北方蔬菜溫室系統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)

孫麗萍，霍然

（東北林業(yè)大學(xué)機(jī)電工程學(xué)院，哈爾濱 150040）

北方蔬菜溫室系統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)

孫麗萍，霍然

（東北林業(yè)大學(xué)機(jī)電工程學(xué)院，哈爾濱 150040）

蔬菜溫室系統(tǒng)對環(huán)境因素的變化能否及時(shí)做出精確反應(yīng)，決定蔬菜的成活率、生長周期。因此，提高溫室系統(tǒng)的控制速率、控制精度對提高溫室系統(tǒng)實(shí)用性具有現(xiàn)實(shí)意義。文中針對傳統(tǒng)黃瓜溫室系統(tǒng)超調(diào)大，精度低等缺點(diǎn)，提出模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，設(shè)計(jì)模糊神經(jīng)網(wǎng)絡(luò)控制器。建立模糊推理規(guī)則，給出相應(yīng)的學(xué)習(xí)算法，并對控制結(jié)果進(jìn)行軟件仿真和試驗(yàn)驗(yàn)證。其結(jié)果證明該控制器具備推理速度快、魯棒性好等優(yōu)點(diǎn)，可彌補(bǔ)傳統(tǒng)控制器的不足。

智能溫室；模糊控制；神經(jīng)網(wǎng)絡(luò)；MATLAB仿真

本文以黃瓜溫室為例，將模糊控制思想與神經(jīng)網(wǎng)絡(luò)手段相結(jié)合，設(shè)計(jì)模糊神經(jīng)網(wǎng)絡(luò)控制器。應(yīng)用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力獲取模糊推理規(guī)則，同時(shí)具有模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，提高控制系統(tǒng)的整體性能，為擴(kuò)大蔬菜產(chǎn)量，提高農(nóng)業(yè)生產(chǎn)科技貢獻(xiàn)率提供參考。

1 溫室系統(tǒng)結(jié)構(gòu)建立

智能溫室系統(tǒng)突破了傳統(tǒng)理念[2]，采用無人化操作，在傳統(tǒng)溫室的基礎(chǔ)上，結(jié)合計(jì)算機(jī)控制技術(shù)、檢測與轉(zhuǎn)換技術(shù)等現(xiàn)代高科技手段，通過控制溫室內(nèi)鍋爐、加濕器等裝置，實(shí)現(xiàn)對系統(tǒng)各因子（如溫度、濕度、二氧化碳濃度、光照強(qiáng)度等）的實(shí)時(shí)控制。

黃瓜是典型的喜溫、喜濕植物[3]，生育適溫為10～32℃，同時(shí)要求土壤的相對持水量為85%～95%。白天適溫較高，約為25～32℃，相對濕度在80%為最優(yōu)；夜間適溫較低，約為15～18℃，相對濕度在90%為最優(yōu)。可見，溫、濕度環(huán)境是影響黃瓜生長的兩個(gè)決定性因素，是溫室環(huán)境調(diào)控中最重要的兩個(gè)方面。因此，在系統(tǒng)控制過程中，以溫、濕度作為控制器的輸入變量。將調(diào)控溫、濕度的主要裝置作為輸出變量。系統(tǒng)基本結(jié)構(gòu)如圖1所示。

圖1 控制系統(tǒng)基本結(jié)構(gòu)Fig.1 Control system structure

2 模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

2.1 模糊控制器設(shè)計(jì)

模糊控制是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種智能控制方法[4]，該方法以領(lǐng)域內(nèi)專家總結(jié)的培植經(jīng)驗(yàn)作為模糊規(guī)則，將由傳感器采集的實(shí)時(shí)信號模糊化，信號模糊化后作為模糊規(guī)則的輸入，完成模糊推理，最后根據(jù)推理后得到的輸出量控制執(zhí)行裝置，達(dá)到控制目的。

該系統(tǒng)需確定的語言變量有7個(gè)，即輸入量溫度誤差Et、濕度誤差Eh和作用到6個(gè)執(zhí)行機(jī)構(gòu)上的輸出量，分別為天窗/側(cè)窗u1，遮陽板u2，風(fēng)機(jī)u3，加熱裝置u4及加濕器u5。將輸入變量劃分為7個(gè)等級，即{正大（PB），正中（PM），正?。≒S），零（ZO），負(fù)?。∟S），負(fù)中（NM），負(fù)大（NB）}。分別表示當(dāng)前測量值相對于給定值T為：“極小”“很小”“偏小”“正好”“偏大”“很大”和“極大”。輸出變量劃分為5個(gè)等級，即{正大（PB），正?。≒S），零（ZO），負(fù)?。∟S），負(fù)大（NB）}。

