CN110244559A - 一种基于农业节气经验数据的温室智能调控方法 - Google Patents
一种基于农业节气经验数据的温室智能调控方法 Download PDFInfo
- Publication number
- CN110244559A CN110244559A CN201910426219.0A CN201910426219A CN110244559A CN 110244559 A CN110244559 A CN 110244559A CN 201910426219 A CN201910426219 A CN 201910426219A CN 110244559 A CN110244559 A CN 110244559A
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- fuzzy
- error
- layer
- solar term
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Greenhouses (AREA)
Abstract
本发明属于温室智能调控技术领域,涉及一种基于农业节气经验数据的温室智能调控方法。所述方法通过引入农业节气经验数据,以模糊神经网络策略为基础,构建温室环境因子与温室调控方式相耦合的模糊神经网络控制器,并在此基础上,利用神经网络在线反向传播学习算法,提高模糊神经网络控制器的控制精度,利用遗传优化算法对模糊神经网络控制器的拓扑结构、连接权值、隶属函数参数或模糊推理规则等进行辅助优化,形成了遗传优化的模糊神经网络控制器。本发明依据农业节气经验数据构建模糊神经网络控制模型,在温室调控方法上提供了新的思路,充分发挥了农业节气对农业生产的指导作用,同时降低了农业生产成本。
Description
技术领域
本发明属于温室智能调控技术领域,涉及一种基于农业节气经验数据的温室智能调控方法。
背景技术
温室种植作为我国设施农业的主要生产方式,为解决我国跨地区反季瓜果蔬菜供应、提高城乡居民的生活水平做出了巨大的贡献。但是对温室设备调控的传统方法依然主要依靠人工操作,不仅费时费力,而且有时无法保障安全性,加之现今农艺人员的匮乏,大多从事温室生产的人员没有专业知识背景,使得温室内的环境调控不稳定,难以做到科学化管理。
目前我国关于温室环境控制的研究主要集中在监测温室环境温湿度,光照强度和二氧化碳浓度,继而建立模型的方法上,使用上述方法,需要布设多参数传感器,间接增加了温室建设成本。用于环境设备控制的策略常见的有PID控制、神经网络控制和模糊控制。
而温室作物是在温室内各环境参数的综合影响中生长的,温度、湿度、二氧化碳浓度和光照强度等环境因子共同对作物产量和品质起作用,一方面,影响作物生长发育的环境因子不是孤立存在的,而是具有相互联系;另一方面,环境因子对温室作物的作用不是累加在一起的。与此同时,在温室环境参数的控制中,各控制变量之间是相互影响、相互联系和相互耦合的,多变量、强耦合就成了温室控制系统的一个典型特征。在解决温室控制问题的过程中,单一的控制策略具有各自的优势,但对温室控制系统存在的大滞后、大惯性和非线性等问题,无法很好地提供解决方案。
发明内容
为解决以上现有技术存在的问题,本发明提供一种基于农业节气经验数据的温室智能调控方法,所述调控方法通过引入农业节气经验数据,以模糊神经网络策略为基础,构建温室环境因子与温室调控方式相耦合的模糊神经网络,并在此基础上,利用神经网络在线学习算法,提高上述模糊神经网络中控制器的控制精度,再运用遗传优化算法对上述控制器的拓扑结构、连接权值、隶属函数参数或模糊推理规则等进行辅助优化,形成了遗传优化的模糊神经网络控制器。
一种基于农业节气经验数据的温室智能调控方法,具体包括以下步骤:
S1、引入农业节气经验数据;
综合天文学、气象学以及农作物生长特点等多方面的知识,记录每个节气时间段作物生长对应的温室环境参数变化,继而构建基于农业节气经验数据的农业节气专家知识库,建立农业节气专家知识库信息与温室设备调控方式的耦合关系;
所述耦合关系为:通过调节温室设备,使得实际的温室环境参数与农业节气专家知识库中记录的该节气时间段作物生长对应的温室环境参数相同;
S2、制定适宜温室复杂环境的模糊神经网络控制策略;
采用模糊神经网络控制策略作为温室环境参数变化的控制策略,使温室环境参数的性能指标达到并保持最优,实现自适应推理、计算和学习的目的;
S3、构建模糊神经网络控制模型;
基于农业节气专家知识库信息与温室设备调控方式的耦合关系,以及模糊神经网络控制策略,构建基于农业节气的模糊神经网络控制模型,所述模糊神经网络控制模型的核心为模糊神经网络控制器;
所述模糊神经网络控制模型的输入为随时间变化的函数yd(t);所述yd(t)为根据温室内作物品种建立的最适宜作物生长环境的温室环境参数信息与农业节气专家知识库信息综合后,构造的分段函数;
yd(t)与环境数据采集器实时采集的温室环境参数数据的差值为e(t);将差值e(t)作为模糊神经网络控制器的输入,将农业节气专家知识库作为模糊神经网络控制器的知识库,将在长期的农业种植实践中积累的农时与季节变化的关系利用好;
所述模糊神经网络控制器的输出为温室设备模糊信息G,对温室设备模糊信息G解模糊,形成温室设备执行机构的控制策略u(t);所述温室设备执行机构的控制策略u(t)为:通过调节温室设备执行机构,使得差值e(t)为零;
经过温室设备执行机构的调节后,形成温室环境参数数据y(t),环境数据采集器实时采集温室环境参数数据yd(t),并将yd(t)与y(t)作比较,得出差值e(t),最终形成封闭的循环,保持温室内为最适宜作物生长的环境;
S4、模糊神经网络控制器优化修正;
构建模糊神经网络控制模型后,利用遗传算法对模糊神经网络控制器中隶属函数的中心参数和宽度参数进行优化,以克服模糊神经网络收敛速度慢,且易陷入局部极小的缺点,并确定遗传算法中的交叉概率和变异概率;
