硕士学位论文-嵌入式温室智能数据采集控制器.pdf

大连理工大学 硕士学位论文 嵌入式温室智能数据采集控制器 姓名：吴超 申请学位级别：硕士 专业：通信与信息系统 指导教师：毛德祥;冯林 20040314 摘要 本课题结合智能控制理论、电子技术和网络技术，以实现对温室“小环境”的智能 控制系统为目的，对模糊神经网络辨识模型和模糊神经网络控制器以及模型训练算法进 行了探索和研究，建立并实现了了一套适合当代智能型温室的控制理论。 针对温室系统的特殊性，即某些环境因子存在着强耦合关系，温室系统模型不易建 立的特点，采用模糊神经网络对温室建模的方案，提出了改进的遗传算法训练模型结构。 改进的遗传算法采用十进制编码，去掉了交叉算子，采用智能变异和随机变异，变换目 标函数来提高运算效率，在搜索过程中不易陷入局部极值点，不要求目标函数具有可微、 非凹等特性，还具有编程简单的优点。 温室控制器模型经过改进的遗传算法优化后，模型结构简单，易于实现，可移植性 好，占用较少的系统资源，与被控对象构成的闭环控制系统鲁棒性强，在实际应用中控 制性能好。 同时，针对算法要求和软件开发的需求，采用a r m 系列处理器作为硬件核心设计了 一款新型的温室智能数据采集系统硬件平台，在平台上成功的进行了嵌入式操作系统 u c l i n u x 的移植；在该系统下实现了温室智能控制系统的数据采集和上述控制策略。 本课题完成的温室智能控制器是一款新型的温室智能控制产品，采用的设计方法和 控制策略很好的解决了了当前温室控制方面的存在的问题，为实际的温室系统的智能控 制提供了一套合理、科学、有效的控制方法。 关键字：模糊神经网络改进遗传算法g o o ti 口辱口e r 嵌入式操作系统干湿球型湿度 传感器 a b s t r a c t t h i sp a p e rc o m b i n e si n t e l l i g e n c ec o n t r o lt h e o r y , e l e c t r i ct h e o r ya n de t h e m e tn e t w o r k t h e o r yi no r d e rt oi m p l e m e n tg r e e n h o u s ei n t e l l i g e n c ec o n t r o l ，w h i c hc o u l dh e l pt od e v e l o p t h e f u z z yn e u r a ln e t w o r km o d e lo fi d e n t i f i c a t i o nm o d e l ，f u z z yn e u r a ln e t w o r kc o n t r o l l e ra n d m o d e lt r a i n i n ga l g o r i t h m i nt h i sp a p e r ，t h ea p p l yo fi n t e l l i g e n c es y s t e mi np r a c t i c eh a sb e e n a c h i e v e d i ti sd i f f i c u l tt oe s t a b l i s ht h em o d e lo f g r e e n h o u s es y s t e mi d e n t i f i c a t i o na n dc o n t r o l l e ri n t h ew a yo ft h et r a d i t i o nb e c a u s er e l a t i o n s h i pa m o n gs o m ee n v i r o n m e n tf a c t o r so ft h e g r e e n h o u s es y s t e ma r es t r o n g l yc o u p l e d t h i sp a p e rh a sa d o p t e dt h ef u z z yn e u r a ln e t w o r kt o e s t a b l i s ht h es y s t e mm o d e la n db r o u g h tf o r w a r di m p r o v e dg e n e t i ca l g o r i t h mt ot r a i nt h e m o d e l i no r d e rt oi m p r o v ec a l c u l a t i n ge f f i c i e n c y , t h ei m p r o v e dg e n e t i ca l g o r i t h ma d o p t st h e d e c i m a ls y s t e mc o d i n g ，g e t sr i do ft h ec r o s so p e r a t o r , u s e so fi n t e l l i g e n tm u t a t i o na n dr a n d o m m u t a t i o n ，a n dt r