基于模糊神經網絡的智能溫室環境控制方案

彭 輝，曾 碧

(1.廣西工業職業技術學院 電子與電氣工程系，南寧 530001；2.廣東工業大學 計算機學院，廣州 510006)

?

基于模糊神經網絡的智能溫室環境控制方案

彭 輝1，曾 碧2

(1.廣西工業職業技術學院 電子與電氣工程系，南寧 530001；2.廣東工業大學 計算機學院，廣州 510006)

針對農業溫室環境的精確建模和控制問題，提出了一種基于模糊神經網絡的智能控制方案。首先，在考慮室內外環境因素下，構建一個有效的溫室環境數學模型，獲得通風量、噴霧量和加熱量的微分表達式；然后，利用一種自適應模糊神經推理系統(ANFIS)，以溫度和濕度差作為輸入，通過神經網絡自學習和模糊推理獲得控制輸出；最后，通過遺傳算法優化控制器的輸出比例因子，提高控制響應速度和穩定性。實驗結果表明：該方案能夠快速且穩定地追蹤環境設置值，具有很好的控制效果。

溫室環境；智能控制；自適應；模糊神經推理；遺傳算法

0 引言

智能溫室系統是一種低能耗、高產量的現代農業技術，其通過改變溫室中溫度、濕度和光照等環境因素來創造適合植物生長的環境[1]。溫室系統是一種多變量、非線性、高時滯的復雜系統，且內部因素存在強耦合[2]，所以需要一種有效的方法對溫室環境進行建模和精確控制。

目前，一些溫室控制方案中采用傳統的PID控制技術，但PID控制器的參數恒定，不能夠適應非線性的實時控制要求[3]。為此，文獻[4]將模糊理論與PID控制相結合，利用模糊規則對PID控制參數進行在線整定，形成了模糊PID溫室控制方案。然而，其存在論域和模糊規則不能自調整的缺陷。模糊控制是一種基于模糊邏輯推理的非線性控制技術，具有良好的魯棒性和穩定性[5]。但模糊控制技術需要專家的先驗知識，若缺乏則不能構建有效的IF-THEN規則，神經網絡算法所具備的自學習則能力能夠彌補這個缺陷[6]。為此，研究者將神經網絡和模糊控制相結合形成模糊神經網絡系統(Fuzzy Neural Network, FNN)。其中，最著名的為自適應模糊神經推理系統(Adaptive Network-based Fuzzy Inference System, ANFIS)[7]，其通過神經網絡的不斷學習，修正輸入輸出變量的隸屬度函數和模糊規則。文獻[8]將ANFIS控制系統引入到了溫室溫度控制中，一定程度上提高了控制性能。然而，其只對溫度進行控制，沒有考慮到多因素控制時的相互耦合問題。文獻[9]利用ANFIS控制溫室的溫度和濕度，但其僅通過通風口進行控制，沒有考慮到其它控制裝置(如加濕器等)，具有很大的應用局限性。另外，以上方案都采用固定的輸出比例因子，控制響應速度較慢。

為此，構建了一種多因素的溫室環境數學模型，并提出一種基于ANFIS和比例因子(Scaling factor, SF)調節的溫室溫度和濕度控制方案(ANFIS-SF)。本文方案的主要創新點在于：

①綜合考慮了多種室內外環境因素，構建了一個溫室環境數學模型，并導出了去耦合的控制輸出表達式；②將ANFIS控制系統引入到溫室環境控制中，以此解決時變非線性和滯后控制問題，增強系統魯棒性；③對現有ANFIS控制系統進行了改進，融入了遺傳算法(Genetic Algorithm, GA)來優化調整輸出比例因子，以此提高系統的響應速度。

1 溫室環境建模

由于溫室系統是強耦合的非線性系統，目前還沒有能夠精確表達的模型。本文考慮了溫室內外環境因素，利用一系列微分方程對溫室溫度和濕度進行精確建模，構建加熱、噴霧和通風表達式。溫度和濕度模型的微分公式為

(1a)

(1b)