再利用在线反向传播学习算法使模糊神经网络控制器的性能指标最小;所述性能指标最小为:误差函数的值最小,所述误差函数的表达式如式(1)所示,
其中,Jc为误差函数值;yk为输出层第k个神经元的输出值;tk为输出层第k个神经元的理想输出值,即理论设定值。
在上述技术方案的基础上,步骤S1中,所述温室设备包括卷帘机、通风机、植物生长灯和喷灌设备;
所述调节温室设备的方式包括:卷帘机卷帘的卷起和放下,卷帘机卷帘的开度调节,用于调节温室温度;通风机通风口薄膜的开度调节,用于调节温室湿度;植物生长灯的开启和关闭,用于调节温室温度;喷灌设备的启动和停止,用于调节温室湿度;
所述通风机包括位于温室上方通风口的上通风机和位于温室下方的下通风机。
在上述技术方案的基础上,所述温室环境参数包括:土壤含水量、二氧化碳浓度、光照度、温室温度和温室湿度。
在上述技术方案的基础上,步骤S3中,所述模糊神经网络控制器包括4层前向网络结构,分别是输入层、模糊化层、模糊推理层和输出层;
用分别表示第l层第i个节点的输入和输出;每一层的输入和输出具体表达如下:
第一层为输入层,用于将输入量传递到第二层,所述输出层的输入量和输出量表示如下:
其中,n为输入神经元的数量,xi是第i个输入神经元;
第二层为模糊化层,用于计算各输入分量的隶属函数的值,该层的输出为模糊变量的隶属度,所述隶属函数选用高斯函数;所述模糊化层共有m*n个节点,分为n组;每个节点代表一个语言变量值,模糊化层的输入量和输出量表示如下:
其中,μij(xi)是模糊变量的隶属函数;
第三层为模糊推理层,该层共有m个节点,每个节点代表一条模糊控制规则,输出由模糊交(fuzzy AND)运算得出;采用乘积算子来计算每条规则的激励强度;所述模糊推理层的输入量和输出量表示为:
第四层为输出层,也是解模糊化层,该层有r个节点,即输出变量的数量为r;每个节点计算所有传来信号之和并作为总输出,通过输出的控制量来对执行机构的状态做出改变;
其中wkj是第三层第j个节点到第四层第k个节点的耦合权值;所述输出层的输出量Ok (4)即为步骤S4中的yk。
在上述技术方案的基础上,所述模糊神经网络控制模型输入变量的数目n=2,输出变量的数目r=5。
在上述技术方案的基础上,步骤S3中,所述温室温度和温室湿度对应的差值e(t)分别为温度误差T和湿度误差H;所述模糊神经网络控制器将温度误差T和湿度误差H作为输入量进行控制;
设温室内实际温度为Ti,控制目标设定温度值为Ts,实际湿度为Hi,控制目标设定湿度值为Hs,则温度误差T=Ti-Ts,湿度误差H=Hi-Hs;
所述温度误差T和湿度误差H都是精确量,精确量需要经过模糊化处理后才能作为模糊神经网络控制器的输入;
首先将温度误差T和湿度误差H模糊化,把差值e(t)的实际变化范围称为误差的基本论域,记为[-e,e],将误差模糊集合的论域记为{-n,-(n-1),……,0,……,n-1,n};确定量化因子
定义温度误差和湿度误差的量化因子分别为KT和KH,根据环境数据采集器采集的温室内实时环境数据信息,设定温度误差T的基本论域为[-3,3],温度误差模糊集合的论域为X1={-6,-5-4,-3,-2,-1,0,1,2,3,4,5,6},温度误差的量化因子KT=2,温度误差T用7个模糊状态描述,即NB(负大)、NM(负中)、NS(负小)、ZO(零)、PS(正小)、PM(正中)、PB(正大);
设定湿度误差H的基本论域为[-4,4],湿度误差模糊集合的论域为X2={-4,-3,-2,-1,0,1,2,3,4},湿度误差的量化因子KH=1,湿度误差H用5个模糊状态描述,即NB(负大)、NS(负小)、ZO(零)、PS(正小)、PB(正大),这样共形成了35条模糊控制规则;
温度误差T的模糊量隶属函数选择高斯函数,根据温度误差模糊集合的论域X1,μ1的取值为-6、-4、-2、0、2、4、6,σ1取值为1.2;
湿度误差H的模糊量隶属函数也选择高斯函数,根据湿度误差模糊集合的论域X2,μ2的取值为-4、-2、0、2、4,σ2取值为1.2。
在上述技术方案的基础上,所述模糊神经网络控制模型通过以下方式对温室设备进行控制:
根据卷帘机开度值的大小,分为四个等级:关闭、打开小角度(1/3)、打开中等角度(2/3)、全部打开;所述卷帘机对应的模糊信息描述为ZO、PS、PM和PB;
根据上、下通风机通风口薄膜的开度值的大小,分为四个等级:关闭、打开小角度(1/3)、打开中等角度(2/3)、全部打开;所述上、下通风机通风口薄膜对应的模糊信息描述为ZO、PS、PM和PB;
所述植物生长灯和喷灌设备有打开和关闭两种工作状态,模糊信息为开关量,关闭为0,打开为1;
所述卷帘机和通风机的模糊信息进行模糊化时的隶属函数采用高斯函数,选择模糊集合的论域为X3={0,1,2,3,4,5,6},μ3的取值为0、2、4、6,σ3取值为1.2。
在上述技术方案的基础上,步骤S4中,所述隶属函数选用高斯函数,高斯函数的表达式如下:
式中,μ决定了隶属函数的中心点,σ决定了隶属函数曲线的宽度,参数x用于指定变量的论域。
在上述技术方案的基础上,步骤S4中,利用遗传算法优化后的模糊神经网络控制器描述为:
Ri:IF(T is)and(H is)then(e1 is)and(e2 is)and(e3 is)and(e4 is)and(e5 is);
其中,e1—卷帘机,e2—上通风机,e3—下通风机,e4—植物生长灯,e5—喷灌设备;
训练初始参数设置为:温度误差T=[-3,3],湿度误差H=[-4,4],温度量化因子KT=2,湿度量化因子KH=1,学习率η=0.5,平滑因子α=0.8。
本发明的有益技术效果如下:
本发明通过引入农业节气经验数据,以模糊神经网络策略为基础,构建温室环境因子与温室调控方式相耦合的模糊神经网络,并在此基础上,利用神经网络在线反向传播学习算法,提高模糊神经网络控制器的控制精度,遗传优化算法对模糊神经网络控制器的拓扑结构、连接权值、隶属函数参数或模糊推理规则等进行辅助优化,形成了遗传优化的模糊神经网络控制器。本发明依据农业节气经验数据构建模糊神经网络,在温室调控方法上提供了新的思路,充分发挥了农业节气对农业生产的指导作用,同时降低了农业生产成本。
