基于模糊控制的溫室智能控制系統實現路徑

陳春謀

(陜西財經職業技術學院 管理學院， 咸陽 712000)

0 引言

不斷加劇的能源緊缺狀況，為使可用資源的利用率得到進一步提高，需不斷的進行資源配置的調整與優化，在提高的利用率的同時能夠獲取更高的產出。隨著網絡信息技術及智能控制技術的快速發展和完善，為資源的合理配置提供了技術支撐，促使傳統工業控制系統結構得以改善和優化。溫室是農業生產的重要形式，隨著農業對發展對低投入高產出需求的不斷提升，促使溫室控制系統做出轉變和優化，通過更多智能控制方法的應用以有效滿足節能高效的需求成為研究的重點方向。為提高農業溫室環境控制的精確程度，本文主要研究了溫室智能控制系統的實現路徑[1]。

1 現狀分析

目前部分溫室采用傳統的PID控制技術作為控制方案，存在參數恒定的PID控制器對非線性的實時控制要求難以有效適應等問題。模糊PID溫室控制方案則是對傳統PID控制技術進行優化，通過結合使用模糊理論與PID控制，從而能夠恒定的PID控制參數通過模糊規則的使用實現在線整定處理，但難以自調整論域和模糊規則。以自適應模糊神經推理系統(AN-FIS)較為著名，輸入輸出變量通過神經網絡的不斷學習，其隸屬度函數和模糊規則能夠得到修正。通過在溫室溫度控制中引入ANFIS控制系統，使系統的控制性能得到一定程度的提高，但控制對象較為受限通常只能控制溫度，對多因素控制時的相互耦合問題考慮不充分。固定的輸出比例因子不利于控制響應速度的提升。基于模糊邏輯推理的模糊控制，其魯棒性和穩定性較高(非線性控制)，但需專家的先驗知識對模糊控制技術提供支撐，在此基礎上才能實現有效的IF-THEN規則的構建，而具備自學習能力的神經網絡算法則能夠對這個缺陷進行彌補。因此有研究者設計了模糊神經網絡系統 (FNN，結合了神經網絡和模糊控制)。

2 溫室環境建模

本文主要研究了溫室智能控制系統的實現路徑，提出的智能控制方案基于模糊神經網絡，完成了多因素的溫室環境控制數學模型的構建，提出的溫室溫度和濕度控制方案結合使用了自適應模糊神經推理系統(ANFIS)和比例因子(SF)調節，(1)對多種室內外環境因素進行了綜合考慮，并完成了溫室環境數學模型的構建，對控制輸出表達式進行了去耦合處理。(2)在溫室環境控制中引入ANFIS 控制系統，從而使時變非線性和滯后控制問題得以有效解決，使系統魯棒性得以顯著增強。(3)改進并完善了現有ANFIS控制系統，對輸出比例因子采用遺傳算法(GA)完成優化調整，進而使系統的響應速度得以顯著提高。

通過制熱、加濕和通風操作實現控制過程，組合制熱和通風達到減濕目的。通過加熱提高空氣的干燥程度再通過通風操作帶入室內，以吸收室內潮濕空氣，最后將其排出溫室；濕度較低的室外空氣則直接實現交換過程，以降低溫室空氣濕度。可使用霧化器等蒸發設備提高濕度，注意晴天條件下的加濕處理需使用通風操作以避免氣騰現象。通常當室外溫度低于所需室內空氣溫度時即冬天才會使用制熱器[2]。

由于溫室系統屬于非線性系統具有較強的耦合性，目前的模型仍難以做到精確表達。本文對溫室內外環境因素進行了充分的考慮，主要對對溫室溫度和濕度通過一系列微分方程的使用完成精確建模，并在此基礎上完成加熱、噴霧和通風表達式的構建。假設，室內和室外溫度分別由Tin(t)和Tout(t)表示(單位為℃)，內部和外部的濕度分別由Hin(t)和Hout(t)表示(單位分別為g[水]/kg[氣])，空氣的比熱容為ζ(1 006 J/kg/K)，汽化的潛熱由λ(2 257 J/g)表示，μ表示傳熱系數(W/K)，空氣密度由ρ表示，太陽能加熱效率由ξ表示，其變化范圍為0.8～0表示由晴天到陰天，本文取ξ=0.5，S(W/m2)表示攔截的凈太陽能，植物的蒸散率由ET表示(g[水]/s)，溫室加熱器提供的熱量由qheat(W)表示，噴霧系統的噴水量由qfog(g[水]/s)表示，通風量由qvent(m3[氣]/s)表示，溫室的占地面積由A表示，溫室內部體積由Vin(m3)表示，所構建的溫度和濕度模型微分表達式如式(1)[3]。

(1)

ET同攔截太陽能參數關系密切，假設，葉片面積指數和陰影的綜合系數由α表示，α屬于經驗系數的一種，需以具體的地點、氣候和植物為依據進行設定，本文設定α為0.124 8；β為綜合系數(單位為kg/min·m2)，代表影響蒸散作用的包括氣孔、空氣流動等在內的其他因素及熱力學抗性。其關系簡化式表達如式(2)。

(2)

(3)

最終qvent(通風量)、qfog(噴霧量)以及qheat(加熱量)的表達式如式(4)。

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

(4)

3 溫室環境控制的實現

3.1 控制系統框架

在溫室內由于各環境因素間具有耦合性，如在對溫度通過通風操作進行調節時會使濕度受到影響，導致使用包括開關控制、PID控制等在內的常規控制方法并不能保證良好效果的獲取，為解決上述問題，本文在溫室環境控制中引入ANFIS控制器，在上文提出的溫室環境模型的基礎上，使用ANFIS完成溫室環境控制系統的構建，并對ANFIS輸出比例因子采用GA算法進行優化，控制系統框架具體如圖1所示[4]。

圖1 溫室環境控制系統框架

3.2 ANFIS控制器系統

(1) ANFIS參數選取方法

控制過程包括調節溫度(通過控制通風量和加熱量)、調節濕度(通過控制噴霧量)兩個控制回路，本文控制器由3個ANFIS控制器組成，對輸出進行控制，以調節溫度中的某個通風量ANFIS(單輸出)為例，對控制器的工作過程進行闡述，ANFIS 系統中的IF-THEN規則共包含9個，網絡中的第0層包含輸入單元2個，第一層包含神經元6個，第2/3/4層各包含神經元9 個，ANFIS參數選取原理具體根據輸入設定值和室外環境變化情況進行控制[5],如圖2所示。

(2) 隸屬函數及規則

模糊化階段在ANFIS 控制器中包含兩個輸入(溫濕度與設定值的偏差)、通風量一個輸出，控制規則組成模糊邏輯，本文IF-THEN規則的構建以操作行為和系統響應特性為依據完成，輸入MF為高斯隸屬函數(MF)具體如圖3所示[6]。

圖3 高斯隸屬度函數

由小(S)、中等(M)、大(B)語言變量對控制器的輸入進行標記，輸出的MF為線性。規則個數為r=0，1，2，…R，分別由LTr、LHr表示輸入信號T和H的語言學術語，第r個規則的貢獻由ur表示(指系統總輸出中)，則模糊系統規則形為：

IF:TisLTrandHisLHr

3.3 ANFIS輸出比例因子的優化

具體基于遺傳算法GA的優化步驟為：(1)首先完成初始種群的構建，比例因子參數(溫濕度控制器)隨機生成20個作為染色體，染色體中的基因由其中的各個二進制位表示，在此基礎上完成二進制編碼作為初始種群；(2)計算適應度，模擬ANFIS瞬態響應，適應度函數通過估算各比例因子的訓練誤差獲取；(3)使用輪盤方法(適應度值越大越易被選中)選取遺傳的參數；(4)接下來進行交叉和變異操作，隨機產生交叉點(以交叉率為依據)并重組參數；接下來通過更改部分二進制位，提升下一代的適應度值以提高搜索速度；(5)對步驟(2)～(4)進行重復操作，直至獲取符合期望的響應要求參數[7]。

4 實驗及結果分析

通過MatLab的使用完成仿真溫室環境的構建以進行實驗，為了檢測本文所設計的溫室智能控制系統的實用性和穩定性，在所構建的溫室環境數學模型中，檢測本文控制器的控制效果，并同傳統ANFIS 控制器進行對比：(1)在不存在加熱處理的實驗條件下，為噴水量和通風量作為輸出信號，具體仿真實驗的溫度和濕度響應曲線如圖4所示，結果表明相比于傳統的ANFIS，本文進行過比例因子優化的ANFIS-SF控制器的系統響應速度更好，結果能夠趨于設置值附件，能夠對設置值進行有效追蹤，證明了所構建數學模型的可行性及控制的準確性，對溫度進行穩定控制使其不隨濕度設置值階躍變化而導致大幅度震蕩，實現了相互控制。室內外環境均發生階躍變化時，仿真實驗結果如圖5所示，本文方案仍能對設置值進行迅速準確的追蹤，具備良好的響應速度。

5 總結

為提高農業溫室環境控制的精確程度，本文主要研究了溫室智能控制系統的實現路徑，提出的智能控制方案基于模糊神經網絡，通過溫室環境數學模型的構建實現對室內外環境因素的有效控制，并據此實現通風、噴霧和加熱量的微分式的獲取，在此基礎上結合使用自適應模糊神經推理系統，并以溫、濕度差作為輸入，獲取控制輸出后，再用遺傳算法優化控制器的輸出比例因子，使控制響應速度和穩定性得到進一步提高，檢測結果表明該系統能夠對環境設置值進行快速且穩定地追蹤，具有較高的實際應用價值。

圖4 溫內溫濕度控制結果

圖5 室內外環境變化下溫濕度的控制結果