CN114036813A - 一种粒子群bp神经网络pid控制的温室温湿度方法 - Google Patents
一种粒子群bp神经网络pid控制的温室温湿度方法 Download PDFInfo
- Publication number
- CN114036813A CN114036813A CN202111331871.8A CN202111331871A CN114036813A CN 114036813 A CN114036813 A CN 114036813A CN 202111331871 A CN202111331871 A CN 202111331871A CN 114036813 A CN114036813 A CN 114036813A
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle swarm
- pid
- value
- humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种粒子群BP神经网络PID控制的温室温湿度方法,包括以下步骤:S1、根据PID调节的一般原则,对PID各控制参数进行一定梯度的调节,记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数;S2、对期望值、最终值、偏差以及PID控制参数进行预处理,预处理后得到控制模型的训练数据;S3、确定并求解粒子群算法的适应度函数,利用粒子群算法优化神经网络的权值和阈值;S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型,并采用步骤S2中的训练数据训练模型;S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。本发明方法能适应日光温室复杂工况,能对日光温室的温、湿度进行精确的控制。
Description
技术领域
本发明属于智能优化控制技术领域,具体涉及一种粒子群BP神经网络PID控制的温室温湿度方法。
背景技术
我国是世界上温室大棚面积最大的国家,如何改进温室的控制方法,使得温室大棚能够自动地对温室环境中的温湿度、二氧化碳等各个环境因子进行调控,从而得到更适合植物的生长环境,是当前我国在现代化温室环境控制技术中研究发展的主要方向和目标。
在现有的温室控制技术中,针对温、湿度的控制技术大多为常规的PID和BP-PID控制。温室是一个强时变、强耦合、非线性、参数变化大的复杂对象,单纯使用PID控制会导致温室内部环境因子的波动和控制精度较低等问题,BP-PID虽结合了BP神经网络的优点,但BP神经网络自身存在着收敛速度慢、运算时间长、容易陷入局部最优等缺点。为解决传统温室控制方法的较低精度和响应时间长等问题,结合控制理论和智能算法显然是必须的。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提出一种粒子群BP神经网络PID控制的温室温湿度方法,该方法能适应日光温室复杂工况,基于该方法能准确的对日光温室的温、湿度进行精确的控制。
为了达到上述目的,本发明采用以下技术方案:
一种粒子群BP神经网络PID控制的温室温湿度方法,包括以下步骤:
S1、根据PID调节的一般原则,对PID各控制参数进行一定梯度的调节,记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数;
S2、对获取的期望值、最终值、偏差以及PID控制参数进行预处理,预处理后得到控制模型的训练数据;
S3、确定并求解粒子群算法的适应度函数,利用粒子群算法优化神经网络的权值和阈值;
S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型,并采用步骤S2中的训练数据训练模型;
S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。
进一步的,步骤S1中根据PID调节的一般原则,对PID各控制参数进行一定梯度的调节,记录获取温度和湿度控制结束后的期望值、最终值、偏差和对应的PID控制参数;
根据一定的梯度间隔设置PID控制参数,待控制进入稳定后,记录稳定状态下的温度、湿度以及对应控制的PID参数值。
进一步的,步骤S2中预处理具体为:
将步骤S1获取的期望值、最终值、偏差数据以及PID控制参数进行归一化处理,把数据通过归一化公式处理为区间(0,1)内的数值。
进一步的,步骤S3具体包括:
S31、选取粒子群优化的适应度函数,具体为MAS函数:
其中,φit为i层t个神经元目标输出,ωit为i层t个神经元实际输出;
S32、求解粒子群算法适应度函数,利用粒子群算法优化神经网络的权值和阈值,具体为:
粒子群中整个求解空间的维数为BP神经网络中全部权值和阈值的和,初始化粒子群优化算法各项参数,确定学习因子和粒子群规模参数;
对适应度函数进行迭代求解,根据适应度函数计算出适应度函数的解:将神经网络的输出结果与期望值相减后取绝对值,再对误差绝对值求和后得到;
寻找个体极值和群体极值,群体极值是在整个粒子群中进行比较,将全局极值与当前计算所得最优的个体极值对比,并将适应度更小的极值作为新的群体极值,个体极值是每个粒子对自身进行比较,将适应度值更小的作为新的个体极值;
不断更新粒子群速度参数和位移参数;
当迭代次数达到最大次数或适应度函数误差满足要求时停止迭代,PSO算法的最终最优解作为BP神经网络的初始权值和阈值。
进一步的,步骤S4具体为:
建立神经网络控制模型,设置输入层、输出层和隐含层的神经元节点数;
输入层节点个数分别对应着温度的期望值、最终值以及偏差值和湿度的期望值、最终值以及偏差值;
输出层节点个数分别对应温度控制的PID值和湿度控制的PID值;
采用步骤S1中获取的训练数据对神经网络控制模型进行训练。
进一步的,步骤S5具体为,神经网络控制模型训练结束后,将温湿度的当前值和目标值输入神经网络模型,神经网络控制模型输出当前状态下最优的温湿度PID控制参数。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明利用粒子群算法和BP神经网络的互补性提出一种基于粒子群优化算法和BP神经网络PID控制的温室温湿度控制方法,方法能适应日光温室复杂工况,基于该方法能准确的对日光温室的温、湿度进行精确的控制。
附图说明
图1是本发明方法的流程图;
图2是粒子群优化BP神经网络的步骤;
图3是粒子群优化BP神经网络PID控制结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明,一种粒子群BP神经网络PID控制的温室温湿度方法,包括以下步骤:
