韦玉翡 赵建贵 高安琪
摘要：随着计算机控制系统及各类现代化设备介入温室设施，建立一个通过各项设备的有效操作来改善室内环境因子的控制系统，可为温室作物创造最佳生长环境，实现作物优质、高效生产。采用模糊专家控制系统，专家系统根据番茄各生育期温度、湿度、太阳辐射度的最优参数值，将其与预测值（微控制器采集到的环境数据代入温室小气候预测模型所得）进行对比，获得最优值同预测值的偏差及其变化率和其变化率的变化率，再利用模糊控制器（模糊化、模糊推理、反模糊化）来确定控制量。其中对模糊控制器的实现过程做了具体的介绍，该系统在模糊控制中融入专家系统，弥补了两者各自的不足之处，同时提高了系统的智能化。试验表明，该模糊专家控制系统能根据番茄各生育期的环境因子最优值，对控制设施进行调节，促使温室环境更趋于作物最佳生长环境，具有良好的控制效果。
关键词：温室;专家系统;模糊控制;环境因子
温室环境控制是利用计算机、传感技术及控制技术等方式去自动调节、控制温室内设备，通过采集分析并加以控制室内环境因子来提高作物产量、降低病虫害发生率的过程[1-3]。具有代表性的有关温室控制的国内外研究有：美国的GHC100型温室控制器可远程监测与控制环境因子，进而实现全方位的温室控制[1];荷兰的集成控制系统可针对种植者的不同需求实现对温室环境的控制[2];以色列温室利用不同的光线强度来实现温室设备的自动调节和移动[3];日本研发的“Open PLANET”可完成对温室的群管理[4];西班牙的Romeo 等在区分作物及杂草的研究上运用加入模糊控制策略的专家系统，设计了新的专家识别系统[6]。马丽丽利用现有的专家知识库建立以温室温湿度为输入的神经网络病害预测模型[7];李萍萍等设计了针对各个环境因子进行控制的智能温室环境控制系统[8-9];汪永斌等设计了温湿度综合控制的温室群系统[10];杨卫中等利用分布式自动控制系统，完成了温室集群控制[11];张洪波等在算法上集成了专家系统和神经网络，以此设计了基于BP神经网络专家系统控制的温室智能控制系统[12];吴晓辰在对温室植物病例分析中将模糊控制融入专家系统，对不完备信息通过模糊函数来判断，以此来推理病症[13]。
由国内外温室种植业可见，要想在节能、提高产品质量和品质以及降低劳动强度方面实现温室农业的高效性，不仅要引进先进栽培技术，而且要发挥温室自动控制与管理系统的作用。传统的控制方法虽易于设计、操作简单，但参数整定在合适的范围内则较为困难;基于系统辨识理论的神经网络则在数据质量不高、信息不完备的情况下，控制效果会大打折扣。采用模糊专家控制系统，融合了模糊控制和专家系统二者的优势，自身拥有具有启发性的专家知识，可进行有效推理。
1 模糊专家控制系统
温室内环境因子既各自独立，又相互联系。如温度升高，会引起湿度降低;太阳辐射量过高，会导致温度升高、湿度降低等[14-15]。通过自然通风或机械通风、湿帘、加热设施、幕帘系统等设施来调节温室环境因子是智能温室系统的控制目的。系统输入量主要考虑温度、湿度、太阳辐射量3个环境因子，输出量为控制设施的开启程度，对应着遮阳帘、保温被、天窗、供暖设备、湿帘外翻窗、风机、湿帘水泵等。
模糊控制和专家系统是整个系统的核心，模糊控制是将人的知识经验设置成多种控制规律，并利用计算机转化成其语言，再进行智能控制的非线性方法，该控制方法有着较强的模糊推理能力和知识表达能力[9-18]。而专家系统是一种通过对农业领域相关经验、知识及数据的综合分析后，利用计算机取得最佳解决方案来指导农业生产的方法。模糊专家控制方法是将模糊控制技术与专家系统相结合，并灵活应用温室小气候预测模型，根据作物不同生育期的生长需求，按其要求的适宜环境因子参数形成最佳控制方案[17]。该温室模糊专家控制系统可以合理控制室内环境因子，提高农业生态化，实现作物优质高产和可持续发展。
2 整体系统构成
由上位机、STM32F103CBT6、传感器、数据采集模块、继电器等组成该模糊控制系统。上位机实现模糊控制;数据采集模块实时采集各环境因子（如室内外温度、室内外湿度、室内外太阳辐射度、CO2浓度等）;模糊控制器得到精确数字输出量并送至执行机构。再由继电器控制天窗开启角度、风机、湿帘、遮阳网、保温被、风机的开启等，从而使温室内各环境因子保持或接近最优生长参数值，温室系统保持稳定。
