黃金俠，侯 艷，宋國(guó)義，王俊發(fā),李 晶

(佳木斯大學(xué) a.信息電子技術(shù)學(xué)院；b.機(jī)械工程學(xué)院，黑龍江 佳木斯 154007)

0 引言

俗語(yǔ)說(shuō)“十成稻，九成秧”，可見(jiàn)，秧苗的質(zhì)量對(duì)水稻生產(chǎn)起著非常重要的作用。水稻生產(chǎn)主要包括稻種催芽、秧棚育秧和稻田種植3個(gè)階段，為秧苗生長(zhǎng)創(chuàng)造適宜的環(huán)境是提高秧苗質(zhì)量的關(guān)鍵所在[1]。黑龍江省是我國(guó)重要的水稻生產(chǎn)地，水稻種植面積正逐年擴(kuò)大，為了減少人力、優(yōu)化育秧環(huán)境、降低生產(chǎn)成本，建立大規(guī)模群體水稻育秧棚實(shí)施水稻智能化育秧已經(jīng)成為水稻秧苗生產(chǎn)的必然趨勢(shì)。但是，目前我國(guó)群體水稻育秧棚的控制大部分采取人工控制或半自動(dòng)控制，造成勞動(dòng)強(qiáng)度大、育秧成本高，無(wú)法實(shí)現(xiàn)信息化與自動(dòng)化生產(chǎn)。為此，本課題組設(shè)計(jì)了基于PID神經(jīng)元網(wǎng)絡(luò)的水稻秧棚自動(dòng)控制系統(tǒng)。經(jīng)仿真和農(nóng)場(chǎng)實(shí)驗(yàn)，達(dá)到了很好的控制效果。

水稻育秧棚是一個(gè)非線性、多變量、強(qiáng)時(shí)變、交叉耦合及參數(shù)變化大的復(fù)雜對(duì)象，傳統(tǒng)PID控制器是線性的，依賴(lài)于被控對(duì)象精確的數(shù)學(xué)模型，在用于控制具有不確定性、時(shí)變性和非線性等復(fù)雜系統(tǒng)時(shí)，不容易獲得滿(mǎn)意的控制效果。PID具有結(jié)構(gòu)簡(jiǎn)單、魯棒性強(qiáng)的特點(diǎn)，BP神經(jīng)網(wǎng)絡(luò)控制不需精確的數(shù)學(xué)模型，具有非線性逼近能力，具有自組織、自學(xué)習(xí)和自適應(yīng)能力，使其可以適應(yīng)多變量耦合系統(tǒng)的非線性、復(fù)雜等問(wèn)題，但神經(jīng)網(wǎng)絡(luò)控制也存在收斂速度慢等問(wèn)題。本文將PID控制與神經(jīng)網(wǎng)絡(luò)控制相融合，揚(yáng)長(zhǎng)避短、發(fā)揮他們各自的優(yōu)勢(shì)[1]，建立了一種新型的多變量耦合的PID神經(jīng)元網(wǎng)絡(luò)控制器。此控制器不需要測(cè)量或辨識(shí)對(duì)象的內(nèi)部結(jié)構(gòu)和參數(shù)，通過(guò)在線測(cè)量系統(tǒng)給定值和輸出值，自主學(xué)習(xí)，調(diào)整網(wǎng)絡(luò)權(quán)值，并同時(shí)完成系統(tǒng)解耦控制工作，使強(qiáng)耦合、時(shí)延和多變量復(fù)雜系統(tǒng)具有良好的動(dòng)態(tài)和靜態(tài)性能[2-3]。

