基于模糊控制的温室智能控制系统实现路径

陈春谋

(陕西财经职业技术学院 管理学院， 咸阳 712000)

0 引言

不断加剧的能源紧缺状况，为使可用资源的利用率得到进一步提高，需不断的进行资源配置的调整与优化，在提高的利用率的同时能够获取更高的产出。随着网络信息技术及智能控制技术的快速发展和完善，为资源的合理配置提供了技术支撑，促使传统工业控制系统结构得以改善和优化。温室是农业生产的重要形式，随着农业对发展对低投入高产出需求的不断提升，促使温室控制系统做出转变和优化，通过更多智能控制方法的应用以有效满足节能高效的需求成为研究的重点方向。为提高农业温室环境控制的精确程度，本文主要研究了温室智能控制系统的实现路径[1]。

1 现状分析

目前部分温室采用传统的PID控制技术作为控制方案，存在参数恒定的PID控制器对非线性的实时控制要求难以有效适应等问题。模糊PID温室控制方案则是对传统PID控制技术进行优化，通过结合使用模糊理论与PID控制，从而能够恒定的PID控制参数通过模糊规则的使用实现在线整定处理，但难以自调整论域和模糊规则。以自适应模糊神经推理系统(AN-FIS)较为著名，输入输出变量通过神经网络的不断学习，其隶属度函数和模糊规则能够得到修正。通过在温室温度控制中引入ANFIS控制系统，使系统的控制性能得到一定程度的提高，但控制对象较为受限通常只能控制温度，对多因素控制时的相互耦合问题考虑不充分。固定的输出比例因子不利于控制响应速度的提升。基于模糊逻辑推理的模糊控制，其鲁棒性和稳定性较高(非线性控制)，但需专家的先验知识对模糊控制技术提供支撑，在此基础上才能实现有效的IF-THEN规则的构建，而具备自学习能力的神经网络算法则能够对这个缺陷进行弥补。因此有研究者设计了模糊神经网络系统 (FNN，结合了神经网络和模糊控制)。

2 温室环境建模

本文主要研究了温室智能控制系统的实现路径，提出的智能控制方案基于模糊神经网络，完成了多因素的温室环境控制数学模型的构建，提出的温室温度和湿度控制方案结合使用了自适应模糊神经推理系统(ANFIS)和比例因子(SF)调节，(1)对多种室内外环境因素进行了综合考虑，并完成了温室环境数学模型的构建，对控制输出表达式进行了去耦合处理。(2)在温室环境控制中引入ANFIS 控制系统，从而使时变非线性和滞后控制问题得以有效解决，使系统鲁棒性得以显著增强。(3)改进并完善了现有ANFIS控制系统，对输出比例因子采用遗传算法(GA)完成优化调整，进而使系统的响应速度得以显著提高。

通过制热、加湿和通风操作实现控制过程，组合制热和通风达到减湿目的。通过加热提高空气的干燥程度再通过通风操作带入室内，以吸收室内潮湿空气，最后将其排出温室；湿度较低的室外空气则直接实现交换过程，以降低温室空气湿度。可使用雾化器等蒸发设备提高湿度，注意晴天条件下的加湿处理需使用通风操作以避免气腾现象。通常当室外温度低于所需室内空气温度时即冬天才会使用制热器[2]。

由于温室系统属于非线性系统具有较强的耦合性，目前的模型仍难以做到精确表达。本文对温室内外环境因素进行了充分的考虑，主要对对温室温度和湿度通过一系列微分方程的使用完成精确建模，并在此基础上完成加热、喷雾和通风表达式的构建。假设，室内和室外温度分别由Tin(t)和Tout(t)表示(单位为℃)，内部和外部的湿度分别由Hin(t)和Hout(t)表示(单位分别为g[水]/kg[气])，空气的比热容为ζ(1 006 J/kg/K)，汽化的潜热由λ(2 257 J/g)表示，μ表示传热系数(W/K)，空气密度由ρ表示，太阳能加热效率由ξ表示，其变化范围为0.8～0表示由晴天到阴天，本文取ξ=0.5，S(W/m2)表示拦截的净太阳能，植物的蒸散率由ET表示(g[水]/s)，温室加热器提供的热量由qheat(W)表示，喷雾系统的喷水量由qfog(g[水]/s)表示，通风量由qvent(m3[气]/s)表示，温室的占地面积由A表示，温室内部体积由Vin(m3)表示，所构建的温度和湿度模型微分表达式如式(1)[3]。

(1)

ET同拦截太阳能参数关系密切，假设，叶片面积指数和阴影的综合系数由α表示，α属于经验系数的一种，需以具体的地点、气候和植物为依据进行设定，本文设定α为0.124 8；β为综合系数(单位为kg/min·m2)，代表影响蒸散作用的包括气孔、空气流动等在内的其他因素及热力学抗性。其关系简化式表达如式(2)。

