模糊控制在温室控制系统中的应用

刘 红符晓玲杨莲红

（1,2,3.昌吉学院物理系 新疆 昌吉 831100；2.山东大学控制科学与工程学院 山东 济南 250061）

模糊控制在温室控制系统中的应用

刘 红1符晓玲2杨莲红3

（1,2,3.昌吉学院物理系 新疆 昌吉 831100；2.山东大学控制科学与工程学院 山东 济南 250061）

温室环境的被控对象复杂，控制过程的非线性、时变性、多参数祸合等原因，使得温室难以确立精确的数学模型来运用经典控制方法实现控制。而模糊控制无需精确的数学模型即可以实现控制，模糊控制技术是非常适合解决温室环境调控问题的主要技术手段。而模糊控制在温室的应用中本身又存在问题，该文介绍了几种优化的模糊控制方法，采用优化的模糊控制方法可以得到较好的控制效果。

模糊控制；温室；温度；优化模糊控制

1 引言

温室智能控制是综合运用各种先进设施和技术，人为的创造出植物生长发育的最佳环境条件，并通过科学的经营管理，最大限度地提高土地产出率、资源利用率和劳动生产率，获得最佳经济效益和社会效益的一种完全有别于传统农业的生产模式［1］。

温室系统的核心在于温室环境监控系统。应用计算机技术，不断吸收智能控制和信息技术领域新的理论和方法，结合温室作物种植的特点，不断创新，逐步完善，才能使温室系统实现真正意义上的现代化、产业化。温室各种因子的控制是设施农业中最基本的技术实现形式之一，它的目的在于给种植的作物创建出更适合作物生长的人工气候环境，从而使作物部分或全部不受外界环境和土壤条件等的因素制约，适合作物一年四季生长，缩短作物的生长周期，提高产品的产量和质量，使农业生产能够大规模的进行工厂化生产。但是，温室作物环境的控制远比一般工业环境控制要复杂的多。面临的挑战是受到多变的外部环境的影响，受控对象的不确定性与作物形态、尺寸不断变化，缺少能直接感知作物生长生理状态信息的检测传感器，还受到生产者管理经验及恶劣工作环境的影响。而温室环境的被控对象复杂，控制过程的非线性、时变性、多参数祸合等原因，使得温室难以确立精确的数学模型。没有精确的数学模型采用传统的控制方法，其控制效果常常还不如一个有经验的操作人员采用手动控制效果好。而作为智能控制分支之一的模糊控制无需控制对象的精确数学模型，利用专家经验，模拟人类智能进行模糊推理，实施精确控制，具有强鲁棒性和高稳定性，因此，模糊智能控制技术是非常适合解决温室环境调控问题的主要技术手段。

2 模糊控制在智能温室上的应用［2］

模糊控制是以模糊控制数学为基础发展起来的一种控制方法。是以人的控制经验作为控制的知识模型，以模糊集合、模糊语言变量和模糊逻辑推理为基础的微机数字控制，它是模拟人的思维，构造一种非线性控制，以满足复杂的、不确定的过程控制的需要。它属于智能控制范畴［3］。这种控制方法对于那些无法取得数学模型或数学模型相当粗糙的系统可以取得较满意的控制效果。模糊控制以人的经验为依据，而人的经验反映了人的思维、推理和归纳过程。在模糊过程中要对模糊量进行处理，它处理的不是精确的

数值，而是“大”、“中”、“小”等这样的一些边界不明显的模糊量，这是模糊控制与其它方法的一个基本不同点。模糊控制作为目前智能控制的一种有效而且十分重要的控制方法，只依赖于被控系统的物理特性，不需要精确的数学模型，这点经典控制是无法比拟的。

模糊控制系统的工作原理如图1所示。模糊控制系统是一种具有负反馈环境的闭环控制的控制系统。模糊控制利用一组“if then”规则组成，便于建立规则库。模糊逻辑是一组条件语句，便于在计算机中实现。

图1 模糊控制系统原理示意图

最基本的模糊控制系统结构如图2所示，图中yr为系统设定值，y为系统的输出值，它们都是清晰量，从图中可以看出，与传统控制系统结构没有多大区别，只是用模糊控制器替代传统的数字控制器。

图2 模糊控制系统

智能温室系统模糊控制过程是系统通过传感器采集当前的环境数据后，首先对数据进行处理，例如与以前值进行比较、校核、数字滤波等，并采用规定的算法对多个传感器采集的同一环境参数数据进行运算，以获得整个温室环境参数最具代表性的数据。根据经过处理的数据，求出与设定值的温度偏差E。考虑温室环境的特点和系统实际实施情况，我们必须根据温室作物种类的不同设置不同的环境参数和采样时间，在保证控制的实时性的同时，一方面可以提高控制精度，另一方面能在很大程度上消除干扰影响，避免出现设备频繁启闭的现象。根据模糊控制的要求，对温度偏差E规范化和模糊化处理，处理的结果将E变换为模糊集合中对应的论域值M。根据M的值，查模糊控制响应表，得到输出控制量。

模糊控制系统不需要被控对象的精确数学模型。可以依据专家经验实施精确控制，对外界干扰不敏感，系统的鲁棒性强、稳定性好，基本能够解决常规控制方法所无法完成的温室环境调控的问题。但是，从上述系统来看，控制规则的制定来源于专家经验或现有的知识，隶属函数多采用简单的三角形隶属函数或高斯隶属函数，没有统一制定的依据，这将直接影响模糊控制器的性能。而隶属函数的优选和模糊规则的获取正是模糊控制系统设计中最重要和最困难的问题。

3 优化的模糊控制在温室控制的应用

温室环境受多种因素影响具有时变性，使得模糊控制系统参数不会完全一样，如果采用上述常规模糊控制系统进行控制，需要设计人员花费大量的精力对系统进行参数的整定工作，否则不能取得理想的控制效果。如果能够使温室模糊控制系统具有自学习、自调整能力以根据环境条件的变化自动调整控制器参数，将会节省大量的人力。

3.1模糊神经网络控制系统［4］

在模糊控制系统的设计中，人们容易将专家的知识总结为模糊控制规则。但由于专家知识的局限性以及环境的可变性，任何一个专家都无法得到一个最佳或最优的隶属函数。而神经网络擅长从海量数据中寻找特定的模式，可以用神经网络来辨识因果关系，通过在输入和输出数据中找出模式而生成模糊逻辑规则。因为这两种技术具有互补性，所以利用神经网络的学习功能来优化模糊控制规则和相应的隶属函数，将一些知识预先分配到神经网络中去。将模糊逻辑推理能力与神经网络学习能力相结合，使得模糊控制规则和隶属函数可以通过对样本数据的学习自动的生成，克服了人为选择模糊控制规则主观性较大的缺陷。

模糊神经网络控制器将模糊逻辑与神经网络融合在一起，既能利用模糊逻辑来描述神经网络的推理过程，又可以通过神经网络来不断调整模糊隶属函数参数和模糊控制规则；既能处理温室生产过程中的不确定性问题，又能适应温室环境系统的非线性和时变性问题。

图3是一种融合型神经网络模糊自学习控制的系统结构。

图3 模糊神经网络控制器系统结构

该控制器使神经网络的每个层、每个节点都对应模糊系统的一部分就可以根据模糊系统的结构，决定等价结构的神经网络。这里的神经网络不同于常规的神经网络，常规的神经网络是黑箱型的，这里的神经网络所有参数都具有物理意义，典型的模糊神经网络控制器的结构如图4所示。

图4 基于神经网络的模糊控制器

根据模糊系统的结构来构造等价结构的神经网络，也就是说，神经网络的每一层每一个节点对应模糊系统的一部分，这样就增强了模糊控制的在线自学习能力。具有模糊结构的等价神经网络构成了一个新的网络结构，这种网络结构不仅具有清晰的空间结构，而且具有良好的非线性逼近能力和自学习能力。

3.2遗传算法的模糊控制系统

遗传算法［5］（Genetic Algorithm）是一种解决复杂问题的有效方法，是基于进化论、在计算机上模拟生命进化机制而发展起来的一门新型学科，它根据适者生存，优胜劣汰等自然进化规则来搜索问题的解。遗传算法的基本思想是从一个代表最优化问题解的种群开始进行搜索，通过若干代的进化最终得出条件最优的个体。遗传算法的优势在于求解最优化问题的全局最优解。算法的突出特点是它包含了与生物遗传及进化很相像的步骤：选择、复制、交叉、重组和变异。

模糊控制器设计的关键是模糊控制规则和输入输出隶属函数的选择，它们一般是由熟练操作人员或专家的经验总结设计出来的，然而对隶属函数完全依赖于专家的经验在实际应用中不能保证达到满意的效果，有必要进行优化。如果用遗传算法进行寻优计算，可以较为有效的确定模糊逻辑的结构和参数。用遗传算法优化模糊控制器的方法通常有：优化隶属度函数、优化模糊控制规则、优化隶属度函数与优化模糊控制规则交替进行。