附图说明
本发明有如下附图:
图1是本发明一个实施例中基于农业节气经验数据的专家知识库的结构示意图;
图2是本发明一个实施例中混合控制策略对比示意图;
图3是本发明一个实施例中基于农业节气的模糊神经网络原理示意框图;
图4是本发明一个实施例中遗传算法流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
附图1所表示的是基于农业节气经验数据的专家知识库的结构示意图。根据农历中节气的规律,上半年的“节”在阳历每月的6日左右,“气”在20日左右,下半年的“节”在每月的8日左右,“气”在23日左右,各节气相距15天左右。
从立夏时节开始,空气温度明显回升,卷帘机在非极端天气时将不再被使用而起到温室增温的作用;等到霜降时节,空气温度逐天降低,温度降低使得:在夜间,卷帘机必须放下卷帘以保温,以免发生低温冻害,若白天温度较低,温室内的温度达不到作物生长的需求温度,也得将卷帘机的卷帘开度进行适当的调整,或者配合植物生长灯,在补光的同时增温。
从雨水时节开始,空气湿度增大,若温室内的空气湿度较大,将采取打开上通风机通风的方式来除湿,以降低温室内的湿度;随着温度升高,不再担心下通风机打开后,冷空气直吹温室种植作物而造成冻害,上通风机和下通风机配合使用对温室内的空气湿度进行调节;当温室内的湿度较低时,喷灌设备(即图1中所示的喷灌系统)开启一段时间,以增加温室内的土壤含水量和空气湿度,为作物的生长营造良好的水分环境。
农业节气专家知识库一方面将温室内作物的生长时期与农业节气对应,将作物生长对应的温室环境参数变化与温室设备的调控方式相耦合,然后根据采集的温室实时环境参数对温室设备进行调节,把农业节气更替带来的空气温湿度变化特点充分地发挥出来;另一方面,作物在生长周期内,依据农业节气对作物种植的参考作用,把温室内种植作物的生长环境尽量调控到与农业节气对应的环境条件下,形成科学化种植。
附图2所表示的是混合控制策略对比示意图。将常规PID控制、神经网络控制、模糊控制相互组合后,将产生多组混合控制策略,例如:神经网络PID控制、模糊PID控制和模糊神经网络控制;混合控制策略在面对诸如温室这样存在大滞后、大惯性和非线性等较为复杂的问题时,能够充分发挥单一控制策略彼此之间的优势,取长补短、相互促进、相互补充。模糊控制善于表达人的经验性知识,以知识库的形式体现出来,能够很好地处理模糊性信息,而神经网络具有自学习的优势,将这种优势应用于对模型特征的分析和模型的建立上,就可以达到自适应推理、计算和学习的目的。所以,选用模糊神经网络控制策略作为温室环境参数变化的控制策略,使温室环境参数的性能指标达到并保持最优或者接近最优。
附图3所表示的是基于农业节气的模糊神经网络原理示意图。所述模糊神经网络的核心为模糊神经网络控制器,模糊神经网络的输入为:随时间变化的理想温室环境参数函数yd(t);
所述yd(t)为:根据温室内作物品种建立的最适宜作物生长环境的参数信息(即温室环境参数信息)与农业节气专家知识库信息综合后,构造的分段函数;
yd(t)与环境数据采集器实时采集的温室环境参数数据y(t)的差值为e(t);当所述温室环境参数包括:温室温度和温室湿度时,温室温度和温室湿度对应的差值e(t)分别为温度误差T和湿度误差H。农业节气专家知识库作为模糊神经网络控制器的知识库,将古代劳动人民在长期的农业种植实践中积累的农时与季节变化的关系利用好,然后利用神经网络在线学习算法,提高模糊神经网络控制器的控制精度,遗传优化算法对模糊神经网络控制器的拓扑结构、连接权值、隶属函数参数或模糊推理规则等进行辅助优化,形成了遗传优化的模糊神经网络控制器。模糊神经网络控制器输出为:温室设备模糊信息G,对温室设备模糊信息G解模糊,形成温室设备执行机构的控制策略,u(t);
所述温室设备执行机构的控制策略u(t)为:通过调节温室设备执行机构,使得差值e(t)为零;
经过温室设备执行机构的调节后,形成温室环境参数数据y(t),环境数据采集器实时采集温室环境参数数据y(t),并将yd(t)与y(t)作比较,得出差值e(t),最终形成封闭的循环,保持温室内为最适宜作物生长的环境。
其中模糊神经网络控制器的构建分为以下几个步骤:
S31、模糊神经网络控制器的参数设置
环境数据采集器实时采集的温室环境参数数据有温度、湿度、土壤含水量、二氧化碳浓度和光照度,控制的温室设备有卷帘机、上通风机、下通风机、植物生长灯和喷灌设施(喷灌设备),多输入多输出的复杂模型对于温室的自动控制将起到很好的控制效果,但随着模糊神经网络控制器输入量的增多,模糊规则的制定相当困难,在增加难度的同时,反而因为环境因子的耦合导致了控制混乱。考虑到温度与湿度是温室环境中的主导因子,对温室内作物的生长起着主要作用,因此只对温室内温度和湿度的差值作为输入量进行控制,设计一个两输入五输出的模糊神经网络控制器,包括4层前向网络结构,分别是输入层、模糊化层、模糊推理层和输出层。在上述模糊神经网络控制器结构中,n为输入变量的数目,mi为第i个输入变量模糊子集的个数,r为输出变量的数目。已知设计的基于农业节气的模糊神经网络输入变量的数目n=2,输出变量的数目r=5。
用分别表示第l层第i个节点的输入和输出,其中i=1,2,…,n。每一层的输入和输出具体表达如下:
第一层为输入层,起着将输入量传递到第二层的作用,所述输出层的输入量和输出量表示如式(2)所示,
其中,n为输入神经元的数量,xi是第i个输入神经元;
第二层为模糊化层,用于计算各输入分量的隶属函数值,该层的输出为模糊变量的隶属度,所述隶属函数选用高斯函数;所述模糊化层共有m*n个节点,分为n组,每个节点都代表一个语言变量值。模糊化层的输入量和输出量表示如式(3)所示,
其中,μij(xi)是模糊变量的隶属函数。
第三层为模糊推理层,该层共有m个节点,每个节点代表一条模糊控制规则,输出由模糊交(fuzzy AND)运算得出。这里采用了乘积算子来计算每条规则的激励强度。该层的输入量和输出量表示如式(4)所示,