1 育秧棚結(jié)構(gòu)及控制系統(tǒng)原理

水稻秧棚智能控制系統(tǒng)突破了傳統(tǒng)控制理念，采用無(wú)人操作，在傳統(tǒng)控制基礎(chǔ)上，結(jié)合計(jì)算機(jī)技術(shù)、傳感器技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)等高科技手段，實(shí)現(xiàn)對(duì)秧棚系統(tǒng)各環(huán)境參數(shù)實(shí)時(shí)控制。本設(shè)計(jì)采用上位機(jī)(PC機(jī))與下位機(jī)(單片機(jī))聯(lián)合控制，上位機(jī)與下位機(jī)之間通過(guò)無(wú)線通信模塊實(shí)現(xiàn)數(shù)據(jù)傳輸。下位機(jī)通過(guò)傳感器實(shí)時(shí)采集育秧棚內(nèi)環(huán)境參數(shù)(如溫度、濕度、光照、二氧化碳?xì)怏w濃度等)等物理量，并傳送給上位機(jī)；上位機(jī)經(jīng)過(guò)處理、預(yù)測(cè)判斷和分析比較后將控制命令發(fā)回給下位機(jī)，下位機(jī)再依照命令對(duì)秧棚內(nèi)環(huán)境控制系統(tǒng)的各個(gè)執(zhí)行機(jī)構(gòu)(軸流風(fēng)機(jī)、噴灌閥、加熱閥和卷簾門(mén))發(fā)出控制指令，完成秧棚環(huán)境系統(tǒng)的調(diào)控。水稻育秧棚系統(tǒng)結(jié)構(gòu)如圖1所示。

在秧棚內(nèi)環(huán)境參數(shù)(如溫度、濕度、光照、二氧化碳?xì)怏w濃度等)控制中，二氧化碳濃度和光照強(qiáng)度兩參數(shù)控制方法簡(jiǎn)單、易于實(shí)現(xiàn)，時(shí)滯性與非線性較小，因此采用傳統(tǒng)的比例-積分-微分控制算法可實(shí)行有效控制[3]。溫度和濕度是影響水稻生成最重要的兩個(gè)決定性因素，且溫度和濕度之間有較強(qiáng)的耦合性，因此本設(shè)計(jì)只對(duì)環(huán)境溫度和濕度參數(shù)采用PID神經(jīng)元網(wǎng)絡(luò)解耦控制方法，以溫、濕度作為控制器的輸入，調(diào)控溫、濕度的裝置作為輸出量。控制系統(tǒng)結(jié)構(gòu)如圖2所示。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 System structure

圖2 控制系統(tǒng)基本結(jié)構(gòu)Fig.2 Basic structure of control system

2 秧棚PID神經(jīng)元網(wǎng)絡(luò)解耦控制系統(tǒng)設(shè)計(jì)

2.1 秧棚PID神經(jīng)元網(wǎng)絡(luò)解耦控制器的結(jié)構(gòu)

PID神經(jīng)網(wǎng)絡(luò)是一種動(dòng)態(tài)前向的神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)，主要由輸入層、隱含層和輸出層構(gòu)成。PID神經(jīng)元網(wǎng)絡(luò)如果有n個(gè)控制量輸入，就包含n個(gè)相同的并列子網(wǎng)絡(luò)，各子網(wǎng)絡(luò)的輸入層至隱含層之間是相互獨(dú)立的。輸入層的每個(gè)子網(wǎng)絡(luò)(有兩個(gè)神經(jīng)元)分別接受控制量的給定值和實(shí)際值；每個(gè)子網(wǎng)絡(luò)的隱含層由3個(gè)神經(jīng)元(比例元、積分元和微分元)構(gòu)成，它們的輸出分別與PID控制器中的比例控制、積分控制和微分控制相對(duì)應(yīng)，隱含層至輸出層的連接權(quán)則是相互交叉連接的；網(wǎng)絡(luò)的輸出層只有一個(gè)神經(jīng)元，完成PID控制規(guī)律的綜合，實(shí)現(xiàn)多變量系統(tǒng)的解耦輸出。根據(jù)輸入控制量的個(gè)數(shù)，PID神經(jīng)元網(wǎng)絡(luò)控制器可以分為單變量、兩變量和多變量[4]。由于本設(shè)計(jì)只對(duì)溫度和濕度實(shí)現(xiàn)PID神經(jīng)元網(wǎng)絡(luò)解耦控制，所以采用兩變量3層前向結(jié)構(gòu)(4×6×2)的PID神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)，其輸入層有4個(gè)神經(jīng)元，r1、r2是控制量(溫度、濕度)的給定值，y1、y2是控制量(溫度、濕度)的實(shí)際值。隱含層包括兩個(gè)比例元、兩個(gè)積分元和兩個(gè)微分元6個(gè)處理元，輸出層有2個(gè)輸出神經(jīng)元。v1、v2是神經(jīng)元網(wǎng)絡(luò)計(jì)算得到的控制律，ωij、ωjk是PID神經(jīng)網(wǎng)絡(luò)權(quán)值。輸入層與隱含層之間是按子網(wǎng)獨(dú)立的，隱含層與輸出層之間是互相交叉[4]耦合的。兩個(gè)輸入變量的PID神經(jīng)元網(wǎng)絡(luò)控制器結(jié)構(gòu)如圖3所示。

