基于機器學習的溫室控制模式提取研究

摘 要：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，有效的控制模式可以確保溫室內部環境穩定，提供最佳的生長條件，從而提高作物的產量和質量。目前，對于農業溫室的控制模式提取問題仍缺乏較好的解決方法。為此，研究了一種基于機器學習的溫室控制模式提取方法。通過非均勻采樣方法處理數據，使用機器學習分析方法實現溫室控制模式的提取；通過建立溫室的時間-溫度模型，對溫室控制系統進行分析和再設計，驗證了所提方法的可行性及優勢。實驗結果表明，所提方法可應用于溫室控制模式的提取，再設計的溫室控制系統是可觀測的、點對點可控的；相較于一般的PID控制和DSS控制模式，該方法具有調節時間快、超調量小、抗干擾能力強的特點。這一研究為現代設施農業溫室的控制提供了一種有效的模式提取方法，對溫室控制的系統化和智能化發展具有一定的促進作用。

關鍵詞：溫室；控制模式；模式提取；機器學習；非均勻采樣；時間-溫度模型

中圖分類號：TP391.4；S625 文獻標識碼：A 文章編號：2095-1302（2025）05-00-06

0 引 言

國家農業現代化規劃大力推進設施農業[1]在農業中的戰略結構性調整，促進科技成果轉化以引領農業發展，完善農業基礎設施建設，為我國農業長期、穩定、高質量發展提供了有力支持[2]。溫室作為現代設施農業的重要組成部分，其環境具有非線性、強耦合性、多干擾性和時滯性的動態特點[3]。溫室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[4]。溫室控制涉及的變化量繁多、波動范圍廣、干擾因素復雜，是農業溫室控制研究的難點和關鍵[5]。近年來，機器學習與農業領域的融合為我國現代化農業帶來了重要發展機遇，以機器學習為理論基礎的設施農業需求方案也隨之增加[6]。因此，通過機器學習算法對大量農業數據進行挖掘與分析，進而生成控制模式的方法也應運而生。

文獻[7]在溫室溫度約束模型預測控制研究中針對溫室溫度控制中模型參數不確定、系統時滯和調控設備的物理限制問題，研究了溫室溫度約束模型的預測控制；文獻[8]在溫室環境參數模糊專家控制系統的設計中通過對參數最優值的預測設計多階變化率模糊控制器，以實現專家系統控制；文獻[9]從常規比例微積分控制、模糊控制、人工智能控制、溫室小氣候模型和作物生長模型等5個方面，綜述了溫室環境控制策略的研究進展，提出了將智能溫室控制與作物生長模型耦合，構建智慧型作物生長模型；文獻[10]指出溫室環境控制領域的發展趨勢主要包括：構建考慮擾動因素影響的溫室環境控制方法，研究基于作物生長和表型評價體系的環境調控模型，以及建立多模型融合的“云-邊-端”協同溫室環境調控系統。然而，目前仍缺乏較為有效的方法來解決農業溫室中控制模式的提取問題，缺乏基于機器學習的農業溫室控制模式分析方法，也缺少對機器學習與溫室控制理論的深入研究與實驗。

本文通過非均勻采樣方法處理數據，利用機器學習分析方法解決溫室控制模式的提取問題，建立溫室的時間-溫度模型，實現溫室控制系統的分析和再設計。評估通過該方法提取的溫室控制模式在調節時間、超調量和抗干擾能力方面的表現，驗證基于機器學習的溫室控制模式提取方法的可行性及優勢。結果表明，本文的研究方法可用于溫室控制模式的提取，這為現代設施農業溫室的控制模式的分析和提取提供了有效方案，對溫室控制系統的系統化和智能化發展起到一定的促進作用。

1 材料與方法

1.1 實驗材料

通過2019—2022年在西藏自治區拉薩市、那曲市、日喀則市、山南市等地市的調研與數據收集，本文所用數據均來自拉薩市白定縣智昭產業園的5個型號為T1OR的溫度記錄儀記錄的共71 450組溫度數據。

1.2 實驗方法

本文致力于研究一種基于機器學習的溫室控制模式提取方法。通過對采集到的溫室溫度數據進行非均勻采樣處理，使用機器學習分析方法，實現對溫室控制模式的提取。建立溫室的時間-溫度模型，通過對溫室控制系統的分析和再設計，驗證該方法的可行性及優勢。