a n s f e r st h eo b j e c tf u n c t i o n i th a sm e r i ts u c ha su n e a s i l yf a l li n t ot h el o c a l m i n i m u mi nt h es e a r c h i n gc o u r s e ，t h ec h a r a c t e r i s t i co ft h eo 巧e c tf u n c t i o ni sn o ts t r i c t l y r e q u i r e d ，p r o g r a me a s i l y u s i n gt h ei m p r o v e dg e n e t i ca l g o r i t h m ，t h eg r e e n h o u s ec o n t r o l l e rm o d e li sw e l lo p t i m i z e d s ot h a tt h ec o n t r o lm o d e ls t r u c t u r ei ss a m p l e ，t r a n s p l a n t a b l e ，a n dr e a l m ee a s i l y , o c c u p yl i t t l e r e s o u r c eo f g r e e n h o u s ec o n t r o l l e rs y s t e m ，t h er o b u s to f t h ec l o s el o o pf e e d b a c ks y s t e mw h i c h i sc o m p o s e do ft h ec o n t r o l l e rm o d e la n dt h eg r e e n h o u s ei ss t r o n g ，a n dc o n t r o lp e r f o r m a n c e i na p p l i c a t i o ni sf r e e ，t e l n e tc o m m u n i c a t i o na n dc o n t r o l l i n go ft h eg r e e n h o u s ea r ea c h i e v e d t h r o u g hr s 2 3 2a n dt c p i p a tt h es a m et i m e ，ah a r d w a r ep l a t f o r mb a s e do n $ 3 c 4 5 1 0 bp r o c e s s e rw h i c hi st h e a r m 7 t d m is e r i e sp r o c e s s e ro fs a m s u n gc ol t d h a sb e e nd e s i g n e d a n dt h ee m b e d d e d s y s t e mu c l i n u xh a sb e e nt r a n s p l a n to ni tt o o s ot h a tt h et h e o r yo fg r e e n h o u s ei n t e l l i g e n t c o n t r o lc o u l dr u nw e l lo nt h ep l a t f o r mv e r yw e l l k e y w o r d s ：f u z z yn e u r a ln e t w o r k ；i m p r o v e dg e n e t i ca l g o r i t h m ；b o o t l o a d e r ；e m b e d d e ds y s t e mp s y c h r o m e t e rh u m i d i t ys e n s o r 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版 权使用规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的 复印件和电子版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位 论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫搓等 复制手段保存和汇编学位论文。 保密口，在立年解密后适用本授权书。 本学位论文属于 不保密口。 ( 请在以上方框内打“”) 作者魏 翼握 指导导师签名 2 壁年上月兰妇 嵌入式温室智能数据采集控制器 1 绪论 1 1 课题来源和背景 本课题系“国家农业信息化工程技术研究中心( n e r c i t a ) ”申请的，中华人民 共和国科学技术部所属8 6 3 项目课题“可控环境农业数据采集与自动控制系统研究”的 子课题。课题名称“温室信息自动采集及智能控制系统的开发研究”，所属专题“可控 环境农业生产技术”，所属主题“现代农业技术”，所属领域“生物与现代农业技术”。 