CN104094713B - 自动变量施肥系统及其控制方法 - Google Patents

Abstract

本发明公开了一种自动变量施肥系统及其控制方法，系统包括行动小车和行动小车上设置的传送带，传送带上开设有凹槽，在传送带的上方设置有下料漏斗，通过控制传送带的转动实现施肥传输；在传送带的出料端还设置有排肥机构，该排肥机构的进料口位于凹槽的正下方，在排肥机构内设有N块分流板，相邻分流板之间形成出料通道，所述排肥机构中设置有调节板，在调节板上设有齿条，该齿条与第一动力装置上的齿轮啮合，通过第一动力装置带动调节板移动调节出料通道的大小。其显著效果是：根据每一块地的施肥信息，通过控制传送带的转速实现变量施肥，而且保证了地块各处能够均匀施肥，提高了肥料的利用率，减少了对生态环境的影响。

Description

自动变量施肥系统及其控制方法

技术领域

本发明涉及到农业变量施肥技术领域，具体地说，是一种自动变量施肥系统及其控制方法。

背景技术

在我国，农业一直都是国民经济、国家自立和社会安定的根基，人们的切身利益和社会的安定都时刻受到农业发展的影响。

目前，我国的传统农业在化肥的使用过程中存在运用不合理，造成大量环境污染，肥料利用率低等问题。因此实施变量按需施肥，可大大的提高化肥利用率、减少化肥的浪费以及减少化肥对环境的不良影响，经济、社会和生态效益都得到了很显著改善。

然而，自动变量施肥技术和相关机械还处于研究阶段，未能实际使用，而且还存在设备成本较高，难以推广实用等问题。

发明内容

针对现有技术的不足，本发明的目的是提供一种自动变量施肥系统，该系统能够根据地块的施肥信息调整施肥量，并且能够实现每个地块的均匀施肥。

为达到上述目的，本发明表述一种自动变量施肥系统，其关键在于：包括行动小车，该行动小车上设置有传送带，所述传送带上开设有凹槽，在传送带的上方设置有下料漏斗，该下料漏斗的下料口与传送带上的凹槽正对设置，下料口的宽度与凹槽的槽口大小相适应，通过控制传送带的转动实现肥料传输；

在所述传送带的出料端还设置有排肥机构，该排肥机构的进料口位于凹槽的正下方，在所述排肥机构内设有N块分流板，相邻分流板之间形成出料通道，所述排肥机构中还设置有调节板，在调节板上设置有齿条，该齿条与第一动力装置上的齿轮啮合，通过第一动力装置带动调节板移动调节每条出料通道的开口大小，实现施肥量的控制。

通过控制传送带的转动实现肥料传输，根据待施肥地块的施肥量，可以计算出传送带的转动速度，实现变量施肥，然后根据系统的行进速度、地块的长度以及施肥量等信息可以计算出系统的单位施肥量，通过动力装置带动调节板移动，改变调节板插入的深度调节每条出料通道的开口大小，实现待施肥地块的均匀施肥。通过本系统，可以实时的根据每一块地的施肥信息，通过控制传送带的转动速度调节施肥装置的施肥量，能够实现精确的按需施肥，而且还能够保证地块各处的施肥量均匀，提高了肥量的利用率，减少了对生态环境的影响，且推广成本低。

所述传送带固定在第一转轴与第二转轴上，所述第一转轴或第二转轴连接在第二动力装置上。

采用上述结构，便于对肥料进行输送，并且方便根据施肥量对传送带的移动速度进行控制。

所述行动小车的驱动轮上设置有第一速度传感器，在第二动力装置上设置有第二速度传感器。

设置上述结构，人们能够根据速度传感器采集的数据，可以更加方便的实时调整施肥量。

为了对施肥量进行控制，在所述行动小车上还设置有控制模块，该控制模块的信号输入端连接有输入模块，控制模块的信号输入端还分别与所述第一速度传感器和第二速度传感器相连，所述控制模块的控制输出端用于控制所述第一动力装置与第二动力装置。

为了便于对传送机构的移动速度以及调节板的插入深度进行调节，所述第一动力装置为步进电机，该步进电机连接有第一驱动模块，所述第二动力装置为直流伺服电机，该直流伺服电机连接有第二驱动模块。