1.3 數據處理

本文采用非均勻采樣方法實現數據處理。非均勻采樣[11]是指在采樣過程中，面對采樣點之間不固定的間隔，根據某種規則或條件來確定采樣點的方法。在進行數據處理時，非均勻采樣用于在數據集中選擇具有特定屬性或特征的樣本，以加速數據分析或挖掘過程[12]。通過智能地選擇采樣點，可以更準確地表示數據的分布和特征，從而提高分析的效率和準確性[13]。

本文所采用的非均勻采樣方法是利用梯度與偏導數實現的。首先將原始序列劃分成多個等間隔的區間，然后觀察每個間隔內序列的變化情況。若變化較小，則采樣點較少；若變化較大，則采樣點較多。

根據圖1所示流程，在計算數據序列的導數和梯度之后，將導數值和梯度值重新組合成離散的導數序列和梯度序列。如果這兩個序列的長度與數據序列相同，可以利用它們反映數據序列的特征，并進行非均勻采樣。

1.4 機器學習

機器學習是人工智能的一個重要分支，專注于探索如何使計算機系統通過分析數據來學習和自我改進[14]。這一領域的目標是通過學習提升計算機性能，達到自動化決策和精準預測的目的。機器學習涵蓋了一系列核心步驟，包括對數據的預處理、模型的結構設定與細節調整、模型的訓練與優化，以及對模型性能的評估[15]。在機器學習應用的過程中，往往需要多次迭代來精細調整參數和特征選擇，這一過程是為了構建一個高度準確和有效的模型[16]。

在處理時參模型控制場景時，無論是采用回歸分析、神經網絡、支持向量機（SVM）、決策樹等機器學習技術中的哪一種，本質上都是在尋找一個能夠準確映射時間和參數間關系的函數模型[17]。這些方法從不同角度出發，無論是通過擬合尋求近似的最優函數，還是借助神經網絡建立復雜的函數關聯，或者通過決策樹和SVM揭示非線性的函數結構，均可以有效分析并應用于溫室時間-溫度模型控制任務。

1.4.1 機器學習擬合

機器學習前數據分布情況如圖2所示。

由于采集間隔的原因，數據以24條不規則分割線的形式呈現，同時計時器誤差導致每個數據點存在一定的抖動。在對原始序列進行非均勻采樣處理之前，使用了4種不同的機器學習方法進行擬合，擬合結果如圖3所示。

通過觀察可知，圖3（c）的擬合結果最佳，故使用回歸擬合方法作為非均勻采樣處理的對象，數據處理結果如圖4所示。

由圖4可知：采樣點數在曲線平滑的位置較少，而在曲線陡峭的位置較多，這符合非均勻采樣理論。然后，根據非均勻采樣的密度結果，對原始序列進行重新采樣，并將重采樣的擬合結果與采樣前進行對比，如圖5所示。

通過對比圖5中的兩條曲線可以看出，即使重采樣的數據量減少，重擬合的結果仍然可以接近采樣前的擬合效果。

1.4.2 機器學習分析

通過上述分析得到描述溫度變化的曲線。由于采集到的數據既不具有自然的溫度變化特征，也沒有經過控制以保持在某個閾值范圍內，因此這條曲線被歸類為傳遞溫變曲線。該非自然時間-溫度關系的模型采用了三階多項式回歸方程，反映了24 h內溫度T與時間t的非自然變化規律（保留六位小數）：

1.5 時間-溫度模型

1.5.1 溫室時參模型

時參模型，又稱時間-參數模型，將時間納入獨立維度，其他參數作為變量維度，以刻畫數據變化模式[18]。在控制學中，時參模型通過結合時間和其他參數，建立控制系統的動態模型以進行系統分析和設計。

在溫室環境控制中，溫度和濕度是整個控制系統中最重要的因素[19]。溫室內的溫度和濕度不僅隨外部環境變化，還可以通過內部調控設備（如天窗、加熱器、除濕器、補光燈等）進行調節。在溫室中，溫度和濕度均可視為一階滯后系統的參數，其數學模型結構相似，只是參數不同。為了簡化模型維度以便處理，本文選擇建立溫室時間-溫度模型進行研究。

