（农业电气化与自动化专业论文）温室环境智能控制算法研究.pdf

摘要 温室环境的生产过程具有许多特点，例如，时变性、非线性和不确定性。很难建立精确 的数学模型，常规的控制方法( 如p i d 、最优控制) 的控制效果都不太理想，因此本文采用智能 控制方法对温室环境进行控制。 本文设计了模糊神经网络控制器，它综合了模糊逻辑和神经网络各自的优点来提高整个 系统的学习能力和控制眭能。模糊神经网络控制器不仅能处理模糊信息、完成推理功能，而 且具有一些神经网络的特点例如非线性、自学习能力、分布式存储及并行处理能力。模糊 神经网络是一种并行分布式网络。它的每个节点表示模糊系统的参数，每个节点的输出通过 权值连接到f 一层的节点。通过输入样本数据对模糊神经网络进行训练，然后采用反向传播 算法对隶属函数参数和模糊逻辑规则的权值进行优化。这种并行处理网络实现了隶属函数白 适应性能和模糊规则的自组织性能。通过实验分析表明，模糊神经网络中的学习率和平滑因 子的选取会影响控制算法的收敛性和收敛速度；最后，本文选取了最理想的学习率和平滑因 子。 此外，本文利用人t 神经网络对温室环境温度进行建模。通过输入样本数据对神经网络 模型进行训练。实验结果表明，模型中的输入和输出时延不同，模型的精度也不相同。最后， 本文确定了摄精确的模型。 利用模糊神经网络控制方法对温室环境系统进行了仿真试验。仿真结果表明，与p i d 控 制和模糊控制相比较，模糊神经网络控制方法具有较好的鲁棒性和较强的跟踪性能。总之， 采用模糊神经网络方法对温室环境进行控制是完全可行的。 关键词：温室环境，模糊控制，神经网络 a b s 仃a c t t h ep r o c e s si np r o d u c t i o no ft h eg r e e n h o u s ee n v i r o n m e n th a sm a n yc h a r a c t e r i s t i c s ，s u c ha s t i m ev a r i a b l e ，n o n l i n e a ra n du n c e r t a l n i t sv e r yd i f f i c u l tt ob u l i da na c c u r a t em a t h e m a t i c sm o d e l t h ee f f e c to ft h ec o n v e n t i o n a lc o n t r o lm e t h o d ( f u re x a m p l e ，p i da l g o r i t h ma n do p t i m a lc o n t r 0 1 ) i s n o ts a t i s f y i n g , s oi n t e l l i g e n tc o n t r o lm e t h o di sp r o p o s e df o rc o n t r o l l i n gt h eg r e e n h o u s ee n v i r o n m e n t f u z z yn e u r a ln e t w o r k sc o n t r o l l e r ( f n n c ) i sd e s i g n e di n t h i sp a p e r , w h i c hc o m b i n e st h e a d v a n t a g e so fn e u r a ln e t w o r k sa n df u z z yl o g i ct oi m p r o v et h el e a r n i n ga n dc o n t r o l l i n gp e r f o r m a n c e o f t h ew h o l es y s t e m f u z z yn e u r a ln e t w o r k sc o n t r o l l e rn o to n l yc a l lp r o c e s sf u z z yi n f o r m a t i o na n d f i n i s hr e a s o n i n gf u n c t i o n ，b u ta l s oh a ss o m en e u r a ln e t w o r kc h a r a c t e r i s t i c s ，s u c ha sn o n l i n e a r , s e l f - l e a r n i n g ，d i s t r i b u t e dm e m o r y , p a r a l l e lp r o c e s s i n g f u z z yn e u r a ln e t w o r k sc a nb ev i e w e da s a p a r a l l e la n dd i s t r i b u t e dn e t w o r k ，i nw h i c he a c hn e u r o nr e p r e s e n t sp a r a m e t e ri