸到系統設定的合理區間內，再由單片機控制空調機關閉，聲光報警電路如圖5所示。

圖5 聲光報警電路控制圖

4 BP神經網絡PID算法的運用

通過對傳統的PID算法進行研究［3］，了解到其中存在著很大的不足，主要體現在其算法的單一性和不靈活性。傳統的PID算法主要依靠比例（KP），積分（KI），微分（KD）這三個參數進行算法的整合，但是針對溫室系統這種既要求控制溫度，又要控制濕度的多變量程序，就很好地暴露出了它的不靈活性。因此，本次設計采用更加靈活的BP神經網絡PID算法，該算法具有很好的自學能力，并且可以進行任意的非線性運算，可以在眾多的組合結果中，找到最優解，然后將得到的結果參數kp，ki，kd傳遞給PID算法，這樣就可以靈活的控制室內的溫濕度變化，并且隨著其不斷地算法訓練，其結果會越來越精確。BP神經網絡PID控制器結構原理如圖6所示，三層BP網絡結構原理如圖7所示。

圖6 BP神經網絡PID控制器結構原理圖

圖7 三層BP網絡結構圖

PID增量式控制算法公式：

公式中變量分別為比例（KP），積分（KI），微分（KD），PID的輸出變量（uk），升溫裝置的加權位移值（y(k)），系統溫度的標準值（r(k)），k時的系統位移標準值與加權位移值的偏差（e(k)）。

三層BP網絡結構輸入層輸入公式［10～16］：

三層BP網絡結構隱含層各點的輸入和輸出公式：

公式中各變量含義：隱含層中的加權系數值（）；需要輸入的神經元節點個數為4；i表示隱含層神經元節點的次序；公式中右上角的數字標號（1），（2），（3）分別表示三層BP網絡結構中的輸入層、隱含層和輸出層；隱含層輸入函數（），隱含層輸出函數（）。

隱含層的正負對稱Sigmoid函數為激活函數：

神經網絡的輸出層的輸入、輸出各為

公式中各變量含義：輸出層的加權系數值為（）；神經元輸出函數（）；輸出層數（l）；神經元節點次序數（I）。

輸出層神經元非負Sigmoid函數為活化函數［6～10］：

性能指標函數：

公式中各變量含義：算法設定的標準值（rp），實際檢測值（yp）。

BP神經網絡結構的權限值采用梯度法來調節，從當前點出發，取函數在該點處下降速度最快的方向（加權系數的減小方向）進行搜索，此外，給該函數一個慣性變量使搜索速度加快，進而推出以下公式：

公式中各變量含義：學習速率（η），平滑因子（α）。

由式（14）及PID增量式控制算法公式可得：

綜上可得，輸出層的加權系數學習算法為

隱含層的加權系數學習算法：

BP神經網絡PID算法的步驟總結。

1）明確BP神經網絡的結構原理，將三層網絡結構的各加權系數值，控制變量以及輸入變量的誤差都初始化，將控制器輸出均初始化為零［5］。

2）用下位機處理檢測到的溫濕度數據，從而得到rp(k)和yp(k)，再由BP神經網絡算法計算出其所需的E(k)。

3）以三層網絡結構的各加權系數值為基礎，推算出各層結構的輸入與輸出值，再由BP神經網絡算法計算出PID算法所需的三個基本參數值：比例（KP），積分（KI），微分（KD），最后由PID增量式控制算法公式得出最后的控制變量值。

4）由于輸出層跟隱含層的學習算法具自主學習，自動調節的功能。因此，該算法的加入就很好的改善了傳統PID算法運算性能單一，算法不靈活的缺點，使得控溫濕能力顯著提高。

5）重復以上步驟。

5 實驗分析

為了檢驗BP神經網絡PID算法的調節能力，現以一個種植有黃瓜的溫室為例進行測試。測試的時間選在黃瓜的坐果期，該溫室的面積為60m×20m，選擇該時期的主要原因在于，這一時期的黃瓜對于室內的溫濕度變化比較敏感，所以要保證室內的溫濕度變化在一個合理的范圍內，否則就會影響作物的產量，這就可以很好地測試本系統的有效性。由已有的實驗數據可知，該時期的溫濕度要求為白天的溫度范圍為26℃～29℃，夜間的溫度范圍為12℃～16℃，空氣內的水分含有率保持在45%～55%［1］?，F將該區域劃分為三小塊，每塊區域的面積為20m×20m，每塊區域內都放置有相同的溫濕度傳感器，并由相同算法控制。一切準備就緒后，分別測試了白天（8：00～18：00）以及晚上（20：00～5：00）的溫濕度變化情況。測試結果如表1，表2。由表可知，運用BP神經網絡算法后，棚內溫濕度可以控制在合理的范圍內，滿足預期的要求。

表1 棚內黃瓜坐果期溫濕度測試結果（8：00～18：00）

區域編號 棚內濕度 棚內最大 棚內最小 有無報警均值/%RH濕度/%RH濕度/%RH 150.2652.5448.56無250.6852.6348.23無350.9852.8948.68無

表2 棚內黃瓜坐果期溫濕度測試結果（20：00～5：00）

6 結語

本設計在傳統室內溫濕度控制的基礎上，增加了以STM32F407ZGT6為控制核心的單片機系統和BP神經網絡PID算法，在很大程度上改善了室內的溫濕度控制。并且由于BP神經網絡PID算法具有自適應學習能力、抗干擾能力以及任意非線性運算能力，所以可以很好地優化系統的功能，使得下位機的溫濕度控制能力更加完善，科研人員的管理更加方便，在農業生產方面具有很大的應用前景。