2.1 核心处理单元
核心处理器为STM32F103CBT6，该芯片处理速度为72 MHz，GPIO口37个，IIC通信接口2个，引脚资源48个，符合本系统的设计需求。STM32F103CBT6是以Cortex为内核，具有高性能、强外设及低功耗的特性，应用较为方便有效。
2.2 各类传感器
在系统控制过程中，主要是通过传感器将环境因子转换为电信号。模糊控制器的输入量受各传感器的灵敏度及检测精度的影响，进而影响整个控制系统的精確度，故选取的传感器具有高精度、性能稳定是十分必要的。本试验中温度采集选取DS18b20，其测量范围达-55～125 ℃，精度达 ±0.5 ℃。湿度采集选取FDS-100，其测量范围达0～100%，精度达±3%。太阳辐射量采集选取NHFS15BU，其光谱范围达400～1 100 nm。风速采集选取QS-FS01，其测量范围达0～32.4 m/s，精度达±[（0.3±0.03）υ] m/s（υ：风速）。风向采集选取QS-FX01，其测量范围达0～360°，精度达±1°。
2.3 模糊控制器
温室模糊控制器的作用就是控制经常变化的环境因子（温室内的温度、湿度、太阳辐射量、CO2浓度等），将其数值稳定在作物各生育期的最优参数范围内。故考虑环境因子中对作物影响较大的3个因素温度、湿度及太阳辐射量，三者中温度及湿度更为重要，因此在后文中对其论域等级更加细化。
模糊控制器的实现由上位機软件编程完成，主要任务是进行输入量的模糊化、模糊推理以及输出量去模糊化处理。输入量的模糊化即将精确的物理数值经量化函数转化到其论域范围内，经量化后的值用其对应的模糊子集表示[18]。模糊推理则根据专家系统中的数据库及规则库，由输入的模糊量经算法来确定模糊输出量。模糊输出量的去模糊化是将模糊推理的值转化为控制执行机构的精确量[16]。结构图如图1所示。
3 模糊专家控制系统的实现
由PC机控制的模糊专家系统及微处理器控制的数据采集系统和控制设备两大部分构成整个温室远程控制系统，其整体框架如图2所示，控制系统工作过程如下：微控制器一方面通过各种传感器来采集温室内环境因子并将其采集的数据送至上位机，上位机对数据进行预处理并保存;另一方面继电器受上位机传达的信号所控制来开启温室设备，以此来创造室内作物的最佳生长环境。数据采集接收后PC机将接受的数据存储、处理并与专家控制系统设置的番茄各时期最优参数比较得出偏差等值，根据模糊控制系统进行计算，并将结果送入下微控制器得出控制信号，通过控制继电器实现执行机构开启和关闭。LED显示屏主要用来实时显示温室内外的环境因子值以及控制设备的开启状态。系统以此不断循环以维持温室作物的适宜生长环境，实现作物的高产、稳产。
3.1 输入输出量模糊化
系统将采集的实时环境数据带入预测模型得到预测值，并与各时期的最优参数值进行比较，获得温度的偏差ET、偏差变化率ΔET、偏差变化率的变化率Δ2ET以及湿度的偏差Eh、偏差变化率ΔEh、偏差变化率的变化率Δ2Eh，而太阳辐射量的偏差Es、偏差变化率ΔEs及偏差变化率的变化率Δ2Es，根据实时数据与各时期的最优参数值对比所得。对于整个系统而言，输入量为偏差E、偏差变化率ΔE及偏差变化率的变化率Δ2E，输出量为控制量U，其中E=H-H0，ΔE=dEdt，Δ2E=d2Edt2，式中：H为实时测量值;H0为各生育期环境因子的最优参数[19]。
将输入变量值对应其相对论域，输入值就转换为合适的语言值，并据实际情况来确定输入的基本论域[21]。设定温湿度、太阳辐射量的偏差及其变化率和其变化率的变化率的模糊集论域为[-2，2]，转换公式如下：
故模糊集合论域可分为 5个等级{-2，-1，0，1，2}，这是输入值的量化过程。E和Ec模糊集取：{NB=负大，NM=负中，Z=0中，NM=正中，NB=正大}。模糊量的获取由量化值经模糊语言变量隶属度曲线所得，各模糊量的隶属度函数如图3所示。
同理，系统输出量即各环境因子的控制量也根据上述方法划分模糊语言值，将其划分7个（“负大” “负中”“负小” “中” “正小” “正中” “正大”）模糊语言值[26]。