nf u z z ys y s t e ma n d e a c ho u t p u to f n e u r o ni sc o n n e c t e dt ot h en e u r o ni nt h en e x tl a y e rt h r o u g ht h ew e i g h tp a r a m e t e r t h e f u z z yn e u r a ln e t w o r k sa r et r a i n e dc o n t i n u o u s l yb yi n p u t t i n gs p e c i m e nd a t a ；t h e nt h em e m b e r s h i p f u n c t i o np a r a m e t e r sa n dt h ew e i g h t so ff u z z yl o g i cr u l e sa r eo p t i m i z e db yu s i n gb a c kp r o p a g a t i o n a l g o r i t h m t h ep a r a l l e lp r o c e s s i n gn e t w o r km a k e st h es e l f - a d a p t a t i o no ft h em e m b e r s h i pf u n c t i o n s a n dt h es e l f - o r g a n i z a t i o nf u z z yl o g i cr u l e sp o s s i b l e ，t h ee x p e r i m e n t sd e m o n s t r a t e dt h a tl e a r n i n g - r a t e a n ds m o o t h n e s s - f a c t o rc a l la f f e c tt h ec o n v e r g e n c ea n dc o n v e r g e n ts p e e do ft h en e u r a ln e t w o r k s f i n a l l y , t h eo p t i m a ll e a r n i n g - r a t ea n ds m o o t h n e s s - f a c t o ra r ec h o s e ni nt h i sp a p e r t i na d d i t i o n ，t h eg r e e n h o u s ee n v i r o n m e n tt e m p e r a t u r em o d e li sb u i l tb yu s i n ga r t i f i c i a ln e u r a l n e t w o r k sm e t h o d t h en e t w o r km o d e l sa r et r a i n e db yi n p u t t i n gs p e c i m e nd a t a t h ee x p e r i m e n t s r e s u l t sd e m o n s t r a t e dt h en e t w o r km o d e l sw i t hd i f f e r e n ti n p u t - o u t p u tt i m ed e l a yp a r a m e t e r sh a v e d i f f e r e n tp r e c i s i o n f i n a l l y , t h em o s ta c c u r a t em o d e li sa d o p t e di nt h i sp a p e r t h es i m u l a t i o no fu s i n gf n n ct oc o n t r o lt h eg r e e n h o u s ee n v i r o n m e n ti sc a r r i e do u t c o m p a r i s o nw i t hp 1 dc o n t r o la n df u z z yc o n t r o l ，t h es i m u l a t i o nr e s u l t ss h o w e df n n ch a sab e t t e r r o b u s t n e s sa n das t r o n g e rp e r f o r m a n c eo ft r a c i n g i ns h o r t ，t h ef u z z yn e u r a ln e t w o r k sm e t h o di s v e r yf e a s i b l ef o rt h eg r e e n h o u s ee n v i r o n m e n tc o n t r 0 1 k e y w o r d s ：g r e e n h o u s ee n v i r o n m e n t , f u z z yc o n t r o l ，n e u r a ln e t w o r k s i i 独创性声明 v7 7 4 1 0 7 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已 经发表或撰写过的研究成果，也不包含为获得中国农业大学或其它教育机构的学位 或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文 中作了明确的说明并表示了谢意。 