S1、根据PID调节的一般原则,对PID各控制参数进行一定梯度的调节,记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数;
在本实施例中,根据温、湿度调控的经验和PID数据调节的一般原则,对其PID控制的各参数进行调节处理,并开始试验。试验时间为一小时,每隔一分钟记录一次数据,设定温度为26℃,湿度为40RH,温度后记录温、湿度的设定值、稳定值以及偏差值。
如下表1所示为粒子群优化神经网络模型的训练数据(部分),其中温度的PID值分别以20、1、1的梯度进行调节,而湿度的PID值分别以20、3、1的梯度进行调节。
表1
S2、对获取的期望值、最终值、偏差以及PID控制参数进行预处理,预处理后得到控制模型的训练数据;具体为:
将步骤S1获取的期望值、最终值、偏差数据以及PID控制参数进行归一化处理,把数据通过归一化公式处理为区间(0,1)内的数值。
S3、确定并求解粒子群算法的适应度函数,利用粒子群算法优化神经网络的权值和阈值;具体为:
S31、选取粒子群优化的适应度函数,具体为MAS函数:
其中,φit为i层t个神经元目标输出,ωit为i层t个神经元实际输出;
S32、求解粒子群算法适应度函数,如下:
粒子群中整个求解空间的维数为BP神经网络中全部权值和阈值的和,确定学习因子和粒子群规模参数,对适应度函数进行迭代求解,对网络的输出结果与期望值相减后取绝对值,然后寻找个体极值和群体极值,不断更新粒子群速度参数和位移参数,当迭代次数达到最大次数或适应度函数误差满足要求时停止迭代,PSO算法的最终最优解作为BP神经网络的初始权值和阈值。如图2所示,具体包括以下步骤:
第一步,初始化粒子群优化算法各项参数。若BP神经网络的输入层、隐含层和输出层的神经元个数分别为n、l、m,则寻优的数量即粒子群规模为N=(n+1)*l+(l+1)*m,随后确定粒子群算法的学习因子。第二步,适应度函数求解。根据适应度函数计算出适应度函数的解:将网络的输出结果与期望值相减后取绝对值,再对误差绝对值求和后得到。第三步,群体极值和个体极值的寻找。群体极值是在整个粒子群中进行比较,将全局极值与当前计算所得最优的个体极值对比,并将适应度更小的极值作为新的群体极值。个体极值是每个粒子对自己进行比较,将适应度值更小的作为新的个体极值。第四步,不断更新迭代粒子速度参数与位移参数。第五步,当训练达到最大迭代次数或适应度函数误差小于设定误差时,输出此时的结果,否则返回第二步。
S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型,并采用步骤S2中的训练数据训练模型;
在本实施例中,在MATLAB中调用库函数newff(),建立神经网络模型,设置输入层节点为7个,分别对应温度的期望值、最终值、偏差值与湿度的期望值、最终值、偏差值和偏置值1,而设置输出节点为6个,分别对应温度控制的PID值和湿度控制的PID值6个数值;隐含层神经元个数设置为8个;整体结构如图3所示。
S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。
在本实施例中,日光温室包含工控机电脑设备和PLC控制柜,工控机电脑运行控制算法,通过modbus读写协议与PLC控制柜进行数据交换;PLC的人机互交界面可以设定温、湿度的期望值;另外,温度传感器和湿度传感器与PLC集成一体,读取当前日光温室温、湿度数据,通过读写协议将传感器数据和温、湿度的期望值传输至工控机电脑;而工控机根据温湿度传输的期望值、当前值运行控制算法后,通过读写协议将当前状态下最优的PID值传输至PLC控制柜;最后,PLC控制柜以最优的PID值控制日光温室温、湿度的执行器。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种粒子群BP神经网络PID控制的温室温湿度方法,其特征在于,包括以下步骤:
S1、根据PID调节的一般原则,对PID各控制参数进行一定梯度的调节,记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数;
S2、对获取的期望值、最终值、偏差以及PID控制参数进行预处理,预处理后得到控制模型的训练数据;
S3、确定并求解粒子群算法的适应度函数,利用粒子群算法优化神经网络的权值和阈值;
S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型,并采用步骤S2中的训练数据训练模型;
S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。
2.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法,其特征在于,步骤S1中根据PID调节的一般原则,对PID各控制参数进行一定梯度的调节,记录获取温度和湿度控制结束后的期望值、最终值、偏差和对应的PID控制参数;
根据一定的梯度间隔设置PID控制参数,待控制进入稳定后,记录稳定状态下的温度、湿度以及对应控制的PID参数值。
3.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法,其特征在于,步骤S2中预处理具体为:
将步骤S1获取的期望值、最终值、偏差数据以及PID控制参数进行归一化处理,把数据通过归一化公式处理为区间(0,1)内的数值。
4.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法,其特征在于,步骤S3具体包括:
S31、选取粒子群优化的适应度函数,具体为MAS函数:
其中,φit为i层t个神经元目标输出,ωit为i层t个神经元实际输出;
S32、求解粒子群算法适应度函数,利用粒子群算法优化神经网络的权值和阈值,具体为:
粒子群中整个求解空间的维数为BP神经网络中全部权值和阈值的和,初始化粒子群优化算法各项参数,确定学习因子和粒子群规模参数;
对适应度函数进行迭代求解,根据适应度函数计算出适应度函数的解:将神经网络的输出结果与期望值相减后取绝对值,再对误差绝对值求和后得到;
寻找个体极值和群体极值,群体极值是在整个粒子群中进行比较,将全局极值与当前计算所得最优的个体极值对比,并将适应度更小的极值作为新的群体极值,个体极值是每个粒子对自身进行比较,将适应度值更小的作为新的个体极值;
不断更新粒子群速度参数和位移参数;
