基于改进B样条神经网络-PID控制器的温室温度控制技术

第41卷第7期2020年7月
中丨句农机化卞报
Journal of Chinese Agricultural Mechanization
Vol.41 No. 7
July. 2020
D()I：10.13733/j.jcam.issn.2095-5553.2020.07.011
基于改进B样条神经网络_P I D控制器的
温室温度控制技术
皇甫立群
(淮阴工学院应用技术学院，江苏淮安，223003)
摘要：针对温室温度控制系统所存在的大惯性、非线性等问题，提出神经网络P I D控制算法，并利用知识局部存储且具有较快学习速度的B样条函数作为网络隐层神经元函数，同时，提出了/?参数型一B样条曲线的重新参数化方法，通过学习算法对参数搜索来动态调节B样条基函数，从而建立B — B P神经网络，并利用其对P I D控制器的比例、积分和微分参数进行优化调整，从而为B-B P — P I D控制器的参数自适应调整提供更好的保证，使温度控制系统有效跟踪系统模型并达到较高的辨识精度。

仿真试验获得B-B P — P I D控制器的最佳因子为3.2,其温度控制超调量为27%，调节时间为
0.8s，而BP—P I D控制器的超调量为25% •调节时间为4.8 s，RBF—P I D控制器的超调量为40%,调节时间为1.2 s，新算
法有效提高了温度控制过程的稳定性、精确性与鲁棒性。

关键词：温室；温度控制；P1D;B P神经网络；参数整定；B样条函数
中图分类号：S24: TP183 文献标识码：A 文章编号：2095-5553 (2020) 07-0068-07
皇甫立群.基于改进B样条神经网络一 P I D控制器的温室温度控制技术[J].中国农机化学报，2020, 41(7): 68 — 74 Huangfu Liqun. Temperature control technology of greenhouse based on improved B spline neural network —PID [ J ].
Journal of Chinese Agricultural Mechanization, 2020, 41(7)：68~74
〇引言
目前，国内外对于温室温度的控制一直都是一个难题，已有的控制系统大多只能对温室环境的部分因子进行控制，甚至有些仍需要手工操作加以辅助[1—2],其自动化与智能化程度较差。

其主要原因是温室系统 是一个复杂的大系统，无论其外部环境或室内农作物均具有很大的不确定性，其各种参数（如温湿度、光照 度、c o2浓度等）均存在很强的耦合性，是一种集大惯性、非线性、强干扰的复杂系统™，对于这样的系统，利用传统控制方法很难实现最佳控制，特别当传统控制器的控制对象参数发生变化或受非线性因素影响而发 生变化时，传统控制器P I D参数不能随之而变化因此，无法满足高精度，高性能的要求.而如果采取神经网络的P〗D控制，则不需要建立对象的数学模型，并且 能够很好地克服系统参数变化和非线性等不确定因素 的影响，具有较强的鲁棒性。

然而，在其实际应用的过 程中，由于常规的B P神经网络神经元函数为静态函数，不适合控制动态系统。

基于以上原因，本文采用B 样条函数作为网络隐层神经元函数，主要考虑到B样 *条网络的知识在网络中局部存储，其学习也局部进行[M]，因此，具有较快学习速度，为使其更适合动态系 统，文中又提出利用重新参数化过程，通过学习算法对 卢参数搜索来动态调节B样条基函数，从而建立B—B P,并利用B—B P神经网络对P I D控制器的比例、积 分和微分参数进行优化调整。

文中通过仿真试验建立 B—B P—P I D控制器，并将其与B P—H D以及R B F—P I D控制器的控制效果进行比较，从而验证了B_ BP—P I D控制算法的有效性。

试验表明基于该控制方法的控制器可以更好地控制温室环境温度，从而大 幅度提高农作物的产量。

1温室控制模型
文中选用一种已有温室建模文献中所提出的温室 小气候温度动态模型，如式（1)所示。

VPCp-h c A cLTo u l(t) -T,…(f)] +
pCpV i n[T……,(f) —T/n(<)] +
kQr.A t) ~X E U)X A +
(1)
收稿日期= 2020年1月15日修回日期：2020年5月27日
*基金项目：江苏省建设系统科技项目（2019ZD001095);江苏省教育厅自然基金项目（13KJD510002)
作者简介：皇甫立群，女，1975年生，江苏涟水人，硕士，讲师；研究方向为信号处理、神经网络控制。

