基于模仿学习的多执行器温室控制仅解码器Transformer的实地验证

《Scientific Reports》：Field validation of a decoder-only Transformer for multi-actuator greenhouse control via imitation learning

　　

摘要

基于人工智能（AI）的温室控制系统的评估主要以仿真或离线预测为主，而利用AI生成信号实际操作物理执行器的田间证据仍然有限。本研究开发并田间验证了一套基于人工智能的温室控制信号系统，该系统结合了通过模仿学习训练的解码器-only Transformer执行器控制预测模型与温室数据采集及控制平台。该平台集成了环境传感、模型推理、信号传输、故障回退切换、执行器状态日志记录及锅炉功率计量。基于规则的控制器作为确定性的、可验证的替代教师模型，用于执行器层面的验证参考。对初始自回归配置的诊断分析表明，将预测的控制信号作为后续输入复用会降低运行可靠性。排除先前控制信号变量可消除该反馈路径，从而实现连续的非自回归运行。在扩大训练数据集后进行的与降雪相关的验证中，最大日控制规则违规率为0.90%或更低。在最终验证中，最大日违规率保持在1.94%或以下，24小时平均内部温度绝对差值为0.42 ± 0.29 °C，温室间锅炉能耗差值为3.79 ± 0.88 kWh day?1（1.44 ± 0.46%）。由于验证使用了未种植作物的温室，本研究的发现证明了执行器层面的田间可行性，而非节能性能或作物层面的优化效果。