第四层为输出层,也是解模糊化层,该层有r个节点,即输出变量的数量为r;每个节点计算所有传来信号之和并作为总输出,通过输出的控制量来对执行机构的状态做出改变,该层输入输出式表示如式(5)所示,
其中wkj是第三层第j个节点到第四层第k个节点的耦合权值,所述输出层的输出量Ok (4)即为步骤S4中的y。
S32、隶属函数的选择。隶属函数是对模糊概念的定量描述,一般根据经验或统计进行确定,也可由专家、权威人士给出。在MATLAB模糊逻辑工具箱中支持的隶属函数类型有如下几种:高斯型、三角型、梯型、钟型、Sigmoid型、π型和Z型。隶属函数曲线的形状决定了对输入/输出空间的模糊分割,对模糊推理系统的性能有重要的影响。利用专家经验法可以知道,高斯型隶属函数能够对温室环境因子构成的系统具有较好的定量描述,因此选用高斯(Gaussian)函数作为隶属函数。高斯函数的表达式如式(6)所示,
其中,μ决定了函数的中心点,σ决定了函数曲线的宽度,参数x用于指定变量的论域,y为隶属度。
S33、输入量的模糊化。
在本模糊神经网络控制器中,输入量为温度误差T、湿度误差H,而这些量都是通过计算得到的精确量。设温室内实际温度为Ti,控制目标设定温度值为Ts,实际湿度为Hi,控制目标设定湿度值为Hs,则温度误差T=Ti-Ts,湿度误差H=Hi-Hs。这些值都是精确量,而模糊神经网络控制器需要的输入量是经过处理的结构化知识,即精确量需要经过模糊化处理后才能作为模糊神经网络控制器的输入。要将精确量模糊化,首先要将精确量量化。在模糊神经网络控制器中,把误差e(t)的实际变化范围称为误差的基本论域,记为[-e,e],而将误差模糊集合的论域记为{-n,-(n-1),……,0,……,n-1,n}。确定量化因子量化因子选定后,任何误差e(t),总可以量化为误差模糊集合论域中的某个值。定义温度误差T和湿度误差H的量化因子分别为KT和KH,根据环境数据采集器采集的温室内实时环境参数数据信息进行总结,设定温度误差T的基本论域为[-3,3],温度误差模糊集合的论域为X1={-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},所以量化因子KT=2,温度误差T用7个模糊状态描述,即NB(负大)、NM(负中)、NS(负小)、ZO(零)、PS(正小)、PM(正中)、PB(正大);设定湿度误差H的基本论域为[-4,4],温度误差模糊集合的论域为X2={-4,-3,-2,-1,0,1,2,3,4},所以量化因子KH=1,湿度误差H用5个模糊状态描述,即NB(负大)、NS(负小)、ZO(零)、PS(正小)、PB(正大),这样共形成了35条模糊控制规则。
温度误差T的模糊量隶属函数选择高斯函数,根据温度误差模糊集合的论域X1,μ1的取值为-6、-4、-2、0、2、4、6,σ1取值为1.2;
湿度误差H的模糊量隶属函数也选择高斯函数,根据湿度误差模糊集合的论域X2,μ2的取值为-4、-2、0、2、4,σ2取值为1.2。
S34、输出量的模糊化
在本模糊神经网络控制器中,控制的温室设备有卷帘机、上通风机、下通风机、植物生长灯和喷灌设施。卷帘机和上下通风机通风口薄膜只有卷起和放下两种工作状态,但系统可以通过控制其运行时间实现开度值的控制。根据卷帘机开度值的大小,将卷帘机分为四个等级:关闭、打开小角度(1/3)、打开中等角度(2/3)、全部打开,所以其对应的模糊信息描述为ZO、PS、PM、PB;根据上下通风机开度值的大小,将上下通风机通风口薄膜的卷起程度分为四个等级:关闭、打开小角度(1/3)、打开中等角度(2/3)、全部打开,所以其对应的模糊信息描述为ZO、PS、PM、PB。植物生长灯和喷灌设备只有打开和关闭两种工作状态,模糊信息为开关量,关闭为0,打开为1。
所述卷帘机和通风机都是分为了四个模糊等级ZO、PS、PM、PB,其模糊化时的隶属函数仍采用高斯函数,选择模糊集合的论域为X3={0,1,2,3,4,5,6},μ3的取值为0、2、4、6,σ3取值为1.2。
S35、模糊推理规则的确定
考虑温室设备动作对温室内环境的影响,增温机构为卷帘机e1和植物生长灯e4;降温机构中按能力大小排序为:上通风机e2、下通风机e3、喷灌设备e5;增湿机构为喷灌设备;除湿机构中按能力大小排序为下通风机、上通风机、植物生长灯。在参考了大量文献资料和请教了农业专家及温室种植技术人员的基础上,将控制过程中可能出现的各种情况及相应的控制策略进行了分析汇总,得到了35条模糊控制规则,用“IF…THEN…”规则描述,部分条件语句如下:
1.IF(T is NB)and(H is NB)then(e1 is ZO)and(e2 is ZO)and(e3 is ZO)and(e4 is 1)and(e5 is 1)
2.IF(T is NB)and(H is NS)then(e1 is PS)and(e2 is ZO)and(e3 is ZO)and(e4 is 1)and(e5 is 1)
3.IF(T is NB)and(H is ZO)then(e1 is PS)and(e2 is ZO)and(e3 is ZO)and(e4 is 1)and(e5 is 0)
……
34.IF(T is PB)and(H is PS)then(e1 is PB)and(e2 is PB)and(e3 is PM)and(e4 is 0)and(e5 is 0)
35.IF(T is PB)and(H is PB)then(e1 is PB)and(e2 is PB)and(e3 is PB)and(e4 is 1)and(e5 is 0)
S36、模糊神经网络训练
为了便于工程实际,遗传优化的模糊神经网络控制器的模型描述为:
Ri:IF(T is)and(H is)then(e1 is)and(e2 is)and(e3 is)and(e4 is)and(e5 is)
其中,已知
T—温度误差,H—湿度误差,e1—卷帘机,e2—上通风机,e3—下通风机,e4—植物生长灯,e5—喷灌设备。
