网站首页  词典首页

请输入您要查询的论文：

　

标题 基于BP神经网络数学算法的智能照明控制应用
范文 程昌继　王晓


摘 要：传统控制系统通常具有固定的控制模式，而无法根据实际环境进行灵活调整。基于BP神经网络算法，以英飞凌XC836芯片为平台，设计了能够自动根据环境信息调整光照亮度的照明控制系统。相比传统照明控制系统，该设计具有更高的灵活性与可调性，同时还通过BP神经网络的线性参数实现了光照强度的线性调节控制。
关键词：LED照明；智能控制系统；PWM应用；BP神经网络
DOIDOI：10.11907/rjdk.151209
中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2015）007-0079-03
0 引言
随着LED照明技术的发展，由于其具有低功耗、高亮度、易控制等特点，已经逐渐成为照明系统的首选。但是传统LED照明控制系统通常采用简单的开关控制方案，不仅无法发挥出LED灯的照明潜能，还容易导致LED灯长期高负荷运行，严重影响其使用寿命[1]。因此，为了延长LED灯的使用寿命，实现灵活的照明控制，需要采用智能LED照明控制方案。
罗静华[2]设计了利用单片机与键盘输入控制LED亮度的智能照明系统。其方案可有效降低LED的工作负荷，延长照明系统的使用寿命。但是由于LED仅能够根据预设值进行简单的亮度调节，而不对调节结果进行反馈处理，因此无法实现准确的智能控制；吴玉香[3]通过反馈通信解决了实时调节问题，但是增加了系统的实现与运行成本。
照明控制系统通常需要独立运行，因此智能控制方案需要具有较高的自适应性。此外，由于嵌入式系统对功耗有严格要求，因此控制方案还需要具有较低的运算开销。基于以上约束条件，非常适合采用BP神经网络算法作为控制方案。
BP神经网络是人工智能领域连接主义学派的主要研究方向，起源于人们对动物神经元及神经冲动传播机制的研究。其通过阈值模拟动物神经元的信息处理与传递过程，将待解问题的空间集合化[4]。问题的解空间越大，其适应度就越高，拥有的潜能也越大。因此，基于BP神经网络的控制系统通常具有良好的自适应能力，并可以在较低运算开销下解决复杂的控制问题。此外，由于BP神经网络基于线性参数构成，因此可以实现线性的控制变化[5]。
本文基于BP神经网络设计实现了智能照明控制系统。该系统基于英飞凌XC836平台实现，采用当前较为成熟的三层BP神经网络结构，即“输入层-隐含层-输出层”模型。其中，输入层数据使用光照采集模块的输出值，输出数据提供给LED控制系统作为控制值。为了提高系统的调节准确程度，输入层-隐含层权值、隐含层-输出层权值以及节点阈值首先通过模拟计算，得到合理的区间值，然后再基于实际环境进行调整。
1 系统设计
本文系统由光强采集与处理模块、BP神经网络控制模块、LED灯驱动与调节模块组成，模块间通过I2C总线进行通信，以降低系统的设计与运行成本。系统通过SPD调试端口与主机连接，实现权值与阈值的模拟计算。其中，光强采集模块与LED照明模块通过生成光照强度构成结果反馈。系统设计模块如图1所示。
（1） 光强信息采集与处理模块：该模块基于光照传感器采集信息的基本原理，利用光敏器件的感光特性，通过易测的电流来定量得到不易测得的光强信息。在本文系统中，模块采用光敏二极管，通过AD采样二极管的反向漏电流数值获取输入信息。将AD采样的值代入对应的光强计算公式，即可获取实际的光照强度。
（2） BP神经网络控制模块：本模块基于BP神经网络理论，通过“输入-隐含-输出”三层网络结构模型，实现智能控制模块的构建。在本文系统中，首先通过PC端模拟控制算法，获取权值与阈值的合理区间，为BP神经网络的路径分配初始权值。然后基于SPD接口将各权值同步至XC836中，基于实际环境调节光照输出，使LED灯的输出与预期匹配，完成权值的误差修正和BP神经网络的自主学习。
