基于神经网络PID的温湿度控制系统设计∗

李 锋 张桂堂 梁 辉

（青岛科技大学机电工程学院 青岛 266061）

1 引言

随着生活水平的提高，越来越多的人已经不满足于当季蔬菜的食用，他们更希望可以吃到一些新鲜的反季节蔬菜，这不禁要依靠于室内温湿度控制技术的发展。以往的室内测温技术采用分布式多点测温，需要在室内各处安装测温装置，安装过程复杂，并且该电路传递的是模拟信号，成本较高且传递过程中可能出现信号干扰等情况。本设计采用一种数字化单总线测温技术，该技术可以很好地解决以往设计中的问题。本次设计采用单片机系统作为基础，STM32F407ZGT6作为该系统的控制核心，STM32类属于ARM系列单片机，相较于C51系列单片机，其交互界面更友好，处理速度更快，运算能力更强［6～10］。此外，该系统还可以实时监测室内的温湿度，并通过AM2305数字传感器将测得的温湿度信号，转化为电流信号，再转化为电压信号，最后经过单片机的处理，由LCD1602显示元件将其显示。并且还辅之以BT神经网络PID算法，该算法可以将单片机系统进行调节和优化，使得该系统更加智能化、精细化，从而更好地保证作物的生长和便于科研人员的管理。

2 系统的工作原理设计

本系统以一台主控计算机作为上位机，以多台STM32单片机作为下位机组合成一个多分布式的分布系统。该系统工作原理：给上位机输入一个编写好的程序，上位机经过一系列的运算处理，给下位机发送启动命令。下位机接收到命令后，一方面控制其下属的DS18B20温度传感器［2］和AM2305数字温湿度传感器进行温度与湿度的实时检测；另一方面将采集到的温湿度信号转化为电压信号，上传给上位机进行显示，储存，以及与程序给定的标准数据相对比。如果温度和湿度与给定的标准值偏差过大，则由上位机传递信号给下位机控制报警系统进行报警提示，当温度过高且湿度过低时，由室内的喷洒装置进行加湿降温，反之则进行升温操作，从而可以实时控制室内的温湿度。此外，通过BT神经网络PID算法对下位机进行优化调节，使得室内温湿度始终处于最佳状态，系统硬件电路原理如图1所示。

3 系统硬件电路

3.1 温湿度检测电路

该系统采用DS18B20智能温度传感器来对室内的温度进行实时的检测，采用AM2305数字温湿度传感器对室内的湿度进行检测。DS18B20的特点在于其采用特殊的单总线设计思路［2］，既可以与串行口线连接，也可与I/O口线连接，使用更加方便。此外，其温度变化区间为-55℃～+125℃，完全满足室内的温度变化。而AM2305数字传感器的特点在于测量更加精确［4］，结构比较简单，便于安装。单总线测温结构如图2，DS18B20的结构原理如图3，AM2305电路控制如图4。

图2 单总线测温系统结构图

图3 DS18B20结构原理图

图4 AM2305电路控制图

3.2 声光报警系统

当室内温度高于系统设定的上限值，或者湿度低于系统设定的下限值时，触发声光报警装置，此时报警系统会发出响声和亮光，并由单片机控制室内的喷洒装置进行降温加湿，直到温湿度都回归到系统设定的合理区间内，再由单片机控制喷洒装置关闭。相反，当室内温度低于系统设定的下限值，或者湿度高于系统设定的上限值时，也会触发声光报警装置，此时报警系统也会发出响声和亮光，并由单片机控制室内的空调机进行升温操作，直至温湿度回归到系统设定的合理区间内，再由单片机控制空调机关闭，声光报警电路如图5所示。

图5 声光报警电路控制图

4 BP神经网络PID算法的运用

通过对传统的PID算法进行研究［3］，了解到其中存在着很大的不足，主要体现在其算法的单一性和不灵活性。传统的PID算法主要依靠比例（KP），积分（KI），微分（KD）这三个参数进行算法的整合，但是针对温室系统这种既要求控制温度，又要控制湿度的多变量程序，就很好地暴露出了它的不灵活性。因此，本次设计采用更加灵活的BP神经网络PID算法，该算法具有很好的自学能力，并且可以进行任意的非线性运算，可以在众多的组合结果中，找到最优解，然后将得到的结果参数kp，ki，kd传递给PID算法，这样就可以灵活的控制室内的温湿度变化，并且随着其不断地算法训练，其结果会越来越精确。BP神经网络PID控制器结构原理如图6所示，三层BP网络结构原理如图7所示。