已知
训练初始参数设置为:温度误差T=[-3,3],湿度误差H=[-4,4],温度量化因子KT=2,湿度量化因子KH=1,学习率η=0.5,平滑因子α=0.8。
附图4所表示的是遗传算法流程示意图。对于控制器优化问题,目标函数和约束条件种类繁多,有的是线性的,有的是非线性的;有的是连续的,有的是离散的;有的是单峰值的,有的是多峰值的。在多种复杂情况并存下,想要完全精确地求出其最优解极不可能,也不现实,因而求出其近似最优解或满意解成为主要着眼点之一。利用遗传算法对模糊神经网络控制器隶属函数的中心参数和宽度参数进行优化,能够克服模糊神经网络收敛速度慢,且易陷入局部极小的缺点,并确定遗传算法中的交叉概率和变异概率。在此基础上,再利用在线反向传播学习算法使模糊神经网络控制器的性能指标最小。所述性能指标最小为:误差函数的值最小,所述误差函数的表达式如式(1)所示,
其中,yk为输出层第k个神经元的输出值;tk为输出层第k个神经元的理想输出值,即理论设定值。
本发明提供一种基于农业节气经验数据的温室智能调控方法,依据农业节气对农业生产的指导作用,建立基于农业节气与作物生长周期对应温室设备控制的专家知识库,引入模糊神经网络、遗传算法等控制优化方法,结合实时监测环境数据建立基于农业节气的温室控制策略,为温室作物创造最适宜的生长环境。
本发明的实施例是为了示例和描述起见而给出的,而并不是无任何遗漏地将本发明限于所公开的形式。许多修改对于本领域的普通技术人员而言是显而易见的。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种基于农业节气经验数据的温室智能调控方法,其特征在于:具体包括以下步骤:
S1、引入农业节气经验数据;
综合天文学、气象学以及农作物生长特点的知识,记录每个节气时间段作物生长对应的温室环境参数变化,继而构建基于农业节气经验数据的农业节气专家知识库,建立农业节气专家知识库信息与温室设备调控方式的耦合关系;
所述耦合关系为:通过调节温室设备,使得实际的温室环境参数与农业节气专家知识库中记录的该节气时间段作物生长对应的温室环境参数相同;
S2、制定适宜温室复杂环境的模糊神经网络控制策略;
采用模糊神经网络控制策略作为温室环境参数变化的控制策略,使温室环境参数的性能指标达到并保持最优,实现自适应推理、计算和学习的目的;
S3、构建模糊神经网络控制模型;
基于农业节气专家知识库信息与温室设备调控方式的耦合关系,以及模糊神经网络控制策略,构建基于农业节气的模糊神经网络控制模型,所述模糊神经网络控制模型的核心为模糊神经网络控制器;
所述模糊神经网络控制模型的输入为随时间变化的函数yd(t);所述yd(t)为根据温室内作物品种建立的最适宜作物生长环境的温室环境参数信息与农业节气专家知识库信息综合后,构造的分段函数;
yd(t)与环境数据采集器实时采集的温室环境参数数据的差值为e(t);将差值e(t)作为模糊神经网络控制器的输入,将农业节气专家知识库作为模糊神经网络控制器的知识库,将在长期的农业种植实践中积累的农时与季节变化的关系利用好;
所述模糊神经网络控制器的输出为温室设备模糊信息G,对温室设备模糊信息G解模糊,形成温室设备执行机构的控制策略u(t);所述温室设备执行机构的控制策略u(t)为:通过调节温室设备执行机构,使得差值e(t)为零;
经过温室设备执行机构的调节后,形成温室环境参数数据y(t),环境数据采集器实时采集温室环境参数数据yd(t),并将yd(t)与y(t)作比较,得出差值e(t),最终形成封闭的循环,保持温室内为最适宜作物生长的环境;
S4、模糊神经网络控制器优化修正;
构建模糊神经网络控制模型后,利用遗传算法对模糊神经网络控制器中隶属函数的中心参数和宽度参数进行优化,以克服模糊神经网络收敛速度慢,且易陷入局部极小的缺点,并确定遗传算法中的交叉概率和变异概率;
再利用在线反向传播学习算法使模糊神经网络控制器的性能指标最小;所述性能指标最小为:误差函数的值最小,所述误差函数的表达式如式(1)所示,
其中,Jc为误差函数值;yk为输出层第k个神经元的输出值;tk为输出层第k个神经元的理想输出值,即理论设定值。
2.如权利要求1所述的基于农业节气经验数据的温室智能调控方法,其特征在于:步骤S1中,所述温室设备包括卷帘机、通风机、植物生长灯和喷灌设备;
所述调节温室设备的方式包括:卷帘机卷帘的卷起和放下,卷帘机卷帘的开度调节,用于调节温室温度;通风机通风口薄膜的开度调节,用于调节温室湿度;植物生长灯的开启和关闭,用于调节温室温度;喷灌设备的启动和停止,用于调节温室湿度;
所述通风机包括位于温室上方通风口的上通风机和位于温室下方的下通风机。
3.如权利要求1所述的基于农业节气经验数据的温室智能调控方法,其特征在于:所述温室环境参数包括:土壤含水量、二氧化碳浓度、光照度、温室温度和温室湿度。
4.如权利要求1所述的基于农业节气经验数据的温室智能调控方法,其特征在于:步骤S3中,所述模糊神经网络控制器包括4层前向网络结构,分别是输入层、模糊化层、模糊推理层和输出层;
用分别表示第l层第i个节点的输入和输出;每一层的输入和输出具体表达如下:
第一层为输入层,用于将输入量传递到第二层,所述输出层的输入量和输出量表示如下:
其中,n为输入神经元的数量,xi是第i个输入神经元;
第二层为模糊化层,用于计算各输入分量的隶属函数的值,该层的输出为模糊变量的隶属度,所述隶属函数选用高斯函数;所述模糊化层共有m*n个节点,分为n组;每个节点代表一个语言变量值,模糊化层的输入量和输出量表示如下:
其中,μij(xi)是模糊变量的隶属函数;
第三层为模糊推理层,该层共有m个节点,每个节点代表一条模糊控制规则,输出由模糊交运算得出;采用乘积算子来计算每条规则的激励强度;所述模糊推理层的输入量和输出量表示为:
第四层为输出层,该层输出变量的数量为r;每个节点计算所有传来信号之和并作为总输出,通过输出的控制量来对执行机构的状态做出改变;
其中wkj是第三层第j个节点到第四层第k个节点的耦合权值;所述输出层的输出量Ok (4)即为步骤S4中的yk。
