呂慧敏 ,崔世鋼 ,吳興利 ,張永立 ,何 林
(1.天津職業(yè)技術師范大學自動化與電氣工程學院,天津 300222;2.天津職業(yè)技術師范大學天津市信息傳感與智能控制重點實驗室,天津 300222)
光是影響植物生長和發(fā)育的重要環(huán)境因子[1],藻類植物的光合作用需要光照,同時光可以調控藻類的生長發(fā)育、形態(tài)的形成和物質代謝。目前在植物工廠中人工培養(yǎng)藻類大多采用熒光燈作為光源,但由于傳統(tǒng)光源存在的不足,近年來已逐步被LED光源取代。LED光源具備發(fā)熱量小、使用壽命長、光譜性能好、便于控制等優(yōu)點,但同時也存在著光照不均勻的問題。在LED光源的照射下,不同位置的藻類植物接受到的光照強度不同,從而導致藻類的生長情況和品質有所差異。許多學者已經對此類問題進行了研究:如Moreno等[2]首次利用解析的方法對最佳LED陣列結構進行研究;Chen等[3]提出兩階段式LED透鏡設計優(yōu)化系統(tǒng),該系統(tǒng)采用帶有質量預測器的遺傳算法找出最優(yōu)設計參數(shù)組合;李征明等[4]采用點光源模型,改進紅、藍光LED組合陣列,提高了照射面內R/B比的均勻化程度;朱舟等[5]應用粒子群算法確定了LED植物光源的最優(yōu)光照區(qū)域,并且能夠實現(xiàn)自動尋優(yōu)功能。但對LED照度均勻性的優(yōu)化效果仍需提高,需要找到更佳的方法來解決目前LED植物光源所存在的問題。本文根據(jù)LED藻類植物光源的照度特性,利用不同的優(yōu)化算法對矩形LED陣列和三角形LED陣列的照度均勻性進行優(yōu)化研究。
單個LED芯片發(fā)出的光滿足朗伯分布,即光強與視角的關系為[6]:
式中:I0為LED軸線方向的發(fā)光強度;θ為視角;m為LED光源的朗伯輻射指數(shù),該指數(shù)是由LED芯片的生產工藝決定的,可由式(2)計算得到:
式中:θ1/2是發(fā)光強度為I0/2時所對應的視角大小。
LED照明示意圖如圖1所示。
圖1 LED照明示意圖
平面P與平面Q大小相等且平行放置,垂直距離為h。平面P為光源面,共放置N顆LED燈珠。平面Q為目標面,代表植物所在的平面,即需要檢測照度均勻性的平面。假設平面P上有一點A(m0,n0,h),目標面上有一點B(x0,y0,0),點A在點B產生的光照強度為:
則光源面上N顆LED燈珠在點B產生的光照強度為:
目標面的平均光照強度及光照強度標準差為:
根據(jù)LED光照強度的分布特性,構造評價函數(shù)f用于評價目標面照度的均勻程度,令f=σ/Eˉ。由評價函數(shù)f可知,評價函數(shù)f的值越小,目標面上的照度越強且分布越均勻,這就將求均勻度問題轉換為求評價函數(shù)最小值的問題。
將2個高斯分布的能量相互疊加,當兩峰值間的距離超過某一臨界值時中心處將出現(xiàn)波谷,意味著能量分布開始不均勻[7],此臨界值稱為斯派羅極值σL,可表示為:
由于單個LED光源的照度分布近似高斯分布,為得到照度均勻性較高的LED陣列排布方式,可以運用斯派羅法則,計算出斯派羅極值,從而選擇最優(yōu)的LED陣列距離。
粒子群算法是模仿鳥類的覓食行為,從隨機解出發(fā),通過迭代尋找最優(yōu)解,通過適應度來評價解的品質,具有較好的健壯性和收斂性[8]。利用粒子群算法對LED陣列優(yōu)化的步驟如下[9]:
(1)種群中各粒子速度和位置的初始化;
(2)根據(jù)LED的照度特性,計算各粒子的適應度,并求解個體最優(yōu)值與全局最優(yōu)值;
(3)更新粒子的速度和位置,更新后粒子的速度vi,j(t+1)和位置xi,j(t+1)為:
式中:w為慣性權重系數(shù);c1和c2為學習因子;r1為0~1 之間的隨機數(shù);pi=[pi,1,pi,2,…,pi,d]為局部領域中的最佳位置[10];
(4)計算更新后各粒子的適應度,并與之前最好位置的適應度進行比較,如果更新后的適應度較小,則將其作為個體歷史最優(yōu)值,并將當前位置作為個體歷史最優(yōu)位置;
(5)將每個粒子的個體歷史最優(yōu)值與全體歷史最優(yōu)值進行比較,如果某個粒子最優(yōu)值較好,則將其作為全局最優(yōu)值;
(6)直到當滿足結束條件時,將最優(yōu)結果輸出,即可得到最優(yōu)LED陣列坐標值;否則,循環(huán)執(zhí)行對各粒子的更新和比較。
模擬退火粒子群算法的核心是把模擬退火機制引入基本粒子群優(yōu)化算法中,采用雜交粒子群優(yōu)化算法中的雜交運算和帶高斯變異的粒子群優(yōu)化算法中的變異運算,進一步調整優(yōu)化群體。