圖3 PID神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)Fig.3 PID neural network control system structure

2.2 PID神經(jīng)元網(wǎng)絡(luò)解耦控制系統(tǒng)計(jì)算

2.2.1 控制律計(jì)算

PID神經(jīng)元網(wǎng)絡(luò)的輸入量為溫度和濕度的實(shí)際值(y1和y2)和給定值(r1和r2)，運(yùn)用PID神經(jīng)元網(wǎng)絡(luò)的自主學(xué)習(xí)和調(diào)整功能[5]，對(duì)育秧棚環(huán)境參數(shù)進(jìn)行 控制。設(shè)k為各層的任意時(shí)間。各層的輸入與輸出計(jì)算公式如下：

1)輸入層。多輸入PID神經(jīng)元網(wǎng)絡(luò)的輸入層的神經(jīng)元是相同的，表示為

fsi(k)=usi(k)

(1)

輸入層神經(jīng)元的輸出函數(shù)為

(2)

2)隱含層。PID 神經(jīng)元網(wǎng)絡(luò)系統(tǒng)的隱含層是由6個(gè)神經(jīng)元(2個(gè)比例、2個(gè)積分和2個(gè)微分)構(gòu)成，它們的輸入值相同，關(guān)系式為

(3)

隱含層中比例、積分和微分神經(jīng)元輸出的計(jì)算公式各不相同，如式(4)～式(6)所示，即

(4)

(5)

(6)

隱含層各神經(jīng)元的輸出函數(shù)為[4]

(7)

3)輸出層。育秧棚PID 神經(jīng)元網(wǎng)絡(luò)輸出層有2個(gè)神經(jīng)元。輸出層的2個(gè)神經(jīng)元的輸出為隱含層全部神經(jīng)元的輸出值加權(quán)和，即

(8)

輸出層神經(jīng)元的輸出函數(shù)為[6]

(9)

2.2.2 權(quán)值修正

PID神經(jīng)元網(wǎng)絡(luò)控制器在控制過(guò)程中根據(jù)控制量誤差按照梯度修正法修正網(wǎng)絡(luò)權(quán)重值，通過(guò)在線訓(xùn)練和學(xué)習(xí)，使得控制量不斷逼近給定值，網(wǎng)絡(luò)權(quán)重值修正如下所示。

誤差反向傳播計(jì)算公式為

(10)

其中，l為每批采樣點(diǎn)數(shù)；rp(k)為實(shí)際輸出值；yp(k)為給定值。

1)隱含層至輸出層權(quán)值調(diào)整。迭代公式為

(11)

2)輸入層至隱含層權(quán)值調(diào)整。迭代公式為

(12)

3 基于MatLab/SIMULINK仿真研究

為了驗(yàn)證PID神經(jīng)元網(wǎng)絡(luò)控制器的效果， 本文采用MatLab/Simulink軟件對(duì)基于PID神經(jīng)元網(wǎng)絡(luò)控制器的育秧棚溫、濕度控制系統(tǒng)進(jìn)行了仿真。MatLab軟件中的Simulink軟件包可以對(duì)連續(xù)、離散或混合的線性和非線性系統(tǒng)進(jìn)行建模、仿真和結(jié)果分析[8]，采用模擬育秧棚環(huán)境的溫室作為被控對(duì)象，因濕度和溫度相互影響，根據(jù)多變量的解耦、 園藝經(jīng)驗(yàn)及多次的測(cè)量結(jié)果，可以把被控對(duì)象輸入輸出關(guān)系描述為[7]

