設施農業溫室大棚智能控制技術的現狀與展望

邢希君　宋建成　吝伶艷　田慕琴　李德旺

摘要：設施農業的發展是農業現代化的重要標志，也是現代化農業發展的重要建設任務。溫室大棚智能控制作為設施農業種植與生產過程中的關鍵環節，是提高生產效率、保障農作物品質的重要措施，近年來，已成為國內外熱門研究課題。溫室環境是一種非線性、強耦合性、多干擾性、時滯性的動態環境系統，溫室內環境因子與環境因子、植物生長情況與環境因子之間都存在復雜的能量關系。因此，如何高效經濟地實現溫室內多因子間的復合控制是溫室環境控制過程要解決的關鍵問題。我國的智能溫室大棚技術較國外發展晚，在控制方法、控制技術和控制成本等方面都與國外先進技術存在較大差距。為了促進我國設施農業溫室大棚智能控制技術的快速發展，推動設施農業領域的技術進步，總結了國內外溫室大棚智能控制技術的發展過程，重點對模糊控制、神經網絡控制和專家系統控制等溫室控制算法進行了分析和比較，展望了設施農業溫室大棚智能控制技術的發展方向。

關鍵詞：設施農業；溫室大棚；控制方法；智能控制

中圖分類號： S625；TP273+5文獻標志碼： A[HK]

文章編號：1002-1302（2017）21-0010-06[HS）][HT9SS]

收稿日期：2017-04-05

基金項目：山西省科技廳重大專項（編號：20131101029）；山西省物聯網產業發展及應用分析預測（編號：kxkt1605）。

作者簡介：邢希君（1991—），女，山西太原人，碩士研究生，主要從事設施農業溫室大棚智能控制技術研究。E-mail：370760959@qqcom。

通信作者：宋建成，博士，教授，博士生導師，主要從事設施農業溫室大棚智能控制技術、礦用智能電器、故障診斷與災害預警技術研究。E-mail：sjc6018@163com。

溫室系統是一種多輸入、多輸出、強耦合的復雜系統[1]。溫室中影響作物生長發育的主要環境因子包括溫度、水分、光照、土壤、空氣（如二氧化碳、氧氣等）、生物條件等。這些環境因子都是時變量，其變化沒有規律可循且難以進行預判，另外這些環境因子變量是相互作用、相互耦合的，難以用數學模型表述，這些問題都對溫室控制帶來了很大的難度。其中溫濕度的變化對溫室植物生長的影響最大，且耦合程度較大，目前，大部分研究集中在溫濕度的控制上[2]。

農業溫室大棚控制技術總體經歷了定值開關控制、PID控制和智能控制3個發展階段。定值開關控制可以細化分為手動控制和自動控制，是一種不考慮溫室控制滯后性和慣性的簡單控制方法，在實際控制過程中存在精度低、靜態誤差大、超調量大、振蕩明顯、耗能大等問題，從而無法達到理想的調節效果。PID控制是目前應用領域最廣泛的控制方法，控制過程包括比例、積分、微分3個環節。一般情況下，溫室系統中PID控制方法相比開關控制可以取得較好的調節效果。然而，PID控制對研究對象數學模型要求較高，使得在溫室環境控制系統中難以發揮其優勢[3]。

智能控制是指使用類似于專家思維方式建立邏輯模型，模擬人腦智力的控制方法進行控制。智能控制具有下列優點：（1）可以不完全依賴工作人員所具有的專業知識水平；（2）可以預測溫室環境的變化狀態，提前作出預判斷，從而盡可能解決溫室大滯后的問題；（3）由于其全局統籌控制[4]，可以解決各設備在進行調節時相互協調的問題，進而減少控制系統的超調和振蕩；（4）可以實現自適應控制功能，根據作物的生長狀態、環境參數的變化狀態和各調節單元的運行狀態自動調節作物的生長環境，實現最優生長。智能控制最大進步是將先進的控制算法加以應用，進而能夠確保控制系統的穩定運行和控制精度，且具有良好的魯棒性，非常適合解決溫室的環境調控問題[5-6]。