图6 BP神经网络PID控制器结构原理图

图7 三层BP网络结构图

PID增量式控制算法公式：

公式中变量分别为比例（KP），积分（KI），微分（KD），PID的输出变量（uk），升温装置的加权位移值（y(k)），系统温度的标准值（r(k)），k时的系统位移标准值与加权位移值的偏差（e(k)）。

三层BP网络结构输入层输入公式［10～16］：

三层BP网络结构隐含层各点的输入和输出公式：

公式中各变量含义：隐含层中的加权系数值（）；需要输入的神经元节点个数为4；i表示隐含层神经元节点的次序；公式中右上角的数字标号（1），（2），（3）分别表示三层BP网络结构中的输入层、隐含层和输出层；隐含层输入函数（），隐含层输出函数（）。

隐含层的正负对称Sigmoid函数为激活函数：

神经网络的输出层的输入、输出各为

公式中各变量含义：输出层的加权系数值为（）；神经元输出函数（）；输出层数（l）；神经元节点次序数（I）。

输出层神经元非负Sigmoid函数为活化函数［6～10］：

性能指标函数：

公式中各变量含义：算法设定的标准值（rp），实际检测值（yp）。

BP神经网络结构的权限值采用梯度法来调节，从当前点出发，取函数在该点处下降速度最快的方向（加权系数的减小方向）进行搜索，此外，给该函数一个惯性变量使搜索速度加快，进而推出以下公式：

公式中各变量含义：学习速率（η），平滑因子（α）。

由式（14）及PID增量式控制算法公式可得：

综上可得，输出层的加权系数学习算法为

隐含层的加权系数学习算法：

BP神经网络PID算法的步骤总结。

1）明确BP神经网络的结构原理，将三层网络结构的各加权系数值，控制变量以及输入变量的误差都初始化，将控制器输出均初始化为零［5］。

2）用下位机处理检测到的温湿度数据，从而得到rp(k)和yp(k)，再由BP神经网络算法计算出其所需的E(k)。

3）以三层网络结构的各加权系数值为基础，推算出各层结构的输入与输出值，再由BP神经网络算法计算出PID算法所需的三个基本参数值：比例（KP），积分（KI），微分（KD），最后由PID增量式控制算法公式得出最后的控制变量值。

4）由于输出层跟隐含层的学习算法具自主学习，自动调节的功能。因此，该算法的加入就很好的改善了传统PID算法运算性能单一，算法不灵活的缺点，使得控温湿能力显著提高。

5）重复以上步骤。

5 实验分析

为了检验BP神经网络PID算法的调节能力，现以一个种植有黄瓜的温室为例进行测试。测试的时间选在黄瓜的坐果期，该温室的面积为60m×20m，选择该时期的主要原因在于，这一时期的黄瓜对于室内的温湿度变化比较敏感，所以要保证室内的温湿度变化在一个合理的范围内，否则就会影响作物的产量，这就可以很好地测试本系统的有效性。由已有的实验数据可知，该时期的温湿度要求为白天的温度范围为26℃～29℃，夜间的温度范围为12℃～16℃，空气内的水分含有率保持在45%～55%［1］。现将该区域划分为三小块，每块区域的面积为20m×20m，每块区域内都放置有相同的温湿度传感器，并由相同算法控制。一切准备就绪后，分别测试了白天（8：00～18：00）以及晚上（20：00～5：00）的温湿度变化情况。测试结果如表1，表2。由表可知，运用BP神经网络算法后，棚内温湿度可以控制在合理的范围内，满足预期的要求。

表1 棚内黄瓜坐果期温湿度测试结果（8：00～18：00）

区域编号 棚内湿度 棚内最大 棚内最小 有无报警均值/%RH湿度/%RH湿度/%RH 150.2652.5448.56无250.6852.6348.23无350.9852.8948.68无

表2 棚内黄瓜坐果期温湿度测试结果（20：00～5：00）

6 结语

本设计在传统室内温湿度控制的基础上，增加了以STM32F407ZGT6为控制核心的单片机系统和BP神经网络PID算法，在很大程度上改善了室内的温湿度控制。并且由于BP神经网络PID算法具有自适应学习能力、抗干扰能力以及任意非线性运算能力，所以可以很好地优化系统的功能，使得下位机的温湿度控制能力更加完善，科研人员的管理更加方便，在农业生产方面具有很大的应用前景。