(13)

其中，y1、y2分別為濕度和溫度值；u1、u2為PID神經(jīng)元網(wǎng)絡(luò)的輸出。

仿真模塊如圖4所示。其中，Step為階躍輸入信號(hào)，Scope為輸出示波器，控制系統(tǒng)見(jiàn)式(13)。PID Neural Net Controller模塊是調(diào)用PID Ctr函數(shù)模塊，具有4個(gè)輸入、2個(gè)輸出，控制模塊的輸出作為被控系統(tǒng)的輸入。調(diào)整各仿真控制參數(shù)，運(yùn)行Start控制按鈕，雙擊示波器模塊，即可對(duì)系統(tǒng)進(jìn)行動(dòng)態(tài)仿真。仿真結(jié)果如圖5和圖6所示。由圖5、圖6可以看出：經(jīng)過(guò)對(duì)PID神經(jīng)元網(wǎng)絡(luò)解耦控制系統(tǒng)訓(xùn)練后，在初始時(shí)刻沒(méi)有太大的波動(dòng)，運(yùn)行穩(wěn)定，超調(diào)量較小，調(diào)節(jié)時(shí)間短；在平穩(wěn)期，穩(wěn)態(tài)誤差為零。該控制系統(tǒng)經(jīng)過(guò)現(xiàn)場(chǎng)實(shí)際應(yīng)用達(dá)到了很好的在線解耦效果，滿(mǎn)足水稻育秧棚溫、濕度環(huán)境的控制要求。提高了系統(tǒng)的控制精度和穩(wěn)定性。

為對(duì)比設(shè)計(jì)的控制算法的優(yōu)越性,圖7和圖8是采用傳統(tǒng)PID 控制的仿真圖。由此可見(jiàn)，常規(guī)PID控制會(huì)有較大的超調(diào)量，穩(wěn)態(tài)誤差較大，回復(fù)時(shí)間較長(zhǎng)。

圖4 PID神經(jīng)元網(wǎng)絡(luò)模型解耦控制器系統(tǒng)仿真模型Fig.4 Simulation model PID neural network decoupling controller system

圖5 PID神經(jīng)元網(wǎng)絡(luò)溫度響應(yīng)曲線Fig.5 Temperature response curve of PID neural network

圖6 PID神經(jīng)元網(wǎng)絡(luò)濕度響應(yīng)曲線Fig.6 Humidity response curve of PID neural network

圖7 PID溫度響應(yīng)曲線Fig.7 PID temperature response curve

圖8 PID濕度響應(yīng)曲線Fig.8 PID humidity response curve

4 結(jié)論

本文所采用的PID神經(jīng)元網(wǎng)絡(luò)育秧棚控制系統(tǒng)，結(jié)構(gòu)簡(jiǎn)單、操作方便、自動(dòng)化程度高。仿真結(jié)果表明：PID神經(jīng)元網(wǎng)絡(luò)控制器能夠基本消除育秧棚內(nèi)變量之間的耦合作用，控制器不依賴(lài)被控對(duì)象的數(shù)學(xué)模型，可實(shí)現(xiàn)系統(tǒng)的響應(yīng)速度快、超調(diào)小甚至無(wú)超調(diào)，對(duì)參數(shù)變化有較強(qiáng)的適應(yīng)能力和抗干擾能力，從根本上大大提高了系統(tǒng)的動(dòng)態(tài)品質(zhì)和穩(wěn)態(tài)精度，改善了系統(tǒng)的整體性能。該控制系統(tǒng)經(jīng)過(guò)農(nóng)場(chǎng)實(shí)際應(yīng)用也達(dá)到了很好的控制效果，易于在廣大稻區(qū)普及推廣，可為溫室種植提供良好的理論依據(jù)和技術(shù)支持。