自20世紀90年代開始，智能控制成為溫室內環境控制的熱門研究方向，發展十分迅速。智能控制是傳統控制理論高級階段的產物，雖然其理論體系不如過去簡單的控制理論完善，但已經在各個領域的應用上取得了令人矚目的成果。特別是在傳統控制方法難以解決的復雜控制系統方面（如本研究的溫室大棚智能控制系統），其優勢非常突出。智能控制方法主要包括模糊控制、神經網絡控制、專家控制系統、遺傳算法、仿人智能控制等。模糊控制方法、神經網絡控制方法及專家控制方法作為設施農業溫室大棚智能控制方法相繼應用于溫室控制系統中[7]。本研究分析設施農業溫室大棚智能控制技術的發展現狀，分別對模糊控制技術、神經網絡控制技術、專家控制技術的控制原理、控制方法、優缺點以及具體案例進行分析，并對其未來的發展方向進行預測。

1模糊控制技術

11模糊控制原理

近30年來，模糊控制一直是智能控制研究和應用領域的熱點。模糊控制（fuzzy control）是一種非線性智能控制方法，它不需要獲得準確的研究對象模型，而是將人的知識和經驗總結提煉為若干控制規律，并轉化為計算機語言，從而模仿人的思維進行控制。模糊控制具有較強的知識表達能力和模糊推理能力，經過模糊邏輯推理可以實現類似人的決策過程。模糊控制在模糊規則制定時實際上就隱含了解耦思想，這在不同程度上削弱了溫濕度等環境因子相互耦合造成的影響，因此控制效果良好[8-9]。

典型的模糊控制系統由輸入端、模糊控制器、執行機構、被控量、輸出端和測量裝置6個部分構成，其中模糊控制器為整個系統的核心部分，其結構如圖1所示。模糊控制分為模糊化、建立規則、模糊推理、去模糊化4個過程。具體過程為被控目標的精確數值經過測量設備的收集，與系統設定值（如設定的溫濕度值等）進行比較，將其偏差或偏差變化率輸入到模糊化模塊，映射為輸入論域上的模糊集合，繼而轉化為模糊量。模糊控制器根據模糊控制規則進行模糊推理，將模糊輸入量進行推理、決策，進而得到對應的模糊輸出量集合。由模糊集合確定一個最能反映模糊推理結果的精確值，用于控制或驅動執行機構，最后執行機構作用于被控對象。按此過程進行下去，即可實現被控目標的模糊控制[10]。

12模糊控制方法

121基本模糊控制方法

為了解決溫室大棚中模型建立難和控制精度低的問題，國內外的研究焦點集中在模糊控制方法上。基本模糊控制是通過總結農業專家經驗，提煉為模糊控制規律，并利用計算機程序加以實現，多以溫室內外環境參數、設備運行狀態和植物生長信息為輸入，以溫室環境調控設備控制信號為輸出。

韓毅等提出了一種溫室大棚變結構模糊控制器，通過對采集的空氣溫濕度進行參數識別，將模糊控制劃分為快速控制和精細控制2個過程，并為每種過程設計單獨的模糊控制器[11]。試驗證明，該方法可以顯著提高溫室大棚溫濕度控制系統的控制精度。Hahn設計一個了模糊控制器來控制溫室氣候，變量使用太陽輻射、襯底溫度和冠層溫度[12]。使用模糊控制器后，溫室中番茄開裂率下降35%。Azaza等設計了一個基于模糊控制方法的系統，用于對溫室中主要變量進行控制[13]。利用二型模糊邏輯控制器改善控制效率、能源使用率和作物產量，通過無線數據監控平臺監控智能數據進而增強系統性能。盧佩等設計了基于模糊控制算法和LabVIEW的溫室大棚溫濕度監控系統[14]，通過引入溫濕度解耦參數對溫濕度的控制過程進行改善。結果表明，引入溫度和濕度解耦參數后，監控系統的穩定性、監測精度和控制效率都得到了顯著提升。

122模糊PID控制方法

經典的模糊控制穩態精度不夠細膩、控制動作不夠精準，為了更好地改善模糊控制的穩態性能和控制精準度，將模糊控制與傳統的PID控制相結合，提出了模糊PID控制方法（Fuzzy-PID）。模糊PID控制大致分為2種。（1）為兼具模糊控制和PID控制的雙模控制方法，即在誤差大時使用模糊控制，誤差變化小時切換為PID控制。（2）為利用模糊控制對PID進行自適應整定，即引入模糊邏輯，對PID控制的3個系數進行實時調整和優化，模糊自適應PID控制系統結構見圖2，這種控制方法可以提高系統的靈活性，使之具有更強的自適應性和魯棒性，應用于溫室大棚智能控制系統可以同時提升其靜態性能和動態性能[15]。

