李 鋒 樊玉和 王安敏 張桂堂

（青島科技大學機電工程學院 青島 266061）

1 引言

隨著智能控制與計算機快速發(fā)展，醫(yī)療實驗對人工軟骨摩擦實驗對室內環(huán)境參數變化要求極高，為了減少對軟骨摩擦實驗產生的誤差，現對一般雞只進行封閉式室內環(huán)境參數觀察實驗進行改進后參數度量，從而促進畜牧業(yè)行業(yè)的快速發(fā)展并且為軟骨摩擦實驗奠定基礎，畜牧業(yè)從開放性禽舍到半開放性禽舍最后集約成封閉式禽舍環(huán)境。正是由于外部環(huán)境控制起來比繁瑣，在以后的畜牧業(yè)也大多采用封閉式禽舍養(yǎng)殖家禽。封閉式禽舍內部雞只的生長速度和產蛋量與雞舍內部環(huán)境的多種因素耦合相關［1］，為了能夠更加有效率地控制雞只成長，現提出了一種布谷鳥算法和神經網路算法相結合的混合算法，結合兩者的優(yōu)點來精準控制初值系數，更加準確控制禽舍內部環(huán)境溫度、濕度、壓強、有害氣體濃度等控制，實現封閉式家禽快速生長和更高的產蛋量，從而提高畜牧業(yè)行業(yè)的效率［2］。

2 改進布谷鳥算法優(yōu)化BP神經網絡算法

2.1 BP神經網絡

BP神經網絡的自學習過程包括信息正向傳播和誤差反向傳播兩個正反方向的過程［3～5］。BP神經網絡由輸入節(jié)點層、隱含節(jié)點層、輸出節(jié)點層三種節(jié)點層組成，信息正向傳播時的輸入數據從輸入層傳入，如果神經網絡中的輸出層實際輸出與期望輸出不符合，則轉向誤差反向傳播方向并根據誤差來正確修改各節(jié)點層權值［6］。這種信息正向傳播到誤差反向傳播的自動修改權值的自學習過程就是BP神經網絡原理，其網絡拓撲關系如圖1BP神經網絡結構模型。

圖1 BP神經網絡結構模型

如圖1所示神經網絡結構模型，Wji表示輸入節(jié)點層與隱含節(jié)點層的權值，Wil表示隱含節(jié)點層和輸出節(jié)點層的權值。uiT表示隱含節(jié)點層第i個神經元的輸入，viT表示第i個神經元激勵的輸出?，F樣本集為X，對于任一樣本抽樣Xk=［Xk1，Xk2，…Xkn］。實際輸出為Kn，數學期望Dk為n的迭代次數。

1）網絡輸入樣本Xk，由信息正向傳播得出：

輸出節(jié)點層神經網絡誤差信號：

輸出節(jié)點層誤差總和為

信息總是從第一個輸入節(jié)點層向前傳遞，在輸出節(jié)點層傳播結束，并計算出學習誤差E（n）。

2）產生誤差時進行誤差反向傳遞過程，誤差信息是從后邊的輸出節(jié)點層反向傳遞到輸入節(jié)點層。各層權值和閾值修正，現以輸出節(jié)點層和隱含節(jié)點層做一次算法中誤差對權值的偏微分與權值的修正量成正比例［7］，即：

其中：

則下一次迭代后權值調整為

此時完成了神經網絡正向信息傳播和誤差反向反饋傳播的過程，各節(jié)點層之間的權值得到一次迭代更新。BP神經網絡算法需要經過多次重復迭代才能使學習產生的誤差收斂到預期精度之內［8］。

2.2 梯度下降算法基本原理

梯度下降法也稱為最速下降法，其是沿著負梯度方向進行搜索最佳狀態(tài)的權值和閾值?，F設計梯度下降算法，其較強的局部搜索能力彌補BP神經網絡陷入局部搜索困境［9］。其運算過程如下。

損失函數的負梯度計算公式為

至此，完成一次梯度下降的迭代，重復以上過程直到損失函數趨向最小，梯度下降迭代結束。

2.3 布谷鳥算法原理

布谷鳥算法是基于布谷鳥的產卵行為和鳥類的萊維飛行，是一種隨機算法。布谷鳥算法求解優(yōu)化問題優(yōu)于遺傳算法和粒子群算法，其是一種元啟發(fā)式群體智能算法，其思想源于鳥類的levy飛行行為和布谷鳥的鳥巢寄生行為［10］。