高斯型隸屬度函數(shù)具有連續(xù)且點(diǎn)點(diǎn)可導(dǎo)等特性[5]，適用于自適應(yīng)、自學(xué)習(xí)模糊控制器的隸屬度函數(shù)在線修正。因此，采用高斯型隸屬度函數(shù)。其一般可以寫為：

其中，c為隸屬度函數(shù)的中心值，σ為隸屬函數(shù)的寬度，其初始值憑經(jīng)驗(yàn)給出。系統(tǒng)采用量化后的隸屬度函數(shù)進(jìn)行模糊控制器設(shè)計(jì)。假設(shè)系統(tǒng)e的論域是X，其模糊語言值取為{NB、NM、NS、ZO、PS、PM、PB}。若將這些語言值分別用-3，-2，-1，0，+1，+2，+3七個(gè)等級來表示，則有：X={-3，-2，-1,0，+1，+2，+3}。論域[-3，+3]上，精確量可以用模糊子集表示。如果精確量的實(shí)際變化范圍是[a，b]需要將[a，b]區(qū)間上的精確量轉(zhuǎn)化到區(qū)間[-3，+3]上，并記作e*，轉(zhuǎn)換公式為：

若計(jì)算出的值e*不是整數(shù)，可將其歸一化為最接近于e*的整數(shù)值。

本系統(tǒng)設(shè)各變量的論域?yàn)椋?/p>

溫度誤差：X1=[-E，+E]=[-3，+3]

濕度誤差：X2=[-E，+E]=[-3，+3]該系統(tǒng)有兩個(gè)輸入量，5個(gè)輸出量，因此選擇雙輸入5輸出的控制器，其控制規(guī)則可由Fuzzy語句描述：

模糊神經(jīng)網(wǎng)絡(luò)控制器如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)控制器Fig.2 Fuzzy-neural network controller

2.2 BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)是模擬人腦思維方式的數(shù)學(xué)模型[6]，是基于現(xiàn)代生物學(xué)研究人腦組織成果提出的，從微觀結(jié)構(gòu)和功能上對人腦進(jìn)行抽象和簡化。其結(jié)構(gòu)主要分3部分，即輸入層、隱含層和輸出層。隱含層通過作用函數(shù)執(zhí)行一種固定不變的非線性變化，將輸出空間映像到一個(gè)新空間進(jìn)行輸出層節(jié)點(diǎn)的線性加權(quán)組合。就輸入信號而言，要經(jīng)由輸入層，向前傳遞到隱層節(jié)點(diǎn)。作用函數(shù)作用后，再將隱層節(jié)點(diǎn)的輸出送到輸出層節(jié)點(diǎn)，最后得到輸出結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖3所示。

為提高系統(tǒng)的控制精度，采用五層神經(jīng)網(wǎng)絡(luò)。設(shè)ui（j），zi（j）分別為第i層、第j個(gè)神經(jīng)元的輸入和輸出，Wi為第i層神經(jīng)元的連接權(quán)值矩陣，n（i）為第i層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)[7]。網(wǎng)絡(luò)中每一層的作用及節(jié)點(diǎn)的函數(shù)為：

（1）第一層為輸入層，該層負(fù)責(zé)將輸入量傳遞到下一層，系統(tǒng)有兩個(gè)輸入，z1（j）=ui1（j），該層節(jié)點(diǎn)數(shù)n（1）=2。

（2）第二層為模糊化層，即將輸入數(shù)據(jù)在各自論域內(nèi)模糊化為相應(yīng)的隸屬度值。其節(jié)點(diǎn)數(shù)n（2）= T1n（1）。

式中，T1為輸入變量的模糊化級數(shù)。系統(tǒng)模糊化級數(shù)為7，其節(jié)點(diǎn)數(shù)n（2）=14.由于本系統(tǒng)應(yīng)用高斯函數(shù)，所以

本層連接權(quán)值W2=1

（3）第三層為推理層，完成模糊推理的前件處理，其節(jié)點(diǎn)個(gè)數(shù)n（3）=T1n（1）=49，連接權(quán)值為1。

（4）第四層的作用是完成推理的后件處理、確定每條規(guī)則的推理結(jié)果。該層節(jié)點(diǎn)的個(gè)數(shù)為n（4）= T2n（5）。

式中，T2是輸出模糊變量的模糊化級數(shù)。系統(tǒng)有5個(gè)輸出，模糊化級數(shù)為5，該層節(jié)點(diǎn)數(shù)n（4）=25。

