蔣 鼎 國

(淮陰工學院 科技處,江蘇 淮安 223003)

?

基于改進型BP神經網絡PID控制器的溫室溫度控制技術

蔣 鼎 國

(淮陰工學院 科技處,江蘇 淮安 223003)

針對溫室溫度控制系統(tǒng)所存在的大慣性、非線性等問題，提出一種基于改進型BP神經網絡PID控制器(BP-PSO-PID)的溫室溫度控制技術。該控制器由經典PID控制器及神經網絡構成，通過神經網絡的自學習、加權系數的調整，使系統(tǒng)輸出最優(yōu)控制下的PID控制器參數Ki，Kp，Kd，并利用粒子群算法作為其中神經網絡的學習算法，實現了對神經網絡的改進，有效克服了傳統(tǒng)BP算法的收斂速度慢、存在局部極小值等問題。仿真實驗表明：相對常規(guī)PID以及BP-PID，該BP-PSO-PID控制器大大改善控制過程的響應速度、調節(jié)時間、超調量、誤差等性能，且在加入干擾的情況下，該控制器的調節(jié)時間最短，波動最小，表現出更強的抗擾能力及適應性，從而大大提高溫度控制過程的穩(wěn)定性、精確性與魯棒性。

溫室； 溫度控制； 比例積分微分控制方法； 誤差逆?zhèn)鞑ド窠浘W絡； 粒子群算法

0 引 言

目前，國內外對于溫室溫度的控制一直都是一個難題，已有的控制系統(tǒng)大多只能對溫室環(huán)境的部分因子進行控制，甚至有些仍需要手工操作加以輔助[1-2]，自動化與智能化程度較差。其主要原因是溫室系統(tǒng)是一個復雜的大系統(tǒng)，無論其外部環(huán)境或室內農作物均具有很大的不確定性，各種參數(如溫濕度、光照度、CO2濃度等)均存在很強的耦合性，是一種集大慣性、非線性、強干擾的復雜系統(tǒng)[3]，對于該系統(tǒng)，利用傳統(tǒng)控制方法很難實現最佳控制，特別當傳統(tǒng)控制器的控制對象參數發(fā)生變化或受非線性因素影響而發(fā)生變化時，傳統(tǒng)控制器PID參數不能隨之而變化，因此，無法滿足高精度，高性能的要求。如果采取神經網絡的PID控制，則不需要建立對象的數學模型，并且能夠很好地克服系統(tǒng)參數變化和非線性等不確定因素的影響，具有較強的魯棒性[4]。

與傳統(tǒng)控制器相比[5-6]，神經網絡控制器的設計與被控對象的數學模型無關，這是神經控制器的最大優(yōu)點，也是神經網絡控制在自動控制中立足的根本原因。但是，神經網絡控制也存在缺點，主要在于神經網絡需要在線或離線學習，其學習時間冗長，參數選擇沒有具體公式參考，訓練過程在很大程度上依賴訓練樣本的準確性，而訓練樣本的選取帶有人為因素，其中，因為傳統(tǒng)BP神經網絡利用誤差反向傳播算法完成訓練和學習過程而導致訓練和學習時間長、收斂速度慢等問題尤為嚴重[7]，從而制約了該技術在控制系統(tǒng)中的廣泛運用。因此，本文對BP神經網絡進行改進，即將改進BP神經網絡和傳統(tǒng)PID控制技術相結合，提出了一種集傳統(tǒng)PID以及具有強非線性映射能力和學習能力的基于粒子群及神經網絡的智能控制方法，實驗表明基于該控制方法的控制器可以更好地控制溫室環(huán)境溫度，從而大幅度提高農作物的產量。

1 溫室控制模型

選用溫室小氣候溫度動態(tài)模型[8]，如下式所示：

(1)

式中：Tout(t)、Tin(t)分別為室內外溫度；V為溫室體積；ρ為空氣密度；cρ為溫室內氣體定容比熱；k為太陽輻射能被溫室空氣吸收的傳熱系數；hc為溫室覆蓋層與溫室內氣體對流熱交換系數；Ac為溫室覆蓋層面積；λE為作物蒸發(fā)潛能速率；Vin為溫室的通風率；Qrad為投在溫室覆蓋層的太陽輻射；Qheat為加熱器的加熱功率。