曾慶良等將模糊PID算法與Smith預估器進行組合，利用形成的Smith模糊PID算法對溫室溫濕度進行調控，一定程[CM（25]度上改善了智能算法在時滯系統控制上存在的問題，系統

[TPXXJ2tif]

的抗干擾性能和系統的動態靜態響應品質也得到了提高[16]。朱偉等設計了一種模糊PID控制器，利用模糊推理，對PID控制器的3個參數進行快速調節，進而控制空調壓縮機的運轉速率，并通過MATLAB進行仿真，結果表明，該算法相較普通PID算法具有調節時間短、響應速度快的優點[17]。

123基于遺傳算法的模糊控制方法

遺傳算法（genetic algorithm），即利用遺傳算子對現有個體進行遺傳操作，得到后代個體種群，后代個體擁有上一代基本特征，優良的特征會被留下并進行組合，壞的特征則被淘汰，從而算法朝著更優解的方向進化。

遺傳算法作為一種隨機搜索的全局優化算法，在模糊規則的自動獲取過程中表現出了良好的性能。遺傳算法以試探的方式，對模糊控制的隸屬函數和控制規則進行優化，使模糊控制參數的確定不再單純依靠專家經驗，從而降低模糊控制各個階段中出現的主觀性和隨意性[18]。其系統結構見圖3。

王君設計了一種兩輸入三輸出的模糊PID控制器，利用遺傳算法對這種控制器的三角形隸屬函數和模糊控制規則進行優化[19]。相比較常規的模糊PID控制器，響應速度變快，超調量變小。

[HTK]13模糊控制技術的研究進展[HT]

針對模糊控制的研究還在不斷深入，模糊控制理論仍在快速發展，模糊控制未來將向著如下方向發展：（1）自校正模糊控制方法。這種方法可以對模糊控制中的模糊控制規則等參數進行實時調整，使模糊控制具有自學習性和自適應性。（2）多變量模糊控制方法。這種方法適用于解決具有多種輸入變量和輸出變量的強耦合系統，這種系統相較單輸入單輸出系統更加貼近實際工程項目，多變量間的耦合問題和控制規則的急劇增加是研究的重點。（3）專家模糊控制方法。這種方法靈活應用專家系統，將專家系統對知識的表達方法融入模糊控制，使模糊控制更加智能。（4）智能模糊控制方法。將模糊控制算法與智能優化算法（如遺傳算法、蟻群算法等）相結合，可以對模糊控制規則進行在線尋優，大大改善模糊控制的品質[20]。

優化后的模糊控制將具有更好學習和調整能力，可以有效改善相應系統的品質，但其仍是以常規模糊控制器為基礎，所以在控制規則、隸屬函數等方面的優化、學習能力存在局限性。

2神經網絡控制技術

21神經網絡控制原理

神經網絡控制就是利用物理上可實現的器件或系統，使計算機語言模擬人腦神經的決策方式進行控制。通過調整大量并行互聯的節點間的連接關系，以完成對信息的處理，并將這種模擬應用在實際工程問題上[21]。神經網絡的工作過程大致分為2個階段：第一階段，神經元通過自學習不斷調整各計算節點之間的連接權值，同時保持各節點的狀態穩定不變；第二階段，各計算節點間的連接權值不作變化，對各節點的輸出進行計算，從而達到預期的穩定狀態[22]。

神經網絡以結構進行劃分主要有2種。（1）前饋型網絡，開環無反饋，其結構見圖4。主要分3部分，即輸入層、隱含層、輸出層，每部分由若干神經元組成，典型的代表為徑向基函數神經網絡（RBF網絡）和誤差反向傳播神經網絡（BP網絡）。（2）反饋性神經網絡，其結構見圖5。這種網絡中任意2個節點之間都可以進行雙向通信，即對于節點計算值既可以輸入也可以輸出，如Hopfield網絡。

作為智能控制的分支之一，神經網絡具有很強的自適應性、自學習性、非線性擬合能力以及容錯能力。基于這些優點，神經網絡技術在設施農業愈發受到重視。

22神經網絡控制方法

221基本神經網絡控制方法

在溫室控制系統中，基本神經網絡的作用主要是對系統的辨識和最優預測，其中廣泛使用的是BP神經網絡。BP神經網絡的工作基于最小二乘法理

論，通過梯度搜索技術對各層的權值不斷地進行調整，從而使輸出值不斷接近期望值。利用神經網絡控制方法對溫室參數和模型的預測可以提高預測精度，加快收斂速度。

李倩等建立了3個溫室大棚模擬模型，分別模擬冬季、春季通風時段和春季不通風時段的溫、濕度BP神經網絡預測模型[23]。結果表明，試驗建立的不同自然環境、不同植物類型的BP神經網絡模型均可以滿足預測要求，且誤差較小。程曼等為解決溫室中大滯后大慣性的問題，提出一種基于神經網絡控制的溫室數學模型，該方法將溫室內外部環境信息、作物生長信息、設備運行狀態，及當地實時天氣預測值進行融合，提出全局變量的概念，通過BP神經網絡算法對溫室未來環境狀況進行短期預測，一定程度上改善了系統時滯性[24]。許童羽等提出一種適用于模擬北方溫室空氣相對濕度的預測模型。對比2種流行的神經網絡，得出RBF網絡是連續函數的最佳逼近，相比BP網絡具有收斂速度快，且可避免局部最優的優點[25]。試驗結果表明，該模型的學習過程耗時相對較短，預測誤差較小，預測結果良好。

模式識別，即通過對表征事物的各類信息進行處理，進而對事物進行分類和識別。將基本神經網絡應用在溫室模式識別領域，可以提高識別準確度。Fourati提出了一種溫室的復合神經控制策略，利用了ART2神經網絡對溫室數據庫進行識別，進而劃分為幾個子數據庫，從而得到不同的局部溫室模型，對應合適的神經控制器與適當的操作模式[26]。仿真結果表明，使用ART2神經控制分類器比單一的神經控制策略具有更小的輸出誤差。

222模糊神經網絡控制方法

模糊神經網絡（fuzzy neural network）是當今溫室智能控制的研究熱點。模糊神經網絡控制就是模糊控制與神經網絡控制的結合，兼具有神經網絡強大的自學習功能和模糊邏輯推理較強的知識表達能力。

通常模糊控制和神經網絡控制有以下3種結合方式：（1）模糊神經網絡混合控制方法。該方式的控制器為模糊控制器和神經網絡控制器共同構成，對輸入信號進行判斷，選擇對應控制器對其進行處理。（2）基于模糊推理的神經網絡控制方法。即先對輸入信號進行模糊推理，再傳遞給神經網絡進行處理，形成的控制方法主體為神經網絡控制方法。（3）基于神經網絡的模糊控制方法。即利用神經網絡函數調整模糊函數推理系統的隸屬度函數和推理規則，其主體為模糊控制方法，這種結合方式最為常用。

Eddine等提出了一種基于自適應神經模糊推理系統的溫室氣候模型，該模型的輸入為環境因子和控制執行機構參數，用來代表番茄植物成長過程中的主要影響因素[27]。利用神經網絡進行訓練，經過500次迭代后得出最后模型。Khoshnevisan等的研究中，利用自適應神經模糊推理系統（ANFIS）對溫室草莓的產量進行預測，并對人工神經網絡（ANN）模型和ANFIS模型的預測結果進行對比，結果表明，ANFIS模型相對人工神經網絡模型可以更好地預測草莓產量[28]。吳曉強等運用模糊控制理論和專家知識建立溫室控制模糊規則，結合BP神經網絡控制理論，以溫度和濕度作為主要控制變量設計模糊神經網絡控制系統[29]。模糊神經網絡模型共分4層，最后試驗對模糊控制與模糊神經控制的仿真結果進行了對比，證明模糊神經控制超調更小、響應更快、控制效果更好，且具有良好的抗干擾能力。

模糊神經網絡控制方法可以將模糊控制方法和神經網絡控制方法的優缺點進行互補。如利用神經網絡的自學習能力，可以很好地解決傳統模糊控制過度依賴專家知識的問題。而模糊控制的加入使神經網絡對于知識的表達能力大幅提升。二者的結合是模糊控制領域和神經網絡控制領域共同的發展方向，能夠解決許多傳統控制方法無法解決的復雜問題[30]。

23神經網絡控制技術的研究進展

從國內外研究現狀可以看出，神經網絡技術已經成為多交叉學科融合的前沿技術，將其與多種先進控制方法（如模糊控制、遺傳算法、專家系統等）進行融合形成的智能控制方法也已被廣泛應用于各個領域并取得了良好的效果。神經網絡控制尤其適用于數學模型難以準確建立，或對象機理不明確的應用場景。在設施農業溫室大棚的研究中，神經網絡靈活應用于產量預測、蟲害預測、作物生長狀況以及作物生長環境的研究。在運用神經網絡對溫室系統進行系統辨識和控制時，其網絡結構、控制算法、控制結構等的確定將是未來主要研究方向。

3專家系統控制技術

31專家系統控制原理

專家系統控制（Expert Control）的研究起源于20世紀60年代末，作為人工智能中最具實用價值的技術，已經廣泛應用于眾多生產生活領域。專家系統控制就是以智能的方式利用某一領域的專家知識，是專家系統技術與傳統控制理論結合的產物。專家系統是一種具有特定領域專家級知識和經驗的智能計算機系統，因其集成了相關領域眾多專家的經驗和知識，有時甚至超過相同領域的人類專家的水平[31]。

專家系統主要組成部分為專家知識庫和推理機，其結構見圖6。專家知識庫是用來存放某一領域相關知識和規則的數據庫，這些知識來自相關領域的常識性知識、已經確定的書本文獻的知識以及專家們經過反復實踐得出的知識，是推理機工作的知識基礎。推理機根據知識庫中存放的專業知識為推理基礎，根據問題類型選擇推理策略和機制，為遇到的現實問題提供解決方案。專家知識庫和推理機的設計對專家系統的設計至關重要。

相對于一般的智能控制而言，專家系統控制具有如下基本特點：（1）具有特定領域專家級別的知識；（2）具有啟發性，可以進行有效推理；（3）具有靈活性和透明性；（4）具有一定的困難性和復雜性。

32專家系統控制方法

321基本專家系統控制方法

農業專家系統是綜合分析各類農業領域相關知識、經驗、數據和模型后，通過計算機得出最優的解決方案，用于指導智慧農業生產的一種高新科技[32-33]。當農業專家系統運用在溫室大棚時，可以大大提高溫室的智能性，使溫室系統具有診斷、決策及預測等功能。

王健運用專家系統控制方法建立了溫室番茄生長發育專家系統，可以隨時調用查詢預存的專家知識和經驗，從而實現番茄生長發育預測和病蟲害的預測診斷。設計了相關的界面，并細化了各個模塊的功能[34]。晏江著眼于設施蔬菜生產的整個過程，將計算機控制技術與設施蔬菜栽培專家的經驗、知識和解決問題的方法相結合，集成先進的農業技術，開發了一套具有一定先進性的設施蔬菜生產管理專家系統，為溫室種植者提供決策輔助[35]。系統具有播前決策功能、田間管理功能、病蟲害防治功能、產后決策功能、其他輔助決策功能和知識獲取功能，具有很好的實用性。西班牙科學家 Gonzalez-Andujar設計了一種具有蔬菜病蟲害防治、雜草鑒別功能的專家系統，方便種植者查詢作物種植方面較為全面的指導性建議[36]。系統根據專家知識內容分為病害、蟲害和雜草3個子系統，每個子系統擁有各自獨立的數據庫，提高了決策的針對性及正確性。

322模糊專家系統控制方法

專家系統的規則前件和后件通常都是精確的集合，所以推理范圍狹窄，但實際問題的知識概念往往不是很明確的。模糊控制則存在控制器與知識表達結構單一，對復雜問題的啟發性問題解決較為困難的問題。將二者結合形成模糊專家系統控制方法，以模糊控制作為最基本的控制規律，由專家系統根據被控目標的特征選擇相應的最有效的控制規律，這種算法可以很好地彌補模糊控制和專家系統各自的缺陷和不足。

西班牙的Romeo等提出一種新的專家識別系統，用于區分玉米大麥等作物與雜草，它由決策和識別2個主要模塊構成，運用專家系統并加入模糊控制的策略[37]。吳曉辰在溫室栽培研究中，在對植物病例分析的部分將模糊控制融入專家系統，推導了一種不完備信息系統的模糊度來進行病癥特征的提取的算法，即從人為經驗知識歸納得出的知識庫中提取病癥特征，利用模糊函數對不完備的信息的判斷和總結，從而進行病癥診斷推理[38]。

323神經網絡專家系統控制方法

神經網絡和專家系統在控制方面都具有各自的優點，也都具有各自的局限性。專家系統的優勢在于規則清晰表達和對推理過程的正確表達，而神經網絡的優勢在于決策力以及對知識的獲取上。將二者結合形成神經網絡專家系統，其中神經網絡作為專家系統自動獲取知識的新途徑，專家系統直接改進神經網絡的權值問題，也可以間接改善神經網絡學習速度，達到了2種控制方法的優勢互補。

張洪波等設計了一種基于BP神經網絡專家系統控制方法的智能溫室大棚控制系統[39]。系統被劃分為多個功能模塊，分別具有各自的任務和功能。在算法上將神經網絡和專家系統進行集成，融合了二者的優點，使系統更加智能。馬麗麗等根據已有的專家知識庫建立了以溫室大棚溫濕度為輸入的神經網絡病害預測模型，并通過此模型結合實時環境數據對未來的病害進行預測[40]。

33專家系統控制技術的研究進展

近20年，農業智能專家系統技術發展迅速[41]。農業智能專家系統運用現代化的手段，將智能技術、計算機技術、3S技術、數據挖掘技術等與專家系統控制技術進行融合，催生了如運用精確化農業信息的精準農業專家系統控制方法、側重植物形態結構的虛擬作物專家系統控制方法以及深度運用數據挖掘技術的專家系統控制方法等。這些智能專家系統控制方法旨在模擬領域專家的智能思維及行為，為作物提供最適宜的生長環境參數和環境調控方案，將會成為今后農業專家系統的主要發展方向。

溫室專家系統控制技術，經過數十年的發展成功應用于溫室診斷、預測、咨詢、控制等方面，成為設施農業溫室智能控制方面的研究熱點。

4展望

基于對目前國內外設施農業溫室大棚環境控制技術研究現狀的分析，結合作者在實驗室的基礎研究，提出今后溫室環境控制技術的發展方向。

41傳感網絡的無線化

隨著無線傳感器網絡（WSN）的發展，智能溫室大棚的無線化將成為必然趨勢[42]。傳感網絡無線化，即數據通過無線網絡從眾多小型傳感器節點發送到信息采集站或集控中心。這種傳感網絡具有極佳的自愈性和自組織性，相較于傳統有線傳感網絡不僅具有故障少、成本低的優點，而且很好地解決了高溫高濕環境下線路易腐蝕老化的難題，非常適合應用在溫室大棚控制系統。多傳感器的數據融合和傳感器節點的節能管理等重點難點將成為無線傳感網絡的未來研究方向。

42智能控制方法的融合化

模糊控制的優點是魯棒性優良，知識表達能力強，無需建立精確的模型；缺點是只可實現的是粗略控制且對滯后的問題無法有效解決。神經網絡控制具有可訓練性和自適應能力，且計算速度快；缺點是結構和類型難以確定，無法保證結果的絕對正確性，算法易陷入局部最優。專家系統的優點在于規則的清晰表達和對推理過程的正確表達；缺點是不具備自學習能力，且知識獲取較難，造成了效率的低下。單一的控制方法無法滿足溫室系統的智能控制，將多種算法進行集成融合，優勢互補，取長補短，則可以實現對溫室眾多環境因子變量更有效控制。

43物聯網技術的成熟化

農業物聯網即通過部署傳感裝置、計算設備、執行設備以及信息通信網絡，實現“人、機、物”的相互聯通。隨著物聯網在農業方面的應用日趨廣泛和成熟，物聯網技術將全面滲透到智能溫室控制領域，包括對農業對象的信息識別、定位追蹤、環境監控和綜合管理等。在溫室環境智能化監控、產品可追溯和信息融合等方面，物聯網技術都體現出了其獨有的優勢。物聯網技術是世界設施農業發展的趨勢，也是我國設施農業發展的必經之路。

44專家系統的智能化

專家系統與自動控制技術相結合，并靈活應用數據挖掘技術，可以實現對溫室大棚內環境的實時監控。根據不同作物不同時期的生長需求，自動形成最優控制方案，按其所需提供適宜的環境參數和控制建議。這樣充分發揮了專家系統在數據處理方面的優勢，使系統具有自適應性和自學習性。除了環境調控方面的應用，溫室大棚專家系統不斷向多層次、多功能的方向發展，逐漸在病蟲害防治、作物生產管理、輔助決策、經濟分析等多個方面表現出其先進性。專家系統的應用使溫室大棚系統控制更智能，方法更簡單，效果更明顯，食品更安全。