（5）第五層為輸出層，其節(jié)點(diǎn)數(shù)n（5）=5

圖3 神經(jīng)網(wǎng)絡(luò)Fig.3 Neural network

3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP網(wǎng)絡(luò)學(xué)習(xí)算法也稱誤差反向傳播算法[8]，是一類有導(dǎo)師學(xué)習(xí)算法，用于BP網(wǎng)的權(quán)值和閾值學(xué)習(xí)，使對任何輸入信息皆可得出想要的輸出值。訓(xùn)練時(shí)，先將樣本信息輸入至網(wǎng)絡(luò)，由網(wǎng)絡(luò)從第一個(gè)隱含層起一層一層計(jì)算，一直到傳出輸出層，過程中每層神經(jīng)元僅受下一神經(jīng)元狀態(tài)的影響。比較輸出值和樣本的期望輸出值，直至滿足要求。當(dāng)樣本輸入網(wǎng)絡(luò)，并產(chǎn)生輸出時(shí)，均方誤差為各輸出單元誤差的平方和，即：

依據(jù)最速下降法修正網(wǎng)絡(luò)的加權(quán)系數(shù)，即對加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整，并附加一個(gè)使搜索快速收斂全局極小的動量項(xiàng)，以減少學(xué)習(xí)過程中的震蕩。

添加動量項(xiàng)后權(quán)值調(diào)整公式為：

其中，η為學(xué)習(xí)率，λ為動量項(xiàng)系數(shù)。學(xué)習(xí)率的自適應(yīng)調(diào)整公式為：

4 系統(tǒng)仿真研究

根據(jù)以上設(shè)計(jì)思路，采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，使用MATLAB7.0對設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行仿真研究。收斂曲線如圖4、5所示。由圖4可見，經(jīng)過2 500次迭代后，收斂誤差可達(dá)0.009，達(dá)到期望誤差值0.01。結(jié)果表明，該模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)合理、可行。達(dá)到控制目的[9]。

圖4 誤差訓(xùn)練曲線Fig.4 Error training curve

圖5 控制器的仿真曲線Fig.5 controller simulation curve

為直觀觀測控制器可行性，將設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)控制器與傳統(tǒng)PID控制器的控制效果進(jìn)行仿真對比。本系統(tǒng)控制器輸入輸出關(guān)系通過模糊推理規(guī)則給出。將黃瓜現(xiàn)有條件下最適生長值分別為：最適溫度值25.1℃，最適濕度值66%RH，光照強(qiáng)度值4 000 lx。作為系統(tǒng)給定值，將傳感器采集的溫、濕度作為系統(tǒng)輸入值，實(shí)際值與給定值進(jìn)行對比得出誤差作為仿真系統(tǒng)輸出值[10]。

由圖5可知，模糊神經(jīng)網(wǎng)絡(luò)控制器對系統(tǒng)誤差能夠迅速響應(yīng)并達(dá)到穩(wěn)定狀態(tài)。在相同條件下，比傳統(tǒng)PID控制器調(diào)整時(shí)間更短、超調(diào)更小，且無震蕩、平穩(wěn)性好。表明模糊神經(jīng)網(wǎng)絡(luò)控制器在提高系統(tǒng)動、靜態(tài)性能中表現(xiàn)出的優(yōu)越性。使系統(tǒng)具有節(jié)能、高效等顯著優(yōu)點(diǎn)，具有更高應(yīng)用價(jià)值。

5 控制器應(yīng)用試驗(yàn)分析

為檢驗(yàn)本系統(tǒng)的整體性能，在方正縣試驗(yàn)基地選擇兩棟相同的鄰近溫室進(jìn)行編號試驗(yàn)。I號溫室采用傳統(tǒng)PID控制器，Ⅱ號溫室采用本次設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)控制器，將初始溫度統(tǒng)一設(shè)為10℃，目標(biāo)溫度設(shè)為25.1℃，采集各溫室內(nèi)實(shí)際溫度值（如表1），并對結(jié)果進(jìn)行對比分析。

表1 試驗(yàn)監(jiān)測數(shù)據(jù)Table 1 Data from experiment

由表1可知，Ⅱ號溫室內(nèi)溫度一直穩(wěn)定維持在24.5～25.4℃，而Ⅰ號溫室內(nèi)溫度則在24～25.9℃，波動較大。由此得出，模糊神經(jīng)網(wǎng)絡(luò)控制器相對于傳統(tǒng)PID控制器，超調(diào)量較小，控制精度大，達(dá)理想控制效果，滿足溫室系統(tǒng)控制要求。

6 結(jié)論

本文以黃瓜溫室為例，結(jié)合神經(jīng)網(wǎng)絡(luò)容錯(cuò)性好、泛化能力強(qiáng)及模糊控制魯棒性好優(yōu)點(diǎn)，對智能溫室非線性、復(fù)雜大系統(tǒng)進(jìn)行溫、濕度控制。完成系統(tǒng)控制器和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，制定模糊推理規(guī)則，給出完整BP網(wǎng)絡(luò)改進(jìn)學(xué)習(xí)算法，應(yīng)用MATLAB軟件將模糊神經(jīng)網(wǎng)絡(luò)控制器與傳統(tǒng)PID控制器仿真對比分析，進(jìn)行現(xiàn)場試驗(yàn)驗(yàn)證。結(jié)果表明，系統(tǒng)通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練使控制精度提高，具有更強(qiáng)適應(yīng)性和魯棒性，解決傳統(tǒng)PID超調(diào)大、響應(yīng)速度慢等問題，獲得滿意控制效果，改善了系統(tǒng)整體性能。驗(yàn)證了系統(tǒng)設(shè)計(jì)合理性和可行性，可為蔬菜的跨地域、跨季節(jié)種植提供理論依據(jù)和技術(shù)支持。