当迭代次数达到最大次数或适应度函数误差满足要求时停止迭代,PSO算法的最终最优解作为BP神经网络的初始权值和阈值。
5.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法,其特征在于,步骤S4具体为:
建立神经网络控制模型,设置输入层、输出层和隐含层的神经元节点数;
输入层节点个数分别对应着温度的期望值、最终值以及偏差值和湿度的期望值、最终值以及偏差值;
输出层节点个数分别对应温度控制的PID值和湿度控制的PID值;
采用步骤S1中获取的训练数据对神经网络控制模型进行训练。
6.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法,其特征在于,步骤S5具体为,神经网络控制模型训练结束后,将温湿度的当前值和目标值输入神经网络模型,神经网络控制模型输出当前状态下最优的温湿度PID控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111331871.8A CN114036813A (zh) | 2021-11-11 | 2021-11-11 | 一种粒子群bp神经网络pid控制的温室温湿度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111331871.8A CN114036813A (zh) | 2021-11-11 | 2021-11-11 | 一种粒子群bp神经网络pid控制的温室温湿度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036813A true CN114036813A (zh) | 2022-02-11 |
Family
ID=80137259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111331871.8A Pending CN114036813A (zh) | 2021-11-11 | 2021-11-11 | 一种粒子群bp神经网络pid控制的温室温湿度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036813A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879769A (zh) * | 2022-05-31 | 2022-08-09 | 友联船厂(蛇口)有限公司 | 一种船舱湿度控制方法及装置 |
CN116755496A (zh) * | 2023-08-18 | 2023-09-15 | 苏州集畅自动化科技发展有限公司 | 洁净室温湿度控制方法及系统 |
CN117116455A (zh) * | 2023-10-24 | 2023-11-24 | 湖北大学 | 一种物联智控方法及系统 |
-
2021
- 2021-11-11 CN CN202111331871.8A patent/CN114036813A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879769A (zh) * | 2022-05-31 | 2022-08-09 | 友联船厂(蛇口)有限公司 | 一种船舱湿度控制方法及装置 |
CN116755496A (zh) * | 2023-08-18 | 2023-09-15 | 苏州集畅自动化科技发展有限公司 | 洁净室温湿度控制方法及系统 |
CN116755496B (zh) * | 2023-08-18 | 2023-10-20 | 苏州集畅自动化科技发展有限公司 | 洁净室温湿度控制方法及系统 |
CN117116455A (zh) * | 2023-10-24 | 2023-11-24 | 湖北大学 | 一种物联智控方法及系统 |
CN117116455B (zh) * | 2023-10-24 | 2024-01-23 | 湖北大学 | 一种物联智控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114036813A (zh) | 一种粒子群bp神经网络pid控制的温室温湿度方法 | |
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
JP2000514217A (ja) | 非線形近似機構式の自動チューナ | |
CN106325074B (zh) | 一种基于布谷鸟算法的pid控制器参数智能整定方法 | |
CN113657028B (zh) | 一种基于多源信息的气溶胶光学厚度在线预测方法 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN110687800A (zh) | 一种数据驱动自适应抗干扰控制器结构及其估计方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN114545766A (zh) | 一种麻雀搜索算法优化的bp神经网络pid控制方法 | |
CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN109062040A (zh) | 基于系统嵌套优化的预测pid方法 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN116974320B (zh) | 一种档案智慧管理调控方法及集成控制系统 | |
CN113328435B (zh) | 一种基于强化学习的主动配电网有功无功联合控制方法 | |
Chidrawar et al. | Generalized predictive control and neural generalized predictive control | |
CN116046018B (zh) | 一种应用于mems陀螺仪的温度补偿方法 | |
CN112648717A (zh) | 一种基于径向基神经网络的多区域变风量空调系统末端控制方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
CN114063438B (zh) | 一种数据驱动的多智能体系统pid控制协议自学习方法 | |
CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 | |
Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |