溫室環境控制方法研究

【摘要】針對溫室環境控制的重要性，對國內外溫室環境控制的方法進行了研究，分析了溫室控制系統算法的特點。溫室環境控制的方法主要有：PID，專家系統，模糊控制，神經網絡，進化算法等。各種控制算法各有優缺點，單一的采用某種控制算法不能滿足溫室環境控制的精度要求。將多種控制算法交叉與融合的混合控制算法更能滿足現代溫室環境智能控制的要求或尋求新的魯棒控制新方法。同時指出了目前溫室環境控制中存在的問題，并對溫室環境控制的發展趨勢進行了展望。

【關鍵詞】溫室；環境控制；智能控制；遺傳算法

Abstract：Aiming at the importance of environment control technology in greenhouse，this paper summarized the research status on the development of greenhouse environment control methods at home and abroad，and analyzed the features and structures of greenhouse control systems.The main methods of greenhouse environmental control include PID，Expert System，Fuzzy Control，Neural Network，Evolutionary Algorithm and so on.Each control algorithm has its own advantages and disadvantages，the adoption of a single control algorithm can not satisfy the precision requirements of the environmental control of the greenhouse.Hybrid control algorithm that combined different algorithms can meet the control demands of modern greenhouse environment intelligent control well or to seek new robust control method.Their drawbacks were pointed out，and the development tendency of greenhouse environment control was expected too.

Key words：greenhouse；environmental control；intelligent control；genetic algorithm

1.引言

溫室作物生產是高度集約化的設施農業產業，在解決我國三農問題和提高農業生產效率中的作用越來越突出。目前我國已是世界設施作物栽培第一大國，設施作物栽培面積超過了300萬公頃。但與國外先進水平相比，目前最突出的問題是溫室作物生產的產量低、能耗等生產成本高，因而經濟效益較低。

溫室是一個包括作物、設施、環境、栽培管理措施等諸多因子及其相互作用的復雜系統。如何協調這些因子的關系，以最小的投入為溫室作物提供適宜的生長環境，從而達到高產、優質、高效和生態安全的溫室生產目標，一直是國內外設施農業領域中研究的重點與熱點問題。

溫室環境控制即通過對相關的設施（如加熱、通風、CO2施肥、肥水灌溉等設備）對溫室環境進行自動調控，獲得作物生長所需的適宜環境，從而大大提高作物產量與質量。因此，溫室環境控制是解決以上突出問題的核心技術手段之一。本文對目前國內外溫室環境控制的研究進展和成果進行綜述，指出溫室環境控制中的現存問題和發展方向。

2.溫室環境控制研究現狀

溫室環境控制有3個不同的層次，即人工控制、自動控制和智能控制。3種控制方法在我國的生產生活中均有應用，其中自動控制在現代溫室環境控制中應用最多，而智能控制具有處理非線性、時變和不確定信息等優點，理想的智能控制系統除了滿足一般控制系統的性能要求外，還應具有自學習、自適應、自組織和自結構等功能。現代溫室環境的智能控制[1]是目前的研究熱點。

2.1 溫室控制技術概況

溫室智能控制系統作為一種資源節約型的高效農業技術，主要是在計算機綜合控制下，創造適宜于作物生長的環境，實現優質、高效、低耗的工業化規模生產。要提高測控系統的性能除了硬件系統以外，控制算法也不可缺少。只有采用合理的控制算法，才能使溫室環境的綜合因子達到最優的控制效果，才能使溫室控制系統達到智能化的水平。

目前溫室環境控制中普遍采用的智能控制方法包括專家控制、模糊控制、神經網絡、遺傳算法和混合控制等。其中，混合控制將基于知識和經驗的專家系統、基于模糊邏輯推理的模糊控制和基于人工神經網絡的神經網絡控制等方法交叉并融合，相互優勢互補，使智能控制系統性能更理想，成為當今智能控制方面的研究熱點之一。

2.2 控制算法在溫室環境控制中的應用

溫室環境控制系統是一個非線性、大滯后、多輸入和多輸出的復雜系統，其問題可以描述為：給定溫室內植物在某一時刻生長發育所需的信息，該信息與控制系統檢測部件所檢測的信息比較，在控制器一定控制算法的決策下，各執行機構合理動作，創造出溫室內植物最適宜的生長發育環境，實現優質、高產、低成本和低能耗的目標。