(2)

(3)

最终qvent(通风量)、qfog(喷雾量)以及qheat(加热量)的表达式如式(4)。

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

(4)

3 温室环境控制的实现

3.1 控制系统框架

在温室内由于各环境因素间具有耦合性，如在对温度通过通风操作进行调节时会使湿度受到影响，导致使用包括开关控制、PID控制等在内的常规控制方法并不能保证良好效果的获取，为解决上述问题，本文在温室环境控制中引入ANFIS控制器，在上文提出的温室环境模型的基础上，使用ANFIS完成温室环境控制系统的构建，并对ANFIS输出比例因子采用GA算法进行优化，控制系统框架具体如图1所示[4]。

图1 温室环境控制系统框架

3.2 ANFIS控制器系统

(1) ANFIS参数选取方法

控制过程包括调节温度(通过控制通风量和加热量)、调节湿度(通过控制喷雾量)两个控制回路，本文控制器由3个ANFIS控制器组成，对输出进行控制，以调节温度中的某个通风量ANFIS(单输出)为例，对控制器的工作过程进行阐述，ANFIS 系统中的IF-THEN规则共包含9个，网络中的第0层包含输入单元2个，第一层包含神经元6个，第2/3/4层各包含神经元9 个，ANFIS参数选取原理具体根据输入设定值和室外环境变化情况进行控制[5],如图2所示。

(2) 隶属函数及规则

模糊化阶段在ANFIS 控制器中包含两个输入(温湿度与设定值的偏差)、通风量一个输出，控制规则组成模糊逻辑，本文IF-THEN规则的构建以操作行为和系统响应特性为依据完成，输入MF为高斯隶属函数(MF)具体如图3所示[6]。

图3 高斯隶属度函数

由小(S)、中等(M)、大(B)语言变量对控制器的输入进行标记，输出的MF为线性。规则个数为r=0，1，2，…R，分别由LTr、LHr表示输入信号T和H的语言学术语，第r个规则的贡献由ur表示(指系统总输出中)，则模糊系统规则形为：

IF:TisLTrandHisLHr

3.3 ANFIS输出比例因子的优化

具体基于遗传算法GA的优化步骤为：(1)首先完成初始种群的构建，比例因子参数(温湿度控制器)随机生成20个作为染色体，染色体中的基因由其中的各个二进制位表示，在此基础上完成二进制编码作为初始种群；(2)计算适应度，模拟ANFIS瞬态响应，适应度函数通过估算各比例因子的训练误差获取；(3)使用轮盘方法(适应度值越大越易被选中)选取遗传的参数；(4)接下来进行交叉和变异操作，随机产生交叉点(以交叉率为依据)并重组参数；接下来通过更改部分二进制位，提升下一代的适应度值以提高搜索速度；(5)对步骤(2)～(4)进行重复操作，直至获取符合期望的响应要求参数[7]。

4 实验及结果分析

通过MatLab的使用完成仿真温室环境的构建以进行实验，为了检测本文所设计的温室智能控制系统的实用性和稳定性，在所构建的温室环境数学模型中，检测本文控制器的控制效果，并同传统ANFIS 控制器进行对比：(1)在不存在加热处理的实验条件下，为喷水量和通风量作为输出信号，具体仿真实验的温度和湿度响应曲线如图4所示，结果表明相比于传统的ANFIS，本文进行过比例因子优化的ANFIS-SF控制器的系统响应速度更好，结果能够趋于设置值附件，能够对设置值进行有效追踪，证明了所构建数学模型的可行性及控制的准确性，对温度进行稳定控制使其不随湿度设置值阶跃变化而导致大幅度震荡，实现了相互控制。室内外环境均发生阶跃变化时，仿真实验结果如图5所示，本文方案仍能对设置值进行迅速准确的追踪，具备良好的响应速度。

5 总结

为提高农业温室环境控制的精确程度，本文主要研究了温室智能控制系统的实现路径，提出的智能控制方案基于模糊神经网络，通过温室环境数学模型的构建实现对室内外环境因素的有效控制，并据此实现通风、喷雾和加热量的微分式的获取，在此基础上结合使用自适应模糊神经推理系统，并以温、湿度差作为输入，获取控制输出后，再用遗传算法优化控制器的输出比例因子，使控制响应速度和稳定性得到进一步提高，检测结果表明该系统能够对环境设置值进行快速且稳定地追踪，具有较高的实际应用价值。

图4 温内温湿度控制结果

图5 室内外环境变化下温湿度的控制结果