基于单片机的温湿度控制系统设计

任卫红，史君诚

(1.新疆铁道职业技术学院，新疆 乌鲁木齐 830011；2.机科发展科技股份有限公司，北京 100044)

0 引言

随着自动化技术不断发展，温湿度控制系统日趋完善。一般情况下，温湿度控制系统往往由若干个传感器和数模转换器组成。与人工测量和调整方法相比，先进的温湿度控制系统可快速完成温湿度检测而且控制精度较高[1-2]。温控系统可在很大程度上降低劳动强度，提高相关行业的智能化水平。但是在实际操作过程中，一些特殊工况会导致系统可靠性降低、稳定性变差进而影响检测精度，如仪器平稳性差、灵敏度不高、灰尘和振动等。大多数温湿度系统采用热敏电阻和湿敏电容，这种模拟式温湿度传感器均需要信号调理电路，同时校验和标定过程十分复杂，因此测量精度很难保证[3-5]。除此之外，模拟式温湿度传感器还要解决线性度、重复性和互换性等问题。为解决此问题，可采用集成式温湿度传感器和单片机设计一种温湿度控制系统。温湿度信号通过总线传送到单片机并进行处理，单片机会根据处理结果得到相关控制信号，然后发送到执行模块实现相应控制；同时会将温湿度检测数值发送到LCD设备并显示；如果涉及到复杂算法，可将初步处理结果传送到上位机，由上位机进行处理[6-8]。

结合温湿度传感器和单片机设计一种温湿度控制系统，结合智能控制算法实现温湿度高精度控制，通过实验验证所述系统的可行性和有效性。

1 硬件系统设计

温湿度控制系统总体结构如图1所示。总体来说，该系统设计主要包括硬件系统设计和软件系统设计2部分。由图1可知，温湿度控制系统由DHT11传感器模块、液晶显示模块、驱动和执行模块、单片机主控模块、无线通信模块和上位机等组成。

图1 温湿度控制系统总体结构

温湿度传感器可实现温度、湿度的实时采集，并将其发送到主控单片机模块。选用的温湿度传感器型号为DHT11，它是一种数字型温湿度传感器，其应用专用的数字模块采集技术和温湿度传感技术，可确保产品具有比较高的可靠性和稳定性。DHT11传感器包含1个NTC测温元件和电阻式感湿元件，可灵活方便地与单片机连接。DHT11采用单排引脚封装，具有稳定性好、误差小、响应快和抗干扰能力强等优势。

主控模块选用8位ATmega16单片机，其各项性能指标比较理想。整体来说，该芯片的指令集比较丰富，功耗比较低，数据吞吐率高。全静态工作方式可确保数据的完整性。因此，该芯片能够在比较复杂的环境中稳定运行。

考虑到需要显示的内容并不是很多，系统的液晶显示模块采用低功耗LCD1602液晶显示屏即可。

无线通信模块则基于无线收发芯片CC2500PA进行设计。CC2500PA功能强大、通信距离远、稳定性高，在工业控制领域的应用十分广泛。

驱动模块可实现执行模块按照信号要求的相关操作。执行模块包括加湿装置、除湿(通风)装置、加热装置和降温装置，可以实现温度和湿度的调节[9-13]。系统主电路如图2所示。

图2 系统主电路

2 温湿度控制器

2.1 算法设计

可选用智能控制算法实现温湿度控制。众所周知，在实际运行过程中，需要采集大量温湿度数据并及时处理，以判断和预测温湿度变化趋势。参考深度学习原理，采用深度学习网络来实现温湿度原始数据处理。目前，使用比较广泛的深度学习网络主要包括多个受限玻尔兹曼机(RBM)和单个BP神经网络。

受限玻尔兹曼机是深度学习网络的基本组件，包含2层神经元，即：显层，可作为输入用于训练数据；隐层，可用于特征提取。

假设受限玻尔兹曼机网络结构的显层节点数目为m；隐层节点数目为n，具体如图3所示。定义显层偏置向量为r=(r1,r2,…,rm)T，隐层偏置向量为s=(s1,s2,…,sn)T。

