CN101315544A - 一种温室智能控制方法 - Google Patents

Abstract

一种温室智能控制方法，是以作物智能数据库为基础控制温室整体气候，再跟踪作物生长期间的实时信息，校正完善数据库，并在控制温室气候的输入数据中叠加混沌信号，再加上神经网络控制器进行优化调节得以实现的。本发明的优点在于：1.绿色环保功能：本方法采用智能控制技术，能产生更加接近自然界变化的有利于农作物优化生长的具有混沌现象的绿色自然生态环境；2.节约能源：改变了传统的没有混沌变化的温室控制系统，节约了大量以往维持温室恒温的能源。本发明是以温室作物生长环境为背景的基础上，提出了一个新颖的模拟大自然环境的温室智能控制系统，效果良好，具有实际应用和推广价值。

Description

一种温室智能控制方法

技术领域

本发明涉及智能控制技术领域，尤其是涉及在温室中使用的一种智能控制方法。

背景技术

近几十年来，温室突破了传统农作物种植受地域、自然环境、气候等诸因素的限制，成为一种新的农作物种植技术，对农业有重要意义。但是，虽然从温室中成熟的蔬菜和水果可以提前或反季上市，但品尝下来，其品质不如在自然环境中生长成熟的产品上口美味。主要的原因是作物生长的化学、生物环境(如土质、水质等)并不比自然环境合适，其次就是在温室中人为的把温度控制在一个适合农作物成长的温度恒定不变，过度的加速了农作物的成长周期。

所以现有的温室控制系统存在着人为对作物催生催熟，其产出的果实口感不佳；保持温室恒温，浪费大量的电能的缺点

发明内容

本发明旨在创建一种合理的温室智能控制方法，充分考虑到温室的调控因子，应用智能控制技术，利用农作物生长智能数据库和先进的算法，实现对温室环境与自然环境的最佳匹配以及最优控制，克服现有温室系统简单恒温控制系统的缺点，本发明的技术方案如下所述。

一种温室智能控制方法，是以作物智能数据库为基础控制温室整体气候，再跟踪作物生长期间的实时信息，校正完善数据库，并在控制温室气候的输入数据中叠加混沌信号，再加上神经网络控制器进行优化调节得以实现的。

本发明的优点在于1、绿色环保功能：本方法采用智能控制技术，能产生更加接近自然界变化的有利于农作物优化生长的具有混沌现象的绿色自然生态环境；2、节约能源：改变了传统的没有混沌变化的温室控制系统，节约了大量以往维持温室恒温的能源。

本发明是以温室作物生长环境为背景的基础上，提出了一个新颖的模拟大自然环境的温室智能控制系统，效果良好，具有实际应用和推广价值。

附图说明

图1是本发明温室智能控制方法拓扑图；

图2是本发明中辨识结构的拓扑图；

图3是本发明实施例中温度控制仿真混沌变化曲线图。

具体实施方式

现依据附图，对本发明做进一步的描述。

参见图1，图中的数据库是收集的某种农作物在某地域从开始种植一直到成熟丰收所有日子的天气参数曲线，这其中包括温度、风速等主要对农作物影响比较大的参数，数据在24小时内以一定间隔时间采集一次，以天为单位，存于数据库中。具体应用时需要对数据库中所采集的数据进行初始化处理，先根据作物的生长规律，剔除其中的恶劣天气和不正常的参数，被剔除的天数由邻近的那一天来顶替，再对其他数据依据作物不同生长时期进行不同的调整和优化，处理完后的优化数据将来就作为作物在温室中生长的输入依据参数。当然随着每次作物的实际生长，这些生长参数数据也会不断地调整和改进。

图中的辨识过程是跟踪作物生长期间的实时信息，以便用来评价系统，校正和完善作物生长的数据库，辩识结构如图2所示，非线性DTNN神经网络可以选为此辨识器。

它可描述为：y(k)＝Nφ[h^T(k)；w]＝Nφ[u(k)，u(k-1)，…，u(k-m)；w](1)，y(k)是网络的输出(可为单输出或多输出)，u(k)是网络的输入，式(1)等效于非线性FIR滤波器，可由前馈网络(多层BP、RBP网、CMAC网等)与按拍延迟线CTDL组合实现。这里使用三层BP网络，采用在线辩识，根据辩识结果，进行评价，并对智能数据库根据作物实际生长情况曲线实时更新、改进和完善。