3.2 温室模糊控制规则
为保证系统动态稳定及控制处于最佳状态，本系统设计三输入的模糊控制规则。模糊控制规则实际上是将实际操作过程中的知识经验总结概括而获取的模糊语句的集合，可写成模糊控制状态表[27]。具体规则如下：当偏差、及其变化率和其变化率的变化率较大时，应尽快消除偏差;当三者较小或为零时，保持系统稳定性成为首要问题，此时应根据三者的变化来调节控制机构;3个环境因子控制中以温度优先，模糊控制状态表如表1所示。
3.3 温室控制模糊决策
当前温室所拥有的控制设备有遮阳帘、保温被、天窗、供暖设备、湿帘和风机。遮阳帘直接对温室温度和太阳辐射量产生影响，间接影响湿度[26]。在夏季当遮阳帘打开时，由于太阳辐射量降低，室内温度下降，湿度会略增加。在冬季因太阳辐射量不够，室内温度依靠供暖设备实现增温，若此时打开保温被起到保温作用。供暖设备直接增温，间接湿度会有所下降。天窗是通过通风换气进行室内外气体交换，进而直接降低室内温湿度。湿帘是利用水帘来实现降温、增湿功能。与天窗类似，风机也有通风换气的作用，但降低温度、湿度的效果比天窗更为明显。
3.3.1 定性决策法 根据常识经验将室内温度、室内湿度和太阳辐射量3个环境因子对控制设备的依赖程度分为5个等级（非常高、高、中、低、非常低），若依赖程度处于2个评定值之间，则评定值取这2个等级间的评定值，依赖程度如图4所示。
结合上述方法得出表2，该表显示温度、湿度和太阳辐射量3个环境因子受7个控制设备（其中湿帘开启前需开启水泵）的影响程度。
由表2可计算评价模糊矩阵R，对3个环境因子（温度、湿度及太阳辐射量）采用两两比较的专家调查法，并根据判断矩阵分析法得到矩阵Q，公式如下。
相对权重A由矩阵R的最大特征值所对应的特征向量，对其归一化后所得。并采用加权平均模型，得到U（控制设备进行评价的结果），将其带入公式得到矩阵U，即为各控制设备的重要性评价系数。
通过矩阵U可在各环境因子控制存在耦合或控制设施开启存在矛盾时，来较为合理地开启设施达到优化效果。
3.3.2 多维模糊控制 本研究控制的仅有温室温度、湿度和太阳辐射量3个环境因子，故采用三维模糊推理来操作。对每条简单语句的模糊推理采用麦姆德尼（Mamdani）运算规则，设模糊集合为U，其中权系数取各隶属度，则控制量由下式决定：
对复合条件则按上述方法求出每条简单条件相对应的Ui，接着对所有的Ui进行相交，结果就得到控制量U。
3.3.3 定时控制 温室中其他设备均采用定时控制，内循环机（使温室内气候均匀一致，营造稳定适宜的温室环境）在每日06：00及18：00定时开启环流风机30 min。内保温控制（减小温室内的温差，稳定室内温湿度）在冬季每日08：30关闭内保温及17：30 打开内保温，以此进行夜间保温。
3.4 输出的反模糊化
在实际控制中，需确定的数值来控制设备启停，但模糊推理结果往往是隶属函数或模糊集合。反模糊化就是来解决该问题的，较为常用的方法有以下几种：最大隶属度法虽计算简单，实时性好，但其仅考虑部分隶属度值，易造成信息的丢失。中位数法较为全面地考虑所提供信息的作用;但其缺乏重视重要信息且计算繁琐。系数加权平均法的灵活性较大，但若取得好的控制效果，其权系数的选择需反复进行调整。重心法在理论上有公式可循，较为合理，但其计算复杂，适合实时性不高的场合下[18，28-29]。隶属度限幅元素平均法是通过切割隶属度值所属隶属度曲线，将切割后等于该值所有元素的平均值作为输出执行值。相较于上述几种方法，隶属度限幅元素平均法较为折中。
4 结术语
在溫室小气候预测模型下，本研究结合番茄生育期最优参数设计了一种温室环境模糊控制系统，该系统以PC机为上位机，STM32F103CBT6为下位机来调控各控制设施来创造番茄最佳生长环境。在温室各环境因子相互影响的实际情况下，系统将专家系统和模糊控制技术相结合，通过专家系统获得作物各生育期最优环境参数，采用三输入的模糊控制法使得控制效果更好。本试验设计的模糊专家控制系统控制方式不仅能在农业生产中发挥农业专家的指导作用，展现作物生长内在要求，而且利用计算机技术及传感器技术，使控制设备的调控变得简单有效。随着现代化智能温室技术的提高和推广，温室模糊专家控制系统必将带来一定的社会效益。