近年来农业改革和农业结构调整的实施，我国农业发生了很大的变化，既有产品方 向的变化，由单一的粮食作物生产，转向花卉、水果、蔬菜和其他经济作物的生产；也 有技术方面的更新换代，设施农业发展迅速，这个方面以温室栽培技术发展尤为迅速， 大型温室面积已超过7 0 0 公顷。 温室的控制一直是温室栽培的一项关键技术，温室中光照强度，二氧化碳含量，空 气湿度，通风速度，气温，土壤湿度等都是关系作物生长的关键因素，合理的调节这些 参数对于作物生长起着关键作用，因为温室栽培其实就是在作物的非正常生长期，借助 于温室的条件模拟出适合作物生长的“小气候”来满足作物生长需要。 随着一些新的栽培品种的引进和温室面积的增大，如何提高温室的控制水平，增加 科技含量，降低劳动强度和劳动力投入，节省不必要的物质消耗，进而提高温室的投入 产出比例成为当前温室生产的关键问题。自动化技术、计算机技术、网络技术、传感器 技术、通讯技术等在改造传统农业的过程中起了很大的作用。 本课题设计完成的“嵌入式温室数据采集控制器”就是集现代计算机技术、通信技 术、自动控制技术和网络技术于一身的温室智能数据采集控制系统。 1 - 2 温室控制系统历史 纵观温室控制方面的资料，温室控制经历了如下三个阶段：人工手动控制、自动控 制、智能控制。 其中人工控制主要是指纯粹的使用人为的方式控制温室的各种参数，比如光照，、通 风，、气温等等。这种方式现在仍然常见于我国大部分农村投入不高的小面积温室。好处 是投入少，简单易行，不需要专门的技术人员操作，缺点也很突出，不科学，、不合理， 只适合于对环境要求不高的作物。 自动控制主要是指现在常见的一些通过计算机，并综合了传感器和一些传输器件依 1 堂垒苎塑室塑丝墼塑墨叁丝型矍 赖于既定的软件，但是参数是已经提前设置好的控制方式。这种控制的优点是显而易见 的，比人工控制科学合理，适合于大面积而且投入比较多的温室控制，能满足大部分温 室控制。缺点是参数需要手动设置，在温室的耕作条件发生变化的时候就需要手动得更 改参数。 智能控制，是指硬件上依赖于计算机和传感器和传输器件，软件上通过一系列智能 控制算法对温室里的“小气候”进行控制的系统。从硬件上看与自动控制的不同在于智 能控制的硬件系统更复杂，运算和控制能力都有实质的提高；相对于硬件软件方面区别 更大，其算法的技术含量更高，控制可靠，而且能根据外来参数的变化改变控制参数， 这一点是自动控制难以比拟的。 1 3 温室控制系统的新要求 经过长期的运行和改进，自动控制类的温室控制系统已经在系统功能和实用方面趋 于成熟。但是对于工厂化模式经营的连栋温室来说，智能化程度更高的温室控制技术才 是今后发展的主流。在该8 6 3 项目的项目书中，明确提出了如下要求： 研究开发具有多种输入输出接口的智能采集控制器，作为智能传感信息交 换平台，能方便地与各种类型传感器及控制设备连接。 开发温室信息采集处理系统，实现温室环境及生物信息自动采集和记录，具 有数据采集方案的制定、时间步长设置、传感器参数修改、数据存储格式与传输方 式的设置等；数据处理分析功能包括统计分析( 如平均值、最高最低值等) 、资料查 询、数据图表显示、以及系统自身诊断报警等功能。 建立温室内部光照、温湿度变化、c 0 2 浓度变化的预测模型，通过模型计算 分析，确定温室光、温、水( 空气与土壤湿度) 、c 0 2 、气流和土壤状况等环境因素 对作物生长发育的影响、各因子间的交互作用关系，为建立温室环境优化控制模式， 开发优质高效生产智能化管理系统，提供理论依据和技术支持。 1 4 本课题的主要创新点 本课题研制的“嵌入式温室数据智能采集控制器”属于智能温室控制系统，比现有 的温室自动控制产品，在质的方面有了根本的提高，主要技术创新点有以下几个方面。 首先，在国内首先采用了模糊神经网络和遗传算法相结合产生温室控制的输出量的 控制算法和策略，使温室的输出控制完全脱离了原来的经验模式的自动控制，可以根据 2 嵌入式温室智能数据采集控制器 实际的环境变化，动态的调整温室的控制参数，进而调控出适合温室作物生长的温室“小 环境”，对温室作物的生长起到了增产增收的效果。比采用单纯专家系统控制管理的温室 系统，效果还要明显的多。 其次，首次在智能温室控制系统中采用了a r m 7 t d m i 系列的处理器作为该系统的 核心，系统的硬件处理能力有了显著增强，而且成本低廉。传统的采用单片机作为控制 核心的控制系统，由于单片机处理器速度以及片内系统资源的限制，通常只能工作在8 位模式，而且存储器容量比较小，对于大吞吐量的运算反映速度太慢，不能适用于控制 策略比较复杂的智能控制系统。同时，单片机系统一旦脱离了上位p c 的控制。就不能 有效的执行控制策略。 第三，在国内率先采用了u c l i n u x 嵌入式操作系统作为智能温室控制系统的软件平 台。传统的控制系统的基于硬件系统的软件是一种不能够有效管理系统各个子任务的自 定义式操作系统，只能用于专用的硬件系统，通用性和可移植性差，不利于后续开发。 这种软件一般采用的模式是超循环的运行模式，各个任务( 或者说进程) 之间，不能很 好的分配系统的资源，任务之间没有优先级的区别，或者区别很小，没有很好的内存和 任务管理机制，常常造成系统的不稳定或者不能很好的达到预期要求，甚至陷入死循环、 死机。