5.如权利要求4所述的基于农业节气经验数据的温室智能调控方法,其特征在于:所述模糊神经网络控制模型输入变量的数目n=2,输出变量的数目r=5。
6.如权利要求1所述的基于农业节气经验数据的温室智能调控方法,其特征在于:步骤S3中,所述温室温度和温室湿度对应的差值e(t)分别为温度误差T和湿度误差H;所述模糊神经网络控制器将温度误差T和湿度误差H作为输入量进行控制;
设温室内实际温度为Ti,控制目标设定温度值为Ts,实际湿度为Hi,控制目标设定湿度值为Hs,则温度误差T=Ti-Ts,湿度误差H=Hi-Hs;
所述温度误差T和湿度误差H都是精确量,精确量需要经过模糊化处理后才能作为模糊神经网络控制器的输入;
首先将温度误差T和湿度误差H模糊化,把差值e(t)的实际变化范围称为误差的基本论域,记为[-e,e],将误差模糊集合的论域记为{-n,-(n-1),……,0,……,n-1,n};确定量化因子
定义温度误差和湿度误差的量化因子分别为KT和KH,根据环境数据采集器采集的温室内实时环境数据信息,设定温度误差T的基本论域为[-3,3],温度误差模糊集合的论域为X1={-6,-5-4,-3,-2,-1,0,1,2,3,4,5,6},温度误差的量化因子KT=2,温度误差T用7个模糊状态描述,即负大-NB、负中-NM、负小-NS、零-ZO、正小-PS、正中-PM、正大-PB;
设定湿度误差H的基本论域为[-4,4],湿度误差模糊集合的论域为X2={-4,-3,-2,-1,0,1,2,3,4},湿度误差的量化因子KH=1,湿度误差H用5个模糊状态描述,即负大-NB、负小-NS、零-ZO、正小-PS、正大-PB,这样共形成了35条模糊控制规则;
温度误差T的模糊量隶属函数选择高斯函数,根据温度误差模糊集合的论域X1,μ1的取值为-6、-4、-2、0、2、4、6,σ1取值为1.2;
湿度误差H的模糊量隶属函数也选择高斯函数,根据湿度误差模糊集合的论域X2,μ2的取值为-4、-2、0、2、4,σ2取值为1.2。
7.如权利要求1所述的基于农业节气经验数据的温室智能调控方法,其特征在于:所述模糊神经网络控制模型通过以下方式对温室设备进行控制:
根据卷帘机开度值的大小,分为四个等级:关闭、打开1/3的小角度、打开2/3的中等角度、全部打开;所述卷帘机对应的模糊信息描述为ZO、PS、PM和PB;
根据上、下通风机通风口薄膜的开度值的大小,分为四个等级:关闭、打开1/3的小角度、打开2/3中等角度、全部打开;所述上、下通风机通风口薄膜对应的模糊信息描述为ZO、PS、PM和PB;
所述植物生长灯和喷灌设备有打开和关闭两种工作状态,模糊信息为开关量,关闭为0,打开为1;
所述卷帘机和通风机的模糊信息进行模糊化时的隶属函数采用高斯函数,选择模糊集合的论域为X3={0,1,2,3,4,5,6},μ3的取值为0、2、4、6,σ3取值为1.2。
8.如权利要求1所述的基于农业节气经验数据的温室智能调控方法,其特征在于:步骤S4中,所述隶属函数选用高斯函数,高斯函数的表达式如下:
式中,μ决定了隶属函数的中心点,σ决定了隶属函数曲线的宽度,参数x用于指定变量的论域。
9.如权利要求6所述的基于农业节气经验数据的温室智能调控方法,其特征在于:步骤S4中,利用遗传算法优化后的模糊神经网络控制器描述为:
其中,e1—卷帘机,e2—上通风机,e3—下通风机,e4—植物生长灯,e5—喷灌设备;
训练初始参数设置为:温度误差T=[-3,3],湿度误差H=[-4,4],温度量化因子KT=2,湿度量化因子KH=1,学习率η=0.5,平滑因子α=0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426219.0A CN110244559A (zh) | 2019-05-21 | 2019-05-21 | 一种基于农业节气经验数据的温室智能调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426219.0A CN110244559A (zh) | 2019-05-21 | 2019-05-21 | 一种基于农业节气经验数据的温室智能调控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110244559A true CN110244559A (zh) | 2019-09-17 |
Family
ID=67884800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910426219.0A Pending CN110244559A (zh) | 2019-05-21 | 2019-05-21 | 一种基于农业节气经验数据的温室智能调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244559A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647186A (zh) * | 2019-10-25 | 2020-01-03 | 北京和隆优化科技股份有限公司 | 一种基于模糊神经网络的氯乙烯精馏温度控制方法 |
CN111459022A (zh) * | 2020-04-21 | 2020-07-28 | 深圳市英维克信息技术有限公司 | 设备参数调整方法、设备控制装置和计算机可读存储介质 |
CN111542135A (zh) * | 2020-05-18 | 2020-08-14 | 湖南双达机电有限责任公司 | 加热器的控制方法、加热器以及除冰车 |
CN111831040A (zh) * | 2020-07-31 | 2020-10-27 | 河南科技大学 | 一种双孢菇菇房环境控制系统及控制方法 |
CN112070229A (zh) * | 2020-10-19 | 2020-12-11 | 中国农业科学院农业信息研究所 | 一种基于遗传算法的农业气象监测数据处理方法及系统 |
