田小青，朱學(xué)軍

（寧夏大學(xué)機(jī)械工程學(xué)院，寧夏 銀川 750021）

基于BP神經(jīng)網(wǎng)絡(luò)建立杏鮑菇生長(zhǎng)的CO2濃度預(yù)測(cè)模型及其調(diào)控策略*

田小青，朱學(xué)軍**

（寧夏大學(xué)機(jī)械工程學(xué)院，寧夏 銀川 750021）

鑒于杏鮑菇工廠化栽培過(guò)程中開(kāi)關(guān)調(diào)控滯后的現(xiàn)狀，在溫濕、光照參數(shù)適宜的情況下，以歷史CO2濃度和相對(duì)生長(zhǎng)時(shí)間為輸入?yún)?shù)，建立基于BP神經(jīng)網(wǎng)絡(luò)的群落式杏鮑菇生長(zhǎng)階段CO2預(yù)測(cè)模型，并基于該預(yù)測(cè)模型提出不同生長(zhǎng)階段CO2濃度調(diào)控策略。仿真結(jié)果顯示，當(dāng)杏鮑菇處于原基生長(zhǎng)階段時(shí)，在CO2為1 964.3 mg·m－3時(shí)密封計(jì)時(shí)58 min后通風(fēng)6 min；當(dāng)子實(shí)體處于生長(zhǎng)階段時(shí)，在CO2為4 910.7 mg·m－3時(shí)密封計(jì)時(shí)36 min后通風(fēng)3.8 min；當(dāng)子實(shí)體成熟時(shí)，在CO2為6 875 mg·m－3時(shí)密封計(jì)時(shí)70 min后通風(fēng)7.5 min。模型訓(xùn)練集和測(cè)試集的相關(guān)系數(shù)達(dá)到0.98，預(yù)測(cè)精度較高。

杏鮑菇；工廠化栽培；二氧化碳濃度模型；BP預(yù)測(cè)調(diào)控

杏鮑菇（Pleurotus eryngii），又名刺芹側(cè)耳，是一種品質(zhì)優(yōu)良的大型肉質(zhì)傘菌，其生長(zhǎng)過(guò)程具有高度的復(fù)雜性和不確定性。杏鮑菇生長(zhǎng)過(guò)程中，自身呼吸釋放CO2，導(dǎo)致其周圍CO2濃度呈梯度分布[1]，對(duì)子實(shí)體形態(tài)的影響較大。傳統(tǒng)溫室環(huán)境因子CO2的調(diào)控以開(kāi)關(guān)定時(shí)調(diào)控為主。張榮標(biāo)[2]曾應(yīng)用信息融合提出一種以利潤(rùn)最大化為目標(biāo)的溫室CO2調(diào)控量決策方法，周慶珍[3]提出光溫耦合溫室CO2調(diào)控設(shè)計(jì)，羅家兵[4]提出農(nóng)業(yè)溫室二氧化碳模糊控制系統(tǒng)算法，張漫等[5]提出BP神經(jīng)網(wǎng)絡(luò)算法的溫室番茄CO2增施策略優(yōu)化。本文以溫室群落式栽培的杏鮑菇為試驗(yàn)對(duì)象，在允許的溫濕度條件下，用無(wú)線數(shù)據(jù)采集系統(tǒng)采集杏鮑菇溫室CO2濃度數(shù)據(jù)，建立不同生長(zhǎng)階段的基于BP神經(jīng)網(wǎng)絡(luò)的CO2預(yù)測(cè)模型，并基于該預(yù)測(cè)模型提出CO2調(diào)控策略。

1 數(shù)據(jù)分析與處理

試驗(yàn)利用無(wú)線數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)監(jiān)測(cè)秋季8月、9月、10月三個(gè)月溫室環(huán)境因子，包括空氣溫濕度、光照強(qiáng)度和CO2濃度。棚內(nèi)數(shù)據(jù)采集現(xiàn)場(chǎng)如圖1所示。

圖1 秋季杏鮑菇工廠化栽培棚內(nèi)數(shù)據(jù)采集現(xiàn)場(chǎng)Fig.1 Data collection site of Pleurotus eryngii in the fall