參考江蘇淮安溫室2012年連續(xù)1個月的觀測數據，并對式(1)分析證明可得，被控溫室系統(tǒng)近似為有擾動情況下的一階慣性加時滯環(huán)節(jié)，其傳遞函數，

(2)

式中：K為靜態(tài)增益；T為時間常數；τ為純滯后時間。

2 BP-PSO-PID控制器結構

由于傳統(tǒng)PID的控制參數難以選擇[9]，使其很難適應對復雜系統(tǒng)的控制，而神經網絡憑借其具有的非線性特性，可實現自適應控制等優(yōu)勢被引入控制領域中，但其實際控制效果并不理想，文獻[10]中對此進行研究并發(fā)現其主要原因為：① 神經網絡的仿真訓練時間長，不能滿足快速性要求；② 連接權重隨機初始化，影響控制結果，有時導致系統(tǒng)不穩(wěn)定。文獻[11]中提出類似結構的學習算法采用傳統(tǒng)BP算法——梯度下降法，但事實上，BP算法全局搜索能力弱，易陷入局部最優(yōu)，這也是導致其無法實現理想控制的主要原因?；谝陨显?，本文采取神經網絡的PID控制，在學習算法選擇方面，文中選擇粒子群算法(PSO)作為控制器的訓練算法，從而建立BP-PSO-PID控制器。實驗仿真證明，該控制器的對溫室溫度的控制效果良好。其具體控制結構如圖1所示。

圖1 BP-PSO-PID控制器結構

控制器由兩部分組成，一是經典PID控制器，即利用輸入rin與輸出yout的誤差e、誤差變化值de/dt以及由神經網絡在線調整的Ki,Kp,Kd參數，由控制算法得到調節(jié)器輸出u(k)，再根據控制對象傳遞函數得到系統(tǒng)輸出yout，從而實現直接對被控對象的閉環(huán)控制；二是神經網絡部分，即根據系統(tǒng)運行狀態(tài)以及某種性能指標的最優(yōu)化，通過神經網絡的自學習、加權系數的調整，使其輸出對應于某種最優(yōu)控制下的PID控制器參數Ki，Kp，Kd。

經典PID控制器部分采用了經典增量式數字PID控制算法[12]：

(3)

3 粒子群優(yōu)化算法

粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)[13]初始化為一群隨機粒子，通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤2個極值來更新自己，一是粒子本身到當前時刻找到的最好解，這個解稱為個體最好值；二是整個種群到當前時刻找到的最好解，這個值是全局最好值，每個粒子通過上述的2個極值不斷更新自己，從而產生新一代的群體。

在一個M維的目標搜索空間中，有一個由N個粒子所組成的種群，其中第i個粒子表示為一個M維向量xi=(xi1,xi2,…,xiM),i=1,2,…,N，xi通過目標函數f(x)就可以計算出其對應的適應度值f(xi) ，并根據f(xi)的大小來衡量xi的優(yōu)劣。其飛行速度也是一個M維的向量，記為vi=(vi1,vi2,…,viM)。記錄第i個粒子目前搜索到的最佳位置，即粒子的歷史最優(yōu)解為pIi=(pIi1,pIi2,…,pIiM)，整個粒子群搜索到的最佳位置即全局最優(yōu)解為pg=(pg1,pg2,…,pgM)。

Kennedy等最早提出的原始PSO算法采用下式[14]來更新粒子狀態(tài)：

(4)

式中:i=1,2,…,N;m=1,2,…,M;vim(k)表示第i個粒子在k次迭代中的第m維的速度;xim(k)表示第i個粒子在k次迭代中的第m維的當前的位置;c1,c2為加速系數，是非負常數，該系數的合適選擇可以提高算法速度,避免局部極小;r1,r2是介于[0，1]之間的隨機數;vim∈[-vmax,+vmax]，即速度被限制在最小和最大值-vmax，+vmax之間。這里的速度的最大和最小值不可太大和太小，如果太大粒子就會飛離最好解;如果太小，又可能陷入到局部最優(yōu)，通常設置vmax=kxmax,0.1≤k≤1.0。問題迭代的終止條件是由具體的問題來決定的，一般選最大迭代次數到或粒子群搜索到的最佳位置適應度值小于預先設定的最小適應閾值的方法[15]。

