蔬菜温室智能控制系统设计

许 燕

(陕西国防工业职业技术学院，陕西 西安710300)

0 引言

随着能源紧缺问题的日益突出，对提高可用资源利用率方面的需求逐渐增强，这就需要通过不断调整与优化资源配置，实现资源利用率与产出的有效提高。不断发展和完善的网络、计算机、传感器和智能控制等现代技术为合理配置资源提供了强大支撑，改善和优化了工业控制系统结构。温室大棚就是以上技术在农业生产中的重要应用。实现低投入高产出，需不断优化和完善温室控制系统，并结合运用现代智能控制技术与方法，从而充分满足农作物生长需求并达到温室节能高效。研究主要对蔬菜温室智能控制系统进行优化设计，提高温室环境控制的精确程度。

现阶段果蔬的温室种植仍然对人工操作的依赖性较大，大多以经验型管理模式为主，导致果蔬生长环境的调控过程易受到人为操作偏差的影响，难以做到对大面积温室的高效准确管理，并且利用人工操作控制温室环境的方式耗费人力大，难以长时间且准确地保持植物所需的生长环境。现有温室控制系统缺少精准的远程数据传输及控制功能，如何设计并实现一种准确高效的温室控制系统仍是领域内的一项研究热点。为更好实现通过智能控制系统完成对果蔬生长环境变化情况的有效检测与适时调控，进而保持果蔬最佳生长环境状态，本研究拟完成一种蔬菜温室大棚控制系统及控制方案的构建。方案能够实时采集和处理温室内的环境参数，并且通过控制器及时汇总数据，用户借助云服务器即可实现对温室环境随时随地的查看与控制(包括卷帘和风扇)，从而在提高蔬菜产量的同时，使种植者的劳动强度得以有效降低[1-2]。

传统的温室控制技术会受到恒定参数的影响，无法完全满足温室的控制需求，研究需要进一步优化PID控制技术，通过PID控制和模糊理论的综合运用完成一种模糊PID控制方案设计。运用模糊规则实现对PID控制的恒定参数的在线处理，再通过运用自适应模糊神经推理系统(ANFIS)实现对论域和模糊规则的自调整。由神经网络对输入输出变量进行不断学习，据此动态修正相应的隶属度函数和模糊规则，所引入的ANFIS能够一定程度地提高系统的温度控制性能，但因缺少对多因素控制下耦合问题的充分考虑，导致对其他控制对象的控制能力较弱，控制响应速度也会受到固定输出比例因子的影响。具有较高鲁棒性和稳定性的模糊控制(基于模糊逻辑推理)属于非线性控制，但需基于专家的先验知识构建有效的IF-THEN规则。神经网络算法因具有较强的自学习能力弥补了此方面的不足，因此，研究综合运用神经网络和模糊控制完成模糊神经网络系统(FNN)的设计[3-4]。

1 智能控制系统设计

1.1 系统设计

系统以Arduino为控制核心，通过LCD1602显示屏来提升检测效率，进一步减少系统开发成本。通过温湿度传感器DHT11对温室内的空气温湿度进行实时检测与采集，DHT11传感器反应灵敏而且抗干扰能力强，适用于检测并反馈温室内的空气温湿度。温室内的二氧化碳浓度则采用固体二氧化碳传感器进行检测。光照强度通过传感器BH1750FVI完成采集，该集成电路光传感器具有两线式串行总线接口，能够有效完成对环境光照强度值较大范围的采集，并可根据实际需要对光照强度的上下限进行调整，可使用二极管为温室内的植物提供光补偿，各传感器检测到的数据会及时向系统反馈，当前检测到的环境信息数值会在显示屏上实时显示。系统还设计了负责检测土壤湿度的土壤检测模块，将传感器插入土壤中，最大限度减少空气间隙，实现更加准确地获取测量数据，系统根据该模块反馈的土壤湿度值，对比预设的土壤湿度参数完成对土壤湿度调节值的判断。系统的主控制器通过与云端设备相连，可存储大量数据以供后续调取历史数据使用，并可将系统运行情况远程实时反馈给用户[5]。

1.2 功能设计

1.2.1温湿度传感器

采用DHT11温湿度传感器对温室内湿温度进行一体化采集与测量，采样周期约3 s。传感器通过连接一个8位单片机实现同Arduino单片机间的互连，设计采用的传感器在响应速度、抗干扰能力和校准度等方面具有明显优势，可有效满足智能控制系统对温室内环境温湿度的检测需求。通过使用DHT11传感器可输出已校准的信号，完成对温室空气温湿度的检测，采集到的信息经AD转换后即可得到数字形式的空气温湿度，再反馈到系统，完成数据对比，据此执行相应操作。