45農產品全程可追溯化

農產品安全追溯系統，即利用網絡技術和身份識別技術（如二維碼、條形碼、電子標簽等）將農產品的生產環節、加工環節、儲藏環節、運輸環節和銷售環節打通，形成一個安全追溯閉環。用戶可以更便捷地獲得農產品的全程可追溯信息，實現設施農業的透明化管理。使消費者獲得更加便捷的生活服務，使生產者獲得較好的產品推廣，使監管部門獲得更全面的管理數據，從而更好地保證食品安全。農產品全程安全可追溯已經成為世界農業發展的趨勢。

5結論

目前，設施農業溫室大棚智能控制技術是多變量、大滯后、強耦合的復雜溫室大棚系統最行之有效的控制方法[43-44]。隨著設施農業溫室大棚智能控制技術的研究，部分智能溫室大棚已經可以突破自然環境的制約，按照人類的市場需求，為植物創造出最適宜的生長條件。

本研究分析了設施農業溫室大棚智能控制技術的發展歷程，研究了模糊控制技術、神經網絡控制技術和專家控制技術中標志性智能控制方法的內涵、優缺點以及適用的控制環節。指出現階段多種智能控制方法百花齊放，沒有孰優孰劣之分。合理利用不同智能控制技術的優點，對多種智能控制技術進行集成融合，才能為作物提供更適宜的生存環境。

設施農業溫室大棚智能控制技術的發展趨勢必然是智能控制、傳統控制及諸技術（如無線傳感技術、物聯網技術、身份識別技術等）的融合。在提高農作物產出率的同時，實現農產品全程安全溯源，實現各個環節智能化，向著高產、高效、環保、節能、安全、透明的方向穩步持續快速發展。作為設施農業的重點發展方向，溫室大棚智能控制技術必然具有廣闊的研究和應用前景。

參考文獻：

[1][ZK（#]秘立鵬，宋建成，王天水，等 設施農業溫室大棚網絡型自適應控制系統的開發[J] 農機化研究，2014，36（7）：124-128

[2]聶海強 溫室環境控制方法研究[J] 電子世界，2013（22）：107-109

[3]趙斌，王克奇，匡麗紅，等 我國溫室環境的模糊控制技術應用現狀[J] 自動化儀表，2008，29（5）：1-4，8

[4]Blasco X，Martínez M，Herrero J M，et al Model-based predictive control of greenhouse climate for reducing energy and water consumption[J] Computers & Electronics in Agriculture，2007，55（1）：49-70

[5]梁娜 溫度、濕度控制的發展概況及專利分析[J] 機電信息，2015（36）：165，167

[6]何南思 溫室大棚環境參數控制[D] 沈陽：沈陽工業大學，2014

[7]王君，于海業，張蕾 溫室環境控制系統的發展[J] 中國農學通報，2010，26（12）：371-375

[8]劉紅，符曉玲，楊蓮紅 模糊控制在溫室控制系統中的應用[J] 昌吉學院學報，2013（4）：77-80

[9]宮赤坤，陳翠英，毛罕平 溫室環境多變量模糊控制及其仿真[J] 農業機械學報，2000，31（6）：52-54

[10][ZK（#]卞和營，薛亞許，王軍敏 溫室大棚溫濕度模糊控制系統及PLC程序設計[J] 農機化研究，2014，36（9）：147-151

[11]韓毅，許春雨，宋建成，等 基于物聯網的日光溫室智能監控系統設計與實現[J] 北方園藝，2016（9）：207-210

[12]Hahn F Fuzzy controller decreases tomato cracking in greenhouses[JP3][J] Computers and Electronics in Agriculture，2011，77（1）：21-27

[13]Azaza M，Tanougast C，Fabrizio E，et al Smart greenhouse fuzzy logic based control system enhanced with wireless data monitoring[J] ISA Transactions，2016，61：297-307

[14]盧佩，劉效勇 基于LabVIEW的溫室大棚溫、濕度解耦模糊控制監測系統設計與實現[J] 山東農業大學學報（自然科學版），2012，43（1）：124-128

[15]Trabelsi A，Lafont F，Kamoun M，et al Fuzzy identification of a greenhouse[J] Applied Soft Computing，2007，7（3）：1092-1101