为了便于获取待施肥地块的施肥量信息，所述输入模块为键盘输入模块、RS232串口模块或无线通讯模块。

结合上述变量施肥系统结构，本发明提出一种自动变量施肥系统的控制方法：

步骤1：设置第i块待施肥地的预期施肥量K_i，第i块地的长度为L_i，i＝1～n，n为待施肥的地块数，系统在第i块地的行进速度为V_i，传送带(5)的凹槽(5a)宽度为a，下料漏斗(6)的下料口与凹槽(5a)底部的距离为h，肥料密度为ρ，进料口(7a)的长度为b，进料口(7a)的宽度c，采样周期T；

步骤2：按照间隔时间T对传送带(5)的转速进行采样，采样次数为k₁，每次采样所得的转速记为v₁(j)，j＝1～k₁，控制模块(11)按照公式计算出第块待施肥地在k₁T时间内的排肥量M_i1；

步骤3：采用模糊PID控制算法控制传送带(5)的转速；

步骤4：再次按照间隔时间T对传送带(5)的转速进行采样，采样次数为k₂，每次采样所得的转速记为v₂(k)，k＝1～k₂按照公式计算出第块待施肥地在k₂T时间内的排肥量M_i2，然后将总排肥量M_i＝M_i1+M_i2与预期施肥量K_i进行比较，若M_i与K_i相等则进入步骤5，否则返回步骤2继续控制传送带(5)的转速；

步骤5：传送带(5)停止转动，按照计算出调节板(7c)应插入的深度值l_i，其中，g为重力加速度；

步骤6：控制模块(11)根据步骤5获得的深度值l_i，控制调节板(7c)移动调节每条出料通道(7b)的开口大小，实现施肥量的控制；

步骤7：当第块地施肥完成时，关闭出料通道(7b)，并返回步骤2循环控制，直至所有待施肥地块施肥完成。

作为进一步描述，所述步骤3中模糊PID控制算法的具体步骤如下：

步骤3-1：控制模块(11)按照e＝K_i-M_i1与分别计算出施肥量的误差e和误差变化率ec，其中M_i1为第i块待施肥地在k₁T时间内的排肥量，K_i为第i块待施肥地的预期施肥量；

步骤3-2：将步骤3-1所得的误差e与误差变化率ec进行模糊化处理，得到适于模糊运算的模糊量误差与模糊量误差变化率EC；

步骤3-3：根据模糊量误差E、模糊量误差变化率EC的模糊控制规则表，得到模糊量控制量U；

步骤3-4：对步骤3-3所得结果进行逆模糊化处理，得到控制量u(t)。

作为进一步描述，所述步骤3-3中的模糊控制规则表采用遗传算法进行优化，具体步骤如下：

步骤3-3-1：对模糊PID控制中的E、EC、U的隶属函数以及控制规则表分别进行编码，并将隶属函数的编码与控制规则表编码结合形成一条染色体；

步骤3-3-2：根据步骤3-3-1形成的染色体，随机产生N个初始串结构数据，每个串结构数据为一个个体，N个个体构成一个群体；

步骤3-3-3：在步骤3-3-2所得的群体中采用交换概率挑选父代，挑选出的每两个父代通过将相异的部分基因进行交换，产生新的个体；

步骤3-3-4：计算步骤3-3-3产生的新个体的适应度，采用适应度函数对产生的新个体进行优化，从优化后的个体中选出适应性强的优良个体；

步骤3-3-5：在步骤3-3-4产生的优良个体组成的群体中随机选择一定数量个体，以一定的概率随机地改变每个个体的串结构数据中的一个值，产生新的个体；

步骤3-3-6：计算新个体的适应度，若新个体的适应度无法再提高，则解码得出最优模糊控制规则表，否则返回步骤3-3-3循环控制。

通过上述控制方法，可根据每一块地的施肥信息计算出肥料传送带的移动速度，然后得出对直流伺服电机的控制量,并通过控制其转速实现变量施肥，之后再根据每块地的长度等信息计算出该施肥量下调节板插入的深度，通过动力装置带动调节板移动调节下料通道开口的大小，实现待施肥地块的均匀施肥，从而实现精准的按需施肥。

本发明的显著效果是：可以实时的根据具体每一块地的施肥信息，通过控制传送机构的移动速度调节系统的施肥量，实现了精确的按需施肥，而且通过调节出料通道的开口大小，保证了地块各处能够均匀施肥，提高了肥料的利用率，减少了对生态环境的影响，且推广成本低。