为了得到全局最优的前馈网络训练算法，曾提出了许多BP改进算法，以及与其他算法相结合的算法如遗传算法等。但这些算法都是随机优化的批量算法，不易在线执行。也有把递推最小二乘(RLS)技术应用于多层前馈网络的训练，能得到全局最优解，并易于在线执行，但算法在执行过程中，计算量和存贮量都远远超过基本BP算法，给具体应用带来了困难。

根据作物生长的特点，本发明提出使用一种能全局寻优的自适应快速BP(Globally Convergent Adaptive Quick Back Propagation，简称GCAQBP)算法，计算公式如下：

${\mathrm{\ω}}_{\mathrm{ij}}^l(k+1)={\mathrm{\ω}}_{\mathrm{ij}}^l\left(k\right)-\mathrm{\η}{\mathrm{\δ}}_i^l\left(k\right){\mathrm{\σ}}^{\′}\left(x_i^l\left(k\right)\right)y_j^{l-1}\left(k\right)+\mathrm{\α\Δ}{\mathrm{\ω}}_{\mathrm{ij}}^l\left(k\right)---\left(2\right)$

${\mathrm{\δ}}_i^l\left(k\right)=\left\{\begin{array}{cc}{y}_j^L\left(k\right)-y_{\mathrm{di}}\left(k\right)& (l=L)\\ \underset{j=1}{\overset{N_{l+1}}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{l+1}\left(k\right){\mathrm{\σ}}^{\′}\left(x_j^{l+1}\left(k\right)\right){\mathrm{\ω}}_{\mathrm{ji}}^{l+1}\left(k\right)& (l=\mathrm{1,2},\·\·\·,L-1)\end{array}\right.---\left(3\right)$

同时为避免初始学习时误差过大而造成的学习过程振荡，以及个别受扰点大误差的影响，增强学习过程的鲁棒性，对学习率增益作如下修正：

$\mathrm{\λ}=\frac{{\mathrm{\λ}}_0}{1+E}---\left(4\right)$

其中λ₀为初始学习增益。同时对动量因子进行调整，加快收敛速度，动量因子α的取值原则为：

$\mathrm{\&alpha;}=\left\{\begin{array}{cc}\mathrm{\&alpha;}& (\mathrm{\&Delta;E}<0)\\ 0& (\mathrm{\&Delta;E}>0)\end{array}\right.---\left(5\right)$

为了消除假饱和现象，网络初始权值取得尽可能小，网络输入数据作归一化处理，减少神经元进入饱和状态的机会，网络输出层采用线性作用函数，此时输出层神经元不存在饱和问题，同时可将神经网络逼近的非线性映射关系的输出值域扩大至(-∞，+∞)，隐层采用对称Sigmoid函数，函数值域扩大至(-1，1)，可对零输入样本进行训练。

结合以上措施，CGAQBP算法的实现过程如下：

1)网络及训练参数初始化。

●给出训练参数λ₀，μ，α。

●网络初始权、阈值在[-0.1，0.1]之间的随机选取。

●对网络输入信息进行归一化处理。

2)正向传播计算。根据网络输入，计算网络输出。

3)反向传播计算。

●计算反向误差信号δ_j((3)式)。

●计算误差函数对权值梯度向量的范数。

●计算λ(t)、α(t)((4)式和(5)式)

4)更新权值((1)式)

5)判断训练是否满足精度和学习时限要求，若满足精度要求，则应用，不满足，且时限未到，返回步骤2)；否则更新训练数据，返回步骤2)。

在数据库中搜索作物生长最佳条件采用改进型遗传算法，加快搜索速度，搜索出的参数为系统的设定值。

图中混沌信号由混沌信号发生器产生，混沌是指发生在确定性系统中的貌似随机的不规则运动，一个确定性理论描述的系统，其行为却表现为不确定性、不可重复和不可预测，这就是混沌现象。混沌是非线性动力系统的固有特性，是非线性系统普遍存在的现象。牛顿确定性理论能够充分处理的多为线性系统，而线性系统大多是由非线性系统简化来的。因此，在现实生活和实际工程技术问题中，混沌是无处不在的。