布谷鳥全局搜索過程簡單描述如下：

2.4 改進布谷鳥算法優(yōu)化BP神經網絡

2.4.1 改進布谷鳥算法

布谷鳥算法具有較強的全局搜索能力，但跟大多數群智能算法類似，算法搜索方式是隨機游走機制，這樣布谷鳥算法在尋最優(yōu)解時會需要更大的計算量，并且其算法結果的收斂性慢和結果也具有隨機性［11］。梯度下降法優(yōu)勢是沿負梯度方向進行導向性逼近最優(yōu)解方式搜索過程，其搜索收斂性快，能過彌補布谷鳥算法在隨機游動產生大量計算量的弊端?，F設計改進布谷鳥算法是將布谷鳥算法具有全局搜索能力優(yōu)勢與梯度下降算法優(yōu)勢相結合，梯度下降法具有較強的局部搜索能力和收斂速度快的優(yōu)點，同時與布谷鳥算法相結合能夠提高局部搜索精度要求［12］。

2.4.2 改進布谷鳥算法優(yōu)化BP神經網絡

梯度下降法改進的布谷鳥算法得出的結果更加準確、收斂速度快、誤差小等優(yōu)點?，F將改進的布谷鳥算法優(yōu)化BP神經網絡實際上是改進優(yōu)化梯度下降法的初始值，即BP神經網絡的初始權值和閾值。其優(yōu)化作用是在布谷鳥經過重復多次迭代結束，將最佳搜索得到的結果傳遞給BP神經網絡，克服了傳統BP神經網絡陷入局部極小值的困境。如圖2改進布谷鳥算法（GDCS）優(yōu)化BP神經網絡算法流程圖。

圖2 改進布谷鳥算法（GDCS）優(yōu)化BP神經網絡算法流程圖

3 封閉式室內環(huán)境控制硬件組成

3.1 室內部環(huán)境控制總體系統模塊

室內內部環(huán)境的優(yōu)良直接關系到雞只的生長和產蛋量，室內內部環(huán)境是多變量多集成多耦合關系的變量關系，為了能夠合理調節(jié)雞舍環(huán)境各內部參數的變化情況，現設計出一種混合算法控制的多變量控制系統，該控制系統從雞舍環(huán)境的溫度、濕度、光照強度、壓強以及雞只糞便產生的有害氣體濃度控制［13］。本控制系統共有五大控制模塊組成，分別是數據采集模塊、控制響應模塊、執(zhí)行設備模塊、服務器模塊、輔助工具模塊。

各模塊之間關系和硬件組成如圖3所示。

圖3 系統總體結構各模塊關系示意圖

如圖3所示的模塊關系圖可知，整體控制系統五個模塊之間相互協調。其中數據采集模塊包括的硬件有DHT11溫濕度傳感器、SBT673壓力傳感器、PM11-R-3L位置傳感器、IS-TM-485-ANHH-421溫濕度氨氣硫化氫傳感器以及測量溫室氣體甲烷OP/TDLAS檢測傳感器；控制模塊是嵌入式微控制器STM32F429單片機；服務器模塊包含手機、電腦、云服務操作等；執(zhí)行設備包括禽舍照明燈、智能轉動進風窗、風機、濕簾、噴霧、熱風爐；輔助功能模塊包括繼電器、光耦等驅動電路器件以及LED指示燈、數碼管、12864顯示液晶屏、AD16-22SM報警蜂鳴器等顯示設備和DS1302時鐘、按鍵輸入器件。

3.2 數據采集模塊

數據采集模塊包括數據的接收與傳遞，雞舍內的溫度、濕度、壓強、有害氣體濃度分別經過溫度傳感器、濕度傳感器、壓力傳感器、氨氣硫化氫傳感器搜集到的雞舍內部信息經過I2C通信協議傳遞給控制模塊［14］。封閉雞舍內溫度濕度合理控制尤為重要，現選擇以DHT11溫濕度傳感器為例，其電路圖見圖4。