CN112508042A (zh) * | 2020-12-23 | 2021-03-16 | 安徽理工大学 | 一种基于模糊识别技术与图像识别技术的果园管理系统 |
CN113016574A (zh) * | 2021-03-05 | 2021-06-25 | 武汉理工大学 | 一种具有节水绿化灌溉功能的路灯 |
CN113126676A (zh) * | 2021-03-17 | 2021-07-16 | 淮阴工学院 | 一种畜禽舍养殖环境参数智能控制系统 |
CN114711033A (zh) * | 2022-04-27 | 2022-07-08 | 北京良安科技有限公司 | 一种粮仓内环流系统 |
CN114859734A (zh) * | 2022-06-15 | 2022-08-05 | 厦门大学 | 一种基于改进sac算法的温室环境参数优化决策方法 |
CN115963723A (zh) * | 2023-03-17 | 2023-04-14 | 深圳市鑫雅达机电工程有限公司 | 智能机电系统设备运行自动调节控制的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114817A1 (en) * | 1999-09-29 | 2002-08-22 | Dan Cleveland Lathrop And Gage L.C. | Fusobacterium necrophorum vaccine and method for making such vaccine |
CN101315544A (zh) * | 2007-06-01 | 2008-12-03 | 上海电机学院 | 一种温室智能控制方法 |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN102288225A (zh) * | 2011-07-29 | 2011-12-21 | 胡加 | 一种植物发育生长环境提示器及植物生态条件监测调整方法 |
-
2019
- 2019-05-21 CN CN201910426219.0A patent/CN110244559A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114817A1 (en) * | 1999-09-29 | 2002-08-22 | Dan Cleveland Lathrop And Gage L.C. | Fusobacterium necrophorum vaccine and method for making such vaccine |
CN101315544A (zh) * | 2007-06-01 | 2008-12-03 | 上海电机学院 | 一种温室智能控制方法 |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN102288225A (zh) * | 2011-07-29 | 2011-12-21 | 胡加 | 一种植物发育生长环境提示器及植物生态条件监测调整方法 |
Non-Patent Citations (5)
Title |
---|
吴晓强等: "基于模糊神经网络的温室温湿度智能控制系统研究", 《中国农机化学报》 * |
孙丽萍等: "北方蔬菜温室系统模糊神经网络控制器的设计", 《东北农业大学学报》 * |
秘立鹏: "基于模糊神经网络的设施农业温室大棚自适应控制系统的开发", 《中国优秀硕士学位论文全文数据库》 * |
邰成: "智能温室控制算法的研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
韦玲玲: "智能农业气象服务系统初探", 《黑龙江科技信息》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647186A (zh) * | 2019-10-25 | 2020-01-03 | 北京和隆优化科技股份有限公司 | 一种基于模糊神经网络的氯乙烯精馏温度控制方法 |
CN111459022A (zh) * | 2020-04-21 | 2020-07-28 | 深圳市英维克信息技术有限公司 | 设备参数调整方法、设备控制装置和计算机可读存储介质 |
CN111459022B (zh) * | 2020-04-21 | 2023-10-20 | 深圳市英维克信息技术有限公司 | 设备参数调整方法、设备控制装置和计算机可读存储介质 |
CN111542135A (zh) * | 2020-05-18 | 2020-08-14 | 湖南双达机电有限责任公司 | 加热器的控制方法、加热器以及除冰车 |
CN111542135B (zh) * | 2020-05-18 | 2022-06-10 | 湖南双达机电有限责任公司 | 加热器的控制方法、加热器以及除冰车 |
CN111831040A (zh) * | 2020-07-31 | 2020-10-27 | 河南科技大学 | 一种双孢菇菇房环境控制系统及控制方法 |
CN111831040B (zh) * | 2020-07-31 | 2021-04-30 | 河南科技大学 | 一种双孢菇菇房环境控制系统及控制方法 |
CN112070229A (zh) * | 2020-10-19 | 2020-12-11 | 中国农业科学院农业信息研究所 | 一种基于遗传算法的农业气象监测数据处理方法及系统 |
CN112508042A (zh) * | 2020-12-23 | 2021-03-16 | 安徽理工大学 | 一种基于模糊识别技术与图像识别技术的果园管理系统 |
CN113016574B (zh) * | 2021-03-05 | 2022-07-08 | 武汉理工大学 | 一种具有节水绿化灌溉功能的路灯 |