[16]曾慶良，顧強，仉毅，等 基于Smith模糊PID控制的溫室監控系統設計[J] 計算機測量與控制，2015，23（6）：1964-1966

[17]朱偉，趙建平，李璐，等 基于SOPC和WSN的溫室模糊PID控制系統的設計[J] 電氣自動化，2015，37（3）：98-100

[18]Homaifar A，Mccormick E Simultaneous design of membership functions and rule sets for fuzzy controllers using genetic algorithms[J] IEEE Transactions on Fuzzy Systems，1995，3（2）：129-139

[19]王君 基于模糊控制策略的溫室遠程智能控制系統的研究[D] 長春：吉林大學，2015

[20]蕭贊星，袁書生 模糊控制技術的現狀及發展趨勢[J] 內江科技，2014（1）：98-99

[21]羅兵，甘俊英，張建民 智能控制技術[M] 北京：清華大學出版社，2011

[22]邰成 智能溫室控制算法的研究與應用[D] 南京：南京郵電大學，2013

[23]李倩，申雙和，曹雯，等 南方塑料大棚冬春季溫濕度的神經網絡模擬[J] 中國農業氣象，2012，33（2）：190-196

[24]程曼，袁洪波，蔡振江 基于全局優化預測的溫室智能控制模型[J] 農機化研究，2013，35（10）：26-29

[25]許童羽，王瀧，張曉博，等 RBF神經網絡在北方日光溫室濕度模擬預測中的應用[J] 沈陽農業大學學報，2014，45（6）：726-730

[26]Fourati F Multiple neural control of a greenhouse[J] Neurocomputing，2014，139（SI）：138-144

[27]Eddine C，Mansouri K，Mourad M，et al Adaptive neuro-fuzzy inference systems for modeling greenhouse climate[J] International Journal of Advanced Computer Science & Applications，2016，7（1）：96-100

[28]Khoshnevisan B，Rafiee S，Mousazadeh H Application of multi-layer adaptive neuro-fuzzy inference system for estimation of greenhouse strawberry yield[J] Measurement，2014，47（1）：903-910

[29]吳曉強，黃云戰，趙永杰 基于模糊神經網絡的溫室溫濕度智能控制系統研究[J] 中國農機化學報，2016，37（4）：63-66，84

[30]Jang J S R，Sun C T Neuro-fuzzy modeling and control[J] Proceedings of the IEEE，1995，83（3）：378-406

[31]馮定 神經網絡專家系統[M] 北京：科學出版社，2006：1-4[HJ173mm]

[32]石琳，陳帝伊，馬孝義 專家系統在農業上的應用概況及前景[J] 農機化研究，2011，33（1）：215-218

[33]降惠，李杰 農業專家系統應用現狀與前景展望[J] 山西農業科學，2012，40（1）：76-78

[34]王健 番茄生長發育模型研究及其專家系統設計[D] 北京：北京理工大學，2015

[35]晏江 面向商品化生產的設施蔬菜專家系統的設計與實現[D] 武漢：華中農業大學，2013

[36]Gonzalez-Andujar J L Expert system for pests，diseases and weeds identification in olive crops[J] Expert Systems with Applications，2009，36（2）：3278-3283

[37]Romeo J，Pajares G，Montalvo M，et al A new Expert System for greenness identification in agricultural images[J] Expert Systems with Applications，2013，40（6）：2275-2286

[38]吳曉辰 溫室栽培專家系統關鍵技術研究[D] 天津：天津理工大學，2013

[39]張洪波，陳平，劉學，等 基于神經網絡的專家系統在溫室控制中的應用[J] 成都信息工程學院學報，2010，25（3）：260-263

[40]馬麗麗，賀超興，紀建偉 基于環境因子的黃瓜病害預測研究[J] 農機化研究，2012，34（4）：160-162，166

[41]武向良，高聚林，趙于東，等 農業專家系統研究進展及發展方向[J] 農機化研究，2008（1）：235-238

[42]宋建成，秘立鵬，鄭麗君，等 一種設施農業溫室大棚網絡型自適應控制系統：CN2013101398740[P] 2013-04-22

[43]胡金山，王熙 基于PLC、MCGS組態技術的北方寒地溫室環境監控系統設計[J] 江蘇農業科學，2015，43（10）：510-512

[44]李將，俞阿龍，蔡文科，等 基于ZigBee和GPRS的溫室控制系統研究[J] 江蘇農業科學，2015，43（10）：494-497