圖4 DTH11溫濕度傳感器電路圖

3.3 輔助功能模塊

輔助功能模塊在整個系統中具有顯示功能、輸入功能、閃爍報警功能。數據采集模塊收集到的信息會在12864液晶屏上顯示；正常時LED指示燈發(fā)綠光，與設置的初值相差超過規(guī)定額度時，LED指示燈紅光并且蜂鳴器發(fā)出報警聲音，此時等待養(yǎng)殖人員操控服務器模塊進行調節(jié)。12864液晶屏主要顯示當日時間、溫濕度、日齡、壓強大小以及有害氣體濃度大小；數碼管顯示雞只數量和當日產蛋量。若封閉式雞舍內的環(huán)境因素的超過初始設定的限度時，控制模塊會根據反饋的信息進行調節(jié)，同時報警裝置會同時養(yǎng)殖人員，養(yǎng)殖人員通過按鍵和DS1302時鐘和手機、電腦、云服務操作器進行調節(jié)，直到整個雞舍內部環(huán)境達到穩(wěn)定合理范圍內。圖5為時鐘芯片DS1302電路圖，圖6為AD16-22SM報警蜂鳴器電路圖。

圖5 時鐘芯片DS1302電路圖

圖6 AD16-22SM蜂鳴器電路圖

3.4 執(zhí)行設備裝置

執(zhí)行裝置是由控制裝置經過數據采集裝置的數據進行調控的。執(zhí)行裝置包括驅動電路模塊（繼電器、光耦）和禽舍燈光、進風窗、風機、濕簾、噴霧、熱風爐組成；有害氣體采用人工處理糞便，光照強度、溫濕度等分別由執(zhí)行設備裝備中的器件自動調節(jié)。

4 測控系統的驗證與結果分析

4.1 實驗方案過程

為驗證改進布谷鳥優(yōu)化BP神經網絡算法的控制系統比傳統的BP神經網絡或者采用其他方式改進的神經網絡算法在控制溫濕度、二氧化碳濃度、光照強度、氨氣濃度方面的控制效果，現直接觀察雞只每日產蛋量的數量觀察改進后的神經網絡控制效果的優(yōu)越性。實驗雞舍選擇山東章丘水寨一家個人封閉式雞舍作為實驗場所，雞舍屋頂和四壁隔熱效果良好，實驗雞只選用的是土雞作為實驗雞只，23周齡～25周齡，養(yǎng)殖雞只數目3600只。雞舍長度50m，寬13.5m，高度2.8m。墻的四壁安裝側窗進風和風機排風裝置，在測試期間雞只按照常規(guī)喂養(yǎng)飼料，每日清理糞便一次：每天上午10：00～11：00人工收蛋，收取蛋后進行大清掃，光照采用1W白熾燈泡，在6：00～22：00光照。經調查，適合土雞生長的最佳溫度為22℃，濕度為63%，光照強度59.5lx，二氧化碳濃度為2200mg/m3，通風量0.65m/s，氨氣濃度0mg/s。測試時間為5月20日～6月19日，每10日做一次數據統計，取3次的平均值作為實驗測試結果［15］。

4.2 實驗結果與分析

根據實驗方案進行30天的實驗研究，現任取相鄰連續(xù)10天的實驗數據進行分析，改進后的BP神經網絡控制器與普通BP神經網絡控制器實驗結果變化如圖所示。

試驗結果分析：通過圖7和圖8實驗結果可以看出，傳統的BP神經網絡控制系統的控制效果存在缺陷、穩(wěn)定性欠佳、魯棒性不好；改進后的BP神經網絡控制系統的控制效果很好，最佳溫度為22℃，濕度為63%，光照強度59.5lx，二氧化碳濃度為2200mg/m3，通風量0.65m/s，氨氣濃度0mg/s。溫濕度、光照強度等都能控制在最佳雞只生長和最佳產蛋量的范圍內、穩(wěn)定性更好。

圖7 優(yōu)化后的BP神經網絡控制系統實驗圖

圖8 傳統神經網絡控制系統實驗結果圖

5 結語

設計改進后的BP神經網絡控制系統，通過對禽舍溫度、濕度、二氧化碳濃度、光照、氨氣濃度的控制，合理高效地控制雞只最佳生長狀況及產蛋量。改進的BP神經網絡準確地搜索權值和閾值，對整個系統的控制功能起到更加準確、穩(wěn)定的作用。實驗結果證明，禽舍控制系統穩(wěn)定性和動態(tài)性能不斷迅速提高，系統的魯棒性能越強，可靠性越強。因此改進后的神經網絡系統對復雜的內部環(huán)境參數具有很好的控制效果，控制效果可以從雞只生長速度和產蛋量及顯示屏幕效果來觀察，該系統靈敏度高，易調節(jié)，可以適用在人工軟骨摩擦實驗過程中以控制室內溫濕度及空氣有害氣體濃度要求。