整個算法由3部分組成：① 粒子的當前速度，表明粒子當前狀態(tài)，用于平衡全局和局部搜索能力；② 認知部分，表示粒子的自身思考，使粒子有足夠強的全局搜索能力，從而避免局部極??；③ 社會部分，體現了粒子間的信息共享。以上3部分共同決定粒子的空間搜索能力，在其共同作用下，粒子才能有效到達最優(yōu)位置。在粒子尋優(yōu)的每一次的循環(huán)過程里，都要計算各粒子的適應度函數值，并通過該值來決定如何更新該粒子飛行期間的最優(yōu)適應度、全局最優(yōu)適應度及該粒子的新位置及全局最優(yōu)位置。

4 BP-PSO-PID控制器的完整控制過程

BP-PSO神經網絡的具體結構如圖2所示，其中，輸入層有3個神經元，輸入信號分別為系統(tǒng)輸入rin，輸出yout，輸入輸出間誤差e；隱層有4個神經元，輸出層有3個神經元，均采用sigmoid函數，其輸出分別對應參數Ki,Kp,Kd。

圖2 BP-PSO神經網絡

在網絡調整過程中，由粒子群算法對神經網絡權值wi、wo進行更新，其完整控制過程如下：

(1) 初始化神經網絡輸入及輸出層權值wo，wi，網絡各節(jié)點個數Nin=3，Nyin=4，Nout=3，初始化控制器輸出值為0，初始化粒子群算法的參數，如迭代次數K1、粒子數m、速度及位置等；

(2) 根據控制對象的傳遞函數關系，由當前輸入值rin(k)計算輸出值yout(k)，同時計算誤差函數e(k)=rin(k)-yout(k)，從而得到神經網絡的輸入信號：

(3) 將輸入信號xi送給PSO-B-BP的輸入層，通過Oin=xiwi計算輸入層神經元的輸出Oin；

(4) 對輸入層神經元的Oin進行規(guī)一化預處理，將所得到的Iyin送入到隱層進行計算；其中，Oyin(i)為隱層神經元輸出，i=0-Nyin，與Iyin(i)之間滿足sigmoid函數關系；

(5) 將Oyin(i)送入輸出層，輸出層采用了sigmoid函數，其具體算法為：

其中：i為1-Nout，Oout(i)即為Ki,Kp,Kd；

(6) 根據式(3)及BP-PSO神經網絡輸出的Ki,Kp,Kd計算PID控制器輸出u(k)，并根據實際情況對其限幅；

(7)m個粒子開始尋優(yōu)，訓練用粒子的飛行位置及速度向量都設計成兩維，其中，行為各個待學習參數wo、wi列為訓練用飛行的粒子，并定義粒子尋優(yōu)誤差函數為

(8) 根據式(4)的粒子群算法的位置和速度公式更新每一個粒子的當前速度和位置；

(9) 計算評價每個粒子適應度，更新個體極值pbwo，pbwi和全局的極值gbwo，gbwi；

(10)K=K+1，誤差不滿足且K

(11) 將wi、wo的全局最優(yōu)值gbwo，gbwi再送給BP-PSO輸入層，按照(3)～(5)步來計算最優(yōu)Oout(i)，即為PSO-B-BP輸出的最優(yōu)Ki,Kp,Kd；

(12) 重復步驟(6)，得最優(yōu)輸出u(k)，根據控制對象傳遞函數關系，計算最優(yōu)控制輸出值yout(k)。

5 仿真實驗與結果分析

實驗中，分別對傳統(tǒng)PID控制器、BP-PID控制器(采用傳統(tǒng)BP神經網絡及PID結構)、BP-PSO-PID控制器(采用BP-PSO神經網絡及PID結構)的控制效果進行Matlab仿真。設置溫室系統(tǒng)參數為：K=1；T=500；τ=2 000，控制器輸出初始值u(k)=0；加速系數c1=c2=2.05；慣性因子ω=0.9；粒子數m=10；迭代次數k1=10；輸入信號采樣數為600，且在仿真實驗計算PID控制器輸出u(k)后，根據被控對象實際情況對