1.2.2二氧化碳传感器

温室内二氧化碳浓度通过MG811进行检测，该传感器灵敏度和稳定性较强，不会受到温室内温湿度的影响。二氧化碳在经过气敏材料后会出现电动势，再将电动势转换为所检测的二氧化碳气体浓度，具有较高电导率的传感器决定了其在灵敏度和选择性方面的优势，能够实现对温室内二氧化碳浓度的检测。

1.2.3集成电路光传感器

光传感器BH1750FVI采用两线式串行总线接口，分辨率较高，能够对光照强度进行检测，得出精确的检测结果，能够根据采集到的光强数据对温室内配套设备的光暗强度进行调节，使温室内的温度更加适宜蔬菜生长。光传感器BH1750FVI工作原理如图1所示[6-7]。

图1 BH1750FVI工作原理Fig.1 Working principle of BH1750FVI

1.2.4土壤湿度传感器

选用的土壤湿度传感器具有检测和报警功能，埋在植物根部的土壤中使用，主要由湿度检测和声报警两个电路构成。土壤水分通过根部处的土壤水分传感器进行检测，传感器的检测电路将相关信息转换为湿度参数电信号，再经编码器处理后向主控制器传送，并由其完成对湿度参数高低的判别过程(通过传输电信号系统实现)，根据实时湿度条件同标准湿度值间的差异完成对水源电磁阀开闭状态的控制，进而实现温室内土壤湿度的自动控制功能。在湿度传感器所检测到的湿度数值明显超过预设标准的情况下，会及时向控制系统反馈，通过系统主控制器执行停止灌溉操作，并可在显示设备上根据需要设置灌溉时间。在系统出现数据长时间异常时会发出故障警报信息提示[8-9]。

2 温室环境建模

设计的蔬菜温室智能控制系统基于模糊神经网络实现相应的控制功能，对温室内影响蔬菜生长的环境因素，利用所构建的环境数学模型实现有效的控制，根据微分式获取通风、喷雾和加热量数据，并以温湿度差作为自适应模糊神经推理系统控制器的输入。为有效提高控制的响应速度和稳定性，再根据获取的控制输出，采用遗传算法完成对输出比例因子的进一步优化，进而能够稳定高效地追踪到环境设置值，实现更加精确的控制效果。为更好实现系统对温室内多个环境因素的有效控制，在分析影响温室环境的前提下，构建了一种基于模糊神经网络的智能控制方案，并针对多因素构建温室环境控制数学模型，使用去耦合方法处理控制输出表达式，结合使用ANFIS和比例因子(SF)调节实现对温室内温湿度的准确控制，通过ANFIS系统的引入避免了时变非线性和滞后控制问题。采用遗传算法对传统ANFIS控制系统的输出比例因子进行了优化调整，有效提升控制系统的反应速度，通过控制制热、加湿和通风的单一或组合操作实现了高效稳定的智能控制过程。通过制热和通风降低湿度，空气经加热后的干燥程度得以提高(湿度较低的室外空气可直接交换)，再经通风操作进入温室吸收潮湿空气后排出温室，进而降低温室空气湿度。温室内湿度不足时，则开启雾化器等蒸发设备，晴天时为避免出现气腾现象，需在加湿处理过程中辅助使用通风操作。室外温度低于温室内蔬菜生长所需温度时开启制热器[10]。

具有非线性特点的温室智能控制系统的耦合性较强，为提高控制模型的精确度，在充分考虑温室内外环境因素的基础上，以温湿度作为主要控制对象，使用一系列微分方程构建高精确度的控制模型，并据此得出加热、喷雾和通风的表达式。温度和湿度模型微分表达式分别如式(1)和(2)所示。

(1)

(2)

式中Vin——温室内部体积，m3

ρ——空气密度，kg/m3

S——拦截的净太阳能，W/m2

Tin(t)——室内温度， ℃

Hin(t)——室内湿度，g/kg

Tout(t)——室外温度， ℃

Hout(t)——室外湿度，g/kg

μ——传热系数，W/K

ζ——空气比热容，J/ (kg/℃)

λ——汽化潜热，kJ/kg

ξ——太阳能加热效率，kW/m2

ET——植物蒸散率，mm/m2

qfog——喷雾系统喷水量，g/s

qheat——加热器提供的热量，J

qvent——通风量，m3/s

A——温室占地面积，m2

由于拦截太阳能参数对ET产生直接影响，假设α表示叶片面积与阴影的综合系数，作为一种经验系数，α需根据地点、气候和植物种类确定，本文取α=0.124 8，影响蒸散作用的其他因素及热力学抗性由综合系数β表示(kg/min·m2)，具体的简化关系表达式如式(3)所示[11]。

