基于ZigBee技術與BP神經網絡的棉田自動灌溉控制系統設計

趙天圖，馬 蓉，劉南江，鄭玉玲 (石河子大學機械電氣工程學院，新疆 石河子 832000)

新疆作為一個典型的干旱半干旱地區，具有獨特的農業生產環境，農業主要是以灌溉農業為主，水資源目前作為新疆最緊缺的自然資源，作物灌溉節約用水量的問題不論從經濟社會角度上講還是從自然資源角度上講，都是如今擺在我們眼前并急需解決的重要問題[1-3]。為了更好地實現自動化灌溉通過ZigBee網絡技術，對灌溉區進行實時的監控[4-7]。目前自動灌溉在新疆已經正在使用，但是還是不夠完善，由于受到灌溉區域較大、不同的環境因素對棉花的生長影響的問題、大面積棉田自動化程度不高、電磁閥的任意安裝導致通訊出錯的問題。因此，研究一種能夠實現覆蓋面積廣、價格低廉、性能可靠的自動灌溉系統對提高新疆棉花生產力水平具有重要意義。

1 節水滴灌監測與預警系統組成

本文的節水滴灌監測和預警系統主要分為3部分:上位機監控系統，ZigBee無線網絡通訊系統，滴灌區域數據采集系統(見圖1)。上位監控系統負責接收傳感器采集到的數據并且顯示在屏幕上，同時給下位機傳送命令；無線通訊部分負責數據和命令的傳送；數據采集部分即溫度傳感器、濕度傳感器、土壤飽和度傳感器等，負責各項數據的采集[8-14]。

不同的傳感器通過各自的采集功能將采集到的不同數據信息，經過微處理芯片的處理，經過無線通訊部分將信息傳送給上位機，實現實時監測[15-17]。傳感器的終端核心采用CC2530芯片，該芯片是一個應用于ZigBee和IEEE802.15.4的SOC解決方案。

圖1 滴灌監測與預警整體組成Fig.1 The overall composition of drip irrigation monitoring and early warning

2 硬件傳感器的選型

節水滴灌施肥監測與預警實驗主要由田間各類傳感器對田間水分信息、氣象信息、作物信息等有關信息進行實時采集和獲取；對采集到的電信號經過變送器和數據采集控制卡轉換成數字信號傳遞到主機，主機將信息進行分類處理成為具有實際意義的物理量，并且將結果保存到相關的實時數據庫中。

作為滴灌施肥的監測和預警系統，需要我們對灌區的各項數據進行實時監測，所以需要溫濕度傳感器、光照傳感器、流量傳感器等(見表1)。

表1 傳感器選型表Tab.1 Sensor selection table

3 BP神經網絡監測與預警

3.1 根據土壤中水分蒸發量情況進行滴灌用水預警

在棉花生長的過程中，影響棉花生長的主要因素包括溫度、熱量、光照條件、水分、土壤條件等。水分是棉花植株體內的重要組成成分，棉花生長發育所需要的水分和養料，主要通過根系從土壤中獲得，因此對滴灌用水和養料的監測成為關鍵因素。

棉花實際的用水量的預算是進行滴灌預警的基礎，棉花的耗水量為：

MT=MT0KC

(1)

式中：MT作為棉花耗水量；MT0作為參考耗水量；KC作為作物系數。

土壤水分的蒸發量反映了蒸發潛力的綜合指標，與參考耗水量密切相關，反映出氣象因素的綜合影響。二者的關系為：

MT0=MPKP

(2)

式中：MP作為土壤蒸發量；KP作為土壤系數。

將式(2)代入式(1)可得：

MT=MPKPKC=MPKPC

(3)

式中：KPC作為土壤作物系數，可通過實驗來進行確定。

因此通過作物耗水量和土壤蒸發量之間的關系，就可以取一小塊棉田土壤，通過利用水分傳感器對小塊棉田土壤的水量蒸發情況來模擬出棉田中的土壤的水分蒸發消耗來進行灌溉用水量的預警。如圖2所示將棉田看作取樣的小塊棉田土壤放在容器中，在大氣蒸發的作用下，容器中土壤水分會隨著大氣蒸發而下降，農田土壤內含水量通過土壤表面蒸發和作物蒸騰也逐漸的消耗減少，水分傳感器不斷的測量實驗土壤中的水分含量，當水分傳感器測得實驗土壤中水分蒸發達到設定的蒸發量時，說明土壤內部儲水量不足，就會自動啟動灌溉系統進行實時灌溉。

圖2 棉花耗水量與小塊實驗棉田蒸發量的關系示意圖Fig.2 Relationship between water consumption and small cotton cotton experimental evaporation diagram

3.2 BP神經網絡模型

通過相關資料查詢與借鑒，該領域內網絡架構最廣泛的為BP神經網絡模型，該模型屬于多層狀模型。因此，本文提出一種最優化的BP神經網絡的預測模型，其網絡結構如圖3所示。由于預測模型采用了N路網格構架的方法進行信息采集，因此系統將會產生大量數據，此外隨著數據動態增長，計算較為耗時，造成由于反應延緩帶來不必要的損失。從預測的角度來講，對于同一種傳感器數據(如灌溉水量)，在某一時刻t下，尋找所有水量傳感器數據變化明顯信息點，將該信息點設為最優變量，同理，可以得到水量蒸發量、最優空氣含水量、最優土壤含水量等，將這些數據量作為 BP神經網絡的輸入信號，不僅可以極大地減少其訓練過程時間，而且同時還能夠避免了同類信號間的變化不一致導致的所造成的數據混亂。

圖3 最優神經網絡預測模型Fig.3 The optimal neural network prediction model

通常情況下系統需要對灌溉用水量進行預測，進行水預測所需要的BP神經網絡模型由3個部分組成，分別是輸入層、輸出層和隱含層3部分，計算步驟如下。

第一步，將水流量傳感器的數據進行輸入和輸出變量歸一化處理，就是將全部數據轉化為[0,1]。將會給每一個連接權值用Wij、Vjt進行賦值，閾值為θj、γt在區間(-1，1)內部所產生的隨機值。

第二步，用輸入數據Xk=(Xk1，Xk2，…,Xkn)、連接權值Wij和閾值θj計算隱含層中每個單元中出現的輸入aj，然后利用aj通過傳遞函數計算隱含層中每個單元中得出的輸出bj。

(4)

bj=f(aj) (j=1,2,…,p)

(5)

第三步，需要利用隱含層中的輸出bj、權值vjt和閾值γt計算輸出層各單元的輸出為Lt，然后通過利用傳遞函數來計算輸出層各輸出單元中的實際輸出Ct。

(6)

Ct=f(Lt) (t=1,2,…,q)

(7)

第四步，在這一步驟中利用網絡模型中網絡坐標向量Tk=(yk1,yk2,…,ykq)與網絡的實際輸出Ct，計算出各層的單元進行訓練時的訓練誤差dkt。

dkt=(ykt-Ct)Ct(1-ct) (t=1,2,…,q)

(8)

第五步，通過利用連接權值Vjt、輸出層的訓練誤差dt利用函數計算隱含層單元的訓練誤差ekj。

(9)

第六步，通過計算的誤差結果，利用輸出層各單元的訓練誤差dkt與隱含層各單元的輸出bj來修正連接權值Vjt和閾值γt。

vjt(N+1)=vjt(N)+αdktbj

(10)

γt(N+1)=γt(N)+αdkt

(11)

t=1,2,…,q;j=1,2,…,p; 0<α<1

第七步，利用通過計算隱含層各單元的訓練誤差ekj和輸入層各單元的輸入Xk來修正連接權值Wij和閾值θj。

wij(N+1)=wij(N)+βekjxki

(12)

θj(N+1)=θj(N)+βekj

(13)

i=1,2,…,n;j=1,2,…,p; 0<β<1

通常情況下對肥液EC/pH值的控制是施肥的關鍵，為了能夠控制這個量我們需要一個水預測的模型，這個預測是必要的，用來維持在一個穩定的水肥狀態。如果我們假設我們有p個輸入和m個輸出，通過下面的一般表達式每個輸出yk都作為每個輸入ui的函數:

(14)

k=1,2,…,m;i=1,2,…,p

式中：ndk為第k次輸出的分母度數；nnki為輸出值k和輸入值i的分子度數；rki為輸入量i和輸出量k之間存在的延遲關系(所采樣時間單位設為Ts)。

整個模型的定義將通過系數akj和bkij的測定進而才能確定。他們使用的方法是通過預測值與實測值之間的均方誤差(非線性)最小化輸出標準來確定水肥的濃度。此外，選ndk=nnki=1通常是足夠的。

通過神經網絡的自身學習、加權系數調整，從而使計算出水量的預期值和肥液濃度的允許范圍是最優值。

3.3 肥料施放的監測

水肥養料也是作為棉花生長的關鍵因素之一，所以選擇用EC/pH值濃度來作為系統施肥的監測參數，因為目前國內外肥料施放監測系統主要根據營養液的導電率EC和pH值的變化進行營養液的管理。若營養液的pH值不適當，會使作物對營養液素吸收受阻；然而介質溶液濃度越大，則EC值就會越高，滲透壓就會越高，作物難對肥液中的水分和養分進行吸收，造成對作物生長的不良影響[17]，因此對EC/pH值的監測是有必要的。在施肥過程中需要進行實時監測，其中包括對施肥罐的液壓位和壓力、電磁閥內肥液的流量、水肥采樣中EC/pH值等，通過實施監測不斷地進行對施肥參數的調整。施肥流程圖如圖4所示，EC/pH值調整流程圖如圖5所示。

圖4 施肥流程圖Fig.4 Fertilization flow chart

圖5 EC/pH值調整流程圖Fig.5 EC/pH adjustment flow chart

4 上位機監控界面

上位機所呈現的實時監控界面主要由3個部分構成：上位機數據監控模塊、執行端自動和手動控制模塊、預警和報警模塊。通過Labview制作的人機交互界面可以更簡單和直觀的操作和監控滴灌田間的工作，達到對灌區的各項數據的信息