2.2.1 PID控制算法及應用

PID控制是自動控制中產生最早、應用最廣的一種控制方法，在溫室環境控制中應用最早。PID調節的實質是根據輸入的偏差值，按比例、積分、微分的函數關系進行運算，將其結果用于輸出控制。

PID控制適合一些較為簡單的單輸入、單輸出線性系統，它靠控制目標與實際狀態之間的誤差來確定消除此誤差的控制策略。采用常規PID控制器，參數不易在線調整，容易產生超調，抗干擾能力差，不能滿足現代溫室環境參數監控的要求。因此，在溫室實際控制過程中，為了提高系統動態調節品質和控制精度，通常對常規PID控制進行改進。

朱虹通過對歷史溫室環境數據的合理分析，將溫室的溫度控制模型近似為一階慣性加時滯環節，基于該溫度近似模型用時間為權誤差積分指標最優的參數自整定公式來整定PID控制器參數，將整定后的PID控制器應用于溫室控制。余泳昌等研究的改進型PID控制算法在現代溫室參數控制中進行了應用，其抗干擾能力方面比傳統PID算法有一定的提高，使參數得到較精確的調整，使溫室溫度保持在最適宜的范圍。Albert Setiawan等[2]在研究了溫室控制算法PI控制器后，提出了擬微分反饋（PDF）控制方案，實驗結果表明，PDF的控制效果在性能上（溫室控制過程的靜態誤差，過渡過程時間，最大超調量）優于PI控制器的性能。但這種控制器的設計還是基于被控對象的數學模型，把溫室的控制系統對象建模成一階慣性滯后環節。這樣對象模型的參數不同程度上隨溫室內空氣流速，光照強度而變化，也隨時間的變化而變化。因此被控對象是一個時變的對象，同時也是若干變量的函數，要想獲得優化控制，創造一個適合作物生長的最佳環境有一定的難度。因此國內外學者目前大多采用智能控制方法對現代溫室環境進行智能控制，并做了很多的研究，以下是溫室環境智能方法控制方面的研究工作。

2.2.2 專家系統及應用

專家系統作為一種知識的載體，所表現出來的可靠性、客觀性、永久性及其易于傳播和復制的特性，是人類專家所不及的，因此在處理與解決某些領域問題時具有不可取代的重要作用。在溫室生產中，影響作物生長的有室內和室外各種環境因子，作物和環境因子之間的關系非常復雜，難以模型化與定量描述。因此，在現代溫室中可以利用專家經驗知識建立作物生長參數與環境因素之間的關聯系數。專家系統是應用人工智能技術，根據一個或多個專家提供的領域知識進行推理，模擬農業專家做決定的過程來解決那些復雜問題。

專家系統的基本結構由知識庫、推理機、數據庫、人機接口、解釋機構及知識獲取6部分組成[3]。專家系統善于解決不確定性的、非結構性的問題；它是靠知識和推理來解決問題，是基于知識的智能問題求解系統；它內部的知識和推理是相分離的，系統具有很好的靈活性和擴展性；它不僅能回答用戶提出的問題，而且能夠對最后的結論或處理問題的過程做出解釋；它還有自學習能力，能不斷的對自己的知識進行擴充、完善和提煉。沈天飛等在溫室計算機控制系統的基礎上，構建了一種專家控制平臺，采用可組態的規則庫和推理機制，以溫室作物的生長指標作為依據，使農業科研人員能通過專家系統軟件平臺建立具體溫室作物的計算機控制專家系統。龍利平等研究的加熱實時專家控制系統，在外溫的強擾動作用下，系統精度控制在0.5℃左右，完全滿足溫室溫度控制的要求。文獻[4]從工程實際出發，分析了溫室氣候計算機控制系統的要求，系統研究了溫室氣候計算機專家控制系統的設計與實現技術，對于提高溫室氣候的控制質量具有重要意義。

2.2.3 模糊控制算法及應用

溫室環境系統是一個多變量，多耦合，非線性，大滯后的復雜動態系統，很難建立精確的數學模型。模糊控制不需要建立被控對象的精確數學模型，它是通過計算機完成人們用自然語言所描述的控制活動，其控制算法是把各種環境參數綜合起來分析考慮，然后進行模糊控制[5]。模糊控制有許多良好的特性，它不需要事先知道對象的數學模型，具有響應速度快、超調小、過度時間短等優點，比PID控制調節速度快、魯棒性好，但模糊控制穩態精度欠佳，只能實現粗略控制。