(3)

(4)

在此基础上得到qvent、qfog和qheat如式(5)～(7)所示。

(5)

(6)

(7)

3 温室环境控制功能实现

3.1 控制系统框架

控制系统框架如图2所示，温室内的各环境因素会相互影响。如采用通风操作调节温度的同时会影响到湿度，采用单一的开关控制、PID控制等常规方法难以得到良好效果，为解决耦合性问题，基于上述温室环境模型，引入ANFIS控制器，并采用GA算法对输出比例因子进行优化[12]。

图2 温室环境控制系统框架Fig.2 System framework of greenhouse environment control

3.2 ANFIS控制器系统

3.2.1ANFIS参数选取

针对温度和湿度两个控制回路实现控制过程时，以调节温度中的某单输出通风量为例，采用由3个ANFIS控制器构成的控制器控制输出，ANFIS包含9个IF-THEN规则，网络中的第0、1层分别包含2个和6个输入单元，2、3和4层各包含9个神经元，结合室外环境变化情况，以输入设定值为依据进行控制。ANFIS参数选取原理如图3所示[13]。

图3 ANFIS参数选取原理Fig.3 Selection principle of ANFIS parameter

3.2.2隶属函数及规则

在ANFIS控制器中，模糊逻辑由控制规则构成，模糊化阶段包含2个输入和1个输出，即温湿度与设定值的偏差和通风量。构建的IF-THEN规则以高斯隶属函数(MF)作为输入，具体如图4所示。规则个数r=0， 1， 2， …R，控制器的输入采用3级语言变量进行标记，即小(S)、中(M)和大(B)，输出的MF为线性。

图4 高斯隶属度函数Fig.4 Gauss membership function

假设T和H表示输入信号，LTr、LHr分别表示T和H的语言学术语，ur表示第r个规则的贡献，则模糊系统规则形式如下。

IF：TisLTrandHisLHr

3.3 输出比例因子优化

①首先构建初始种群，随机由比例因子参数生成20个染色体，由各二进制位表示染色体的基因，在完成二进制编码后将其作为初始种群。②模拟ANFIS瞬态响应，估算各比例因子的训练误差，得出适应度函数，接下来使用轮盘方法完成估算遗传参数。③通过交叉和变异操作对参数进行重组，再通过提升下一代的适应度(即更改部分二进制位)实现搜索速度的有效提高。④重复②、③步操作直至获取合适的响应要求参数[14-15]。

3.4 软件调试

通过C语言对系统程序进行编写，然后对各模块的子程序函数进行调用，每执行一个子程序后，进行数据对比和分步调试，在此基础上联合调试整个系统，最后调试硬件系统，实现对信号高效准确的采集，以及数据处理、存储和反馈。然后在温室中应用该系统进行模拟测试，根据上述数学计算公式，使用C语言编程构建传感器程序，如图5所示。

图5 程序框图Fig.5 Block diagram

3.5 试验及结果分析

为测试控制系统的实用性和稳定性，使用MATLAB构建仿真温室环境，基于构建的数学模型检测控制器的控制效果，以喷水量和通风量作为输出，在无加热处理的条件下，温湿度响应曲线如图6所示。由结果可以看出，基于优化后的ANFIS-SF控制器的系统响应速度更快，能够对设置值进行有效追踪，具有较高的控制准确性，实现了对温度稳定控制的同时，有效避免了湿度设置值对温度控制过程产生的影响。环境发生阶跃变化时的控制结果如图7所示，此时系统仍具备良好的响应速度[16]。

4 结束语

综合考虑多个影响因素，设计并实现了一种蔬菜温室智能控制系统，实现了对包括温湿度、光照和二氧化碳浓度在内的影响温室蔬菜生长因素的全程监控，并基于模糊神经网络构建了一种智能控制方案。通过系统控制模块实现对温室环境的自动调节，基于构建的温室环境数学模型有效控制各项环境影响因素，根据监测数据调整温室环境至最佳状态。采用遗传算法优化自适应模糊神经推理系统控制器的输出比例因子，有效提高了系统的响应速度和稳定性，实现了对果蔬生长环境的精准控制，优化了果蔬生长环境，有利于保证果蔬产量与经济效益。检测结果表明，系统可高效稳定地追踪和控制温室环境，具有一定的实际应用价值。

图6 温室内温湿度控制结果Fig.6 Temperature and humidity control results in greenhouse

图7 环境变化下的控制结果Fig.7 Control results under environmental changes