由于自然界的温度，湿度等变化是混沌现象，所以对此这个温室系统的输入信号上叠加一个混沌信号，使温室内温度等参数变化有一个适当的混沌波动，但波动幅度较小，例如温度可以每间隔一定时间变化一次。混沌信号的产生可以用硬件混沌信号发生器来产生，也可通过软件基于协方差函数产生混沌信号。叠加相应的混沌信号后，温度场的变化更加接近自然界的环境自然温度，而且也接近每天的气候自然变化。

图中采用模糊神经网络控制是基于以下研究得到的，理论与实践研究结果表明，合适的生态环境，尤其是合适的温度场分布，能够大幅度提高作物产量和质量，温室控制一般采用自然调节的方法，但温度的精确控制，可以采用先进的控制方法，产生有利于作物生长的最优分布温度场。为了实现优化控制，必须建立温室的数学模型。但由于温室是一个复杂的生物环境，难以建立精确的数学模型，事实上，温室温度不仅与加热功率及其分布、日光辐射、热辐射、对流等有关，而且与温室里的不同作物在不同生长期的不同潜热有关，具有非线性、时变性和分布特性。针对温室生物环境建模的复杂性，采用如下温室气候的模糊神经网络逻辑控制器，可以实现优化控制。

这里，对温度进行控制，相应控制机构为天窗、侧窗、温度控制器。它是一个具有输入层，隐层和输出层的神经网络。对应于模糊控制逻辑控制的模糊化，规则推理和反模糊化三个步骤。网络的输入层为温湿度差两个变量。隐层采用高斯型的激活函数表示模糊变量的隶属函数，调整该层的权值和阈值，其输出就是模糊变量的隶属度。这里温度误差有5个模糊子集，即{正大，正小，适中，负小，负大}。隐层将模糊化得到的隶属度进行两两相乘，代表模糊规则的强度，划分模糊规则，共15条模糊规则。输出层的各个权值代表了模糊规则，采用模糊判决进行开关量的控制，控制量限制在0-1之间。这里采用步进电机实现阀门式开关控制，而阀门开启的角度正好与控制量成正比，0为关闭，1为完全开放，取代继电器的开关控制，模糊控制将更加精确。

实施例

为了验证本发明的效果，利用MATLAB软件编程进行了仿真实验。进行仿真需要知道系统的模型，而温室系统的模型很难建立。神经网络可以实现对任意非线性函数的逼近，采用成熟的BP网络来对温室系统进行辩识，并在输入前加入混沌信号，使温室系统更接近于自然环境。模糊控制仿真如图3，这里只列出了温度的仿真效果。

图中是番茄成长中某一天所需的温度曲线，虚线代表数据库调出的实际某地某天的温度曲线，实线则是实际仿真结果(温室初始温度假定为20度)。番茄在白天与夜晚各自的最适温度分别在20-25度和13-18度，白天最高温度不能超过35度，昼夜温度不得低于5度。当夜间温度低于白大温度时，植物生长发育常比昼夜温度相同时更为良好，这是出于降低夜间温度能减少呼吸作用的损失，使植物体内能积累更多有机物质，有利于促使植物的生长发育。

在实际仿真过程中，以分钟代表小时，横坐标24个小时分别对应1到24分钟。从图中，可以看到，温度的控制过程无超调，调节时间短，稳态误差基本没有。又由于加入了混沌信号，所以在整个过程中，温度曲线走向上下波动，波动幅度在可控制范围内，效果非常好。

Claims (4)

1、一种温室智能控制方法，其特征在于，是以作物智能数据库为基础控制温室整体气候，再跟踪作物生长期间的实时信息，校正完善数据库，并在控制温室气候的输入数据中叠加混沌信号，再加上神经网络控制器进行优化调节得以实现的。

2、如权利要求1所述的温室智能控制方法，其特征在于，所述作物智能数据库是是收集的某种农作物在某地域从开始种植一直到成熟丰收所有日子的天气参数曲线，这其中包括温度、风速等主要对农作物影响比较大的参数，数据在24小时内以一定间隔时间采集一次，以天为单位。

3、如权利要求1或2所述的温室智能控制方法，所述跟踪作物生长期间的实时信息，校正完善数据库这一过程称为辨识，非线性DTNN神经网络可以选为此辨识器，它可描述为：y(k)＝Nφ[h^T(k)；w]＝Nφ[u(k)，u(k-1)，…，u(k-m)；w](1)，y(k)是网络的输出(可为单输出或多输出)，u(k)是网络的输入，式(1)等效于非线性FIR滤波器，可由前馈网络(多层BP、RBP网、CMAC网等)与按拍延迟线CTDL组合实现，这里使用三层BP网络，采用在线辩识，根据辩识结果，进行评价，并对智能数据库根据作物实际生长情况曲线实时更新、改进和完善，其特征在于，本发明提出使用一种能全局寻优的自适应快速BP(GloballyConvergent Adaptive Quick Back Propagation，简称GCAQBP)算法，计算公式如下：

${\mathrm{\&omega;}}_{\mathrm{ij}}^l(k+1)={\mathrm{\&omega;}}_{\mathrm{ij}}^l\left(k\right)-\mathrm{\&eta;}{\mathrm{\&delta;}}_i^l\left(k\right){\mathrm{\&sigma;}}^{\&prime;}\left(x_i^l\left(k\right)\right)y_j^{l-1}\left(k\right)+\mathrm{\&alpha;\&Delta;}{\mathrm{\&omega;}}_{\mathrm{ij}}^l\left(k\right)---\left(2\right)$

${\mathrm{\&delta;}}_i^l\left(k\right)=\left\{\begin{array}{cc}{y}_j^L\left(k\right)-y_{\mathrm{di}}\left(k\right)& (l=L)\\ \underset{j=1}{\overset{N_{l+1}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_i^{l+1}\left(k\right){\mathrm{\&sigma;}}^{\&prime;}\left(x_j^{l+1}\left(k\right)\right){\mathrm{\&omega;}}_{\mathrm{ji}}^{l+1}\left(k\right)& (l=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,L-1)\end{array}\right.---\left(3\right)$

同时为避免初始学习时误差过大而造成的学习过程振荡，以及个别受扰点大误差的影响，增强学习过程的鲁棒性，对学习率增益作如下修正：

$\mathrm{\&lambda;}=\frac{{\mathrm{\&lambda;}}_0}{1+E}---\left(4\right)$

其中λ₀为初始学习增益。同时对动量因子进行调整，加快收敛速度，动量因子α的取值原则为：

$\mathrm{\&alpha;}=\left\{\begin{array}{cc}\mathrm{\&alpha;}& (\mathrm{\&Delta;E}<0)\\ 0& (\mathrm{\&Delta;E}>0)\end{array}\right.---\left(5\right)$

为了消除假饱和现象，网络初始权值取得尽可能小，网络输入数据作归一化处理，减少神经元进入饱和状态的机会，网络输出层采用线性作用函数，此时输出层神经元不存在饱和问题，同时可将神经网络逼近的非线性映射关系的输出值域扩大至(-∞，+∞)，隐层采用对称Sigmoid函数，函数值域扩大至(-1，1)，可对零输入样本进行训练；

结合以上措施，CGAQBP算法的实现过程如下：

1)网络及训练参数初始化

●给出训练参数λ₀，μ，α

●网络初始权、阈值在[-0.1，0.1]之间的随机选取

●对网络输入信息进行归一化处理

2)正向传播计算。根据网络输入，计算网络输出

3)反向传播计算

●计算反向误差信号δ_j((3)式)

●计算误差函数对权值梯度向量的范数

●计算λ(t)、α(t)((4)式和(5)式)

4)更新权值((1)式)

5)判断训练是否满足精度和学习时限要求，若满足精度要求，则应用，不满足，且时限未到，返回步骤2)；否则更新训练数据，返回步骤2)。

4、如权利要求1所述的温室智能控制方法，其特征在于，所述神经网络控制器是一个具有输入层，隐层和输出层的神经网络，对应于模糊控制逻辑控制的模糊化，规则推理和反模糊化三个步骤，网络的输入层为温湿度差两个变量，隐层采用高斯型的激活函数表示模糊变量的隶属函数，调整该层的权值和阈值，其输出就是模糊变量的隶属度，这里温度误差有5个模糊子集，即{正大，正小，适中，负小，负大}，隐层将模糊化得到的隶属度进行两两相乘，代表模糊规则的强度，划分模糊规则，共15条模糊规则，输出层的各个权值代表了模糊规则，采用模糊判决进行开关量的控制，控制量限制在0-1之间，这里采用步进电机实现阀门式开关控制，而阀门开启的角度正好与控制量成正比，0为关闭，1为完全开放，取代继电器的开关控制，模糊控制将更加精确。

Images