附图说明

图1是本发明的结构示意图；

图2是本发明中排肥机构的结构示意图；

图3是图2的剖视图；

图4是本发明的控制原理框图；

图5是本发明中E、EC和U的隶属函数关系图；

图6是图5编码后的E、EC和U的隶属函数关系图；

图7是本发明与传统技术的控制效果对比图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1-图3所示，一种自动变量施肥系统，包括行动小车1，在该行动小车1上设置有第一转轴2与第二转轴3，所述第一转轴2与伺服电机4的输出轴相连，在第一转轴2与第二转轴3上支撑有传送带5，在所述传送带5上设有矩形槽5a，在矩形槽5a的上方设置有下料漏斗6，该下料漏斗6的下料口与矩形槽5a正对设置，且其宽度与矩形槽5a相适应，通过控制传送机构的移动速度实现变量施肥；

在所述传送带5的出料端还设置有排肥机构7，该排肥机构7的进料口7a位于凹槽5a的正下方，在所述排肥机构7内设有N块分流板，相邻分流板之间形成出料通道7b，所述排肥机构7还设置有调节板7c，该调节板7c的一侧设置有齿条，该齿条与第一动力装置8上的齿轮啮合，通过第一动力装置8带动调节板7c移动调节每条出料通道7b的开口大小，在所述行动小车1的驱动轮上设置有第一速度传感器9，在传送带5上设置有第二速度传感器10。

如图1与图4所示，在所述行动小车1上还设置有控制模块11，该控制模块11的信号输入端连接有输入模块12，控制模块11的信号输入端还分别与所述第一速度传感器9和第二速度传感器10相连，所述控制模块11的控制输出端分别与步进电机8的驱动模块14和直流伺服电机4的驱动模块13连接。

本实施例中，所述输入模块12为键盘输入模块、RS232串口模块或无线通讯模块。

根据上述设备，对这种自动变量施肥系统的控制方法，其处理步骤如下：

首先进入步骤1：预先根据测土配方或专家系统决策分析，得到的相同大小地块的施肥信息，形成施肥处方图，然后为了便于计算与控制，本实施例中待施肥地被均分为n块，每块长度均为L，每块地的宽与系统施肥机构的有效幅宽相等，系统在第i块地的行进速度为V_i，第i块待施肥地的预期施肥量K_i，i＝1～n，传送带5的凹槽5a的宽度为a，下料漏斗6的下料口与凹槽5a底部的距离为h，肥料密度为ρ，进料槽的长度为b，进料槽的宽度为c，采样周期为T；

步骤2：通过第二速度传感器10获取传动带5的转动速度v，再根据传送带5转动的时间，即可计算出该时间段内系统的排肥量其中，t1为转动开始时间，t2为转动结束时间。然而为了提高控制精度，将上述过程进行离散化处理，即按照间隔时间T对传送带5的转速进行采样，T取值为1s，采样次数为k₁，每次采样所得的转速记为v₁j，j＝1～k₁，控制模块11按照离散化的排肥量计算公式计算出第i块待施肥地在k₁T时间内的排肥量M_i1；

步骤3：控制模块11采用模糊PID控制算法计算得到控制量u(t)，然后将该控制量u(t)传输至第二动力装置4控制其转速，从而实现传送带5转速的调节，具体步骤如下：

步骤3-1：控制模块11将预期施肥量K_i模糊化，然后按照e＝K_i-M_i1与分别计算出施肥量的误差e和误差变化率ec，并将误差e和误差变化率ec作为模糊控制算法的输入，其中M_i1为第i块待施肥地在k₁T时间内的排肥量，K_i为第i块待施肥地的预期施肥量；

步骤3-2：如图5所示，根据对施肥系统的具体使用情况，经计算有e∈[0，0.9]，ec∈[-4.67，0]，将e和ec经模糊化后分别得到语言变量E和EC，它们的糊集合均为{NB，NM，NS，ZO，PS，PM，PB}，论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，即代表负大，负中，负小，零，正小，正中，正大。两者的隶属函数均选择三角形型隶属函数，以控制量u作为输出，其中u∈[-1.127，0.853]。控制量语言变量U的模糊集合为{NB，NM，NS，ZO，PS，PM，PB}，论域为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，其隶属函数也选择三角形型隶属函数。模糊控制算法中量化因子对于输入实值e和ec的范围能否很好地映射到模糊控制的相应输入语言变量E和EC的论域范围有很大的关系，而比例因子对于模糊控制的输出控制量u的范围能否很好地映射到被控对象所要求的控制量范围有很大的关系，所以量化因子和比例因子对系统控制的好坏有着极大的关系。预设偏差e及其偏差变化率ec的量化因子分别为Ke和Kec，控制量u的比例因子为Ku。经实值范围和语言变量论域的线性映射，本实施例中取Ke＝5，Kec＝0.8，Ku＝0.45；