研究生签名 孪邋 时t 母： 劲p 事年6b h 关于论文使用授权的说明 本人完全了解中国农业大学有关保留、使用学位论文的规定，即：学校有权保 留送交论文的复印件和磁盘，允许论文被查阅和借阅，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。同意中国农业大学可以用不同方式在不同媒体上 发表、传播学位论文的全部或部分内容。 ( 保密的学位论文在解密后应遵守此协议) 研究生签名 杏涟僵 导师签名：书南争 时间： 2 0 翁年占马f 0 日 时间：3 删r 年彳月7 日 7 中国农业大学硕士学位论文 绪论 第l 章绪论 目前，我国农业形势发生了根本性变化，农业生产进入了主要依靠科技提高农产品质量、 加速结构调整、迅速增加农民收入、提高农业整体效益、改善生态环境以及大力提高农业国 际竞争力的新时期。通过知识和技术创新，走技术替代资源道路，实现我国农业从传统的粗 放、低效、资源高消耗型增长方式，向集约、高效、资源节约、可持续型生产方式的根本转 变。发展工厂化农业是实现这一转变的重要途径。 工厂化农业具有技术和知识密集、资源高效利用、效益显著等特点，近年来在我国受到 高度重视。国家在“九五”攻关项目中启动了“工厂化温室设施及配套装备研制”课题；2 0 0 1 年，国家在“十五”攻关项目中启动了“温室环境智能控制关键技术研究与开发”课题；2 0 0 1 年，国家“8 6 3 ”计划“可控环境农业生产技术”研究内容包含研制可控环境自动控制系统、 信息自动采集系统等；2 0 0 3 年国家计委启动了“设施农业技术集成产业化示范”课题。在这 些农业项目的推动下，温室和环境控制等工程配套设旋、温室专用品种选育、高产栽培和优 质安全生产技术等方面均取得了显著成果，全国温室及环境调控技术与配套设施方面得到了 很人发展。 本课题是在国家自然科学基金资助项目：温室环境动态建模和智能控制算法研究 ( 6 0 3 7 4 0 3 0 ) 的支持下提出并完成的。 1 1 选题背景 近几年来，我国温室产业发展迅速，截i h 到1 9 9 9 年底的数据表明，我国大陆地区现有现 代化大型温室面积约5 8 0 h m 2 ，其中引进温室面积已达1 8 0 多h m 2 ，9 0 年代中期以来，根据中国 国情和气候特点，自行设计、建造了一批经济、适用的人型温室，面积达4 0 0 余h m 2 。目前正 立项的连栋温室项目与建设速度还在进一步加快，将大大加快我国工厂化农业的发展。我国 温室面积居世界各国首位其中塑料大棚和日光温室等简易设施占绝大多数。由下缺乏配套 技术与设备，环境控制能力低，抵御自然灾害的能力差，技术含量低，生产潜力有限。有较 强环境调控能力、可实现周年生产的大型现代化温室的面积所占比例还t o 4 , 。要依靠进口温 室设备一次性投资大、生产成本高以及对操作人员的素质要求也高。总得来说，温室环境控 制还处在不断完善之中，还有许多工作有待改进。如温室控制中的新技术引进与开发的步伐 不快，还有不少设备和控制装置的控制方式比较简单，运行效率不高，能源浪费严重，这些 都影响温室的普及和推广。因此，要采用先进的人工智能技术，科学、合理的控制影响作物 生长的环境因子，做到既有利于作物的良好生长和适时上市，又提高产品的质量、产量、经 济价值和社会效益，提高温室的利用率。 现代化温室是采用先进科学技术设计、制造而成的工厂化生产设施。它为作物生长提供 良好的生态环境。它可以不受地点和气候的影响，高效、均衡的生产各种蔬菜、水果花卉等。 中国农业大学硕士学位论文绪论 它能有效的改善农业生态、生产条件，促进农业资源的科学开发和合理利用，提高土地生产 率、劳动生产率和社会经济效益。因此，在世界范围内得到了广泛应用。温室设施主要包括 温室结构和温室环境调控两个方面，环境调控是现代化温室的必备功能，并逐渐受到专家的 重视。 温室环境控制是一项综合性技术，它是当代农业生物学、环境科学、计算机控制与管理 科学的综合应用。任何一个作物生长、繁育都要求一定的环境条件，作物种类不同，对环境 条件的要求也不尽相同，有的需要温度高一些，有的需要温度低一些。温室环境控制要为作 物生长创造适宜的光、温、湿、水、肥等条件，要定制灵活多样的控制策略和管理决策，要 适应多变的市场环境和成熟上市时间，要实现高投入、高产出、高品质的目标，才能体现高 科技温室的优越性和生命力。但是，温室作物环境的控制远比一般工业环境控制要复杂的多。 面i 临的挑战是受到多变的外部环境的影响，受控对象的不确定性与作物形态、尺寸不断变化， 缺少能直接感知作物生长生理状态信息的检测传感器，还受到生产者管理经验及恶劣r 作环 境的影响。