1.5.2 溫室控制模式

控制模式[20]是指針對特定系統或設備的操作模式，用于控制和調節其功能和行為。在溫室環境中，當出現特定參數及其變化趨勢或特定閾值組合時，會有一套或多套與之對應的動態控制參數。這些參數組合用于應對控制決策，進而形成溫室的控制模式。

提取溫室控制模式是指從溫室環境數據中分析出溫室控制系統的工作模式[21]。通過對溫室內溫度、濕度、光照等數據的觀測和分析，可以識別出溫室內的控制模式，包括自動控制、手動控制、定時控制等。這樣可以幫助溫室管理員更好地了解溫室的運行狀況，提高溫室的生產效率和節能降耗水平。

1.5.3 建立時間-溫度模型

通過上述非均勻采樣和機器學習分析可知，需要先建立日光溫室的時間-溫度模型。對式（4）中通過機器學習所得的溫室熱交換規律求導得到其回歸微分方程為：

該微分方程描述了一個簡單的熱學模型。其中，表示溫度的變化率；為自然溫變；T表示傳遞溫變；f表示溫度的外部輸入；q表示溫度的熱傳導系數，它是與物體或系統材料本身的性質有關且隨溫度變化的量，所以也會影響溫度的變化。式（7）所述的微分方程是通過機器學習分析方法得到的，也是日光溫室的時間-溫度模型，滿足了現代控制理論對控制系統分析的基本要求。

2 結果與分析

2.1 分析與再設計溫室控制系統

2.1.1 時間-溫度模型控制系統轉換經典控制系統

2.1.2 驗證溫室控制系統

在控制工程中，設計穩定的控制系統時，通常會使用留數法來求解拉普拉斯變換后系統函數的零點和極點，并進一步判斷它們是否收斂。另外一種方法是通過求解微分方程的特征值和特征向量來確定極點或共軛極點在復平面中的位置。而在現代控制理論中，還研究了狀態矩陣的特征值，定義了Lyapunov函數，并通過求解Lie導數來判斷Lyapunov的穩定性。

圖6的相圖呈現向內螺旋，圖7的時間序列圖收斂，根據式（17）可知其特征值具有非正實部，符合Lyapunov穩定性。因此，根據式（17）的特征值、圖6的相圖和圖7的時間序列圖、式（21）的正定性判斷可知，該方法是穩定的。使用MATLAB計算系統的可控性和可觀測性，并根據式（18）繪制相圖。計算得到可控性矩陣C的秩為2，等于方陣的階數，該矩陣滿秩，證明理論上該系統是可觀測的，且是點對點可控的。

2.2 提取的控制模式效果評價

基于式（7）和式（16）的時間-溫度時參模型日光溫室控制系統（以下簡稱“溫室控制系統”），已知該系統是可控的且可觀測的，現在使用SimuLink設計基于機器學習分析方法提取到的控制模式，以及PID控制器和DSS控制器，對溫室控制系統進行仿真實驗，并進行對比。

根據式（16），使用MATLAB將溫室控制系統進行離散化，在SimuLink中組裝三種采樣頻率相同的溫室控制系統，其中f=20，q=1。根據式（16）設計溫室控制系統控制器，利用離散化結果設計DSS控制器，并使用SimuLink中默認的PID控制器，如圖8所示。

為了比較幾種控制器的效果，根據圖8的設計，在SimuLink中進行仿真對比實驗。完成仿真實驗后，查看仿真結果以評估不同控制器的效果。根據式（11）中定義的調節時間，利用SimuLink的數據提示功能在圖中標定出5%調節時間的坐標，如圖9所示。

根據式（12）所述的最大超調量，使用SimuLink的峰值查找器功能確定最大超調量，如圖10所示。其中Now為基于機器學習分析方法提取到的控制模式。

根據圖9和圖10，可以得到各種控制器的最大超調量和調節時間（5%）的對比結果，見表1。

由表1可知，本文設計的溫室控制系統控制器的最大超調量和調節時間均優于默認的PID和DSS控制器。根據圖9的仿真結果可知，PID控制器的波動較大；DSS控制器的波動大且調節速度慢；本文控制器的調節速度最快，回彈量相對PID和DSS較小。綜合以上結果可知，基于機器學習分析方法提取的控制模式可以較好地完成溫室的控制任務，滿足溫室控制系統對控制器的要求。