参考文献：
[1]Spence E L，Chandler D，Edgington S，et al. A standardised bioassay method using a bench-top spray tower to evaluate entomopathogenic fungi for control of the greenhouse whitefly，Trialeurodes vaporariorum[J]. Pest Management Science，2020，76（7）：2513-2524.
[2]Wang L A，Wang B R. Construction of greenhouse environment temperature adaptive model based on parameter identification[J]. Computers and Electronics in Agriculture，2020，174：105477.
[3]Villarreal-Guerrero F，Pinedo-Alvarez A，Flores-Velázquez J. Control of greenhouse-air energy and vapor pressure deficit with heating，variable fogging rates and variable vent configurations：simulated effectiveness under varied outside climates[J]. Computers and Electronics in Agriculture，2020，174：105515.
[4]Ma D D，Carpenter N，Maki H，et al. Greenhouse environment modeling and simulation for microclimate control[J]. Computers and Electronics in Agriculture，2019，162：134-142.
[5]Xin P P，Li B，Zhang H H，et al. Optimization and control of the light environment for greenhouse crop production[J]. Scientific Reports，2019，9：8650.
[6]Romeo J，Pajares G，Montalvo M，et al. A new expert system for greenness identification in agricultural images[J]. Expert Systems with Applications，2013，40（6）：2275-2286.
[7]马丽丽. 番茄生长模型及日光温室小气候建模的研究[D]. 沈阳：沈阳农业大学，2009.
[8]李萍萍. 智能温室综合环境因子控制的技术效果及合理的环境参数研究[J]. 农业工程学报，1998（3）：197-201.
[9]宫赤坤，陈翠英，毛罕平. 温室环境多变量模糊控制及其仿真[J]. 农业机械学报，2000，31（6）：52-54.
[10]汪永斌，吕 昂，孙荣高，等. 温室群全数字式温度和湿度综合控制系统[J]. 农业机械学报，2002，33（5）：71-74.
[11]杨卫中，王一鸣，董乔雪. 大型连栋温室环境参数的线性时不变系统建模[C]//中国农业工程学会电气信息与自动化专委会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文集.北京，2010：1-5.
[12]张洪波，陈 平，刘 学，等. 基于神经网络的专家系统在温室控制中的应用[J]. 成都信息工程学院学报，2010，25（3）：260-263.
[13]吴晓辰. 温室栽培专家系统关键技术研究[D]. 天津：天津理工大学，2013.