[1]蔡自興,John D.Advanced Expert Systems:Principles,Design and Applications[M].北京:科學(xué)出版社，2005,1-27.

[2]施彥,韓力群,廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009:1-75.

[3]魏海坤.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法[M].北京:國防工業(yè)出版社,2005:19-36.

[4]劉金琨.智能控制[M].北京:電子工業(yè)出版社,2010,1-27.

[5]劉金琨.先進(jìn)PID控制MATLAB仿真[M].北京:電子工業(yè)出版社,2011:1-384.

[6]王寶華,付強(qiáng),馮艷,等.洪災(zāi)經(jīng)濟(jì)損失快速評估的混合式模糊神經(jīng)網(wǎng)絡(luò)模型[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2008:39(6):47-51.

[7]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)編程[M].北京:化學(xué)工業(yè)出版社,2011:2-373.

[8]Cunha J B.Greenhouse climate models:An overview.Proceed?ings of the 5th Congress of the European Federation for Informa?tion technology in Agriculture,Debrecen-Budapest,Hungary,July 5-9,2003[C].Debrecen:Academy Publisher,2003:823-829.

[9]李愚鶴,馬鴻艷,欒非時(shí).補(bǔ)充光照對溫室冬茬黃瓜幼苗生長及生理特性的影響[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2005,36(5):584-588.

[10]王立舒,楊廣林,徐向峰,等.日光溫室溫、濕度模糊控制系統(tǒng)研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2005,36(5):625-627.

Design of fuzzy-neural network control system for northern vegeta?bles greenhouse

SUN Liping,HUO Ran
(School of Mechanical and Electrical Engtreering,Northeast Forest University,Harbin 150040,China)

Whether vegetable greenhouse system can make an accurate reaction on time for the change of environmental factors determine the survival rate and the growth cycle of the vegetables.Therefore,to improve the control rate,control accuracy of the greenhouse system has great realistic significance for the practicability of greenhouse system.This article mainly aimed to traditional cucumber greenhouse system has lots of shortages as large overshoot,low accuracy and so on.Combine fuzzy control with neural network,designed fuzzy-neural network control system,presented the rules of the reasoning,given the corresponding learning algorithm,then proved by simulation that fuzzy-neural network system had high reasoning speed and good robustness,meets the system requirement.

intelligent greenhouse;fuzzy control;neural network;MATLAB simulation

TP273

A

1005-9369（2014）04-0113-05

2013-10-24

國家林業(yè)局科技支撐項(xiàng)目（2006BAD18B0801）

孫麗萍（1958-），女，教授，博士生導(dǎo)師，研究方向?yàn)橹悄軝z測與監(jiān)控。E-mail:zdhslp@163.com

時(shí)間2014-4-21 13:25:18[URL]http://www.cnki.net/kcms/detail/23.1391.S.20140421.1325.032.html

孫麗萍,霍然.北方蔬菜溫室系統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,45(4)∶113-117.

Sun Liping,Huo Ran.Design of fuzzy-neural network control system for northern vegetables greenhouse[J].Journal of Northeast Agricultural University,2014,45(4)∶113-117.(in Chinese with English abstract)

中國北方冬季嚴(yán)寒，氣候環(huán)境惡劣，導(dǎo)致作物不能自然生長，跨區(qū)供應(yīng)具有運(yùn)輸成本高，易腐蔬菜損耗浪費(fèi)嚴(yán)重等缺點(diǎn)。因此，溫室利用尤為重要。智能溫室系統(tǒng)是近年來逐步發(fā)展起來的一種資源節(jié)約型高效農(nóng)業(yè)發(fā)展技術(shù)[1]，其核心控制思想為參照作物最佳生長標(biāo)準(zhǔn)控制溫室內(nèi)加溫、加濕、通風(fēng)、遮陽等裝置，人為創(chuàng)造出作物生長的適宜環(huán)境，達(dá)到克服環(huán)境不利因素，提高成活率等目的。溫室系統(tǒng)具有多輸入、多輸出、非線性、大時(shí)滯等顯著特點(diǎn)，如何克服傳統(tǒng)控制手段控制超調(diào)大、魯棒性差、控制精度低等不足，成為亟待解決的研究課題之一。