E-mail: ****************
第7期皇甫立群：基于改进B样条神经网络一P I D控制器的温室温度控制技术69
式中—室内温度；
T o u l(t)—室外温度；
V—温室体积；
p—空气密度；
cp—温室内气体定容比热；
k—太阳辐射能被温室空气吸收的传热系数；
I一温室覆盖层与温室内气体对流热交换
系数；
K—温室覆盖层面积；
A E—作物蒸发潜能速率；
v,…——温室的通风率；
Q™,—投在温室覆盖层的太阳辐射；
Q h,a,—加热器的加热功率。

参考江苏淮安涟水一温室2018年连续一个月的 观测数据，并对式（1)分析证明可得，被控温室系统近 似为有扰动情况下的一阶惯性加时滞环节，其传递
控制器由两部分组成，一是经典P I D控制器，即利 用输人r,.…与输出的误差error、误差变化值c/e/A 以及由神经网络在线调整的参数，由某种控 制算法得到调节器输出《(々），再根据控制对象传递函 数得到系统的输出3»。

…，从而实现直接对被控对象的闭环控制；二是神经网络部分，即根据系统运行状态以 及某种性能指标的最优化，通过神经网络的自学习、加 权系数的调整，使其输出对应于某种最优控制下的P I D控制器参数
其中，经典P I D控制器部分采用了经典增量式数字P I D控制算法，具体公式如式（3)所示["_12]。

u ik) —u(k—l)+^f X[error(^)——error{k—1)] + kj y.errorik)-\-kd X [_error(.k)—
2error(.k—1) error(k—2)] (3) 3 p参数型—B样条基函数
函数
G(5)Ke~T S
TS+1
式中：K"----静态增益；
T—时间常数；
T—纯滞后时间。

2 B-B P-P I D控制器的总体结构
(2)
由于传统P I D的控制参数难以选择[7_8]，使其很 难适应对复杂系统的控制，而神经网络凭借其具有的非线性特性、可实现自适应控制等优势被引人控制领域中，但其实际控制效果并不理想+1<>]，其主要原因为：一是神经网络的仿真训练时间长，不能满足快速性 要求；二是连接权重随机初始化，影响控制结果，有时 导致系统不稳定；三是神经元函数为静态函数，不适合 控制动态系统。

基于以上原因，本文采用B样条函数 作为网络隐层神经元函数，并提出利用重新参数化过程，通过学习算法对参数搜索来动态调节B样条基 函数，从而建立B—B P—P I D，这种网络具有训练时间 短，动态性能好等优点，B—B P—P I D控制器的具体控 制结构如图1所示。

图1B—BP—P1D控制器结构
Fig. 1Structure of B —BP—PID controller
B样条函数是工程中常见的一种插值函数，其应 用范围非常广泛[13_15]，可用于几何造型及神经网络等众多问题，但一般网络神经元函数为静态函数[|6_17]，不 适合控制动态系统，由此提出以得到动态调整B样条 基函数为目的的曲线重新参数化概念。

在对曲线重新参数化过程中，考虑先对一般B样条函数进行参数变换，再寻找具有更广意义的基函数。

下面以三次均匀B样条基函数为例说明这种函数的建立过程。

首先，引人三次均匀B样条基函数仏.3(«)，7=0, 1，2,3,其表达式[18]分别为
•B〇,s(m) =4-(1 — m)3
D
= —C3u3 — 6u" +4)
(4)
B2,3(m)=各(一3m3 +3m2 +3w + 1)
B3,3(u)
为实现重新参数化，现构建以下基函数，令
g(u)
(2+卢2)»
2 + /?Z M
e R(5)
其中，《=ai(l—Z)，a=4，i为[0，1]间的随机数，表达式可以看作是非线性的映射模型，属于混沌动力学模型，其混沌解将布满整个[〇，1]区 间，即在[0，1]区间上是遍历的。

现将g(«)代替三次B样条基函数中的参数《，可以得到
(2+^)u
2^
u
70
中国农机化学报2020 年
=
化
1] (6)
这里将式（6)称为改进型B 样条基函数，记为/?参 数型一B 样条基函数，利用该函数可以将常规的B 样条基函数进行推广。

分析式（6)可知：当0=〇时， 艮.3/'(«)=5,.3(«)，即/3参数型一3样条基函数是常 规B 样条基函数的推广形式，只要变化参数/?，即可得 到各种B 样条基函数，从而可以实现对曲线的重新参数化。