用常规的控制方法来处理温室这一多输入、多输出、非线性强的控制过程，有时 很难获得比较理想的效果，这就要求我们在系统的控制结构、控制原理上改进。很多研究者 认为温室环境控制必须由种植者来完善，提出将专家系统运用到温室环境控制中，农业专家 系统的研究在7 0 年代末期就开始了，它的运用也从单一的病虫害诊断转向生产管理、经济分 析与决策的生态环境中。在温室的环境控制中，起初专家系统只是运用在温室管理中的某个 方面，如采用专家系统进行营养管理，利用专家规则确定温室喷雾的周期及持续时间等。随 着农业专家系统的发展，它在温室环境控制中的应用也越来越广泛，专家控制系统的瓶颈主要 是专家知识的获取。冈此，研究者们将神经网络、遗传算法及模糊推理等智能控制方法运用 到温室环境的控制中，来提高温室环境的自动化、智能化水平。 1 2 国内外研究现状 1 2 1 国外研究状况 世界发达国家大力发展集约化的温室产业，用计算机控制管理系统实现高效科学的环境 调控与水肥管理，并从专用品种选育、 丁厂化育苗、病虫害的生物防治、到产品的采收、分 级包装、冷藏运输形成了完整的市场化技术服务体系。国外温室的主要特点是规模大、设备 齐全、环境控制系统先进。自八十年代以来，人们对温室环境控制方法做了大量的研究工作 ”“。1 9 8 9 年t a k a k u r a 提出应用计算机对作物生长环境( 气候、水和营养液供给) 进行控制。 通常，人们采用参数优化控制器进行控制( 如p i 或p i d ) 。黑盒子模型或其他基于热平衡的数 学模型也被广泛用于气候控制。b o t ( 1 9 8 3 、1 9 8 9 ) 认为温室中环境控制的过程是依赖于时间和 空问的，必须用偏微分方程来描述。系统具有分布参数的特性，一般的微分方程把温室描述 成为一个单问，以单个能量的方式来工作，通常用于反馈控制。这种方法只能给出平均温度、 湿度、二氧化碳浓度等( u d i n kt e nc a t e 1 9 8 3 ) 。t a n t a u ( 1 9 8 5 、1 9 8 9 ) 在温室小气候的控 制中以前馈控制来增强反馈控制，即前馈一反馈控制。1 9 9 9 年，密兹安州立大学推出了以昼 夜温差对植物生长的作用规律为基础的专家系统。首先，在一品红上试用，的确有一定功效。 2 中国农业大学硕士学位论文 绪论 除带来经济效益外，它还提高了决策水平，减轻技术管理工作量，为种植者带来很大方便。 近年来国外专家关丁_ 智能控制方法研究的报道也不少，专家系统、模糊控制、神经网络都成 功的应用在温室环境控制系统中，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a n g e l o vpp 等人针对那些高维的、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，在提取模糊规则的同时可以确定模型结构和参数。c h e nj 和r i n edc 用综合的自适应算法训练模糊逻辑控制器的软件部分，通过测试和自调整两个阶 段完成模糊推理，但它是一种离线学习、训练的推理机。m e n g7 0 0 e r 等人提出基丁r b f 的动 态学习训练算法，b l a n c oa 等人用十进制编码的遗传算法训练神经网络模型结构，这些都是 在训练算法方面的研究。s h a p i r oa r n o l d f 等人分析研究模糊逻辑、神经网络、遗传算法的优 缺点，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。 1 2 2 国内发展状况 “九五”期间，国家十分重视我国f t 厂化高效农业项目发展，把它列为国家重大科技产 业工程项目。国家科技部“_ 厂化高效农业示范t 程”项目分别在北京、上海、广州、沈阳、 杭州等地实旌。“九五”项目五个分项的连栋温室基本上都实现了对环境的微机化测控。在 “九五”项目实施的推动下，我国近年发展的大型连栋温室，其结构和环境调控技术已具相 当水平“”。余泳昌等研究的改进型p i d 控制算法在现代温室参数控制中的应用其抗干扰能力 方面比传统p i d 算法有一定提高，使参数得到较精确的调整”1 。但它也有不尽人意的地方，如 纯时延问题、参数整定问题。某些参数整定好后并不能适应整个过程变化的需要，往往导致 控制性能下降，而且整定参数时间较长。余勇研制了s m i t h 预估器的温度控制系统s m i t h 预 估器是克服纯滞后影响的一种有效方法，其主要优点在_ 丁滞后时间能从闭环系统的特征方程 中消除，它对过程参数的变化很敏感“1 。汪小虽等提出了温室内温度的模糊控制，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，李萍萍等研制的 智能温室综合环境因子的控制系统，都采用模糊控制算法，模糊控制有许多良好的特性，它 不需要事先知道对象的数学模型；然而，普通模糊控制算法稳态误差精度欠佳。龙利平研究 了加热实时专家控制系统，于海业等提出的温室环境自动监测系统，采用专家系统指导下的 实时处理方法，及时提供技术指导和技术咨询服务，建立了友好人机界面。