嵌入式实时操作系统在这个方面有着得天独厚的优势，它们对于系统的内存和任 务( 或者进程) 的管理比较严格，有一套有效的资源管理机制，每个任务都有自己的优 先权等级，有一套很好的优先权管理策略，将各个任务的执行和内存以及片上资源管理 进行的井井有条。嵌入式操作系统还有一个优点就是将软件和硬件开发相对独立开来， 有利于系统的更新和升级，在嵌入式操作系统当中，执行数据采集和控制策略的软件仅 仅是作为系统的一个任务来运行的，当控制策略发生变化的时候，只要更新这些软件就 可以。相对于依赖于硬件的控制系统来说，软件升级相对简单，维护成本低很多。 第四，设计了一种新型的湿度传感器，并申请了国家专利。针对湿敏电容型传感器 寿命短，、线性不好，、易结露失效等缺点，基于干湿球湿度测量原理，采用d s l 8 8 2 0 数字温度计，设计了一种新型的、高精度数字干湿球型湿度传感器。 第五，在常规功能基础上，扩展了很多实用的功能，比如u s b 扩展，该功能可以 在没有网络连接的情况下，人工的获取系统保存的数据，用以进行分析；g s m 短信息 扩展，该功能使无线远程数据采集和控制成为可能，在温室分布比较分散的区域比较适 用；温室情况异常报警，当温室“小环境”的某些参数发生突然变化，超出了提前设置 的阈值，就立刻显示，并通过设定的系统的有效通信手段向控制中心发送警报。 本课题完成的温室智能控制器是一款新型的、新颖实用的温室智能控制产品，所提 出的控制策略属国内首创，硬件设计也是国内最先进的。该项目已经在北京郊区的部分 3 嵌入式温室智能数据采集控制器 农业示范化基地投入试用，取得了显著的经济效益，是温室自动控制产品的优选替代品。 采用的设计方法和控制策略很好的解决了了当前温室控制方面的存在的问题，为实际的 温室系统的智能控制提供了一套合理科学有效的控制方法。目前该课题已经转化成定型 产品，应用于北京郊区的韩村河、长子营、花乡等现代农业生产示范化基地，控制效果 非常明显。比采用专家系统作为主要控制策略的控制系统，增产2 0 ：应付突发事件的 能力较强，不存在需要根据不同地域，不同作物，更换相应的专家知识库的缺点，适应 能力适应范围都较强；控制曲线变化平缓，解决了专家系统控制曲线变化过于剧烈的弊 病；由于采用了嵌入式操作系统作为软件平台，系统的稳定性有了很大的提高，比起单 片机作为终端核心的控制系统，能够更好的适应和于农业应用。已经有几家国际著名农 业智能控制产品公司申请该产品的代理权。 4 嵌入式温室智能数据采集控制器 2 温室智能控制器模型的建立 2 1 引言 温室控制发展的主要趋势是向智能化、网络化、综合化、多样化方向发展。随着传 感技术、计算机技术和自动控制技术的不断发展，温室计算机的应用将由简单的以数据 采集处理和监测，逐步转向以知识处理和应用为主的真正意义上的智能控制，因此除了 不断完善硬件控制设备外，主要是软件系统的研制开发将不断深入完善。随着未来的计 算机控制与管理系统向着综合性、多方位的方向发展，温室环境测试与自动控制技术也 将朝多因素、多样化方向发展。由于被控对象温室是一个非线性、慢时变、与被控 环境因素之间存在着强耦合关系的复杂系统，要想对其实现综合控制，根掘传统控制沦 的观点，首先必须考虑对系统进行建模，从而针对模型设计控制策略，但是由于温室系 统的特殊性，要对系统建立精确的数学模型是很困难的，因此用传统的控制方法很难对 温室系统实现综合控制。为此，根据温室系统的特点和模糊神经网络具有的性能，即模 糊控制器不需要对系统建立精确的数学模型，而且控制系统鲁棒性强，适合于非线性、 时变的、滞后大的系统，选择模糊神经网络控制器来控制温室系统，将具有很强的知识 表达能力的模糊逻辑推理与具有强大的学习能力的神经网络结合起来，形成的模糊神经 网络不仅具有处理不精确性、不稳定性的能力，还具有对控制对象的自适应能力【”，使 得控制器具有一定的灵活性和鲁棒性。 模糊神经网络就是具有模糊输入输出信号，具有模糊或非模糊权值的多层前馈网 络，模糊神经网络主要足利用神经网络实现模糊逻辑推理的一种结构，以下两定理为神 经网络作为温室系统的动态识辨模型和控制器的可行性从理论上作了保证。 定理1 【k o l m o g o r o v 定理，也称映射网络存在定理】：给定任一连续函数f u “一 r ， f ( x ) = y ，这罩u 是闭单位区间【0 ，1 】，f 可以精确地用一个三层向前网络实现，此网络的 第一层( 即输入层) 有n 个处理单元，中间层有2 n + 1 个处理单元，第三层有m 个处理 单元。 定理2 b p 定理】：给定任意e o 和任意l 2 函数f ： o ，1 】n r ，存在一个三层b p 网络，它可以在任意平方误差精度内逼近f 1 i 。 h o r n i k 等人的研究还表明【2 】三层前向网络不仅能以任意精度逼近任意函数，还能以 任意精度逼近其各阶导数，对于比三层网络有更多层的网络，由于它们有更强的复合能 力，所以也具有这种逼近能力。 5 嵌八式温室智能数据采集控制器 由于温室系统是一个慢时变的系统，利用神经网络对其进行动态识辨，然后利用模 糊神经网络控制器对系统的综合因素进行闭环控制，打破长久以来只是对温室中的单个 或几个因素的控制，实现真f 意义上的智能控制。 