通过将;3参数型一B 样条基函数用于最常规的曲 线生成的场合，可以证明，由参数型一B 样条构成的 曲线除了具有常规B 样条曲线局部性、可微性、参数连 续性等性质外。

还具有如下特点：（1)不同/?参数的样 条曲线上的点与参数域的点对应关系不同；（2)变换前后，各个;3参数的样条曲线的一阶导矢的方向互相平 行，但模长发生变化。

由此可见，参数型_B 样条基函数在常规的B 样条基函数特性的基础上，又增加了动态特性，只要改变参数/?，即可以得到动态的B 样条函数，这些函数不 但可以实现对曲线的重新参数化，也可以在神经网络 中得到一种更为灵活的描述非线性关系的形式[19]。

4 B —B P —P I D 控制器的完整控制过程
B —B P 神经网络的具体结构如图2所示，其中，输
入层有3个神经元，输人信号分别为系统输人r ,.…，输 出：y ™,，输入输出间误差error ;隐层有4个神经元，采 用三次均匀^参数型一B 样条基函数；输出层有3个 神经元，采用函数.其输出分别对应参数々，、
k p 、k d 。

B，'M
图2 B—B P 神经网络
Fig. 2 Neural network of B ~ BP
由B P 算法对网络权值，B 样条函数参数卢 更新，完整控制过程如下。

1)
初始化神经网络输人输出权值、网络节点个 数、控制器输出初始值等。

2) 由控制对象的传递函数及当前输人值~(々）、
控制器输出初始值计算当前输出值同时计算 误差函数e w (A ) = r ,… (々）一：>;。

…,(々），从而得到神经
网络输人信号!+M 丨（r ,.… )、Zn 2 (j y ™, )、z 'w 3 (error )。

3) 将输人信号送B — B P — P I D 输人层，并计算输
人层神经元的输出。

4)
对输入层神经元的输出信号进行归一化预处
理，并送人隐层进行计算，再将隐层输出送入输出层， 从而得到输出神经网络最终输出〇««1 (々，）、〇M «2 (々p )、 〇w 3 (h )，其中，隐层及输出层采用B 样条函数。

5) 根据式（3)及B —B P —P I D 输出的计
算H D 控制器的输出《(々），并根据实际情况对其进
行限幅。

6)
由B P 反向算法更新神经网络权值的
参数/3。

7) 将参数的全局最优值再送B —BP —
I ^I D 输入层，计算最优的〇如丨、o m ?2、〇如3,即为B — BP
输
出的。

8)
重复步骤以上步骤，计算并得到控制器最优输
出《(々）。

最后，根据控制对象的传递函数关系，计算 最优控制输出值％…,(々）。

5仿真试验与结果分析
文中分别对B —BP — H D 控制器、B P —P I D 控制
器，R B F —P I D 控制器的控制效果进行M A T L A B 仿 真。

其中，B —B P —P I D 和B P —P I D 的人工神经网络 算法均采用反向传播B P 算法，B P —P I D 的神经网络 采用sigmoid 函数作为节点函数，B —B P —P I D 的神 经网络采用B 样条函数作为节点函数，R B F —P I D 的 人工神经网络算法采用径向基函数（R B F )作为节点 函数，该径向基网络由输人层、隐层和输出层组成的 前向神经网络模型，基函数的中心采用K 一
来确定，其网络输出权值采用正交最小二乘法来 实现。

控制器输出的初始值=0;系统输入信号采 样数为600;采样间隔为0.01,另夕卜，由于神经网络初 始权值对控制效果影响很大，故各算法的权值初始化 值有所不同，其中，B —B P — P I D 算法的初始化权值为
0.993 6
0.600 5
0.460 9
0.630 1"
— 0.708 4 -0.575 9 0.841 0 -0.044 9一 0.845 1 —0.101 7 — 0.830 1 —0.158 7_ 0.857 9 —0.908 7 0.393 1
0.491 8"0.106 8 —0.328 5 —0.286 7
0.124 9"-0.416 0
0.360 4 —0.003 4
0.233 2
0.715 9 - 0.893 1 —0.131 1 —0.773 3
试验中，经搜索获得的B — B P —P I D 控制器的最
佳/?因子为3.2,各算法的阶跃响应曲线如图3所示。

