溫室溫度控制系統神經網絡PID控制算法研究

薄永軍

摘要 在以優質、高效、高產為目的的現代化農業發展新階段，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，由于其非線性、強耦合、純滯后、大慣性的自身特性，傳統PID控制已難以滿足高品質溫室控制系統的需求。由于BP神經網絡具有強大的學習能力及非線性映射性，將BP神經網絡控制引入常規PID控制中，采用BP神經網絡PID控制方案，設計溫室溫度的自動控制系統并進行仿真驗證。仿真結果表明，相比于傳統的PID控制系統，所設計的基于BP神經網絡PID控制系統具有更強的自適應能力與穩健性，控制品質具有明顯優勢。

關鍵詞 溫室自動化；神經網絡PID控制；穩健性

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

在傳統農業向現代化農業轉型的今天，以溫室大棚等自動化技術為代表的設施農業作為農業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。溫室環境的實時監測與調控是溫室自動控制系統的關鍵，而實現溫室自動控制的基礎就是溫室環境系統動態模型的建立。在溫室數學模型建立的基礎上，傳統溫室系統溫度、濕度控制大多采用常規PID控制，控制方法簡便且易于實現。但由于溫室環境系統具有強非線性、多變量、強耦合以及抗干擾能力較差的特性[1]，且所處的環境存在大量不確定因素，難以建立其精確的數學模型，因此傳統的PID控制方式已難以滿足高品質溫室控制系統需求。

為提高溫室自動控制中的穩健性，避免傳統PID控制方法的不足，引入神經網絡BP設計具有自適應能力的智能PID控制系統是一種有效的解決方法。在建立溫室環境下

小氣候數學模型的基礎上，采用PID控制與神經網絡BP算

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

1 溫室環境小氣候建模分析與研究

1.1 溫室環境影響因子分析

溫室環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濃度和營養液，其中溫度是環境控制中最為重要的控制指標。

溫室控制系統由氣候控制系統和灌溉控制系統兩部分組成。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；而對于營養灌溉液的控制稱為灌溉控制。

溫室的氣候控制系統結構如圖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PID控制出現了較大的振蕩，且持續時間較長；而BP神經網絡PID控制系統的波動明顯比常規PID控制要小得多，且很快回復到穩定狀態。因此，在存在外界干擾或內部參數攝動的情況下，BP神經網絡PID控制系統具有更強的魯棒性。

4 結論

針對溫室控制系統非線性、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的設計中。首先，通過對溫室環境小氣候數學模型的建立，以及環境因子的分析，得出溫室溫度的動態模型；其次，利用BP網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神經網絡與常規PID控制相結合的設計方案，設計了溫室溫度基于BP神經網絡的PID控制器并進行仿真驗證。仿真結果表明，相比常規PID控制，根據BP神經網絡PID控制所設計的控制系統具有更好的動態性能，且具有更強的魯棒性。

參考文獻

[1] 屈毅，寧鐸.溫室溫度控制系統的神經網絡PID控制[J].農業工程學報，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.基于模糊神經網絡的溫室控制系統[J].農機化研究，2009（10）：187-189.