其限幅為u(k)=[-10，+10]，另外，由于神經網絡初始權值對控制效果影響很大，故各算法權值初始化值有所不同，其中，BP-PSO-PID算法的初始化權值為:

wi=[0.993 6 0.600 5 0.460 9 0.630 1

-0.708 4 -0.575 9 0.841 0 -0.044 9

-0.845 1 -0.101 7 -0.830 1 -0.158 7

0.857 9 -0.908 7 0.393 1 0.491 8]

wo=[0.106 8 -0.328 5 -0.286 7 0.124 9

-0.416 0 0.360 4 -0.003 4 0.233 2

0.715 9 -0.893 1 -0.131 1 -0.773 3]

各算法的階躍響應曲線如圖3所示。

為了更好地說明問題，文中又將輸入信號疊加一個小的正弦擾動信號，以考察其抗干擾能力，其仿真結果如圖4所示。

圖3 各控制器的階躍響應曲線

比較圖3中各算法的跟蹤、誤差及參數曲線可知，BP-PSO-PID控制器控制效果最好，可快速找到控制器參數的全局最優(yōu)值。但在初始階段，由于BP-PSO神經網絡改進的特點，即在其訓練期間，采用了PSO算法對權值進行優(yōu)化，而在初始階段，PSO進行的是初始化粒子調整，而控制系統(tǒng)還未工作，故粒子的初始化依據并不明了，因此，粒子尋優(yōu)的難度較大，故控制曲線出現震蕩。但當粒子獲知系統(tǒng)函數以及尋優(yōu)誤差函數等知識后，即可快速找到整體的優(yōu)化趨勢，故控制效果迅速好轉，從而使該控制器所基于的神經網絡具有更好的聯想能力和全局搜索能力。整個控制過程的響應速度、調節(jié)時間、超調量、誤差等性能都可以大大提高，除此以外，圖3所示的傳統(tǒng)PID控制的上升時間也較快，其階躍響應比較平穩(wěn)，但BP-PID算法的超調量較大，其控制效果最差，這主要是由于BP算法易于陷入局部最優(yōu)解，從而使基于該算法的PID控制過程劣化。

觀察圖4，在加入干擾，即控制對象參數變化的情況下，傳統(tǒng)PID控制效果明顯變差，而基于BP神經網絡的PID控制效果也并不突出，只有BP-PSO-PID算法的調節(jié)時間最短，波動最小，抗擾能力最強，因此，在控制對象結構或參數變化的情況下，BP-PSO-PID控制器可以表現出更強的適應性，在傳統(tǒng)PID控制和BP神經網絡控制無法更好地控制復雜系統(tǒng)及干擾的情況下，BP-PSO-PID可以將兩種方法進行有效結合，從而得到更佳的控制效果。

圖4 各控制器的疊加擾動信號后的響應曲線

6 結 語

本文利用BP神經網絡及粒子群算法建立了BP-PSO-PID控制器。該控制器采用粒子群算法作為BP神經網絡的學習算法，該算法可以有效克服標準BP算法一般所存在的收斂速度慢、存在局部極小值等問題，為BP-PID控制器的參數自適應調整提供更好的保證，進而可以實現對PID 控制器的參數Kp、Ki、Kd在線實時尋優(yōu)，且在加入干擾的情況下，該控制器表現出更強的抗擾能力及適應性，保證了該溫度控制系統(tǒng)有效跟蹤系統(tǒng)模型并達到較高的辨識精度。仿真實驗表明，BP-PSO-PID控制器可以有效提高溫度控制過程的穩(wěn)定性、精確性與魯棒性。該控制器彌補了常規(guī)PID控制在溫室溫度控制中的參數整定難以完成及控制效果不理想的不足，并可以推廣到實際溫室溫度、濕度、光照等環(huán)境參數應用中，從而促進精準農業(yè)技術中的作物生長環(huán)境最佳狀態(tài)控制方法的發(fā)展。

[1] 洪運國.基于粒子群優(yōu)化PIDNN的溫室溫濕度解耦控制仿真[J].制造業(yè)自動化,2013,35(2):124-126.

[2] 左志宇,毛罕平,張曉東.基于時序分析法的溫室溫度預測模型[J].農業(yè)機械學報,2010,41(11):173-182.