利用模擬退火粒子群算法對LED植物光源的布局進行優(yōu)化,首先需要對給定粒子的速度和位置進行初始化設置,計算出粒子群中每個粒子的目標函數(shù)值,然后更新粒子的個體最優(yōu)值和全局最優(yōu)值,對粒子的個體最優(yōu)值進行SA領域搜索,并更新個體最優(yōu)值,最后更新粒子群的全局最優(yōu)值,判斷全局最優(yōu)值是否滿足算法的終止條件。若滿足則輸出最優(yōu)解,得到LED植物光源的最優(yōu)排列方式;若不滿足則繼續(xù)執(zhí)行對粒子的個體最優(yōu)值SA領域搜索等步驟。模擬退火粒子群算法的總體流程如圖2所示。
本研究針對矩形LED陣列和三角形LED陣列的布局進行優(yōu)化研究。光源面與目標面之間的距離為20 cm,使用100個LED光源,視角為0時的發(fā)光強度為25 cd,并假設m=81。根據(jù)LED光源的相關參數(shù),分別采用斯派羅法則、粒子群算法、模擬退火粒子群算法計算不同形狀陣列的最優(yōu)坐標。
圖2 模擬退火粒子群算法的總體流程
設計10×10均勻分布的矩形LED陣列如圖3所示。相鄰2個LED之間的距離d相等且未知。根據(jù)各LED的坐標值,建立對應的評價函數(shù),利用斯派羅法則可求得斯派羅極值d=3.40 cm,從而求得矩形LED陣列各個光源的坐標位置。為驗證使用斯派羅法則計算后產生的光照強度是否均勻,可通過光學仿真軟件Tracepro進行仿真,得到斯派羅法則仿真結果如圖4所示。
利用粒子群算法和模擬退火粒子群算法對設計的矩形LED陣列進行尋優(yōu),得到LED間最優(yōu)的距離分別為4.74 cm和2.29 cm。粒子群算法仿真結果如圖5所示,模擬退火粒子群算法仿真結果如圖6所示。
圖3 矩形LED陣列
圖4 斯派羅法則仿真結果
圖5 粒子群算法仿真結果
圖6 模擬退火粒子群算法仿真結果
3組仿真后獲得的光照度數(shù)據(jù)顯示,目標面的最大光照度分別為 1 364 240 lx、696 141 lx和 2 928 830 lx,平均光照度分別1097210lx、583446lx和2 283 010 lx。由此可見,LED間的距離影響著目標面照度的強弱與分布,距離越近的LED陣列其目標面上的照度越強,采用模擬退火粒子群算法優(yōu)化后的照度最強。之后,利用Matlab對以上3組數(shù)據(jù)進行處理,可得到矩形LED陣列的照度均勻度分別為80.4%、83.8%和77.9%,使用粒子群算法對LED陣列優(yōu)化的均勻度較高,相對其他算法均勻度可提高3.4%~5.9%。
設計一個由100個LED構成的三角形LED陣列如圖7所示,每2個相鄰LED間的距離d相等且未知。分別利用斯派羅法則、粒子群算法和模擬退火算法進行優(yōu)化,可求優(yōu)化后的距離d為1.74 cm、3.05 cm和2.27 cm,利用光學仿真軟件Tracepro仿真后可得到斯派羅法則仿真結果如圖8所示,粒子群算法仿真結果如圖9所示,模擬退火粒子群算法仿真結果如圖10所示。3種方法仿真結果顯示,目標面上的最大光照度分別為 5 678 450 lx、1 877 900 lx和 3 475 210 lx,目標面平均光照度分別為4 239 550 lx、1 888 150 lx和2 685 310 lx。同矩形LED陣列一致,LED間距離越小,其目標面的光照度越強。
圖7 三角形LED陣列
圖8 斯派羅法則仿真結果
圖9 粒子群算法仿真結果
圖10 模擬退火粒子群算法仿真結果
對仿真后獲得的光照度數(shù)據(jù)進行處理,可得到三角形LED陣列的照度均勻度分別為74.7%、83.3%和77.3%,這一結果表明粒子群算法對三角形LED陣列優(yōu)化后的均勻度較高,可提高6.0%~8.6%。
本文針對LED藻類植物光源的照度均勻性進行了研究,分析了LED光源的照度特性,利用斯派羅法則、粒子群算法和模擬退火粒子群算法分別對矩形LED陣列和三角形LED陣列的布局方式進行了優(yōu)化,并對優(yōu)化后的LED陣列進行了仿真實驗,實驗結果表明:LED間的距離越近其光照度越強,相對于采用斯派羅法則和模擬退火粒子群算法的優(yōu)化結果而言,使用粒子群算法對矩形和三角形LED陣列進行優(yōu)化,其照度均勻性均可達到83%以上,且比其他2種算法優(yōu)化后的均勻性至少提高3%。因此,在滿足藻類對光照需求的前提下,利用粒子群算法優(yōu)化可提高LED藻類植物光源的照度均勻性,可解決目前LED藻類植物光源照度不均勻問題,從而提高了藻類植物生產的品質。