:1.4「
1.2
10.80.60.40.2
0.5
°(
0.20.1
°(
j 0.20.1-
12 3 4
(b )各控制器的输出误差
6
time/s
BP-PID
-RBF-PID B-BP-FID
(c) H D 控制器的输出
i
6 time/s
BP-PID RBF-PID B-BP-PID
二
_二
二-二-:.
123456
12345
6time/s
(d) B -B P 网络输出调节参数
图3
各控制器的阶跃响应曲线
Fig. 3 Step response curve of each controller
为了更好地说明问题，文中又将输入信号叠加一 个小的正弦扰动信号，以考察其抗干扰能力，其仿真结 果如图4所示。

0 12 3(b )各控制器的输出误差
4 5
6
time/s
彳0.5
BP-PID RBF-PID B-BP-PID
A .
0.50.
4
5
图4
各控制器的叠加扰动信号后的响应曲线
Fig. 4 Response curve of each controller
superimposed disturbing signal
由图3、图4可知，3种控制算法对被控系统都具 有一定的控制效果，但观察B —BP — P I D 、B P —P I D 以
第7期
皇甫立群：基于改进B 样条神经网络一H D 控制器的温室温度控制技术71
#•41.210.80.60.40.2n
F
-RI
—BP-PID — RBF-PID •B -B P -P ID
1
2
3
4
f
U )各控制器的最优控制输出
6
time/s
0 12 3 4U )各控制器的最优控制输出
5
6
time/s
2» 1
1
.
0.J o t 3
0.
.4
0.
2
72中国农机化学报2020 年
及R B F—P I D控制器算法的跟踪曲线、误差曲线的变
化过程可以看出：B P—P I D控制器的初始跟踪过程的
误差振动幅度比较严重，且持续时间较长，R B F—PID
控制器的初始跟踪振动也很大，部分区域的误差幅度
甚至超过了 B P—P I D控制器的调整幅度，但其持续时
间相对较短，总的来说，这两个算法的跟踪效果在初始
阶段均不太理想，相比较而言，采用的B—BP—H D控
制器无论在调整幅度还是在调整时间等方面，都表现
出最佳的控制效果。

具体的，由以上两个仿真试验可
得种算法的综合响应参数，如表1所示。

表丨各算法的控制参数对比
Tab. 1Comparison of control parameters of each algorithm
算法
相对超
调量/%
峰值
时间/s
调节
时间/s
稳态
误差/V
BP—PID250.8 4.80.09
R B F-P I D400.25 1.20.08
B-B P-P I D270.240.80.07
在加入干扰，即控制对象参数变化的情况下，传统 B P—P I D控制效果明显变差，而基于R B F神经网络的 P I D控制效果也并不突出，只有B—B P—P I D算法的 调节时间最短，后期波动最小，抗扰能力最强.因此，在 控制对象结构或参数变化的情况下，B—BP—P I D控 制器可以表现出更强的适应性，在传统P I D控制和BP 神经网络控制无法更好地控制复杂系统及干扰的情况 下，B—B P—P1D可以得到更佳的控制效果。

由表1可见，各种控制器的达到稳态的误差均很小，且比较接近，分别为0.09 C、0.08 C、0.07 X：，但其 响应曲线达到峰值的时间却明显不同，其中，最长为
B P—P I D控制器，其峰值时间为0.8 s.调节时间长达
4.8 s,也是三种算法中响应最慢的，R B F—P I D与B—BP—P I D控制器的峰值时间很接近，分别为0.25 s和 0.24 s，其调节效果相当，但从调节时间来看，两种控制 器的调节时间分别为1.2 s、0.8 s.则B—BP—P I D的 控制效果要优于R B F—P I D控制器，能够显著提高温室温度系统的动态响应速度；另一方面，从相对超调量 来看，R B F—P I D控制器的超调量最大，约为40%，其 控制温度波动较大，B—B P—P I D与BP—P I D控制器 的相对超调量较小且比较接近.其控制效果相当，控制 温度波动均较小，由此可见，B_B P—P I D控制器可以 达到最快的响应时间以及接近最小超调量的控制效果，能够显著提高温室温度系统的动态响应速度，且具 有良好鲁棒性。