控制器11按照Ke＝5、Kec＝0.8将步骤3-1所得的误差e与误差变化率ec按照进行模糊化处理，得到适于模糊运算的模糊量误差E与模糊量误差变化率EC；

步骤3-3：确立关于模糊量误差E、模糊量误差变化率EC的模糊控制规则表，如表1所示，然后采用遗传算法对表1进行优化，得到优化后的模糊量U的模糊控制规则表，如表2所示，根据表2对步骤3-2所得的模糊量误差E与模糊量误差变化率EC进行模糊推理，查表得到模糊量控制量U。其中，模糊规则确立的原则是，当误差较小时，选择控制量要注意防止超调，以系统的稳定性为主要控制目的；当误差较大时，选择控制量要避免误差过大，以尽快消除误差为主要控制目的；

其中，模糊控制规则表采用遗传算法优化的具体步骤如下：

步骤3-3-1：对模糊PID控制算法中的E、EC、U的隶属函数以及控制规则表分别进行编码，因为要对编码的精度、长度进行控制，而且要保证编码的实际意义明显，本实施例中采用十进制编码，并将隶属函数的编码与控制规则表编码结合形成一条染色体；

具体为：隶属函数编码，对E、EC、U的三角形隶属函数的底边端点距0点的距离作为优化参数，即对{x1,x2,x3}进行编码，三角形隶属函数的各端点可由0，x1，x2，x3得到，其中0≤x1≤2≤x2≤4≤x3≤6，从而避免各语言变量的模糊集合重叠部分过多，引起模糊控制器失控的不良后果。由某一条染色体的相关基因{x1,x2,x3}就可以得到所有语言变量的隶属函数，如图6所示；

控制规则表的编码，分别用七个整数表示模糊量控制量U的七个模糊子集，如表3所示，编码后的得到表4所示的控制规则。

将表4写为一维数组得：{7777644777764466664336654322554222244211114421111}；将隶属函数的编码和控制规则表的编码组合起来，就形成一条染色体，此染色体结构如下：{x1Ex2Ex3Ex1ECx2ECx3ECx1Ux2Ux3U7777644777764466664336654322554222244211114421111}；

步骤3-3-2：根据步骤3-3-1形成的染色体，随机产生N个初始串结构数据，每个串结构数据为一个个体，N个个体构成一个群体；

步骤3-3-3：在步骤3-3-2所得的群体中采用交换概率挑选父代，采用两点交叉功能函数xovdp以一定的交叉几率Pc对种群中的个体对进行交叉，产生一对新的个体；

步骤3-3-4：计算步骤3-3-3产生的新个体的适应度，运用适应度函数作为自然选择的原动力来权衡各优化参数达到最优解的程度，经过数代的遗传最终可以得到一个优良的个体，即目标函数的最优解，然后从优化后的种群中选出适应性强的优良个体，将父辈种群中经自然选择得到的适应性高的个体保留下来，并组成新种群；其中，本实施例中采用轮盘赌选择法作为选择手段，其选择特点是父辈种群中个体相对适应度值越高，被选择到新种群的概率就越大；

步骤3-3-5：在步骤3-3-4产生的优良个体组成的群体中随机选择一定数量个体，以一定的变异几率Pm随机地改变每个个体的串结构数据中的一个值，产生新的个体；

步骤3-3-6：计算新个体的适应度，若新个体的适应度无法再提高，则解码得出最优模糊控制规则表，否则返回步骤3-3-3循环控制；本实施例中优选初始种群个体数N＝20，遗传代数M＝30，交叉几率Pc＝0.7，变异几率Pm＝0.01；通过30代的复制、交叉、变异的循环运算，最后一致收敛为同一十进制串，通过对十进制串进行解码，按照3，3，3，49断开，即可得到与优化后隶属函数和模糊控制规则相关的参数，最终得出表5所示的最优模糊控制规则表；

步骤3-4：按照比例因子Ku＝0.45对步骤3-3所得的模糊量控制量U进行逆模糊化处理，得到控制量u(t)；

步骤4：再次按照间隔时间T对传送带5的转速进行采样，采样次数为k₂，每次采样所得的转速记为v₂k，k＝1～k₂，控制模块11按照离散化的公式计算出第块待施肥地在k₂T时间内的排肥量M_i2，然后将总排肥量M_i＝M_i1+M_i2与预期施肥量K_i进行比较，若M_i与K_i相等则进入步骤5，否则返回步骤2继续控制传送带5的转速；