于海業等提出一種基于模糊控制算法的溫室分季節、分時段的變溫管理的控制方法。該系統能夠很好的適應北方溫室科學生產和自動化管理的要求，可滿足溫室作物栽培的需要。胥芳等建立了溫室環境溫度模糊專家控制系統的MATLAB仿真模型，仿真結果證明了該溫室環境溫度模糊控制策略的有效性及合理性。盧佩等采用模糊控制方法，通過建立模糊控制系統模型和對模糊控制器的設計，引入解耦參數，實現系統的溫濕度解耦控制，提高了溫濕度控制的精度。楊澤林等通過數據挖掘，利用采集的溫室內、外溫度及室內濕度數據對溫室狀態進行分類，提出一種基于各類別中的溫室溫、濕度變化率相關性進行模糊解耦控制。黃力櫟等針對溫室氣候控制方法中溫濕度之間的耦合作用，提出以溫度控制為主、濕度控制為輔的控制策略，并建立兩變量輸入、三變量輸出的控制主回路和補償回路模糊控制系統，從而為溫濕度控制提供了一種行之有效的方法。程昱寧等研究了溫室冬季加熱模式控制，采用Smith預測器先補償掉系統大的延時，然后在Smith預測器前增加了模糊控制器，實現對溫室的模糊控制。這種控制方式要比簡單的模糊控制方式[6]在動態性能上有所改善。

2.2.4 神經網絡控制算法及應用

神經網絡采用黑箱方法能把復雜的系統通過有限的參數進行表達，具有自組織、自學習、非線性動態處理等特征，具有聯想推理和自適應識別能力，不需要建立精確模型。神經網絡優點是具有靈活性，適用于非線性和非物理數據，主要缺點是訓練需要大量多維數據集，以減少推斷風險[7]。

采用最常用的BP網絡能對環境因子達到良好的控制效果。BP網絡基本思想是最小二乘法，它采用梯度搜索技術，使網絡的實際輸出值與期望輸出值的均方差最小。它由輸入層、輸出層和隱含層組成，隱含層可能含有一個或多個，每層由若干神經元組成。BP神經網絡確實給溫室檢測系統模型的建立帶來了方便，但神經網絡是非線性的，進行穩定性分析相當困難。

Fathi Fourati等采用遞歸神經網絡對溫室進行直接動力學仿真，逆向神經網絡與神經網絡模型相結合以使系統的輸出所需數值，給出仿真結果對溫室的控制性能進行驗證。R.Linker等建立可靠的溫室環境和作物響應模型，通過消除不必要的輸入，分別預測溫度和CO2濃度使模型最簡化，利用在小溫室中兩個夏季收集到的數據訓練神經網絡溫室模型，實現溫室內CO2注入和通風之間的平衡，達到了良好的CO2優化控制效果。P.M.Ferreira等[8]對混合離散訓練方法和在線學習算法進行了分析，將離線方法應用于在線學習，利用線性非線性結構建立徑向基函數神經網絡，預測溫室溫度。

2.2.5 進化算法及應用

遺傳算法是一種基于自然選擇和群體遺傳機理的搜索算法，它模擬了自然選擇和遺傳過程中的繁殖、交配和變異現象，遺傳算法對復雜的優化問題不需要進行復雜的計算，只用遺傳算法的3種算子就能得到最優解[9]。它的優點在于：通過參數空間編碼并用隨機選擇的方法引導搜索向更高效的方向發展，對尋優函數基本無限制；通過目標函數來計算適配值而不需要其他推導和輔助信息，對問題的依賴性小；采用全局搜索，不易陷入局部最優點，更適合復雜大規模問題優化。