图1 系统设计模块
（3） LED灯驱动与调节模块：本模块基于传统的LED亮度控制理论实现。通过控制LED灯点亮时间的占空比来调整LED灯的亮度。在本文系统中，由于需要进行亮度调整与校正，恒流驱动电路向LED提供的电流大小被严格控制在额定电流以下，以避免LED在调节过程中被损坏。驱动电路被导入具有一定占空比的脉冲方波，通过驱动电路三极管的导通与夹断，使流经LED的电流高频通断，进而控制LED灯的亮度。脉冲方波由XC836平台提供，其空占比由BP神经网络计算得出。
2 系统实现
2.1 光照采集模块设计
光照采集模块的核心部分为光敏二极管。光敏二极管的管芯是一个具有光敏特征的PN结，具有单向导电性，在工作时需加上反向电压。无光照时，有很小的饱和反向漏电流，此时光敏二极管截止。当受到光照时，饱和反向漏电流增加，形成光电流，并随入射光强度的变化而变化。因此，在电路中增加AD模块对流经光敏二极管的反向漏电流进行采样，即可获取采样中间值，再通过计算获得当前的光照强度。
本文系统采用了将光敏二极管与AD集成在一起的TSL2561芯片。TSL2561可以通过I2C总线直接输出光强的数字信号，其I2C总线地址前7位由其ADDR SEL管脚的电平决定。而在I2C总线地址识别过程中，最后一位表示传输方向，0表示主机写，1表示主机读。因此TSL2561的实际总线读写地址为：0x53与0x52（ADDR SEL接地），0x93与0x92（ADDR SEL接电源正），0x73与0x72（ADDR SEL悬空）。本文系统使用TSL2561的控制寄存器（地址为0 h）、时间寄存器（地址为1 h）、通道0低字节数据寄存器（地址为C h）、通道0高字节数据寄存器（地址为D h）、通道1低字节数据寄存器（地址为E h）、通道1高字节数据寄存器（地址为F h）。在I2 C总线子地址识别过程中，通过传输“0x80|寄存器地址”，表明选择的寄存器，然后传输8位寄存器命令字，即可读取运算数值，并计算光照强度，计算方法为：
2.2 BP神经网络模块设计
BP神经网络算法通常采用“输入层-隐含层-输出层”模型，其中隐含层可以基于实际需求采用不同数量的阈值单元。通常情况下，如果输入层与输出层间的对应复杂度较低，可以采用数量为5～10的隐含层阈值单元，对于复杂度较高的应用，需要采用15个以上的隐含层阈值单元[6]。在本文系统中，由于光照控制对象较为简单，输入层与输出层间对应复杂度较低，因此可以采用7层阈值模型以降低控制单元的复杂程度和设计实现成本，同时又能够维持较为线性的控制关系。本文模型如图2所示。
图2 BP神经网络算法7层阈值模型
在执行控制功能时，输入层数据为环境光照信息，系统不进行反馈调节。在本文系统中，输入层采用光照采集模块电流，根据2.1节所述，由于光照强度与电流强度具有固定的对应关系，因此输入层可以代表系统对光照强度的监测。根据BP神经网络控制理论，不同的输入值会在隐含层产生不同的阈值反应，进而产生不同的输出层结果，各个结果间具有较低的耦合关系。因此，本文系统可以对不同的光照强度产生对应控制结果，从而实现灵活可调的控制方式。
在进行智能学习时，输入层数据包含环境光照系统与控制光照信息，系统需要对控制结果进行反馈调节。由于本文系统采用了较低数量的隐含层阈值单元，因此BP神经网络具有较高的学习收敛能力，可以实现对环境光照强度的快速反馈调整。在智能学习过程中，由于输出层数据改变了环境的光照强度，导致输入层数据改变，因此产生了隐含层权值的反馈调节。本文系统利用XC836MT开发板上的4根扩展引脚接收调节信息，并采用手动调节旋钮和ADC数据采集模块实现权值的改变。在学习过程中，用户通过旋钮校正输出数据，调节实际光照强度，系统则对旋转数值采样，获取用户反馈信息，并计算出矫正数值，对BP网络进行相应的调整。此外，为了实现准确的数值调整，系统还使用Miniwiggle通信模块与上位机进行实时通信，以了解权值变化情况。