步骤5：控制模块11使传送带5停止转动，按照计算出调节板7c应插入的深度值l_i，其中，g为重力加速度；其中，调节板7c插入深度的计算公式确定方法为：

按照间隔时间T对系统的行进速度进行采样，采样次数为k₃，每次采用所得的速度记为Vm，m＝1～k₃，则有L(m)为系统在k₃T时间内行进的长度，由此可得出系统在k₃T时间内的施肥量为而本发明中为了确保系统在每块待施肥地内能够均匀施肥，则系统在第块待施肥地内必须匀速行进，即V_i＝Vm，且L＝L(m)，如果系统施肥机构在第块待施肥地内保持出料通道7b的开口大小不变，即l_i＝L(m)。因此，通过式 $L\left(m\right)=T{\mathrm{\Σ}}_{m=0}^{k3}\mathrm{Vm}$ 与式 $K\left(m\right)=\mathrm{T\ρbg}{\mathrm{\Σ}}_{m=0}^{k3}c-\mathrm{lm}$ 可得出调节板7c插入深度的计算公式：

步骤6：控制模块11根据步骤5获得的深度值l_i，按照求出第一动力装置8的角位移Δθ，然后控制模块11控制第一动力装置8转过Δθ的角位移，带动调节板7c移动调节出料通道7b的开口大小，实现第i块地的均匀施肥，其中r为第一动力装置8上齿轮的转动半径；

步骤7：当第i块地施肥完成时，关闭出料通道7b，并返回步骤2循环控制，直至所有待施肥地块施肥完成。

如图7所示，在遗传算法优化前模糊PID控制、优化后的模糊PID控制与常规PID控制下，该图为在1s时输入幅值为1的阶跃信号时输出施肥量M_i随时间t变化的仿真曲线图。通过图7可知，常规PID控制的动态响应快，静态误差小，但也存在较大的超调量和较明显的振荡，而优化前的模糊PID控制，响应较慢，静态误差小，但是无超调量和振荡，而要保证物料传送带只能朝着一个方向传送固体颗粒肥，相比常规PID控制，只有优化前的模糊PID控制能满足此要求，所以优化前的模糊PID控制优于常规PID控制。从优化前的模糊PID控制与优化后的模糊PID控制的仿真曲线可知，两者的曲线均呈单调增长状态，但是经过遗传算法优化的模糊PID控制有更小的上升时间与调节时间。

通过对此仿真曲线图的局部放大得到常规PID的峰值时间0.1s，上升时间0.06s，最大超调量28％，系统输出曲线呈振荡衰减状态，调节时间为0.19s；优化前的模糊PID控制的上升时间0.49s，最大超调量0，系统输出曲线呈单调增长状态，调节时间为0.61s；优化后的模糊PID控制上升时间0.43s，最大超调量0，系统输出曲线呈单调增长状态，调节时间0.55s。

由以上数据可知，相比单纯的PID控制和未经遗传算法优化的模糊PID控制，经遗传算法优化后的模糊PID控制具有在超调量、调节时间和上升时间上的综合优势，能更好地满足变量施用颗粒肥控制的要求。

表1优化前的模糊控制规则表

表2优化后的模糊控制规则表

表3模糊子集编码表

模糊子集	NB	NM	NS	ZO	PS	PM	PB
								编码代码	1	2	3	4	5	6	7

表4控制规则编码表

表5优化后的控制规则编码表

。

Claims (3)

1.一种自动变量施肥系统的控制方法，其系统包括行动小车(1)，该行动小车(1)上设置有传送带(5)，所述传送带(5)上开设有凹槽(5a)，在传送带(5)的上方设置有下料漏斗(6)，该下料漏斗(6)的下料口与传送带(5)上的凹槽(5a)正对设置，下料口的宽度与凹槽(5a)的槽口大小相适应，通过控制传送带(5)的转动实现肥料传输；

在所述传送带(5)的出料端还设置有排肥机构(7)，该排肥机构(7)的进料口(7a)位于凹槽(5a)的正下方，在所述排肥机构(7)内设有N块分流板，相邻分流板之间形成出料通道(7b)，所述排肥机构(7)中还设置有调节板(7c)，在调节板(7c)上设置有齿条，该齿条与第一动力装置(8)上的齿轮啮合，通过第一动力装置(8)带动调节板(7c)移动调节每条出料通道(7b)的开口大小，实现施肥量的控制；