針對(duì)杏鮑菇生長(zhǎng)時(shí)期不同的呼吸速率及對(duì)杏鮑菇形態(tài)、產(chǎn)量的要求，把杏鮑菇生育期詳細(xì)劃分為原基形成期、子實(shí)體生長(zhǎng)期和成熟期。基于CO2濃度與杏鮑菇農(nóng)藝學(xué)各性狀之間的回歸模型[6－7]，杏鮑菇原基形成前期較適宜的生長(zhǎng)環(huán)境CO2濃度為1 964.3 mg·m－3～2 946.4 mg·m－3，一般為2 d～3 d；原基形成后期較適宜生長(zhǎng)環(huán)境的CO2濃度為4 910.7 mg·m－3～6 875 mg·m－3，一般為2 d；杏鮑菇子實(shí)體舒蕾前最適宜的生長(zhǎng)環(huán)境CO2濃度為3 928.6 mg·m－3～6 875 mg·m－3，一般為3 d～4 d；子實(shí)體舒蕾后最適宜生長(zhǎng)環(huán)CO2境濃度為6 875 mg·m－3以上，培養(yǎng)時(shí)間為3 d。在監(jiān)測(cè)期間，棚內(nèi)每3小時(shí)通風(fēng)1次，一天通風(fēng)8次，每次通風(fēng)10 min～15 min。根據(jù)秋季監(jiān)測(cè)到的棚內(nèi)數(shù)據(jù)，處理流程如圖2。

圖2 原始數(shù)據(jù)處理流程圖Fig.2 Program flow chart of raw data processing

BP預(yù)測(cè)CO2濃度模型的建立采用BP神經(jīng)網(wǎng)絡(luò)建模方法。BP（back propagation） 神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成，可實(shí)現(xiàn)從輸入到輸出的非線性映射功能，以通過(guò)學(xué)習(xí)自動(dòng)提取合理的求解規(guī)則，從而具有一定的推廣和概括能力[8]。神經(jīng)網(wǎng)絡(luò)上一層各神經(jīng)元通過(guò)傳遞函數(shù)實(shí)現(xiàn)對(duì)下一層各神經(jīng)元的全連接，同層神經(jīng)元之間無(wú)關(guān)聯(lián)[2]。本實(shí)驗(yàn)采用3層（輸入層、隱含層、輸出層）BP神經(jīng)網(wǎng)絡(luò)對(duì)杏鮑菇子實(shí)體生長(zhǎng)階段CO2濃度值與環(huán)境因子之間的關(guān)系進(jìn)行模擬預(yù)測(cè)。其中BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入?yún)?shù)包括歷史CO2濃度初值和密封（通風(fēng)）時(shí)間，輸出參數(shù)為密封（通風(fēng)）后CO2濃度預(yù)測(cè)值。輸入層、輸出層神經(jīng)元激活函數(shù)采用Sigmoid函數(shù)與線性函數(shù)Pureline的不同組合形式，訓(xùn)練函數(shù)為trainrp。隱含層節(jié)點(diǎn)數(shù)計(jì)算經(jīng)驗(yàn)公式為：

其中nh為隱藏層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)。

對(duì)模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)主要包括相關(guān)系數(shù)R、平均相對(duì)誤差、平均絕對(duì)誤差和均方根誤差。

2 BP預(yù)測(cè)結(jié)果與分析

2.1 CO2濃度增長(zhǎng)預(yù)測(cè)模型的建立

以無(wú)線數(shù)據(jù)采集系統(tǒng)測(cè)得的8月、9月、10月杏鮑菇群落式種植大棚內(nèi)的環(huán)境信息（溫濕度、密封時(shí)間）作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，CO2濃度作為模型輸出參數(shù)。由測(cè)得的不同月份不同生長(zhǎng)階段的棚內(nèi)連續(xù)5 d密封時(shí)期的CO2變化數(shù)據(jù)進(jìn)行建模分析。

二是抓責(zé)任落實(shí)。進(jìn)一步培養(yǎng)立說(shuō)立行的工作能力、求真務(wù)實(shí)的工作精神，推行“周計(jì)劃、月計(jì)劃、年計(jì)劃”工作機(jī)制，工作點(diǎn)評(píng)制度，強(qiáng)化工作督辦，層層傳導(dǎo)責(zé)任，保證重點(diǎn)工作、節(jié)點(diǎn)工作扎實(shí)有效推進(jìn)。