除了上述原因外，模糊神经网络控制器也是由于模糊神经网络是智能控制的前沿分 支，具有一定的先进性。不仅使得理论上有所创新，而且实现了理论与实践相结合，拓 宽了模糊神经网络的应用范围。 2 1 1 模糊神经网络结构的研究现状 在模糊神经网络结构研究方面有k a w a m u r a 提出的基于系统输入输出空间集合求 的模糊神经网络模型1 4 】，其主要思想是先用模糊模型构造一粗略的神经网络，然后利用 目标函数对神经网络进行训练，训练结束后可获得模糊规则的加权系数；还有m a r k si 提出了模糊推理系统中隶属度函数自调整的新技术【5 j ，其主要思想是用一种表达m i n 和 m a x 运算的连续可微函数形式，放入到最速下降法的b p 算法偏导数链中，使得参与 m i n 和m a x 运算的隶属度函数被迭代更新，直到找到满足要求的值。 在模糊神经网络学习算法中有梯度法、b p 算法、单纯形法、g a 、混合g a 算法等。 目前，利用全局搜索算法探索模糊规则的自动获取技术已成为一条可行的研究途径。这 罩有d u m i t r a c h e 等人提出罐于g a 的模糊控制器的绌调方法【5 】，即利用g a 优化包含控 制器性能信息的目标函数，从而获得最优的规则权。c c w o n g 提出用g a 训练网络， 通过输入输出数据辨识系统，得出模糊规则【1 0 】。g a 在模糊神经网络控制器中的应用主 要有三个方面：g a 调整隶属度函数、g a 调整模糊规则、g a 同时调整隶属度和模糊规 则岬】。 设计控制系统关键的一点就是闭环系统的鲁棒性，尤其是对于那些重大应用的系统， 在这样的系统中，过程的扰动和控制的失败都会引起难以接受的损失。当然，在这方面 的注意已经促进了大最的鲁棒性、非线性控制技术的发展，这些技术补偿了系统的不确 定性。与此同时，神经网络和模糊系统也相继被应用在控制领域以及几乎是每个学科的 予领域中，尽管它们的实现是特殊的，但是实现的过程是不断地自激励( 自调整) ，也就 是具有自适应性，同时这种控制系统的自适应特性引起了应用领域工程师们的关注。于 是，在许多领域中，无法用传统控制方法解决的难题，都试图用这一方法解决。有人曾 说，几乎没有别的技术能够象神经网络和模糊系统这样得到广泛的应用，它们已经成为 经济领域、商业领域、科学领域、心理学领域、生物领域以及其他学科领域真正的交叉 学科工具。 6 嵌入式温室智能数据采集控制器 2 2 温室智能控制系统 2 2 1 智能型温室控制的特点 实时性，控制系统在某一环境因子异常时，必须及时地对此异常情况进行处理，即 必须及时地启动相应的设备对该环境因子进行调节。 多任务与并发性，温室控制系统中包含多个控制任务，即包含多个独立运行的进程， 它们有的是定时任务( 比如数据存储和喷灌任务) ，有的是随机任务( 比如调节环境因子的 受控设备) ，它们相互协调，并发执行，共同完成控制任务。 2 2 2 温室智能控制系统的任务 首先看一下不同类型温室的专家控制决策与算法。 连栋温室在春夏季节以降温为主，策略( 1 ) 顶窗：温度高于顶窗上限时，打开顶 窗。温度低于顶窗下限时，关闭顶窗。策略( 2 ) 风机：温度高于风机上限时，打开风 机。温度低于风机下限时，关闭风机。策略( 3 ) 温度高于湿帘上限时，关闭顶窗，打 开北窗，打开二号风机，打开水泵；温度低于湿帘下限时，打开顶窗，关闭二号风机， 关闭水泵。 连栋温室在冬秋季节以保温为主，策略( 1 ) 顶窗：温度高于顶窗上限时，打开顶 窗：温度低于顶窗下限时，关闭顶窗。策略( 2 ) 热水阀：温度高于热水阀上限时，关 闭热水阀；温度低于热水阀下限时，打开热水阀。 日光温室在春夏季节以降温为主，策略( 1 ) 顶窗：温度高于顶窗上限时，打开顶 窗；温度低于顶窗下限时，关闭顶窗。策略( 2 ) 风机：温度高于风机上限时，打开风 机；温度低于风机下限时，关闭风机。策略( 3 ) 湿帘：温度高于湿帘上限时，关闭顶 窗，打开水泵。温度低于湿帘下限时，打开顶窗，关闭水泵。 日光温室在冬秋季节以保温为主，策略( 1 ) 顶窗：温度高于顶窗上限时，打开顶 窗；温度低于顶窗下限时，关闭顶窗。策略( 2 ) 热水阀：温度高于热水阀上限时，关 闭热水阀：温度低于热水阀下限时，打开热水阀。 一般温室控制系统要具有能够完成以下任务的功能：定时喷灌任务，大风大雨任务， 有风有雨任务，除湿任务，温室控制任务，光照控制任务，保温任务等。温室智能控制 系统不仅具有上述功能，还要具有实时监测、参数设定、数据处理、温室系统建模和智 7 嵌入式温室智能数据采集控制器 能决策功能等。 ( 1 ) 实时监测 该模块负责实时将室外传感器传进来的各气象因子的模拟量转化为操作人员可识别 的量，为了防止一些跳变数据对观测的影响，先对所采集的数据进行滤波，然后再将其 显示到主界面的气象因子显示框中，极大地保证了数据的可靠性。 ( 2 ) 设定系统参数 对于温度、湿度等参数，除需要进行监测外，还需要根据作物生长的需要，对作物 生长的各项参数的范围进行设定，包括季节控制策略的选择，各气象因子的上，下限等， 并将这些设定写入数据库，然后通过通讯总线将这些设定参数从计算机传送到单片机的 数据寄存器中，根据这些参数对温室内外窗、湿帘、风机、内外遮阳等设备进行开关 调节，例如当温度超过设定温度的上限时，就需要打开风机、窗户等设备使室内外的空 气流通达到降温的效果。 ( 3 ) 数据处理 为适应农作物的生长，温室内的温度、湿度等参数的数值需要及时了解和掌握，因 为它们可以总结作物生长的规律和满足各项参数的要求，例如在多少度的温度范围内作 物才能良好的生长，又需要记录和察看一段时间内的最低值、最高值和过去某一点上的 值，所以在系统中，可以将数据通过各种通信形式发送到上位的p c ，利用系统的数据 库，能够给出实时数据和历史数据的表格显示，以及它们的实时趋势曲线和历史趋势益 线，保证用户可以实时察看各项参数的当前值及趋势曲线，而且可以察看到几天内，甚 至是一个月内各项参数的变化曲线，在此时段的最高值和最低值，某一时点上的温度、 湿度、光照等环境因子的当前值。 ( 4 ) 温室系统建模和智能决策 要想对温室系统实现智能控制，首先需要温室系统的辨识模型，之所以采用模糊神 经网络模型来辨识温室系统，是因为神经网络具有较强的学习能力，可以实现在线地、 实时地对系统进行自学习，从而能够给出更合理地控制指令，增强了系统的鲁棒性，也 提高了控制算法的泛化能力，为以后控制器的产业化奠定了良好的基础。 2 3 温室控制系统的辨识模型 温室系统是个非线性、慢时变、滞后的复杂大系统，由于其内部的各环境因子之间 存在强耦合关系，要想对温室环境因子进行控制，必须先建立温室系统的数学模型。而 用传统的建模方法很难为温室系统建立一个精确的数学模型，这为温室系统控制器的设 8 嵌入式温室智能数据采集控制器 计提出了考验。 模糊神经网络是一种集模糊逻辑推理的结构性知识表达能力与神经网络的自学习能 力于一体的新技术【4 l ，它是模糊逻辑推理和神经网络有机结合的产物，不需要对控制对 象建立精确的模型。于是很多人提出用模糊神经网络控制器控制温室系统，如宫赤坤等 提出用模糊神经网络控制器控制温室环境因子，要求模糊神经网络的权值调整是在预先 确定好模糊子集的情况下进行的，且随着模糊子集的增加，模糊规则将以指数形式增加， 这使得网络结构十分庞大【5 】，降低了模型的可行性。钟应善、杨家强等介绍了一种基于 m c s 一5 1 单片处理机的模糊控制温室温度和湿度技术p l ，但是需要确定每个变量的模糊 集、隶属度、建立模糊规则库，占用大量的内存，这样就降低了系统的自适应性，故系 统的实时性不是很理想。近年来国外关于模神经网络模型的研究报道也不少，他们在模 糊神经网络控制器的结构参数、训练算法、规则获取等方面提出了许多观点，如p p a n g e t o v 等人针对高维的、难以建立数学模型的系统提出用遗传算法自动获取模糊规则 【丌，在提取模糊规则的同时可以确定模型结构和参数。j c h e n 和d c r i n e 用综合的 自适应算法训练模糊逻辑控制器的软件部分【8 l ，通过铡试和自调整两个阶段完成模糊推 理，但它是一种离线学习、训练的推理机。s u k u m a rc h a k r a b o r t y 提出一种神经模糊推 理器嘲，是对单结论模糊规则推理的一种推广，是一个前提条件下有多个结论的模糊神 经网络推理机。m e n gj o oe r 等人提出基于r b f 的动态学习训练算法【1 “，a b l a n c o 等 人用十进制编码的遗传算法训练环形神经网络模型结构”，这些都是在训练算法方面的 研究。a r n o l df s h a p i r o 等人分析研究模糊逻辑、神经网络、遗传算法的优缺点1 12 】，阐 述了三者结合的必然性，从理论上为遗传算法训练模糊神经网络模型的可行性奠定了基 础。结合国内外的研究状况，本文针对温室具有的特点而设计的模糊神经网络控制器， 较好地解决了文献【3 】，f 5 】中存在的问题，而且编程简单。经证明多层神经网络在一个闼 紧集内能近似任何连续函数，而模糊系统也可以做到这一点，这说明两者之间有许多相 近之处，因此一些人采用神经网络技术来实现模糊系统，也有人采用模糊逻辑来确定神 经网络的结构和初始化权重，这些工作都得到了学多有益成果。模糊神经网络通常可分 为两类：一类是用神经网络中的模糊权重来进行模糊逻辑推理，另一类是将输入数据在 第一或第二层模糊化，而不模糊化系统的权重。这里采用第二类，通过输入，输出数据， 采用简单的神经网络来实现基于模糊规则的模型。在这里选择模糊神经网络作为温室系 统的辨识模型和控制器的核心算法的实现方式。 本课题采用模糊神经网络作为温室的辨识模型，辨识模型的结构确定是辨识模型建 立的关键所在。因为温室系统是一个多输入多输出系统，所以如果采用其他的方法构建 温室系统的辨识模型，那么辨识模型的神经元结构将变得非常庞大，例如：温室系统输 9 嵌入式温室智能数粥采集控翩器 入有风机、湿帘、补光灯、天窗、侧窗、喷雾、环流风机、内遮阳、外遮阳、加热设备 等，输出有温度、湿度、光强、e c 、p h 、c 0 2 等，如果不对温室系统的输入f 输出进行 处理，直接构建辨识模型，设由三层神经元结构的神经网络辨识模型，那么辨识模型的 神经元结构将是：输入层有1 0 个，隐层有3 0 神经元，输出层有5 个神经元，那么要训 练的权值有3 0 x 1 0 + 5 0 3 = 4 5 0 个，要训练隶属度函数参数有3 0 x 2 + 5 2 = 7 0 个， 要训练的阀值有3 0 + 5 = 3 5 ，所以我们总共要训练的参数有4 5 0 + 7 0 + 3 5 = 5 5 5 个，这就使 得辨识模型的参数训练速度太慢，消耗太多的内存，系统的实时性变差，而且给控制器 算法的实现也带来了一定的负面影响。 