其中，Tin(t)和Tout(t)分別為室內和室外溫度(℃)；Hin(t)和Hout(t)分別為內部和外部的濕度(g[水]/kg[氣])；μ為傳熱系數(W/K)；ρ為空氣密度(1.2kg/m3)；λ為汽化的潛熱(2257J/g)；ζ為空氣的比熱容(1006J/kg/K)；ξ為太陽能加熱效率(無量綱)，其變化范圍為0.8(晴天)到0(陰天)，本文取ξ=0.5；S為攔截的凈太陽能(W/m2)；ET為植物的蒸散率(g[水]/s)；qheat為溫室加熱器提供的熱量(W)；qfog為噴霧系統的噴水量(g[水]/s)；qvent為通風量(m3[氣]/s)；A為溫室的占地面積(m2)；Vin為溫室內部體積(m3)。其中，ET與攔截太陽能參數最相關，其關系簡化為

(2)

其中，α為表示陰影和葉片面積指數的綜合系數(無量綱)，α是一種經驗系數，需要根據不同地點、氣候和植物進行設定[10]，本文將α設定為0.124 9；β為代表熱力學抗性和其他影響蒸散作用因素(如氣孔、空氣流動等)的綜合系數，單位為kg/min·m2。

該環境模型通過制熱、加濕和通風操作，來控制室內空氣的溫度和濕度。另外，使用制熱和通風組合可實現減濕目的。當室外空氣的濕度較高時，先對空氣進行加熱使其干燥，然后通風操作將干燥控制帶入室內，吸收室內的潮濕空氣，然后排出。當室外空氣的濕度較低時，可以只使用通風操作來交換室內和室外的空氣，降低溫室空氣濕度。通過蒸發設備(例如霧化器)可提高溫室濕度。其中，在晴天條件下的進行加濕時，需要通風來避免氣騰現象。對于制熱，只有當所需的室內空氣溫度高于室外溫度時，才會使用制熱器(即冬天)。

本文利用文獻[11]的反饋-前饋線性化和去耦合控制方法，將公式(1)改寫為

(3a)

(3b)

由于存在控制和干擾變量之間的向量積，公式(3a)和(3b)顯然是耦合非線性方程，不能放入仿射非線性分析系統中。因此，一種反饋和前饋同時線性化的組合方案似乎是合理的。為了系統輸入/輸出(I/O)的線性、非耦合且干擾隔離，閉合回路系統的表達形式為

(4a)

(4b)

(5a)

(5b)

qheat(t)=-ξAS(t)+λqfog(t)+ρζqvent(t)[(Tin(t)]-

(5c)

(6)

2 提出的溫室環境控制器

溫室環境中各因素間存在耦合性，如通過通風操作調節溫度時也會影響濕度[12]，這就導致采用常規控制方法(如開關控制、PID控制等)無法取得良好效果。為此，可將ANFIS控制器引入到溫室環境控制中，來解決上述問題。

本文根據上節提出的溫室環境模型，利用ANFIS構建溫室環境控制系統，同時利用GA算法優化ANFIS輸出比例因子。控制系統整體框架如圖1所示。

2.1 ANFIS控制器系統

2.1.1 ANFIS基本結構

本文控制過程包含兩個不同的控制回路：第1個回路通過控制通風量和加熱量調節溫度，第2個通過控制噴霧量調節濕度。由于有3個輸出量，所以本文控制器由3個多輸入單輸出ANFIS控制器組成，根據輸入的設定值和室外氣候情況的變化控制輸出。為了簡單起見，本文以第1回路中的1個通風量單輸出ANFIS為例，解釋了本文控制器的工作過程。ANFIS結構如圖2所示。

圖1 溫室環境控制系統整體框架

圖2 具有9個規則的ANFIS構架

ANFIS系統中，將會含有3×3=9個IF-THEN規則。網絡中的L0層有2個輸入單元，L1層有6個神經元，L2、L3和L4層有9個神經元，L5層有1個神經元，如圖2所示。

2.1.2 隸屬函數及規則

ANFIS控制器中的模糊化階段有兩個輸入—溫度(T)和濕度(H)與設置值的偏差，以及一個輸出—通風量(v)。模糊邏輯由控制規則組成，通常使用IF-THEN結構定義控制規則。因此，本文根據操作者行為和目標系統的響應特性來構建IF-THEN規則。

在這種情況下，將高斯隸屬函數(MF)作為輸入MF，如圖3所示。

圖3 高斯隸屬度函數

模糊系統的IF-THEN規則形式為

IF:T is LTrand H is LHr

(7)

2.1.3 ANFIS工作步驟

本文中，每個ANFIS由5層組成。

1)第1層：該層中每個節點i使用如下函數實現自適應功能，則

(8)

(9)

其中，x為節點i的輸入；{ai,bi,ci}為前提參數集。

2)第2層：計算每條規則的激活等級，則

(10)

3)第3層：計算每條規則的歸一化激活等級(每條規則的激活強度與所有規則激活等級的比例)，則

(11)

4)第4層：計算每條規則對總體輸出的貢獻，則

(12)

5)第5層：單個節點根據所有輸入信號計算模糊系統總體輸出，則

(13)

其中，wr為第r個規則的權重。對于每個規則，其權重根據輸入隸屬值計算，則

wr=μLtr(T)·μLHr(H)

(14)

其中，μLtr(·)和μLHr(·)為第r個規則中分別對應語言學術語LTr和LHr的隸屬函數。

2.1.4 LSE算法估計結論參數

本文使用最小二乘估計(Least Square Estimation, LSE)[13]算法來估算結論參數。在使用3個模糊集合和9個規則時，每個輸入-輸出訓練模式可以寫為

(15)

那么，所有M個輸入-輸出訓練模式可寫為V=XC，則

(16)

其中，V為M×1維，X為M×(3)(9)=M×27維，而C為(2+1)9×1維。通過LSE算法可以求解C，表示為

(17)

(18)

2.2 基于GA優化ANFIS輸出比例因子

ANFIS控制器中，輸出比例因子(SF)[14]為實際輸出與控制器輸出的比值，即表示輸出增益。通常采用固定的輸出比例因子，然而這不能夠實現控制的快速收斂。在溫室環境控制中，應該根據控制誤差動態調整比例因子。當誤差較大時，應增大輸出比例因子，使系統輸出快速向誤差減小的方向移動；當誤差較小時，應減小輸出比例因子，使系統在平衡點附近進行微調。可見，比例因子的大小會影響系統響應的上升時間，進而影響對設定值的跟蹤性能。

所以，本文采用遺傳算法(GA)，根據系統控制輸出的平方誤差積分(Integral of Square Error, ISE)來優化ANFIS中的比例因子。GA是一種根據適應度函數，通過選擇、交叉和變異操作來尋找問題最優解(即染色體)的智能技術[15]。

本文GA算法中，染色體的適應度函數為ISE的倒數，如式(19)所示。其中，誤差e為期望值和真實系統輸出值之間的差。

(19)

將染色體根據其適應度值進行排名，并根據輪盤選擇法選擇合適的染色體進行遺傳，然后進行交叉和變異操作。本文設定最大遺傳代數為50，染色體數量為20，突變率和交叉率分別設置為0.2和0.25。重復遺傳過程，直至達到結束條件，最終獲得滿足標準的解。

本文GA優化ANFIS比例因子參數的步驟如下：

1)構建初始種群。隨機生成20個溫度和濕度控制器的比例因子參數(scalf-T，scalf-H)，即染色體，其中每個二進制位代表染色體中的基因；然后，進行二進制編碼，作為初始種群。

2)適應度計算。模擬ANFIS系統的閉合回路瞬態響應，并估算每個比例因子參數下的訓練誤差，作為該參數的適應度函數。

3)選擇操作。通過輪盤方法選擇將要遺傳的參數，其中適應度值越大的參數被選中的幾率越高。

4)交叉和變異操作。根據交叉率，隨機產生交叉點，對參數進行重組；根據突變率，改變所選參數中的個別二進制位。以此產生適應度值更好的下一代，提高搜索速度。

5)終止條件：重復步驟2)～4)，直到獲得符合期望的閉環回路響應要求的參數或達到最大迭代次數。

3 實驗及分析

利用MatLab構建一個仿真溫室環境進行實驗，溫室地表面積為1 000m2，高4m。溫室具有遮光膜，減少60%的太陽輻射能量。霧化系統的最大噴水量為26g[水]/min·m3。最大換氣次數為20次/h(22.2m3/s)。葉片陰影指數α取值為0.124 9，蒸散系統βT=0.015kg/min·m。熱傳遞系數UA=25kW/K。

為了進行比較，在本文構建的溫室環境數學模型中，使用傳統ANFIS控制器和本文ANFIS-SF控制器，在兩個不同環境設置值場景下進行實驗。

第1個仿真實驗中，室外環境不變，改變室內環境設定值，用于證明本文方案提供相互控制和設置點階躍變化時平穩閉合回路響應的能力。該模擬中，室外溫度為Tout=35℃，溫度為Hout=4g/kg(RH=10%)，太陽輻射能為Si=300W/m2。設置2個階躍點：①在t=100min時，設置濕度從18g/kg提升到24g/kg(相當于相對濕度從60%提升到80%)，此過程溫度恒定設置為30℃；②在t=200min時，設置溫度從30℃降到28℃，此過程濕度恒定設置為24g/kg。

圖4顯示了濕度和溫度設置值發生階躍變化時的控制系統響應輸出。由于該過程不存在加熱處理，所以輸出信號為霧化系統噴水量qvent和通風系統通風量qvent。從仿真結果可以看出：相比于沒有比例因子優化的ANFIS，本文ANFIS-SF控制器的閉合回路系統響應非常迅速。圖5顯示了在這些控制輸出信號作用下溫度和濕度的響應曲線。由圖5可以看出：兩種方法都能夠有效地追蹤設置值，證明了本文所構建的溫室環境數學模型具有可行性，也證明了應用ANFIS進行控制的正確性。另外，由于本文方案融入了比例因子自調整技術，有效提高了響應速度，且結果能夠穩定到設置值附件。本文方案還能夠實現相互控制，當濕度設置值階躍變化時，本文控制器能夠穩定地控制溫度不隨其大幅度震蕩。

圖4 溫室通風系統和霧化系統的控制信號輸出

在第2個仿真實驗中，室外環境和室內環境設定值都發生變化，在多重因素下驗證本文控制方案的有效性。當t=200min時，設置室內溫度由30℃降到20℃；當t=300min時，設置濕度從18g/kg提升到24g/kg。在t=100min(對于Si)、150min(對于Tout)和200min(對于Hout)時，加入了室外環境變化干擾。階躍變化如下：Si從250提升到300W/m2，Tout從35降到32℃，Hout從4提高到8g/kg。室內和室外環境發生階躍變化時，控制系統的響應如圖6所示。由圖6可以看出：在室內和室外環境都發生變化時，本文方案依然能夠迅速準確地追蹤設置值。

圖5 溫室內溫度和濕度的控制結果

圖6 場景2中溫室內溫度和濕度的控制結果

為了進一步明確表示各方案的控制精度，本文利用均方根誤差(RMSE)來計算實驗中控制過程輸出準確性，則

(20)

其中，Yd[k]和Y[k]分別為期望輸出和實際輸出：T為采集的樣本數。同樣采用上述兩個實驗場景，將ANFIS控制器、傳統PID控制器、傳統模糊控制器和本文ANFIS-SF控制器進行比較，采集前300min的溫度和濕度數據作為樣本，計算各控制方案的RMSE，結果如表1所示。由表1可以看出：傳統PID控制性能最差，這是因為溫室環境影響因素多且相關，PID控制無法滿足要求。相比于傳統控制方法，采用ANFIS控制系統能夠有效提高控制精度，而本文ANFIS-SF控制器獲得最高的精確度。

表1 溫度和濕度控制的RMSE值

4 結論

提出了一種基于模糊神經網絡的智能控制方案。在考慮室內外環境因素下，構建溫室環境數學模型。利用ANFIS，根據溫度和濕度差推理獲得控制輸出。通過遺傳算法優化控制器的輸出比例因子，提高響應速度。在室內和室外環境因素發生階躍變化場景下進行實驗，結果表明：本文方案能夠快速、精確地跟蹤設定值，且能夠避免多個控制量間的干擾，具有很強的魯棒性。

[1] 楊學坤, 蔣曉,諸剛.溫室環境控制技術的研究現狀與發展趨勢[J].中國農機化, 2013, 34(4): 16-18.

[2] 屈毅, 寧鐸, 賴展翅,等.溫室溫度控制系統的神經網絡PID控制[J].農業工程學報, 2011, 27(2): 307-311.

[3] Shan X M. Research on Control System of Greenhouse Temperature and Humidity Based on Fuzzy PID[J]. Applied Mechanics & Materials, 2014, 68(7):3395-3398.

[4] 岳文杰, 謝守勇, 陳翀,等.基于模糊 PID 的溫室溫度控制器設計與仿真[J].農機化研究, 2014, 36(4):194-197.

[5] Zhang D H, Wu X Q, Zhang C Y. The application of fuzzy control in greenhouse environment control[J].Applied Mechanics & Materials, 2014, 54(3):1432-1435.

[6] S. Revathi, N. Sivakumaran. Fuzzy Based Temperature Control of Greenhouse[J]. IFAC PapersOnLine,2016,49(1):549-554.

[7] 鄒秋瀅, 紀建偉, 李征明. 基于ANFIS的溫室小氣候環境因子預測模型辨識[J].沈陽農業大學學報, 2014,45(4):503-507.

[8] Prakash O, Kumar A. ANFIS modelling of a natural convection greenhouse drying system for jaggery: an experimental validation[J]. International Journal of Sustainable Energy, 2014, 33(2):316-335.

[9] 葛建坤, 汪順生, 羅金耀.基于ANFIS的溫室微氣候通風調控模型[J]. 排灌機械工程學報, 2013,31(4):358-363.

[10] Ge J,Wang S,Luo J.Ventilation control model for temperature and humidity environment in greenhouse based on ANFIS[J]. Paiguan Jixie Gongcheng Xuebao/journal of Drainage & Irrigation Machinery Engineering, 2013, 31(4):358-363.

[11] Gao Y,Liu C,Song X, et al. Feedback feed-forward linearization and decoupling for greenhouse environment control[C]// International Conference on Mechatronics and Control. Jinzhou：IEEE，2014:179-183.

[12] 王立舒, 侯濤, 姜淼. 基于改進多目標進化算法的溫室環境優化控制[J]. 農業工程學報,2014,30(5):131-137.

[13] Kisi O. Streamflow Forecasting and Estimation Using Least Square Support Vector Regression and Adaptive Neuro-Fuzzy Embedded Fuzzy c-means Clustering[J]. Water Resources Management, 2015, 29(14):1-19.

[14] 李煒, 蔡翔. 基于改進量子粒子群算法的NCS模糊控制器參數優化[J]. 計算機應用研究, 2013, 30(8):2301-2303.

[15] Lutfy O F, Noor S B M, Marhaban M H, et al. A simplified adaptive neuro-fuzzy inference system (ANFIS) controller trained by genetic algorithm to control nonlinear multi-input multi-output systems[J]. Scientific Research & Essays, 2011, 6(31):6475-6486.

Intelligent Greenhouse Environment Control Based on Fuzzy Neural Network

Peng Hui1, Zeng Bi2

(1.Department of Electrical Engineering, Guangxi Vocational & Technical Institute of Industry, Nanning 530001, China; 2.School of Computer Science and Technology, Guangdong University of Technology, Guangzhou 510006, China)

For the issue that the accurate modeling and control of agriculture greenhouse environment, a intelligent control scheme based on fuzzy neural network is proposed. Firstly, a mathematical model of the greenhouse environment is constructed under considering of the indoor and outdoor environmental factor, and the differential expressions of ventilation, spray and heat value are obtained. Then, an adaptive fuzzy neural inference system (ANFIS) is used to obtain the control output by the neural network self learning and fuzzy inference, with the temperature and humidity as the input. Finally, the output scaling factor of the controller is optimized by genetic algorithm, which improves the control response speed and stability. The experimental results show that the proposed scheme can quickly and stably track the setting value of the environment, and has good control effect.

greenhouse environment; intelligent control; adaptive; fuzzy inference; genetic algorithm

2016-06-16

廣西教育廳項目(KY2015YB440)；廣西工業職業技術學院項目(桂工業院[2014]56)

彭 輝(1974-)，男，湖南湘潭人，副教授/高級工程師，碩士，(E-mail)penghuigx@126.com。

S625.5+1；TP391

A

1003-188X(2017)06-0043-07