所述传送带(5)固定在第一转轴(2)与第二转轴(3)上，所述第一转轴(2)或第二转轴(3)连接在第二动力装置(4)上；

在所述行动小车(1)的驱动轮上设置有第一速度传感器(9)，在第二动力装置(4)上设置有第二速度传感器(10)；

在所述行动小车(1)上还设置有控制模块(11)，该控制模块(11)的信号输入端连接有输入模块(12)，控制模块(11)的信号输入端还分别与所述第一速度传感器(9)和第二速度传感器(10)相连，所述控制模块(11)的控制输出端用于控制所述第一动力装置(8)与第二动力装置(4)；其特征在于该系统按照以下步骤进行控制：

步骤1：设置第i块待施肥地的预期施肥量K_i，第i块地的长度为L_i，i＝1～n，n为待施肥的地块数，系统在第i块地的行进速度为V_i，传送带(5)的凹槽(5a)宽度为a，下料漏斗(6)的下料口与凹槽(5a)底部的距离为h，肥料密度为ρ，进料口(7a)的长度为b，进料口(7a)的宽度c，采样周期T；

步骤2：按照间隔时间T对传送带(5)的转速进行采样，采样次数为k₁，每次采样所得的转速记为v₁(j)，j＝1～k₁，控制模块(11)按照公式计算出第i块待施肥地在k₁T时间内的排肥量M_i1；

步骤3：采用模糊PID控制算法控制传送带(5)的转速；

步骤4：再次按照间隔时间T对传送带(5)的转速进行采样，采样次数为k₂，每次采样所得的转速记为v₂(k)，k＝1～k₂按照公式计算出第i块待施肥地在k₂T时间内的排肥量M_i2，然后将总排肥量M_i＝M_i1+M_i2与预期施肥量K_i进行比较，若M_i与K_i相等则进入步骤5，否则返回步骤2继续控制传送带(5)的转速；

步骤5：传送带(5)停止转动，按照计算出调节板(7c)应插入的深度值l_i，其中，g为重力加速度；

步骤6：控制模块(11)根据步骤5获得的深度值l_i，控制调节板(7c)移动调节每条出料通道(7b)的开口大小，实现施肥量的控制；

步骤7：当第i块地施肥完成时，关闭出料通道(7b)，并返回步骤2循环控制，直至所有待施肥地块施肥完成。

2.根据权利要求1所述的自动变量施肥系统的控制方法，其特征在于：所述步骤3中模糊PID控制算法的具体步骤如下：

步骤3-1：控制模块(11)按照e＝K_i-M_i1与分别计算出施肥量的误差e和误差变化率ec，其中M_i1为第i块待施肥地在k₁T时间内的排肥量，K_i为第i块待施肥地的预期施肥量；

步骤3-2：将步骤3-1所得的误差e与误差变化率ec进行模糊化处理，得到适于模糊运算的模糊量误差E与模糊量误差变化率EC；

步骤3-3：根据模糊量误差E、模糊量误差变化率EC的模糊控制规则表，得到模糊量控制量U；

步骤3-4：对步骤3-3所得结果进行逆模糊化处理，得到控制量u(t)。

3.根据权利要求2所述的自动变量施肥系统的控制方法，其特征在于：所述步骤3-3中的模糊控制规则表采用遗传算法进行优化，具体步骤如下：

步骤3-3-1：对模糊PID控制算法中的E、EC、U的隶属函数以及控制规则表分别进行编码，并将隶属函数的编码与控制规则表编码结合形成一条染色体；

步骤3-3-2：根据步骤3-3-1形成的染色体，随机产生N个初始串结构数据，每个串结构数据为一个个体，N个个体构成一个群体；

步骤3-3-3：在步骤3-3-2所得的群体中采用交换概率挑选父代，挑选出的每两个父代通过将相异的部分基因进行交换，产生新的个体；

步骤3-3-4：计算步骤3-3-3产生的新个体的适应度，采用适应度函数对产生的新个体进行优化，从优化后的个体中选出适应性强的优良个体；

步骤3-3-5：在步骤3-3-4产生的优良个体组成的群体中随机选择一定数量个体，以一定的概率随机地改变每个个体的串结构数据中的一个值，产生新的个体；

步骤3-3-6：计算新个体的适应度，若新个体的适应度无法再提高，则解码得出最优模糊控制规则表，否则返回步骤3-3-3循环控制。