智能溫控箱的優化設計

新疆大學信息科學與工程學院 韓樂凡 侯鑫睿 張壯壯 劉 艷

在現有PID算法的基礎上，具現化分析當前箱體的環境，通過與現行PID算法的目標溫度控制時長和非線性動態整定幅度做對比分析，構建了非線性動態整定問題的BP-PID算法模型。采用一種特定參數調整方法，并融入“互聯網+”技術，實現了對智能溫控箱的優化設計。使其具有快速響應、高穩定性、遠程監控、報警等特性。本設計基于物聯網構架，實現了溫控箱的溫度實時采集上傳、APP端遠程下發指令、云平臺實時監控等功能，根據BP神經網絡的非線性迫近能力以及自主學習能力與傳統PID結合，實現對溫控箱控制過程的優化設計。實驗表明：智能溫控箱的遠程控制特性以及快速響應、高穩定性的特性，使其具有更廣的應用前景。

智能溫控箱的應用不僅僅局限于工農業生產領域。實際生活中，藥品、疫苗等特殊物品都需要特定的儲藏環境需求，以保證其在一定時間范圍內的品質和效果。同時突破溫控箱地域空間的局限性，融入“互聯網+”技術實施遠程控制，使溫控箱的應用在時間和空間層面都得到有效拓展。

基于實驗中使用的溫控箱無法滿足遠程操控的缺點以及常規的PID算法不能滿足復雜環境變化的需求，對現有溫控箱進行了智能優化設計。使其既能夠實現遠程溫度控制，也能夠通過BP神經網絡與傳統PID相結合，達到溫度控制響應速度快、穩定性強、收斂時間少的控制效果。對于溫控箱智能化應用場景的拓展和推廣，具有非常好的意義。

1 智能溫控箱的設計

智能溫控箱的功能設計主要完成：①用戶端根據需求進行遠程溫度設置，溫控箱根據實際溫度快速準確的完成升溫或降溫操作；②根據溫度預設值、箱體周圍環境的變化做自適應溫度調整；③存儲和顯示一定時間內的溫度變化曲線，進行溫度變化趨勢預測。

1.1 智能溫控箱的架構

智能溫控箱的架構如圖1所示，以STM32為核心處理硬件，通過該硬件采集箱體內的溫度，借助中國移動OneNet云平臺實現數據的轉發和存儲，客戶端或者APP端實現對溫控箱的遠程控制，進行升溫或者降溫處理達到預設溫度；同時通過WiFi模塊的透傳方式將采集獲得的數據以及箱體內的變化結果上傳至云服務器端，實現客戶端的可視化功能。

圖1 智能溫控箱的架構圖

1.2 智能溫控箱的工作流程

智能溫控箱的工作流程如圖2所示，主要涉及到單片機控制模塊、網絡傳輸模塊以及數據處理模塊。協同完成箱體的溫度控制和數據的上傳、下達和處理功能。

圖2 工作流程設計圖

1.3 溫度控制模塊設計

智能溫控箱的溫度控制模塊包括算法和硬件控制兩部分。溫度控制算法采用BP神經網絡與傳統PID算法相結合，以控制變量BP-KP,BP-KI,BP-KD為調節參數，以溫度收斂時長為被控對象，結合硬件控制部分實現溫度控制模塊的設計，如圖3所示。

智能溫控箱的控制系統接收溫度傳感器的信號經過模/數轉換，與遠程網絡下發的設定值進行偏差比對分析，利用神經網絡算法的趨勢學習特性，調整各參數的權值為最優解，實時在線自整定PID控制器的三個參數，并下達指令至STM32，最終通過PWM調整加熱絲或冷凝器的功率，控制箱體的溫度實時變化，達到智能溫控箱性能優化的設計目標。

圖3 溫度控制模塊

2 智能溫控箱的性能優化

2.1 控制算法的優化

智能溫控箱的溫度控制算法采用三層神經網絡結構，其中包含一個隱含層完成從輸入到輸出的任意線性和非線性函數的逼近、擬合指標，其結構如圖4所示。

圖4 BP神經網絡結構圖

通過該三層神經網絡結構，實現傳統PID算法的控制參數的自調整以及尋求到最優解，通過BP神經網絡與傳統PID算法相結合，達成了溫控箱的溫度控制響應速度快，穩定性強，收斂時間少的目標。

