薄永軍

摘要 在以優(yōu)質、高效、高產(chǎn)為目的的現(xiàn)代化農業(yè)發(fā)展新階段，溫室自動化技術的研究受到廣泛重視。對于溫室自動控制系統(tǒng)，由于其非線性、強耦合、純滯后、大慣性的自身特性，傳統(tǒng)PID控制已難以滿足高品質溫室控制系統(tǒng)的需求。由于BP神經(jīng)網(wǎng)絡具有強大的學習能力及非線性映射性，將BP神經(jīng)網(wǎng)絡控制引入常規(guī)PID控制中，采用BP神經(jīng)網(wǎng)絡PID控制方案，設計溫室溫度的自動控制系統(tǒng)并進行仿真驗證。仿真結果表明，相比于傳統(tǒng)的PID控制系統(tǒng)，所設計的基于BP神經(jīng)網(wǎng)絡PID控制系統(tǒng)具有更強的自適應能力與穩(wěn)健性，控制品質具有明顯優(yōu)勢。

關鍵詞 溫室自動化；神經(jīng)網(wǎng)絡PID控制；穩(wěn)健性

中圖分類號 S126 文獻標識碼 A 文章編號 0517-6611（2014）13-04102-03

Abstract The automation technology has been widely used in greenhouse for the purpose of new stage of modern agricultural development is highquality， efficiency and high yield. For greenhouse automatic control system， due to its nonlinear， strong coupling， large inertia， pure lag， traditional PID control is difficult to meet the high quality of greenhouse control system requirements. This paper introduced the BP neural network control into conventional PID control， for BP neural network has strong ability of learning and nonlinear mapping， designing greenhouse temperature automatic control system and simulation， use the BP neural network PID control scheme. The simulation results show that， compared to the traditional PID control system， the design of PID control system based on BP neural network has better adaptive ability and robustness， control quality has obvious advantages.

Key words Greenhouse automation； Neural network PID control； Robustness

在傳統(tǒng)農業(yè)向現(xiàn)代化農業(yè)轉型的今天，以溫室大棚等自動化技術為代表的設施農業(yè)作為農業(yè)科技研究中的重要領域之一，受到了國內外學者的廣泛關注。溫室環(huán)境的實時監(jiān)測與調控是溫室自動控制系統(tǒng)的關鍵，而實現(xiàn)溫室自動控制的基礎就是溫室環(huán)境系統(tǒng)動態(tài)模型的建立。在溫室數(shù)學模型建立的基礎上，傳統(tǒng)溫室系統(tǒng)溫度、濕度控制大多采用常規(guī)PID控制，控制方法簡便且易于實現(xiàn)。但由于溫室環(huán)境系統(tǒng)具有強非線性、多變量、強耦合以及抗干擾能力較差的特性[1]，且所處的環(huán)境存在大量不確定因素，難以建立其精確的數(shù)學模型，因此傳統(tǒng)的PID控制方式已難以滿足高品質溫室控制系統(tǒng)需求。

為提高溫室自動控制中的穩(wěn)健性，避免傳統(tǒng)PID控制方法的不足，引入神經(jīng)網(wǎng)絡BP設計具有自適應能力的智能PID控制系統(tǒng)是一種有效的解決方法。在建立溫室環(huán)境下

小氣候數(shù)學模型的基礎上，采用PID控制與神經(jīng)網(wǎng)絡BP算

法相結合的控制方案，以溫室系統(tǒng)中最重要影響因子溫度為被控對象，設計其控制系統(tǒng)，利用數(shù)值仿真，與傳統(tǒng)PID控制方法進行比較，驗證了該研究提出的BP神經(jīng)網(wǎng)絡PID在溫室控制中的有效性和穩(wěn)健性。

1 溫室環(huán)境小氣候建模分析與研究

1.1 溫室環(huán)境影響因子分析

溫室環(huán)境因子是指植物生長過程中的關鍵因素，包括溫度、濕度、光照、CO2濃度和營養(yǎng)液，其中溫度是環(huán)境控制中最為重要的控制指標。

溫室控制系統(tǒng)由氣候控制系統(tǒng)和灌溉控制系統(tǒng)兩部分組成。氣候控制主要以溫室內太陽輻射、溫濕度因子、CO2濃度等為對象進行控制；而對于營養(yǎng)灌溉液的控制稱為灌溉控制。

溫室的氣候控制系統(tǒng)結構如圖1所示。圖中干擾包括光照、外界溫度、外界CO2濃度、外界相對濕度等；控制器輸入分別為光照誤差、溫濕度誤差、CO2濃度誤差。

由仿真試驗可知，在施加外界干擾的情況下，常規(guī)PID控制出現(xiàn)了較大的振蕩，且持續(xù)時間較長；而BP神經(jīng)網(wǎng)絡PID控制系統(tǒng)的波動明顯比常規(guī)PID控制要小得多，且很快回復到穩(wěn)定狀態(tài)。因此，在存在外界干擾或內部參數(shù)攝動的情況下，BP神經(jīng)網(wǎng)絡PID控制系統(tǒng)具有更強的魯棒性。

4 結論

針對溫室控制系統(tǒng)非線性、大延遲、大慣性等自身特性，該研究將智能算法引入溫室控制系統(tǒng)的設計中。首先，通過對溫室環(huán)境小氣候數(shù)學模型的建立，以及環(huán)境因子的分析，得出溫室溫度的動態(tài)模型；其次，利用BP網(wǎng)絡自身超強的學習能力和非線性模型任意逼近的特性，采用BP神經(jīng)網(wǎng)絡與常規(guī)PID控制相結合的設計方案，設計了溫室溫度基于BP神經(jīng)網(wǎng)絡的PID控制器并進行仿真驗證。仿真結果表明，相比常規(guī)PID控制，根據(jù)BP神經(jīng)網(wǎng)絡PID控制所設計的控制系統(tǒng)具有更好的動態(tài)性能，且具有更強的魯棒性。

參考文獻

[1] 屈毅，寧鐸.溫室溫度控制系統(tǒng)的神經(jīng)網(wǎng)絡PID控制[J].農業(yè)工程學報，2011，27（2）：307-311.

[2] BERNIER H，COTTINET M L.A Lowcost realtime multitasking computerized controller for farm buildings[J].ASEA，2013，87：45-51.

[3] 李強.大滯后溫度系統(tǒng)的控制方法研究[D].重慶：西南交通大學，2009.

[4] 高遲，呂元峰.基于模糊神經(jīng)網(wǎng)絡的溫室控制系統(tǒng)[J].農機化研究，2009（10）：187-189.