出现以上试验结果的主要原因是：B—BP—PID 控制器的节点函数采用了可以重新参数化的基函数B 样条函数，B样条函数具有局部正支撑性，单位分割性和最小支撑性等优点，由B样条函数构成的神经网络具有较好的联想能力和全局搜索能力，另外，改进B样 条算法可以通过学习算法控制找到最佳适合的/?因子，从而可以控制得到适合本网络权值搜索的最佳B 样条函数，因此，可以更好地描述某种非线性关系，相 对传统意义的B样条，其控制效果更优，除此以外，B 样条网络的知识在网络中是局部存储的，学习也是在局部进行，因此，具有较快的学习速度。

6结论
本文采用可重新参数化B样条神经网络设计B—B P—P I D控制器，该控制器通过搜索得到最佳适合的因子（试验中获得的最佳因子为3.2)，从而控制获 得适合本网络权值搜索的最佳重新参数化B样条基函 数，由B样条函数构成的神经网络具有更好的联想能力和全局搜索能力，其局部存储、学习的特点使得该控 制器具有更快的学习速度，且在加人干扰的情况下，控 制器表现出更强的抗扰能力及适应性。

仿真试验中，建立并比较了三种不同的控制器(.B—B P—PID 控制器、B P—PID 控制器，R B F—PID 控制器）的控制效果，获得B_B P—H D控制器的控制 超调量为27%.调节时间为0.8 s,BP—P I D控制器的 超调量为25%，调节时间为4.8 S，R B F_P I D控制器 的超调量为40%,调节时间为1.2 s,由此可见，B—B P—H D控制器可以达到最快的响应时间以及接近最小超调量的控制效果，能够显著提高温室温度系统的动态响应速度.有效提高了温度控制过程的稳定性、精确性与鲁棒性，弥补了常规P I D控制在温室温度控制中的参数整定难以完成及控制效果不理想的不足，从而保证控制系统可以有效跟踪系统模型并达到较高 的辨识精度。