CN113016574A (zh) * | 2021-03-05 | 2021-06-25 | 武汉理工大学 | 一种具有节水绿化灌溉功能的路灯 |
CN113126676A (zh) * | 2021-03-17 | 2021-07-16 | 淮阴工学院 | 一种畜禽舍养殖环境参数智能控制系统 |
CN114711033B (zh) * | 2022-04-27 | 2023-03-14 | 北京良安科技有限公司 | 一种粮仓内环流系统 |
CN114711033A (zh) * | 2022-04-27 | 2022-07-08 | 北京良安科技有限公司 | 一种粮仓内环流系统 |
CN114859734A (zh) * | 2022-06-15 | 2022-08-05 | 厦门大学 | 一种基于改进sac算法的温室环境参数优化决策方法 |
CN114859734B (zh) * | 2022-06-15 | 2024-06-07 | 厦门大学 | 一种基于改进sac算法的温室环境参数优化决策方法 |
CN115963723A (zh) * | 2023-03-17 | 2023-04-14 | 深圳市鑫雅达机电工程有限公司 | 智能机电系统设备运行自动调节控制的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244559A (zh) | 一种基于农业节气经验数据的温室智能调控方法 | |
CN106292802B (zh) | 一种用于鱼菜共生系统的智能预测控制系统及方法 | |
CN107045367B (zh) | 一种温室环境多因子协调节能优化控制方法 | |
CN104155925B (zh) | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 | |
CN106842923B (zh) | 基于作物生理和能耗优化的温室环境多因子协调控制方法 | |
CN109634098A (zh) | 一种育肥猪舍环境调控系统及方法 | |
Morimoto et al. | AI approaches to identification and control of total plant production systems | |
CN108983849A (zh) | 一种利用复合极限学习机神经网络控制温室环境方法 | |
CN110414115B (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
CN115453868B (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
CN107037728A (zh) | 基于多目标灰色粒子群算法的温室环境优化控制方法 | |
CN113625806B (zh) | 面向碳中和需求的效率最优温室植物调控方法 | |
An et al. | A simulator-based planning framework for optimizing autonomous greenhouse control strategy | |
CN113962075A (zh) | 农业种植温室系统的能量管控方法 | |
CN113837891A (zh) | 一种应对气候变化的大面积农灌区水资源均衡高效调配方法 | |
Fernando et al. | Design of a fuzzy logic controller for a vent fan and growlight in a tomato growth chamber | |
CN112947648A (zh) | 一种农业温室环境预测方法及系统 | |
Elings et al. | Energy saving in greenhouses: optimal use of climate conditions and crop management | |
Iliev et al. | A fuzzy logic based approach for integrated control of protected cultivation | |
Amari et al. | Comparative analysis of the management of the results of the modeling and the simulation of the evaluation of the thermal energy of the greenhouse by a fuzzy logic controller between a wet region and an arid region | |
CN114967626A (zh) | 一种用于植物工厂作物栽培的多源联邦环境控制方法 | |
Chao et al. | Knowledge-based control systems for single stem rose production—Part I: Systems analysis and design | |
Faouzi et al. | Modeling and simulation of fuzzy logic controller for optimization of the greenhouse microclimate management. | |
CN117075547B (zh) | 一种植物工厂生菜栽培环境优化调控方法 | |
Wang et al. | Application of Nonlinear Model Predictive Control Method Based on GA for Northeastern Greenhouse in China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |