论文部分内容阅读
近年来,随着人们生活水平的提高和社会经济的不断发展,人们对绿色无公害蔬菜的需求量与我国农业可耕种土地面积不断减少间的矛盾日益凸显。植物工厂是现代科学技术在农业领域的集成创新产物,其可以实现农作物优质、生态、高效、高产、安全及生态等多重目标,是未来农业发展的方向。在植物工厂中,温度是决定植物能否正常生长的关键因素,但温度也是一个具有时变、非线性、大滞后、升温单向性的复杂被控对象,利用常规PID控制器对其进行控制往往得不到较好的控制效果。BP神经网络具有超强自学习和自适应能力,将BP神经网络智能算法和常规PID控制相融合,对植物工厂中的温度控制有着更好的效果,可以有效的改善由于外界不确定因素引起的控制效果不稳定的状况。本文主要对植物工厂中的温度控制方法进行研究,针对常规PID在温度控制过程存在超调量大、控制参数年整定难、调节时间长及抗干扰能力差等问题,提出了将BP神经网络和常规PID相结合的方法,利用BP神经网络对控制系统性能的自学习特性找到可以使控制系统性能达到最佳的PID控制参数,并将得到的控制参数送给常规PID控制器,设计了BP神经网络PID控制器。为了验证常规PID控制器和本文设计的BP神经网络PID控制器在控制性能上的差异,对植物工厂中的温度建立了数学模型,并利用Matlab软件分别对基于BP神经网络整定的PID控制器和常规PID控制器进行仿真研究与分析。仿真研究表明,与常规PID控制器相比,本文设计的基本BP神经网络PID控制器在控制过程中超调量小,调节时间短,并且能够对外来的扰动及时做出调整,从而提高了控制性能。最后,本文以STM32单片机为控制核心设计了小型植物工厂（植物生长柜）。在植物生长柜中,各种传感器对其内部的环境进行测量并传送给单片机,单片机通过对测量值与触摸屏上的设定值进行比较与分析,控制压缩机、加热棒、CO2发生器、电磁阀、加湿器、液温加热制冷器、通风扇、水泵等执行机构,实现了植物生长柜对空气温湿度、营养液温度、风速、光照强度、CO2浓度等环境参数控制的功能,从而给植物生长提供适宜的生长环境。