預(yù)測(cè)模型樣本集是1 460組有效原始數(shù)據(jù)。為了提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，將原始樣本數(shù)據(jù)作適當(dāng)?shù)念A(yù)處理。首先，為消除輸入量量綱影響，采用Mapminmax函數(shù)將樣本輸入數(shù)據(jù)歸一化到 [0，1]。然后，為了提高網(wǎng)絡(luò)的推廣能力和識(shí)別能力，防止過(guò)擬合，訓(xùn)練中采用“提前停止”的方法，因此，在訓(xùn)練之前，將處理后的樣本數(shù)據(jù)劃分成訓(xùn)練樣本集、驗(yàn)證樣本集和測(cè)試樣本集。在CO2濃度增長(zhǎng)BP預(yù)測(cè)模型訓(xùn)練中，15%用于驗(yàn)證，15%用于測(cè)試，70%用于訓(xùn)練網(wǎng)絡(luò)。

選用3層BP網(wǎng)絡(luò)。其中，網(wǎng)絡(luò)輸入維數(shù)為2，輸出維數(shù)為1，輸出值即為預(yù)測(cè)設(shè)定密封時(shí)間后的CO2濃度值。網(wǎng)絡(luò)中間層神經(jīng)元數(shù)目預(yù)選為10和5，傳遞函數(shù)類型選為 tansig函數(shù)，訓(xùn)練函數(shù)設(shè)為trainlm。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 杏鮑菇子實(shí)體初期CO2濃度預(yù)測(cè)的BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 BPNN structure of CO2concentration in the early fruting

2.2 CO2濃度降低預(yù)測(cè)模型的建立

以無(wú)線數(shù)據(jù)采集系統(tǒng)測(cè)得的8月、9月、10月杏鮑菇群落式種植大棚內(nèi)的環(huán)境信息（溫濕度、通風(fēng)時(shí)間）作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，CO2濃度作為模型輸出參數(shù)。為消除輸入量量綱影響，采用Mapminmax函數(shù)將樣本輸入數(shù)據(jù)歸一化到 [0，1]。由測(cè)得的不同月份不同生長(zhǎng)階段的棚內(nèi)連續(xù)5 d通風(fēng)時(shí)期的CO2變化數(shù)據(jù)進(jìn)行分析。

2.3 BP預(yù)測(cè)模型的驗(yàn)證

以群落式杏鮑菇子實(shí)體生長(zhǎng)階段的CO2增長(zhǎng)預(yù)測(cè)模型為例，共1 267組數(shù)據(jù)。以其中的190組數(shù)據(jù)進(jìn)行模型測(cè)試，部分結(jié)果如表1所示。利用訓(xùn)練集及測(cè)試集數(shù)據(jù)對(duì)建立的模型能夠進(jìn)行預(yù)測(cè)，其預(yù)測(cè)精度如表2所示。

表1 測(cè)試集數(shù)據(jù)對(duì)BP預(yù)測(cè)模型的預(yù)測(cè)及誤差分析（部分）Tab.1 The simultaneous contrast of prediction and practical results

表2 BP預(yù)測(cè)模型效果評(píng)價(jià)指標(biāo)Tab.2 Model evaluation indices of BP prediction model

由表1可知，測(cè)試集數(shù)據(jù)的相對(duì)誤差和絕對(duì)誤差均滿足要求，預(yù)測(cè)效果良好，具有較高的預(yù)測(cè)精度。該模型對(duì)杏鮑菇子實(shí)體生長(zhǎng)階段的CO2濃度增長(zhǎng)預(yù)測(cè)調(diào)控提供了依據(jù)。

在simulink中搭建子實(shí)體CO2預(yù)測(cè)模型，見(jiàn)圖4。

圖4 杏鮑菇子實(shí)體CO2增長(zhǎng)預(yù)測(cè)模型Fig.4 The simulink model of CO2concentration growth prediction model in the fruting time

3 BP預(yù)測(cè)調(diào)控策略

3.1 子實(shí)體生長(zhǎng)初期CO2濃度調(diào)控策略

根據(jù)建立的子實(shí)體生長(zhǎng)時(shí)期的CO2濃度BP預(yù)測(cè)模型，分別設(shè)定不同的CO2濃度梯度值，比較預(yù)計(jì)密封時(shí)間和通風(fēng)時(shí)間，單控制周期內(nèi)仿真結(jié)果如圖5。

圖5 杏鮑菇子實(shí)體生長(zhǎng)初期培養(yǎng)循環(huán)控制策略仿真Fig.5 Simulation results of loop control strategy in the early fruiting time

設(shè)定14組不同CO2濃度梯度時(shí)的仿真預(yù)測(cè)數(shù)據(jù)如表3所示。

表3 杏鮑菇子實(shí)體生長(zhǎng)期不同CO2濃度梯度變化所需時(shí)間Tab.3 Prediction time needed to vary in different CO2concetraion ranges

從圖5和表3可以看出，在滿足子實(shí)體生長(zhǎng)期最適CO2濃度范圍，即設(shè)定CO2濃度最低4 714.3 mg·m-3、最高6 875 mg·m-3時(shí)，相鄰兩組的密封時(shí)間相差較大，通風(fēng)時(shí)間相差較小，但預(yù)測(cè)通風(fēng)后的CO2濃度相差較大。所以，考慮通風(fēng)滯后的影響，應(yīng)選擇較小的通風(fēng)時(shí)間。循環(huán)控制流程見(jiàn)圖6。

圖6 杏鮑菇子實(shí)體生長(zhǎng)初期CO2濃度循環(huán)控制策略Fig.6 Loop control strategy of CO2Pleurotus eryngii in the early fruiting time

從圖6可以看出，在子實(shí)體生長(zhǎng)階段，當(dāng)監(jiān)測(cè)到CO2濃度達(dá)到4 714.3 mg·m-3～4 910.7 mg·m-3時(shí)，啟動(dòng)循環(huán)控制模式；同時(shí)考慮通風(fēng)滯后的影響，即，密封培養(yǎng)2 160 s～2 460 s（約36 min～41 min）之后開(kāi)啟風(fēng)機(jī)通風(fēng)，通風(fēng)215.2 s（約3.8 min）CO2濃度達(dá)到4 714.3 mg·m-3～5 107.1 mg·m-3時(shí)再次密封培養(yǎng)。在通風(fēng)時(shí)，可實(shí)時(shí)監(jiān)測(cè)CO2濃度，提前終止通風(fēng)。當(dāng)子實(shí)體初期生長(zhǎng)結(jié)束后，進(jìn)入子實(shí)體成熟階段循環(huán)控制模式培養(yǎng)。

3.2 原基形成期及子實(shí)體成熟期CO2濃度循環(huán)控制策略

根據(jù)建立的原基形成初期的CO2濃度BP預(yù)測(cè)模型，分別設(shè)定不同的CO2濃度梯度值，比較預(yù)計(jì)密封時(shí)間和通風(fēng)時(shí)間，杏鮑菇原基形成時(shí)期單控制周期內(nèi)仿真結(jié)果如圖7所示。

圖7 杏鮑菇原基形成期CO2控制仿真結(jié)果Fig.7 Simulation results in primordium period using loop control strategy

考慮到通風(fēng)經(jīng)濟(jì)成本，將原基形成時(shí)期CO2濃度設(shè)定為1 964.3 mg·m-3～3 928.6 mg·m-3，當(dāng)監(jiān)測(cè)到CO2濃度達(dá)到1 866.1 mg·m-3～2 062.5 mg·m-3時(shí)，啟動(dòng)循環(huán)控制模式；同時(shí)考慮通風(fēng)滯后的影響，即，密封培養(yǎng)3 475 s（約58 min） 之后開(kāi)啟風(fēng)機(jī)通風(fēng)，通風(fēng)344 s（約6 min），CO2濃度達(dá)到1 866.1 mg·m-3～2 062.5 mg·m-3時(shí)再次密封培養(yǎng)。在通風(fēng)時(shí)，可實(shí)時(shí)監(jiān)測(cè)CO2濃度，提前終止通風(fēng)。

杏鮑菇工廠化栽培過(guò)程中，各個(gè)生長(zhǎng)時(shí)期的CO2濃度調(diào)控策略仿真結(jié)果如圖8所示。

圖8 杏鮑菇各培養(yǎng)時(shí)期CO2循環(huán)控制策略仿真Fig.8 Simulation results of CO2concentration in different growth stage

從圖8可以看出，在群落式杏鮑菇培養(yǎng)階段，子實(shí)體初期CO2呼吸速率最快，循環(huán)調(diào)控周期短；在子實(shí)體成熟時(shí)期，杏鮑菇呼吸速率最慢，調(diào)控周期最長(zhǎng)。

4 結(jié)論

以工廠化栽培的杏鮑菇秋季CO2數(shù)據(jù)為原始數(shù)據(jù)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)擬合杏鮑菇生長(zhǎng)各階段CO2濃度變化規(guī)律，以此提出各階段CO2調(diào)控策略。仿真結(jié)果顯示，當(dāng)杏鮑菇處于原基形成階段時(shí)，在CO2濃度為1 964.3 mg·m-3時(shí)密封計(jì)時(shí)58 min后通風(fēng)6 min；當(dāng)子實(shí)體處于生長(zhǎng)階段時(shí)，在CO2濃度為4 910.7 mg·m-3時(shí)密封計(jì)時(shí)36 min后通風(fēng)3.8 min；當(dāng)子實(shí)體成熟時(shí)，在CO2濃度為6 875 mg·m-3時(shí)密封計(jì)時(shí)70 min后通風(fēng)7.5 min。該策略為工廠化栽培棚內(nèi)CO2的有效調(diào)控提供了依據(jù)。

[1]陳博，歐陽(yáng)竹.基于BP神經(jīng)網(wǎng)絡(luò)的冬小麥耗水預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（4）：81-86.

[2]張榮標(biāo)，項(xiàng)美晶，李萍萍，等.基于信息融合的溫室CO2調(diào)控量決策方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（6）：175-178.

[3]周慶珍.基于光溫耦合的溫室二氧化碳調(diào)控系統(tǒng)設(shè)計(jì)[D].楊陵：西北農(nóng)林科技大學(xué)，2014.

[4]羅家兵，張恒.農(nóng)業(yè)溫室二氧化碳模糊控制系統(tǒng)算法[J].廣東農(nóng)業(yè)科學(xué)，2009（5）：221-223.

[5]張漫，李婷，季宇寒，等.BP神經(jīng)網(wǎng)絡(luò)算法的溫室番茄CO2增施策略優(yōu)化[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（8）：239-245.

[6]趙晨晨，謝翠芳，朱學(xué)軍.杏鮑菇子實(shí)體生長(zhǎng)時(shí)期的CO2濃度實(shí)境影響模型研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2015，7（36）：83-87.

[7]謝翠芳.杏鮑菇子實(shí)體生長(zhǎng)期二氧化碳濃度模型及調(diào)控策略的研究[D].銀川：寧夏大學(xué)，2014.

[8]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2009.

[9]單慧勇，趙輝，楊延榮，等.基于PLC的日光溫室二氧化碳?xì)夥收{(diào)控系統(tǒng)設(shè)計(jì)[J].江蘇農(nóng)業(yè)科學(xué)，2015，43（8）：388-390.

Loop Control Stategies of CO2Concentration Based on BPNN for Pleurotus eryngii in a Factory Farm

TIAN Xiao-qing,ZHU Xue-jun
(College of Mechanical Engineering,Ningxia University,Yinchuan 750021,China)

Given the status quo that the lag of switch control in the factory process of cultivation of Pleurotus eryngii,according to the experimental CO2data of P.eryngii under appropriate temperature,humidity and light setting environment in the fall,BP neural network was used to create latest CO2concentration prediction model with initial CO2concentration and the relative growth time as the input.In terms of the above model,a control strategy of CO2in greenhouse control system was put forward. The simulation results show that:when the concentration of CO2is 1 964.3 mg·m－3,it should be seal up rooms for 58 minutes and turn on external ventilation for 8 min in the period of anlage growth;when the concentration of CO2is 4 910.7 mg·m－3,it should be seal up rooms for 36 minutes and turn on external ventilation for 3.8 minutes in the early fruiting body;when the concentration of CO2is 6 875 mg·m－3,it should be seal up rooms for 70 minutes and turn on external ventilation for 7.5 minutes in the mature period of fruiting body.The prediction model created by training group and testing group was accurate both with correlation coefficient of 0.98.Therefore,the prediction model had high accuracy and certain universality.

Pleurotus eryngii;industrial cultivation;carbon dioxide concentration model;BP prediction control

S646.9

A

1003-8310（2016）02-0046-05

10.13629/j.cnki.53－1054.2016.02.012

國(guó)家自然科學(xué)基金（61263007）。

田小青（1991－），女，在讀碩士研究生，研究方向?yàn)闄C(jī)電系統(tǒng)智能控制。E－mail:1449079326@qq.com

**通信作者：朱學(xué)軍（1970－），男，碩士，教授，主要從事機(jī)電系統(tǒng)智能控制研究。E－mail:zxjnxu@sohu.com

2016－01－10