[3] 宮赤坤,毛罕平.溫室溫濕度遺傳模糊神經網絡控制仿真研究[J].江蘇理工大學學報(自然科學版),2000,21(6):35-37.

[4] 涂川川,朱鳳武,李 鐵.BP神經網絡PID控制器在溫室溫度控制中的研究[J].中國農機化,2012(2):151-154.

[5] 舒懷林.基于PID神經網絡的非線性時變系統(tǒng)辨識[J].自動化學報,2002,28(3): 474-476.

[6] 彭 燕.基于BP神經網絡的PID控制在溫室控制系統(tǒng)中的應用[J].農機化研究,2011(6):163-167.

[7] 張學燕,高培金,劉 勇.BP神經網絡PID控制器在工業(yè)控制系統(tǒng)中的研究與仿真[J].自動化技術與應用,2010, 29(5): 9-12.

[8] 屈 毅,寧 鐸,賴展翅.溫室溫度控制系統(tǒng)的神經網絡PID控制[J].農業(yè)工程學報,2011,27(2):307-311.

[9] 付麗輝,尹文慶.基于新型神經網絡PID控制器的溫室溫度控制技術[J].計算機測量與控制,2012,20(9):2423-2428.

[10] FARDADI M,SELK GHAFARI A,HANNANI S K.PID neural network control of SUT building energy management system[C]//Proceedings of the 2005 IEEE/ASME International Conference on Advanced Intelligent Mechatronics.New York:IEEE Press,2005: 682-686.

[11] SHU H L,SHU H.Simulation study of PID neural network temperature control system in plastic injecting-moulding machine[C] //Proceedings of the 6th International Conference on Machine Learning and Cybernetics.New York: IEEE Press,2007:492-497.

[12] 高昆侖,梁 宵,王杰.改進的神經網絡PID火電廠主汽溫控制研究[J].熱能動力工程,2012,06:709-714.

[13] 張鼎逆,劉 毅.基于混合粒子群法的RLV上升段軌跡優(yōu)化[J].江蘇大學學報(自然科學版),2013,34(1):54-59.

[14] 胡成玉,姚 宏,顏雪松.基于多粒子群協(xié)同的動態(tài)多目標優(yōu)化算法及應用[J].計算機研究與發(fā)展,2013,50(6):1313-1323.

[15] Saad M, Muhaureq S A. Joint Routing and Radio Resource Management in Multihop Cellular Networks Using Particle Swarm Optimization[C] //National Radio Science Conference (NRSC 2008),2008.

The Temperature Control of Greenhouse Based on Novel PID Controller

JIANGDing-guo

(Department of Science and Technology, Huaiyin Institute of Technology, Huai’an 223003, China)

In view of the problems of nonlinear and large inertia existed in the temperature control system of greenhouse, the BP-PSO-PID controller based on improved BP neural networks is proposed for the greenhouse’ temperature control. The controller is composed by classic PID controller and Neural Networ. Through the self-learning of neural network and the adjustment of weighting coefficients, the system outputs the optimal PID parametersKi，Kp，Kd, and the improved neural network is realized by using particle swarm algorithm. The learning algorithm can overcome effectively the shortcoming of standard BP algorithm, such as slowly convergence and easily immerging in partial minimum, and can provide better assurance for the parameters’ adaptive adjustment of the BP-PID. The simulation experiment indicates the performances such as response speed, adjust time, overshoot, error have been greatly improved by the BP-PSO-PID controller compared with the conventional PID and BP-PID.a The controller also exhibits the stronger anti-disturbance ability and adaptability in the presence of interference. It can shorten regulation time and reduce the fluctuation. The controller can greatly improve the stability, accuracy, obustness in the temperature control of greenhouse.

greenhouse; temperature control; PID control; back propagation neural networks(BPNN); particle swarm optimization

2014-04-03

國家科技部“863”專項資助項目(2007AA10Z241);國家自然科學基金項目(30971689)

蔣鼎國(1963-)，男，江蘇淮安人，教授，現主要從事自動檢測及智能儀器研究。Tel.:13952345733；E-mail:hyitjdg@163.com

TP 183

A

1006-7167(2015)01-0009-05