设计温室的模糊神经网络辨识模型时，主要包括以下几部分：确定模型的输入，输出 个数、模糊神经网络的层数、神经元的激励函数、去模糊化的方法等。需要控制的温室 环境因子很多，如温度、湿度、光照、c 0 2 、e c 值等，一般情况下，温度、湿度是温 室环境中影响作物生长的主要的因子，所以首先考虑对温室环境的温度、湿度进行控制， 此时模糊神经网络的控制器输入个数初步定为2 ，在实际中采用4 个输入量，即温度误 差、湿度误差、温度误差变化率、湿度误差变化率。温室系统的输入量有：天窗、侧窗、 风扇、湿帘、喷雾、内、外遮阳幕、加热设备等，针对温室是个多输入多输出的系统， 如果按常规思路设计模糊神经网络控制器，那么就会出现以下问题：模型结构的神经元 节点太多，计算耗时，占用大量内存，实时性差，模型的可靠性小等。为了解决上述问 题，本文采用下述建模方法，设系统是m i m o 系统，设此系统有m 输入，p 个输出，对 应它有n 条模糊控制规则，那么就可以通过下述方法为此系统建立辨识模型，此时模型 的输入层有m 个输入神经元，模糊化层有m n 个神经元，而推理层有n 个神经元，非 模糊化层有p 个神经元。因此，可见一旦确定了m 和n ，该模糊神经网络的结构就基本 确定下来了。 2 3 1 确定模型的输入个数 虽然温室系统的输入( 控制执行机构) 有：风机、湿帘、补光灯、天窗、侧窗、喷 雾、环流风机、内遮阳、外遮阳、加热设备。温室系统输出量有：温度、湿度、光强、 e c 、p h 、c 0 2 等，在弄清楚温室系统的输入偷出量后，接下来建立温室系统的辨识模 型，根据上述方法，如果系统的输入，输出个数及模糊规则数目一旦确定，那么模糊神经 网络模型的结构也就确定了下来。因此关键在于确定模糊规则数，这里详细推导了改进 模型的算法，并改进了模糊曲线的定义，系统可通过模糊数据曲线来估计此模糊神经网 络所需要的规则个数，然后采用改进遗传算法训练该模糊神经网络，得到系统模糊隶属 1 0 嵌入式温室智能数据采集控制器 10000002 4 0 52 3 5 2 0000002 372 4 1 70 010003 6 9 1 8 4 5 “ 1 80011 004 61 8 3 5 30 40000 0 2 18 2 37 51 9 0 0 1 3 0104 48 51 83 41000002 2 12 29 52 0o00 0114 361 8 4 51 0 40 00 02 8 62 032 10 4000 0 0 3 8 0 52 1 8 5 61100003 0 5 1 8 42 2 1 000003 43 52 3 4 5 7000 50003 05 5 1 8 6 2 30 0 4 o 0004 2 5 51 7 1 5 80 0 1 1 00柏0 51 7 辅2 4010000 0 51 6 3 900000 504 4 8 1 8 0 5 2 50 00 50004 61 6 8 1 0 0000104 5 3 51 8 72 60 0 1 1005 4 7 5“ 1 67 1 10000013 6 4 5 2 3 12 7 0 00 50o02 5 82 3 6 1 200 4000 0 3 35 2 1 5 52 8 0 010002 462 2 9 5 1 3o100003 7 2 5 1 99 5 2 90 0 4o0002 81 98 5 1 40 40 0 0 00 3 89 96 5：3 00100 0 0 2 8 0 51 92 5 1 510000 0 3 8 8 1 9 ，53 10 4000003 0 9 51 9 1 1 600o 50003 7 6侣8 53 21 000002 7 31 90 5 备 室外平均湿度3 7 5 5 r h 。室外平均温度1 5 “ cx 1 代表侧窗，) ( 2 代表天窗) ( 3 代表风机，x 4 代表湿帘 注) ( 5 代表补光灯，) ( 6 代表遮阳幕，y 1 代表湿度，y 2 代表温度 由于温室中各个执行机构的动作与否存在着相互的制约关系，一般都是一个或几个 可以同时动作，但是所有的执行机构不存在同时动作的可能，所以建模的时候可以把多 个执行机构的温室系统的输入个数简化成同时可以进行动作的执行机构的数量，而在实 际中温室系统最多可同时进行动作的机构个数是三个，所以模型温室统输入层实际上同 时起作用的输入变量个数是3 。故初步确定模糊神经网络模型的输入神经元个数是3 个。 一 2 3 2 确定模糊规则数 由于输入输出样本数据中可能包含干扰输入，而希望找到有意义的输入规则数，以 1 1 嵌入式温室智能数据采集控制器 及决定隶属度函数的v 和w 。设输入变量是玉( i = 1 2 ，n ) ，输出变量是y ，设有m 个 训练样本点，则( k = 1 ，2 。m ) 是m 个训练样本中的第i 个样本点。