参考文献
[1]张观山，李天华，侯加林.考虑动态吸收率的玻璃温室覆
盖层温度预测模型[J].农业工程学报，2020, 36 (5):
201-211.
Zhang Guanshan，Li Tianhua，Hou Jialin. Model for predicting the temperature of glass greenhouse cover considering dynamic absorptivity [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(5)：201-211.
[2]钱雅楠，陈吉，许癸驹.果蔬温宰温度智能自适应控制[J].
食品工业，2020, 41(4): 202 —204.
Qian Yanan, Chen Ji, Xu Guiju. Intelligent adaptive control of temperature in fruit and vegetable greenhouse [J]. The Food Industry，2020• 41 (4): 202 — 204.
[3]于洋，徐晓，朱常志•等.冀中地区日光温室空间温度场分
第7期皇甫立群：基于改进B样条神经网络一P I D控制器的温室温度控制技术73
布规律实验研究[J].河北农业大学学报，2019, 42(5):
124-129. •
Yu Yang, Xu Xiao，Zhu Changzhi，et al. Experimental study on spatial temperature field distribution of Jizhong region solar greenhouse [J]. Journal of Hebei Agricultural University, 2019, 42(5)：124-129.
[4]陆万荣，许江淳，曾德斌，等.基于增量式P I D算法的温
室温湿度控制系统设计[J].中国农机化学报，2018, 39(4)：72-76.
Lu W anrong，Xu Jiangchun, Zeng Debin, et al.
Greenhouse temperature and humidity control system based on incremental PID algorithm [JJ. Journal of Chinese Agricultural Mechanization, 2018，39(4): 72 —76.
[5]Zhou Z，Chen M，Xie K. Non-uniform rational B-spline
based free vibration analysis of axially functionally graded tapered Timoshenko curved beams [ J ]. Applied Mathematics and Mechanics，2020，41(4): 567 — 586. [6]刘武飞，张旭.基于P S O的B样条曲线光顺重构算法[J].
轻工学报，2020, 35(2): 83 —92.
Liu Wufei, Zhang Xu. Fairing reconstruction algorithm of B^spline curve based on PSO [J].Journal of Light Industry，2020，35(2): 83_92.
[7]曾德斌，许江淳，李玉慧，等.变论域模糊自适应P I D控
制在池塘溶解氧中的应用[J].中国农机化学报，2018, 39(10)：50-53.
Zeng Debin, Xu Jiangchun, Li Yuhui, et al. Application of variable domain fuzzy adaptive PID control in pond dissolved oxygen [ J ]. Journal of Chinese Agricultural Mechanization, 2018, 39(10)：50 — 53.
[8]张雨新，孙达明.基于P I D模糊控制器的闭式泵控系统特
性研究与分析[J].中国农机化学报，2019, 40 ( 11 ): 150-154.
Zhang Yuxin, Sun Darning. Research and analysis on the characteristics of closed pump control system based on PID fuzzy controller [J].Journal of Chinese Agricultural Mechanization, 2019, 40(11)：150 —154.
[9]袁春元，蔡锦康，王新彦.基于粒子群算法的车辆悬架
P I D控制器研究[J].中国农机化学报，2019, 40 (5):
91-97.
Yuan Chunyuan, Cai Jinkang, Wang Xinyan. Research on the PID controller of vehicle suspension system based on particle swarm algorithm [ J ]. Journal of Chinese Agricultural Mechanization，2019，40(5): 91 —97.
[10]周航，马季威，杜志龙，等.基于免疫一自整定模糊PID
的C102消毒液浓度控制应用[J].中国农机化学报，2018, 39(4)：44-48.
Zhou Hang, Ma Jiwei, Du Zhilong, et al. Application of
C102disinfectant concentration control based on immune-
self-tuning fuzzy PID [J]. Journal of Chinese Agricultural
Mechanization, 2018，39(4): 44 — 48.
[11]唐伎玲，赵宏伟，王婷婷，等.L Q R优化的B P神经网络
H D控制器设计[J].吉林大学学报（理学版），2020,
58(3)：651-658.
Tang Jiling, Zhao H ongwei，Wang Tingting，et al.
Design of BP neural network PID controller optimized by
LQR [J].Journal of Jilin University (Science E dition),
2020, 58(3)：651 — 658.
[12]任有志，乔松，孙继春，等.B P神经网络P I D控制器在热
油锅炉温控中的应用[J].电气传动，2020，50(4):
81-84.
Ren Youzhi. Qiao Song, Sun Jichun, et al. Application of
BP neural network PID controller in temperature control
of thermal oil boiler [J].Electric Drive, 2020, 50(4)：81-84.
[13]凌海雅，赵仕卿，陆利正，等.空间曲线基于内在几何量
的高质量采样和B样条拟合[J].计算机辅助设计与图形
学学报，2020, 32(2): 255 —261.
Ling Haiya, Zhao Shiqing，Lu Lizheng，et al. High-
quality sampling and B-spline fitting for spatial curves
using intrinsic geometric quantities [ J ]. Journal of
Computer-Aided Design 8^ Computer Graphics，2020，32
(2)：255-261.
[14]吴丽娟，李博，Abeysinghe Arachchige Sasikala Sewwandi，
等.B样条曲面拼接算法的设计与实现[J].沈阳师范大
学学报（自然科学版），2019, 37(6): 549 — 553.
Wu Lijuan, Li Bo, Abeysinghe Arachchige Sasikala
Sewwandi，et al. Design and implementation of B-spline
surface mosaic algorithm [J].Journal of Shenyang
Normal University (Natural Science Edition) , 2019，37
(6)：549-553.
[15]郑美洁，田波平.基于两步样条光滑法的非参数回归模型
研究[J].统计与决策，2020, 36(3): 14 —20.
Zheng Meijie, Tian Boping. Study on nonparametric
regression model based on two-step spline smoothing [J].
Statistics &- Decision, 2020, 36(3)：14 — 20.
[16]秦文杰，张举勇.基于安德森加速的快速B样条拟合算
法[J].图学学报，2020, 41(2): 246 — 253.
Qin Wenjie，Zhang Juyong. Anderson acceleration for B-
spline curve fitting [J].Journal of Graphics, 2020，41
(2)：246-253.
[17]李奂谌，郭来功，汪义庭，等.边缘检测与B样条曲线结
合的轮廓预测方法[J].传感器与微系统，2020, 39(3):
143 — 146.
Li Huanchen, Guo Laigong, Wang Yiting，et al. Method
of contour prediction combined edge detection with B-
spline curve [ J ]. Transducer and Microsystem
Technologies，2020, 39(3): 143 — 146.