同濟大學徐立鴻團隊從97年開始在引進的荷蘭溫室中進行消化吸收其先進方法并針對本國溫室環境系統特點進行研究工作，先后提出了基于栽培經驗和參數辨識的溫室環境多因子協調控制方法和基于溫室環境動態模型和進化計算參數估計的多因子協調控制方法；基于Pareto最優的思想，利用多目標遺傳算法對溫室環境節能控制方法進行了有益的探討，提出了相容優化控制算法；提出了對系統狀態初值的不確定性魯棒的溫室環境系統相容優化控制方法；提出了基于溫室環境動態模型對理想環境目標和能耗目標進行綜合優化控制的新方法等。鄧璐娟等采用多級控制策略，優化設定系統目標值來解決溫室環境系統中多個時間響應常數相差過大的問題。設定系統優化目標值時，白天使植物獲得最大的光合速率，夜間在滿足植物生長和積溫要求的前提下使溫室處在能耗最小的狀態下運行。構建了能量消耗為零（無加熱、無制冷和無機械通風）時計算溫室內部溫度的模型，采用遺傳算法對最優目標值進行搜索。計算結果取得了較高的效率又能節能。Hartmut Pohlheim等利用進化算法來計算溫室系統的最優控制狀態，每隔15-60分鐘綜合模型（短時間尺度模型）檢測一下溫室內的溫度、濕度、CO2濃度，在約束條件下利用進化算法來優化溫室環境控制以實現最大利潤。

2.2.6 混合算法

（1）模糊PID控制算法

PID算法簡單，可以實現精細控制，使系統準確跟蹤設定值。模糊控制可充分利用現場和專家的經驗，調節速度快，魯棒性好，但只能實現粗略控制。對此將PID控制和模糊控制相結合，互補不足，采用混合模糊PID控制方法，解決溫室環境調控中存在的時滯和模糊性問題。溫室系統的延遲問題應該說是調控中很難處理的問題，任雪玲等運用預測技術解決了延遲問題，采用具有優化技術的PI和模糊控制混合技術進行調節，解決了粗調問題和細調問題。屈毅等針對溫室控制對象存在的大滯后、大慣性等屬性，傳統控制方法的控制效果不甚理想的問題，在溫室控制系統中，引入模糊PID控制方法。該方法能使溫室溫度控制系統根據季節的交替，時令的變化，實現優化控制，為農作物的生長發育提供合適的溫度環境。

（2）基于遺傳算法的優化模糊控制算法

遺傳算法是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應全局優化概率搜索算法。GA相比其它優化方法能更有效的求解復雜的尋優問題，為了解決模糊控制器設計中的困難，很多學者采用GA優化模糊控制規則，采用二進制編碼法對控制規則進行編碼，從而設計出具有自學習能力的模糊控制器。用GA調控模糊控制規則，既避免了GA優化過程的早熟現象，又可提高優化控制規則的速度。江蘇大學毛罕平團隊采用遺傳算法優化隸屬函數實現模糊控制器優化設計的方法，并將這種優化設計的模糊控制器應用于溫室集散控制系統中[10]。

（3）模糊神經網絡控制算法

模糊控制與神經網絡相結合是一種新的技術，其主要特點是利用神經網絡調整模糊推理系統的隸屬度函數和推理規則，利用模糊推理規則的形式構造前向傳播結構。另外，兩者具有各自特性的互補性，神經網絡完成的是從輸入到輸出的“黑箱”式非線性映射，但不具備象模糊控制那樣因果規律以及模糊邏輯推理較強的知識表達能力。將兩者有機地結合起來，神經網絡強大的學習能力則可避免模糊控制規則和隸屬函數的主觀性，從而提高模糊控制的置信度，能更好的適應溫室系統的非線性和時變特性。李紅軍等利用模糊神經網絡控制器調節溫室的溫度因子，采用遺傳算法優化高斯隸屬函數的中心值和閾寬，用BP算法優化網絡權值，提高了控制器的學習和調整能力。

2.2.7 其它方法的應用

Rodr’guez F.等采用分層控制法對溫室作物生長進行控制，并進行了試驗研究。第一個試驗用自適應和反饋算法控制溫室顯示出良好的性能，第二個試驗通過模型預測控制算法控制執行機構以獲得良好的跟蹤性能同時減小燃料消耗費用。J.P.Coelho等提出用粒子群優化算法設計基于模型的溫室空氣溫度預測控制器，并與用遺傳算法和逐步二次規劃算法設計的控制器進行了比較，仿真結果顯示用粒子群優化算法設計的基于模型的溫室空氣溫度預測控制器效率更高。劉東利等采用神經網絡模糊PID算法對溫室內溫度進行控制，取得了較好的動靜態特性、魯棒性和抗干擾能力。沈敏等考慮開關設備組合作用下溫室測控系統的非線性動態特性，提出結構簡單、不需復雜數值計算的離散預測模型，對設備組合進行滾動優化預測控制，大大簡化溫室測控系統預測控制算法的復雜性，緩解了測控系統分布大時滯問題。Tetsuo Morimoto等提出基于作物生長需求（Speaking Plant Approach），以及預測環境模型（PEM）方法來調控溫室環境。這種做法[11]早在1980就提出了。只是當時的智能控制這一技術還沒引起農業界的高度重視。隨著科學技術的發展，現在基于神經網絡，專家系統控制，模糊控制等技術使得基于SPA或PEM模型的溫室調控成為可能。