2.3 LED灯驱动与调节模块设计
本文系统采用脉宽调制（PWM）方式对LED电流的通断进行控制。PWM利用LED灯的热残留和人眼视觉暂留的特性，通过控制占空比模拟出不同的LED等效供电电压，从而改变LED灯的亮度，实现对LED灯的控制。由于BP神经网络需要参数修正过程，可能产生过大的校正电流。因此本文系统LED的电流被严格控制在额定电流之下，避免电流过大烧坏LED灯珠。
本文系统采用PT4115作为LED的调光驱动芯片。PT4115是基于连续电感电流导通工作的降压恒流源芯片，可接收6V～30V 宽电压范围输入，并实现1.2A的大电流输出。本文通过在其DIM引脚中加入XC839生成的可变占空比方波脉冲信号，调节输出电流，以实现调光。当方波电压幅值低于0.3V时关断LED电流，高于2.5V（且低于5V）时完全开启LED电流。该条件下电流输出值IOUT计算公式为：
IOUT=（0.1×D）/Rs（D为方波信号占空比，Rs为限流电阻）
当方波电压低于0.2V时，驱动电路进入睡眠状态，LED熄灭；当电压高于5V时，LED电流始终保持最大值（0.1/Rs），避免电流过大烧毁LED灯珠。
本系统的LED光源采用3W的大功率白光LED灯珠，其额定电流约为700mA，正向压降约为3.3V。在尽量考虑周边器件自身功耗的前提下，基于PT4115 的恒流驱动系统设计如下：①确定输入电压Vin值，当Vin 与负载电压差值在1.5V 左右时工作效率较高，由于LED 负载电压约为3.3V，因此应选用5V以上的电源适配器供电。而由于PT4115的供电电压为8V～30V，所以最终选取12V/2A的电源适配器供电；②Rs作为限流电阻，其取值决定于LED的最大驱动电流。考虑到LED灯珠的散热要求，其工作电流不宜过大，驱动系统按LED最大工作电流IOUT=625mA设计，而Rs=0.1/IOUT，所以Rs应当选取0.16Ω的高精度电阻；③Cin具有续流和滤波功能，选用100uF的电容；④L1为镇流电感，选取电感值为68μH，且饱和电流大于700mA的电感；⑤D1是续流二极管，当芯片内部MOS管处于截止状态时，为储存在电感L1中的电流提供放电回路。由于工作在高频状态，因此选用正向压降小且恢复速度快的二极管，以有效降低系统功耗。本文系统的电路如图3所示。
3 结语
本文基于BP神经网络，以英飞凌XC836为平台设计实现了具有自适应能力的照明控制系统。通过7层模型的BP神经网络，本文系统能够自动根据外界光照强度信息调整照明亮度，并基于用户的反馈信息进行控制学习，以实现灵活可调的照明控制。
参考文献：
[1] 裘继红，李妹，俞安琪.关注LED 照明产品标准发展的新趋势[J].照明工程学报，2012（3）： 7-11.
[2] 罗静华.大功率LED 智能化照明控制系统设计[J].单片机与嵌入式系统应用，2010（1）： 50-52.
[3] 吴玉香，尚俊，罗婉霞.一种LED智能控制模块的设计[J].照明工程学报，2014（2）：27-31.
[4] 严太山.基于遗传算法的神经网络学习算法研究[J].湖南理工学院学报，2007（1）： 31-34.
[5] 王钰，郭其一.基于改进BP 神经网络的预测模型及其应用[J].计算机测量与控制，2005（1）： 39-42.
[6] 沈花玉，王兆霞，高成耀.BP 神经网络隐含层单元数的确定[J].天津理工大学学报，2008（5）：13-15.
[7] 杨健兵.BP神经网络改进算法研究[J].软件导刊，2014，13（5）：76-78.
（责任编辑：黄 健）
随便看

　

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

　

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间：2025/2/6 2:55:50