输入变量五隶属 度函数定义如下： 砬。( 五) = e x p 一( 掣) 】，k = l ，2 ，m 。( 2 1 ) 每一对九年1 1 y k 都有相对于y 和气的模糊规则，规则表述如下：如果毛是谚。( x ) ，那 么y 是几。九是输入变n c x , 相对于第k 个样本点的隶属度函数，九可以是三角形，钟 形，高斯形或其他形状的隶属度函数，这里采用高斯函数作为隶属度函数，b 一般取输 入变量x i 间隔长度的2 0 。对于m 个训练样本点每个输入变量都有m 条规则，隶属度 函数丸见公式( 2 - 4 ) ，这里采用重心法去模糊： 吡，= 畿等 2 ， 图2 1 中描述了表2 1 中的模糊数据曲线，如果模糊曲线是平坦的，那么这个输入 对输出的影响是微不足道的，且它不是一个有意义的输入，如果模糊曲线的范围大约是 输出y 的范围，那么这个输入置对输出变量是重要的，它就是一个有意义的输入。由模 糊曲线可以看到，输出是随着输入的变化而变化，由此可以根据输入变量模糊曲线的覆 盖范围来评价输入变量的重要性。由上图可以看到变量五是最重要的输入，依次是 马，x 2 ，x l ，x 5 ，。可以从( i = 1 ，2 , 3 4 ，5 ，6 ) 曲线上的最大最小数据点数，估计规则数吩 ( - 1 ，2 ，3 4 ) ，若最大、最小点之间的间隔太远，或模糊曲线不是平滑，可以增加规则数， 从模糊曲线中估计各输入变量的规则数( i = 1 ，2 , 3 ，4 ) ，则该模糊神经网络的规则数 n = m a x ( 吩；( i = 1 2 ，3 4 ) ) 。 因为温室是多输入多输出系统，可用模糊数据曲线判决输入变量对输出变量影响的 大小，以及初步确定模糊规则数。 用工。( 芦1 ，2 ，n ) 表示输入变量数据，变量0 表示输出。假设有m 个训练样 1 2 嵌入式温室智能数据采集控制器 本点，靠( 肛1 ，2 ，m ) 是第k 个样本中与第i 个输入变量有关的样本点。此时 对每一输入变量_ 而言，得到改变量的模糊隶属度函数的定义 ) k ( ) = 1 0 一e x p - a ( x a 一一) 】4o ) k = 1 , 2 ，m( 2 3 ) 其中，y 。是输入变量x ，相对于样本点k 的隶属度函数，a 通常选取工，最小间隔的 5 o 左右，结果所需模糊数据曲线的性质也相当明了。每对儿和0 为输出0 给出了 一个同x 。相关的模糊规则。该规则表述为“如果工。是( x 。) 那么0 是d 对每一输入变 量，从m 个闭集定义域数据点，可以得到m 个模糊隶属度数值点。采用重心法非模糊 化方法，对每一输入变量t ，由公式( 2 - 4 ) 生成一模糊数据曲线，即 ) ，( ) 0 。 l ( _ ) = 型f 一( 2 - 4 ) 根据下表的数据，我们可以得到四个模糊数据曲线( = 1 ，2 ，昌，4 ) 。根据模糊 曲线( 即逻辑语言表达) ；若某输入变量的模糊数据曲线变化小，即较为平坦，则该变量 对输出数据的影响较小( 即此输入变量是脚步明显的输入) ，温室中侧窗、天窗、风机、 图a 风机对温度的影响模糊曲线国b 侧窗对温度的影响模糊曲磊 f i g af u z z yg r a p hb e t w e e nt e m p e r a t u r ea n df a n f i gbf u z z yg r a p hb e t w e e nt e m p e r a t u r e 湿帘、遮阳网、补光灯等对温度的模糊数据曲线见图2 1 所以所示。 1 3 嵌入式温室智能数据采集控制器 图c 补光灯对温度的影响模糊曲线 f i g ，cf u z z yg r a p hb e t w e e nt e m p e r a t u r ea n d a n ds k yi l u m i n a t el a m p n l “s # k 图e 湿帘对温度的影响模糊曲线 围d 天窗对温度的影响模糊数据曲线 f i g df u z z yg r a p hb e t w e e nt e m p e r a t u r e w i n d o w f i g ef u z z yg r a p hb e t w e e nt e m p e r a t u r ef i g ，ff u z z yg r a p hb e t w e e nt e m p e r a t u r ea n ds u n s h a d o w a n dw e ts h a d e 图2 1 温度模糊曲线图 f i g 2 1f u z z yg r a p ho ft e m p e r a t u r e 尺= m a x 红) = 4 ，i = l ，2 ，6 此模糊神经网络的结构如图2 2 所示，这里将其分为四层( 即：输入层，模糊化层， 推理层，非模糊化层) ，可以看到有3 个输入，输入层有3 个神经元，4 条规则，故在推 理层有4 个神经元，模糊化层有3 4 = 1 2 个神经元。 在模糊化层的每个神经元都表示每个输入变量的隶属度函数，其激励函数是： f ( n e t u ) = e x p ( 一i m e 0 产) ，这里一般取值范围是o 5 乇5 ，且其初