3.存在的主要問題

各種控制算法各有優缺點，單一的采用某種控制算法，不能滿足溫室環境控制的精度要求。如模糊控制響應速度快、超調小、過渡時間短，但穩態精度欠佳，只能實現粗略控制。神經網絡確實給溫室系統模型的建立帶來了方便，但神經網絡是非線性的，進行穩定性分析相當困難。

國內有效的溫室環境輸入輸出動態模型成果不多，并且在作物生長對溫室環境反饋作用的方面研究的還不深入，所采用的模型在很大程度上進行了簡化和近似，由于溫室系統的復雜性以及存在的不確定性等因素，大大影響了實際中的控制效果，此外控制方法也是針對系統的部分特點難點有效，綜合控制效果并不明顯。

目前國內溫室環境控制主要針對溫度和濕度的控制進行研究，溫室環境調控指標含糊，控制精度低，不能做到多環境因子綜合控制。另外，國內外越來越重視對能源的節約，但是在節約能源的具體實現方法上還有待進一步研究。

4.展望

通過對目前國內外溫室環境控制的研究現狀進行分析，提出了今后溫室環境控制系統的發展方向：

控制算法集成。由于現代溫室環境控制系統是一個非線性、大滯后、多輸入和多輸出的復雜系統，單一的控制算法很難滿足現代溫室環境智能控制的要求，將多種智能控制算法集成，能進一步提高智能控制系統的性能，有效地為溫室內作物創造最適宜的生長發育環境。

深入研究作物對溫室環境的反饋作用機制，建立面向控制的適合我國溫室的多環境因子綜合環境控制輸入輸出動態模型。

進一步研究環境控制目標間沖突問題（如溫度和濕度，CO2施肥的影響），環境控制精度和能耗目標沖突問題，對環境因子綜合控制，并實現節能。

總之，未來的溫室環境控制系統必將越來越以植物生長的最適宜環境為中心，以高效、節能為目標，大大促進設施農業的全面發展。

參考文獻

[1]李錫文，楊明金，楊仁全.現代溫室環境智能控制的發展現狀及展望[J].農機化研究，2008（4）：9-13.

[2]Albert Setiawan，Louis D.A.，Richard M.P..Application of Pseudo-derivative-feedback Algorithm in Greenhouse Air Temperature Control[J].Computers and Electronics in Agriculture，2000，26（3）：283-302.

[3]李軍，鄒志榮，程瑞鋒等.農業專家系統及其在園藝業中的研究與應用[J].陜西農業科學，2002（11）：22-25.

[4]鄭秀蓮.現代溫室氣候的專家控制系統[J].機電工程， 2003，20（3）：42-45.

[5]藍淑淵，璩柏青.自尋優模糊控制器及其在溫室溫控中的應用[J].計算機時代，2005（10）：20-21.

[6]朱偉興，毛罕平，李萍萍等.基于模糊控制的溫室加熱器的研究[J].農業工程學報，2002（3）：72-75.

[7]Ido Seginer.Some Artificial Neural Network Applications to Greenhouse Environmental Control[J].Computers and Electronics in Agriculture，1997，18：167-186.

[8]索興梅，王崇桃.人工神經網絡在農業中的應用研究[J].計算機與農業，2002（2）：6-7.

[9]任雪玲.溫室環境多因子協調控制方法研究[D].上海：同濟大學，2001.

[10]朱偉興，毛罕平，李萍萍等.遺傳優化模糊控制器在溫室控制系統中的應用[J].農業機械學報，2002，33（3）：76-78.

[11]Tetsuo Morimoto，Yasushi Hashimoto.An Intelligent Control for Greenhouse Automation Oriented by The Concepts of SPA and SFA-an application to a post-harvest process[J].Computers and Electronics in Agriculture，2000，29（1-2）：3-20.

基金項目：國家自然科學基金項目（項目編號：61174090）。

作者簡介：聶海強（1984—），男，山東人，從事多目標優化與控制的研究。