[14]邢希君，宋建成，吝伶艳. 基于双模糊控制器的温室智能控制系统设计[J]. 北方园艺，2018（18）：62-68.
[15]毛罕平，晋 春，陈 勇. 温室环境控制方法研究进展分析与展望[J]. 农业机械学报，2018，49（2）：1-13.
[16]吴晓强，黄云战，赵永杰. 基于模糊神经网络的温室温湿度智能控制系统研究[J]. 中国农机化学报，2016，37（4）：63-66，84.
[17]邢希君，宋建成，吝伶艳，等. 设施农业温室大棚智能控制技术的现状与展望[J]. 江苏农业科学，2017，45（21）：10-15.
[18]Azaza M，Tanougast C，Fabrizio E，et al. Smart greenhouse fuzzy logic based control system enhanced with wireless data monitoring[J]. ISA Transactions，2016，61：297-307.
[19]王 君. 基于模糊控制策略的温室远程智能控制系统的研究[D]. 长春：吉林大学，2015.
[20]高玉贤. 温室环境建模及控制策略研究[D]. 石家庄：河北科技大学，2015.
[21]杨文豪. 基于多变量模糊控制的人工气候室系统设计[D]. 济南：山东大学，2015.
[22]王 健. 番茄生长发育模型研究及其专家系统设计[D]. 北京：北京理工大学，2015.
[23]Wang J Z，Chen M Z，Zhou J S，et al. Data communication mechanism for greenhouse environment monitoring and control：an agent-based IoT system[J]. Information Processing in Agriculture，2020，7（3）：444-455.
[24]Lee S Y，Lee I B，Yeo U H，et al. Optimal sensor placement for monitoring and controlling greenhouse internal environments[J]. Biosystems Engineering，2019，188：190-206.
[25]Reglinski T，Taylor J T，Northcott G L，et al. Growth environment and seedling age affect constitutive and inducible defence in radiata pine[J]. Plant Pathology，2019，68（8）：1481-1492.
[26]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[D]. 太原：太原理工大学，2014.
[27]韓志平. 温室环境参数模糊控制[D]. 沈阳：沈阳工业大学，2012.
[28]张豪堃. 基于模糊推理的日光温室控制专家系统的研究与实现[D]. 呼和浩特：内蒙古农业大学，2011.
[29]彭 燕. 基于BP神经网络的PID控制在温室控制系统中的应用[J]. 农机化研究，2011，33（6）：163-167.
[30]唐 静. 智能温室农业环境自动监控系统设计[D]. 合肥：中国科学技术大学，2011.
[31]苏全义，李庆东，何培祥，等. 基于PIC单片机的智能温室环境控制系统[J]. 农机化研究，2009，31（12）：186-188.
[32]徐立鸿，苏远平，梁毓明. 面向控制的温室系统小气候环境模型要求与现状[J]. 农业工程学报，2013，29（19）：1-15.邬锦雯，孙静蕾，邬美玲. 基于智能手机的农村土地产权流转信息平台开发[J]. 江苏农业科学，2021，49（6）：188-195.
猜你喜欢 环境因子专家系统模糊控制 鹅观草种子萌发及出苗特性杂草学报(2019年1期)2019-10-21运用舞蹈生态学原理剖析泉州拍胸舞卷宗(2018年10期)2018-05-26基于dSPACE和PLC的控制算法测试系统设计中国测试(2018年9期)2018-05-14模糊控制算法在发动机排气管道有源消声系统中的应用研究现代职业教育·中职中专(2018年7期)2018-05-14海参病害防治诊断专家系统的研究江苏农业科学(2017年18期)2017-11-18基于粒子群优化训练的模糊控制数学建模方法神州·中旬刊(2017年1期)2017-06-28椰子间作可可下可可光合日变化与环境因子的关系热带农业科学(2017年2期)2017-03-234个引种杏李品种气体交换特征及其对环境因子的响应江苏农业科学(2014年9期)2014-11-15模糊ＰＩＤ控制废水ｐＨ值研究现代电子技术(2009年13期)2009-08-31