3 結 語

本文提出了一種基于機器學習的溫室控制模式提取方法，采用了一種非均勻采樣方法處理數據，通過機器學習分析方法，成功實現了對溫室控制模式的提取，并建立了溫室的時間-溫度模型?；谠撃Ｐ?，進行了溫室控制模式的分析對比實驗。本文以拉薩市白定縣智昭產業園的T1OR型號溫度記錄儀記錄的71 450組溫度數據作為實驗數據集，驗證了該方法的可行性。最后，通過仿真實驗對比了機器學習分析所得控制器與經典控制器。實驗結果顯示，基于機器學習分析提取的控制模式相比于傳統的PID控制器和DSS控制器，具有調節時間快、超調量小、抗干擾能力強的特點。本文提出的研究方法可應用于溫室控制模式的提取，為現代設施農業溫室的控制提供了一種模式提取方法，具有較好的實際應用價值。

本文為簡化模型維度以便處理，選擇建立了溫室的時間-溫度模型，未來研究可以嘗試建立更多維度的溫室模型，以進一步驗證該方法的可行性與效率。隨著溫室控制模式提取方法的不斷完善，后續研究可以嘗試優化提取后的溫室控制模式，以便更好地滿足溫室控制的需求。

注：本文通訊作者為嚴李強。

參考文獻

[1]趙華.設施農業溫室大棚智能控制技術的發展研究[J].農產品加工，2024（4）：90-92.

[2]杜華章，蔣植寶，王義貴.現代化農業科技服務體系建設研究[J].農業系統科學與綜合研究，2002（2）：131-134.

[3]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.

[4]邢希君，宋建成，吝伶艷，等.設施農業溫室大棚智能控制技術的現狀與展望[J].江蘇農業科學，2017，45（21）：10-15.

[5]宋赫，嚴李強，肖楊，等.基于K-means的時參模型溫室控制模式分析方法研究[J].新型工業化，2022，12（1）：41-44.

[6]孫博，李靖，王靜.機器學習在植物工廠中的研究現狀與挑戰[J].中國農學通報，2023，39（18）：142-150.

[7]周偉，汪小旵.溫室溫度約束模型預測控制研究[J].新疆農業科學，2014，51（6）：1015-1021.

[8]韋玉翡，趙建貴，高安琪，等.溫室環境參數模糊專家控制系統的設計[J].江蘇農業科學，2021，49（6）：183-188.

[9]劉奧龍，袁培，何正陽，等.現代農業溫室環境控制策略研究進展[J].節水灌溉，2024（3）：10-16.

[10]胡瑾，楊永霞，李遠方，等.溫室環境控制方法研究現狀分析與展望[J].農業工程學報，2024，40（1）：112-128.

[11]宋佳樂，萬顯榮，張勛，等.基于非均勻采樣的DTMB-A信號模糊函數抑制方法[J].太赫茲科學與電子信息學報，2023，21（8）：1022-1030.

[12]葉浩，王龍業，曾曉莉，等.融合非均勻采樣與特征強化的人體不文明行為檢測方法[J].計算機科學與探索，2024，18（12）：3219-3234.

[13]徐煒，薛紅，邵尉.基于K-means算法的非均勻網格化空間采樣分布優化[J].電聲技術，2018，42（4）：48-51.

[14]桑東.基于機器學習的水培生菜控制系統研究與設計[D].泰安：山東農業大學，2024.

[15]趙獻立，王志明.機器學習算法在農業機器視覺系統中的應用[J].江蘇農業科學，2020，48（12）：226-231.

[16]劉超敏.基于機器學習的采摘機器人控制系統研究[J].農機化研究，2024，46（9）：253-256.

[17]張皓婷，李明，宋佳澤，等.基于機器學習的溫室番茄的環境調控綜述[J].農業與技術，2021，41（9）：9-12.

[18]康進，劉曉峰，周毅，等.考慮日內溫度變化的夏季溫敏負荷模型及其時變參數的兩階段辨識方法[J].電力自動化設備，2024，44（6）：210-216.

[19]劉方，栗震霄.我國農業溫室控制系統控制模式的研究[J].農機化研究，2008（10）：223-226.

[20]張紫荊. 江漢平原作物種植模式提取及時空分布特征[D].武漢：華中農業大學，2023.

[21]張紫荊，華麗，鄭萱，等.基于GEE平臺與Sentinel-NDVI時序數據江漢平原種植模式提取[J].農業工程學報，2022，38（1）：196-202.