采集，數據直接顯示在人機交互界面上，更加直觀地對灌區自然情況進行實時監測。通過對每天的空氣溫度、土壤溫度、施肥時pH值和EC值的監測進行精準滴灌施肥，經過多次實驗發現最適合棉花生長的溫度應該控制在19～22 ℃之間，灌溉用水的EC值要求<0.8 mS/cm，最適合的植物生長所需求的EC值通常控制在1.2～1.8 mS/cm范圍之間，最高值不能夠超過2.5 mS/cm。最適合植物生長pH值范圍應該控制在5.5～6.5之間，因為在這個pH值得范圍內植物生長所需要的有效養分含量最高，有利于植物吸收利用，灌溉用水的pH值在5.2～6.8最為合適?？刂颇K可以直接在界面上點擊，方便對滴灌閥門的管理和控制。預警模塊分為A、B、C 3個級別對應的不同情況有不同的施肥方案。通過Labview組態軟件對灌區的管控使得精準施肥變得更加簡單和方便。

系統控制目標EC值通常在1.2～1.8 mS/cm之間，pH值范圍為5.5～6.5。測試的目的是通過對滴頭處EC值和pH值進行實時監測，進而檢驗施肥時刻的水肥濃度是否達到施肥要求，同時檢測控制器的調控能力。當開始施肥時每20 s進行一次取樣并檢測，表2為營養液的pH和EC值采樣值。經過對采樣數據和理想值之間的對比證明本系統能夠達到對EC/pH值控制的目的。

表2 滴灌精量施肥時滴灌頭EC值和pH值的測量值Tab.2 EC value and pH value of drip irrigation under drip irrigation

5 結 語

本系統針對新疆干旱半干旱地區的特殊情況，新疆水資源緊缺、農業用水量大等一系列問題，對滴灌變量施肥監測和預警提出了一套方案。通過BP神經網絡對用水量的預測和變量施肥時肥液的pH值和EC的實時監控達到監測和預警功能。并通過簡單的Labview組態軟件建立了上位機人機交互界面能夠實時對灌區進行檢測，并且能夠簡單的實現對灌區滴灌的操控，節約了勞動力，通過簡單的組態軟件讓滴灌更簡單，滿足了實際農業變量施肥和節水的管理。

[1] 蘇 薈. 新疆農業高效節水灌溉技術選擇研究[D]. 新疆石河子：石河子大學,2013.

[2] 李曉淵. 新疆干旱區農業高效節水灌溉技術示范經濟評價研究[D]. 烏魯木齊：新疆農業大學,2010.

[3] 李建軍,張闖江,張 卓. 新疆棉田滴灌供水系統自動化節水控制的設計與研究[J]. 農機化研究,2015,(12):236-239,244.

[4] 袁壽其,李 紅,王新坤. 中國節水灌溉裝備發展現狀、問題、趨勢與建議[J]. 排灌機械工程學報,2015,(1):78-92.

[5] 楊士紅,王乙江,徐俊增,等. 節水灌溉稻田土壤呼吸變化及其影響因素分析[J]. 農業工程學報,2015,(8):140-146.

[6] 金宏智,嚴海軍,錢一超. 國外節水灌溉工程技術發展分析[J]. 農業機械學報,2010,(S1):59-63.

[7] 高雪梅. 中國農業節水灌溉現狀、發展趨勢及存在問題[J]. 天津農業科學,2012,(1):54-56.

[8] 匡秋明,趙燕東,白陳祥. 節水灌溉自動控制系統的研究[J]. 農業工程學報,2007,(6):136-139.

[9] 王清瑞. 無線傳感網絡技術在節水灌溉中的應用[D]. 天津：河北工業大學,2012,41(9):56-59.

[10] 張寄陽,段愛旺,申孝軍,等. 基于蒸發量的膜下滴灌棉花灌溉預警裝置設計與試驗[J]. 農業機械學報,2010,41(9):56-59.

[11] 岳學軍,劉永鑫,洪添勝,等. 山地果園中低功耗無線滴灌控制裝置設計與試驗[J]. 農業工程學報,2014,(9):102-109.

[12] 李加念,倪慧娜. 基于無線傳感器網絡的小粒種咖啡園滴灌自動控制系統[J]. 傳感器與微系統,2014,(10):43-46.

[13] 楊 婷,汪小旵. 基于ZigBee無線傳感網絡的自動滴灌系統設計[J]. 節水灌溉,2010,(2):10-12,16.

[14] 郭毓靈,寧 芊. 基于ZigBee技術的無線自動滴灌系統設計[J]. 節水灌溉,2011,(2):66-68,72.

[15] 王 軍,程增艷,朱秀林. 基于ZigBee的滴灌自動控制系統的設計[J]. 數字技術與應用,2012,(1):3-4.

[16] 黃 峰,金美琴. 基于無線傳感網絡的滴灌控制系統設計與運行效果[J]. 現代農業科技,2012,(15):182-184.

[17] 聶 晶,岑紅蕾. 精準滴灌施肥自動控制系統的研究與實現[J]. 節水灌溉,2011,(1):57-61.