2.1.1 控制算法模型

基于溫控箱的實際應用場景以及能量守恒定律，確定了智能溫控算法模型。單位時間內，溫控箱的箱體內具有所有能量的變化量等于箱體內流入能量和流出能量的差，通過推演得出該箱體的數學模型表達式：

等式左邊是單位時間的能量變化量，等式右邊為單位時間的能量流入流出的差值。該表達式各參數如表1所示。

表1 參數及其含義

傳遞函數為：

其中，K為實驗箱的比例系數，T為時間常數。

則得到本系統的傳遞函數為：

采用z變換將系統離散化，離散化后的狀態方程為：

2.1.2 控制算法流程

將BP神經網絡與傳統PID相結合，進行溫度控制算法流程如下：

（1）確定BP神經網絡結構以及確定各層節點、數目等參數；

（2）通過采樣，獲得rin(k)、yout(k)，并計算出該時刻的誤差：

（3）計算各層神經元的輸入、輸出，其輸出層的輸出即為PID控制器的kp、ki、kd；

（4）計算控制器的輸出u(k)；

（6）置k=k+1，返回到步驟1。

2.2 基于“互聯網+”特性的優化

優化后的智能溫控箱融合了“互聯網+”特性。遠程功能設計采用WiFi模塊的透傳方式和AP的結合，使得溫控系統穩定接入網絡，通過HTTP等協議實現了數據的上傳和下載、平臺和客戶端的交互以及可視化數據的展示。

3 仿真測試

3.1 BP-PID算法優化性能測試

測試主要針對BP神經網絡整定的PID智能溫控算法與常規PID溫控算法進行了MATLAB仿真實驗。根據實驗需求構建了如圖5所示的simulink模型，將上述控制算法模型作為傳遞函數運用于simulink模型中。該算法的加權系數的各個初始值取隨機數[0,1]，慣性系數設定α=0.05，學習速率設定η=0.2。

圖5 Simulink模型構建

接入階躍信號后得到圖6所示仿真效果：

圖6 接入階躍信號的測試結果

從圖6中可以看出經過優化后的算法，其收斂時間更少，控制過程曲線更加平滑。性能指標比較如表2所示。

表2 性能指標的比較

對比不同算法的抗干擾特性，在本系統的150-200的采樣時刻，加入幅值為0.2的干擾，在此干擾情況下，仿真結果如圖7所示。

圖7 干擾幅值為0.2的測試結果

從圖7中可以看出經過優化后的算法，其控制過程表現出抑制能力增強、恢復速度加快的特點。

3.2 “互聯網+”優化性能測試

基于“互聯網+”的優化性能測試，采用實物搭建完成相應的功能。根據用戶需求遠程設置溫度值，達到溫度實時調整的效果，溫度的遠程控制效果如圖8所示。

圖8 云端溫度數據展示圖

通過該圖，可以非常清晰的看出，隨著用戶在云端設置不同的目標溫度，溫控箱的箱體溫度實現了溫度下調、持續保持、溫度上調的變化過程。可利用存儲的批量數據進行溫度變化的趨勢預測。

結論：本設計基于物聯網構架，在對現有PID算法的研究基礎上，具現化分析當前箱體的環境，實驗表明：通過與傳統PID算法控制的時長和動態整定幅度做對比分析，融合了非線性動態整定的BP-PID算法模型，采用特定參數調整的思想，結合“互聯網+”特性，實現了對智能溫控箱的優化設計，使之具有控制響應速度快、穩定性強、收斂時間少的特點以及云平臺實時監控、數據可視化展示、趨勢預測等功能。

與當前流行的機器學習相比，改進后的BP-PID算法更符合實驗箱體的小復雜度環境。在相同的精度要求下，BP網絡的結構更簡單、訓練速度快、隱層神經元數更少、運算量小、更容易加載在實驗箱體的嵌入式環境。隨著5G技術的普及，經過優化設計智能溫控箱將具有更廣泛的應用領域。