3.3分级模糊控制系统

现代温室控制技术已经由定值管理发展为按时段变量控制的模式。同一种作物，在不同的生长期如发芽期、生长期、开花期、结果期等，对温度的要求是不同的，以黄瓜为例如表1所示。

表1 温室黄瓜生长的三基点（最低温度、最适温度和最高温度）温度

在作物一天的生长过程中，作物的生理活动对温度的要求也是不同的，用传统的恒温模糊控制则不能满足作物的生长要求。温度的周期性变化对作物的生长发育是不可缺少的，一般作物在夜间比白天生长的快，这是由于白天光合作用制造的养料积累后供给夜间作物生长和新细胞的形成。作物生长的各个阶段有它最适宜的温度，只有在最适宜的温度范围内作物才可以更好的生长。那么对温室的温度的控制就需要根据作物的生长需要来调节温室的温度。

温室的变温控制可以由一种双输入单输出的控制系统实现，由通常模糊控制的一个给定输入，变为不仅有一个给定的温室温度输入值还有一个不同时段（上午，下午，前半夜，后半夜）的温度输入值。系统根据实测值与系统的不同阶段不同时间设定的标准值进行比较，计算出偏差和偏差的变化率，输入给模糊控制器，使其发出指令，驱动各个执行机构动作，减小与实际值的偏差，进而逐渐的逼近设定值，实现变温控制［6］。

3.4在线自整定算法模糊控制系统

由于不同的温室其规模、结构、所处地域的气候条件不完全相同,使得模糊控制系统参数不会完全一样,需要耗费大量的精力对每个系统分别进行参数整定。在模糊控制过程中模糊控制器的输出与系统的比例因子关系密切，而比例因子的选择会直接影响系统的性能，但比例因子的

选择需要有经验的技术人员花费大量的时间和精力才能完成。对于不同的控制环境需要不同的比例因子，不能一成不变，因此，在线实时调整比例因子是十分必要的。杨卫中等提出了温室温度模糊控制参数在线自整定的算法，将温室温度响应的特征参数超调量、系统发散程度、系统振荡程度、稳态误差和过渡过程时间作为模糊推理系统的输入，量化因子和比例因子作为推理器的输出，模糊推理系统根据知识库的规则在线自动调整控制系统的量化因子和比例因子，优化系统响应品质，并可以自动检测系统全局性响应性能指标，对于新建系统或者由于季节变化引起的响应性能不能满足要求，可以自动进行参数调整。通过实验证明温度模糊控制器参数在线自整定算法可以有效的改善模糊控制器的性能，并且该算法易于编程实现，计算时间很短。应用该算法可以省去新建温室控制系统繁琐的现场参数整定工作，也可以解决由于季节变化等因素造成的控制系统性能变化的问题［7］。

4 结语

针对温室环境的大滞后、多输入多输出、非线性、难以建立数学模型等特点，采用模糊控制方法可以有效的予以解决，但模糊控制本身也存在缺点，模糊控制的模糊控制规则表和输入输出隶属函数的选择要依赖于专家的经验，不同的控制环境对控制的要求是不同的，就必须重新进行调整，而它的调整需要花大量的时间。采用优化的模糊控制技术可以解决此问题，本文介绍了模糊神经网络控制系统、遗传算法的模糊控制系统、分级模糊控制系统、在线自整定算法模糊控制系统来解决模糊控制在温室控制应用中存在的问题。

［1］赵斌，王克奇，匡丽红等.我国温室环境的模糊控制技术应用现状［J］.自动化仪表，2008,29（5）：1—4、8.

［2］冯帆，邱立春，刘维佳.模糊控制在温室温湿度控制系统中的应用［J］.农机化研究，2009,（6）：148—150.

［3］曹承志，王楠.智能技术［M］.北京：清华人学出版社，2004.

［4］刘红.基于模糊神经网络的温室温度智能控制器设计［J］.控制与传动，2009,（6）：48-49.

［5］李士勇.模糊控制神经控制和智能控制理论［M］.哈尔滨:哈尔滨工业大学出版社,1996.

［6］于海业，于立娟，陈海梅.基于模糊控制算法的温室变温管理系统［J］.农机化研究，2008，（5）：25—27.

［7］杨卫中，王一鸣，李海健.温室温度模糊控制参数在线自整定算法［J］.农业机械学报，2005，36（9）：79—82.

TP273+.4

：A

：1671-6469（2013）04-0077-04

2013-06-20

昌吉学院科学研究基金项目（2011SSQD018）

刘红（1977-），女，江苏赣榆人，昌吉学院物理系，讲师，研究方向：智能控制，电工电子技术。