[18]汪佳兴，庄继晖，程晓鸣，等.B样条曲线下的M P C轨迹
重规划算法[J].重庆理工大学学报（自然科学），2020,
34(4)：27-35.
Wang Jiaxing，Zhuang Jihui，Cheng Xiaoming，et al.
MPC trajectory re-planning algorithm under B-spline
curve [J]. Journal of Chongqing University of Technology
(Natural Science)，2020，34(4): 27 —35.
74中国农机化学报2020 年
[19]徐慧芳，曹飞龙.基于B样条神经网络算子的散乱数据插
值[J].中国计量大学学报，2019, 30(4): 506 —513, 523.
Xu Huifang, Cao Feilong. Interpolation for scattered data with B-spline neural network operators [J].Journal of China University of Metrology, 2019, 30 ( 4 )：506 —513, 523.
Temperature control technology of greenhouse based on improved B spline neural network —PID
Huangfu Liqun
{Faculty o f A p p lie d Technology ^H uaiyin Institute o f Technology，Huaiariy223003, China)
Abstract：In view of the problems of nonlinear and great inertia existing in the temperature control system of greenhouse»propose the neural network PID control algorithm, and the B spline function is used as the neural function of the network hidden layer, which is stored locally and with fast learning speed，at the same tim e，the re-parameterization method of p parameterized B-spline curve is proposed, which realize dynamic adjustment of B spline basis function by learning algorithm, thus establish the B~B P which is used to optimize and adjust the proportion, integral and differential parameters of the PID controller, so as to provide a better guarantee for the parameter adaptive adjustment of B—BP—PID controller which make the temperature control system effectively tracking system model and achieve the high accuracy. The best factor夕 of B—BP—PID controller is 3.2 which obtained by the simulation experiment，its overshoot is 27%,the regulating time is 0.8 s, and the overshoot of B P~P I D controller is 25%, its regulating time is 4.8 s, the overshoot of R B F—PID controller is 40%, its regulating time is 1.2 s. So the new algorithm effectively improves the stability, accuracy, robustness in the process of temperature controlling.
Keywords：greenhouse；temperature control；P ID；BP neural networks；parameters tuning；B-spline function
(上接第67页）
Ji Shunzhong，Li Shuang，Chen Shuren, et al.
Kinematical simulation of three separating planting bars of high-performance rice transplanter based on ADAMS [J].
Transactions of the Chinese Society for Agricultural
Machinery，2010, 41(S1): 82 —85.
[17]王志华，陈翠英.基于A D A M S的联合收割机振动筛虚拟
设计[J].农业机械学报，2003, 34(4): 53 — 56.
Wang Zhihua, Chen Cuiying. Virtual design of vibrating sieve of combine harvester based on ADAMS [ J ].
Transactions of the Chinese Society for Agricultural
Machinery，2003，34(4): 53_56.
[18]赵满全，张宁，杨铁军，等.双圆盘割草机切割器虚拟样
机设计与试验[J].农业机械学报，2014, 45 ( 8):
101-105.
Zhao Manquan, Zhang Ning, Yang Tiejun，et al. Design and experiment of virtual prototype of double disc mower cutter [J].Transactions of the Chinese Society for Agricultural Machinery, 2014，45(8): 101 —105.
[19]李增刚.A D M A S入口详解与实例[M].北京：北京国防
工业出版化，2008.
[20]杜岳峰，朱忠样，毛恩荣，等.基于A DM A S的丘陵山地小
型玉米收获机仿真[J].农业机械学报，2011(S1): 1 — 5.
Du Yuefeng，Zhu Zhongxiang，Mao Enrong, et al.
Simulation on small-scale corn harvester for hilly area based on ADAMS [J].Transactions of the Chinese Society for Agricultural Machinery, 2011CS1)：1 — 5.
Design and simulation of profiling device of small forage crusher
Ling Xu，Zhao Chunhua
(College o f Mechanical and Electrical Engineering y Gansu A gricultural U n iversity，Lanzhou730070, China)
Abstract：In order to solve the problem of uneven stubble height harvesting alfalfa in mountainous areas, according to the agronomic technical requirements of alfalfa in harvesting period， a multifunctional board of forage crusher was designed, which integrated the functions of forage separation, profiling, stubble adjustment and so on. The simulation module in SolidWorks was used to conduct static analysis on the multifunction board of forage crusher. The analysis results show that the maximum stress of the whole model was 159.6 M Pa, which is lower than the minimum yield strength of the selected material 235 MPa. The maximum deformation of the whole model is 1.183 m m, and the deformation position is mainly the front of the board. ADAMS was used to simulate the movement of multifunctional board on sinusoidal undulating road. The results show that the multifunctional board has good profiling function and can ensure the consistency of stubble height.
Keywords：multifunctional forage crusher board；finite element analysis；profiling device；stubble height。