图3 受限玻尔兹曼机网络结构

受限玻尔兹曼机是基于能量的模型(EBM)，需要为其定义一个能量函数，并利用能量函数引入一系列相关的概率分布函数。对于给定某一状态(r,s)，可定义能量函数为

(1)

ri为第i个显层神经元的偏移量；sj为第j个隐层神经元的偏移量；u为显层状态向量；v为隐层状态向量；wij为显层和隐层节点的权重系数。

定义隐层神经元vj的激活概率为P(vj|u)，其计算公式为

(2)

同理，可定义显层神经元ui的激活概率为P(ui|v)，其计算公式为

(3)

如上所述，深度学习网络往往包含多个受限玻尔兹曼机，所用深度学习网络包括2层受限玻尔兹曼机和1层BP神经网络，结构如图4所示。

图4 深度学习网络结构

由图4可知，上一层受限玻尔兹曼机通过学习得到特征数值并输出，该输出可作为下一层输入，这样每层就可以很好地获取上一层特征。顶层BP神经网络以最后一个受限玻尔兹曼机输出作为输入，并对输入特征进行分类、预测。

受限玻尔兹曼机的层数和各层节点数对模型预测性能的影响比较大。大量实验表明，隐层节点过少会导致预测效果偏差；隐层节点过多会导致系统泛化能力降低，出现“过拟合”现象。

2.2 软件设计

软件设计主要包括2部分，即温湿度检测部分和系统控制部分。

温湿度检测流程可描述为：系统开始运行后，首先执行系统初始化操作；如果系统运行正常，蜂鸣器就不会发出报警声；LCD液晶显示屏初始化完成后，先显示预设值然后显示传感器实时采样值；DHT11温湿度传感器实时采集工作点位的温湿度值，并通过数据转换，传送给ATmega16单片机；ATmega16单片机根据实时温湿度数值进行判断并将温湿度数据传送至上位机；上位机根据智能算法预测温湿度发展趋势。如果温湿度数值超过预设值，蜂鸣器会报警同时继电器吸合，执行加热、降温、除湿和加湿等操作。

系统控制流程可描述为：根据实时温湿度数据，单片机会判断当前温湿度是否超过预设值；上位机则会判断温湿度的发展趋势，并得到相关控制信号发送给单片机。单片机通过内部处理，实现继电器吸合控制，即加热、降温、除湿或加湿。如果温湿度数值恢复到预设范围之内，单片机就会关闭相关继电器。如此，不断开启和关闭继电器就可以实现整个环境的温湿度控制。

温湿度系统控制流程如图5所示。

图5 温湿度控制流程

3 实验研究

为验证所述控制系统的可行性和有效性，进行了相关实验研究。

实验场所为一个面积约200 m2的温湿度大棚，在实验场所设定10个数据采集点，实时采集温湿度数据并显示。实验过程中，记录实际温湿度数值以及系统恢复稳定状态所需时间。

作为对比，设置2组实验，第1组使用普通PID控制，温度提高5 ℃，湿度提高5%，分别记录温湿度采样值和稳态时间；第2组使用本文控制算法，温度提高 5 ℃，湿度提高5%，同样记录温湿度采样值和稳态时间。实验结果如表1和表2所示。

表1 PID控制实验结果

表2 深度学习控制实验结果

从表1和表2可以看出：如果仅仅采用PID控制，如果取绝对值，温度偏差最大值为1.90 ℃，温度偏差平均值为1.52 ℃，湿度偏差最大值为2.6%，湿度偏差平均值为2.28%，稳态时间平均值为16.13 min；采用深度学习控制方法，如果取绝对值，温度偏差最大值为0.5 ℃，温度偏差平均值为0.3 ℃，湿度偏差最大值为0.9%，湿度偏差平均值为0.6%，稳态时间平均值为5.72 min。

实验结果表明，采用所述温湿度控制方法可提高温度和湿度控制精度，提高系统响应速度，降低系统达到稳态所需时间。整体来说，控制系统的性能得到了大幅提升，具有一定的使用价值和借鉴意义。

4 结束语

以温湿度控制为研究对象，基于单片机设计了一种温湿度控制系统。给出了基于ATmega16单片机和DHT11温湿度传感器的硬件和软件设计方法。为进一步提高温湿度控制精度，设计了一种基于深度学习的温湿度控制器。实验结果表明，所设计控制系统具有较高的控制精度和稳定性，系统整体性能大幅提高，具有一定的推广价值。