综上所述，我国 温室环境技术水平在迅速提高，但与国外发达国家的工厂化农业生产总体水平仍有较人差距。 目前，我国温室产品普遍产量低、产品品质差，其重要原因之一是环境调控管理技术水平低。 我国大部分温室生产的环境调控和生产管理还主要是根据露地生产经验，对各环境冈素进行 单独调控，实际操作主要靠生产者凭经验和感觉，具有很大的不确定性，对温室中的光、温、 水、肥等环境因素综合考虑、实行全面综合的最优化控制管理的技术体系尚未确立。在对温 室内植物生长与环境的关系、生产科学管理以及温室栽培作物的生长模型、温室综合环境预 测分析模型和栽培专家系统等方面研究还相当薄弱。 目前，国内温室环境控制系统还存在以下问题： 从温宝环境因子的控制方法来看，其控制水平、精度以及稳定性方面还有待丁j 进一步 3 提高，主要表现在温度的控制上，现在大多数温室环境因子的控制主要采用一些传统的方法t 它们在获得最佳环境条件方面有一定的局限性。 目前，温室温度管理多数采用分段变温法，不能使温度按照作物生长每一天的不同时 刻所要求的最佳温度而变化。这样不但浪费能源，而且不能提高作物产量。 总体来看，国内温室环境控制存在技术水平低，现代化管理程度不高，温室环境监测条 件差等缺点，因此还需要在技术上进一步改进和提高。 1 3 选题意义 1 3 1 传统控制方法 最初国内外对温室环境控制普遍采用p i d 控制。所谓p i d 控制，就是利用比例、积分、 微分三者配合对测量参数的偏差进行运算确定输出量，对执行机构进行控制的方法。如果p 、 i 、d 三个参数达到最佳系数组合，那么p i d 的控制效果是比较理想的。然而，p 、i 、d 存在 最大问题就是三者系数的选取问题，它们随温室结构和作物生长情况的不同而不同。因此， 对不同阶段的温室环境，三者应用不同的最佳组合，而这些系数的选取有较大的难度。 最优控制方法咀控制过程的数学模型为基础，然后确定一个性能指标，最后在集中寻找 一个最优控制量，使性能指标达到最优化。由于温室环境所具有的大惯性、纯滞后、非线性、 时变性以及其他不稳定性因素，使得温室环境控制数学模型的建立非常困难，控制变量又受 到约束，这大大限制了最优控制的应用。 1 3 2 智能控制方法 常规控制系统( 经典控制系统和现代控制系统) 的数学模型一般是由传递函数或状态方 程来表示的。对于实际问题中那些时变性、非线性且不确定性系统，要建立精确的数学模型 是非常困难的。但在这些过程中可以找到大量的以定性的形式得到重要的先验信息，以及在 语言上规定的性能指标。对于此类控制问题，用常规控制方法很难做到，但由人进行控制是 很容易做到的，这是因为操作人员的控制方法是建立在真观和经验的基础上的。因此，我们 采用智能控制方法，用来解决那些用传统方法难以解决的复杂系统的控制问题，如模糊控制、 神经网络控制等。通过对温室环境控制技术的大量调研，充分了解了国内温室控制系统的现 状和不足。希望通过对本课题的研究，实现如一f 目标： 温室系统具有非线性、时变、滞后、不确定性、多目标、难于建立精确的数学模型的 特点，采用智能控制来弥补常规控制方法( 如p i p 、最优控制) 控制效果不理想的问题，米进一 步提高温室环境的控制精度和稳定性。 随着科学技术的迅速发展，温室环境对自动控制系统精度、响应速度、系统稳定性与适 应能力的要求越来越高。因为温室被控对象过程的非线性、时变性、多参数耦合、较大的随 机干扰等原因，所以难以确立数学模型的复杂被控对象。采用传统的控制方法，包括基丁现 4 中国农业大学硕士学位论文 绪论 代控制理论的控制方法，往往不如一个有实践经验的操作人员所进行的手动控制效果好。模 糊控制和神经网络控制技术是智能控制的重要研究领域之一，具有学术理论意义和实用价值。 由于温室环境具有大量不确定信息，所以引入模糊推理模型，把专家知识库的模糊规则转换 到神经网络当中，构成模糊神经网络，形成分布式的知识体系，然后利_ j 神经网络的自学习 功能，对网络进行训练，不断的对模糊规则进行求解。 为了提高温室环境控制水平，在控制方法上，采用先进的人工智能技术，可以将操作 人员的经验、专家知识和控制理论相结合。把它作为一种新控制理论来解决温室环境复杂的 过程，做到既有利于作物的生长，又能提高产品的质量、产量和温室的利用率。 通过本课题的研究，努力探索出一套高效、节能的温室环境智能控制算法，为实现低成 本高技术的规模生产提供条件，也将为我国温室向自动化、智能化方向发展做出贡献。 1 4 课题研究内容 本文针对温室系统的多变量、时变、非线性系统为工程应用背景，进行了温室环境智能 控制算法的研究，主要研究内容如下： 模糊控制和神经网络控制理论基础； 在分析已有的控制算法的基础上，提出模糊神经网络控制策略，设计了模糊神经网络 控制器： 温室环境温度建模研究； 通过工程实例对模糊神经网络控制器进行仿真研究。 第2 章智能控制理论基础 模糊控制和神经网络控制是智能控制十分重要的研究方法。8 0 年代后，模糊神经网络应 用技术得到迅速发展，它代表着人_ t 智能的主要研究方向，如何真正的将模糊神经网络广泛 的应用在现实世界中，这将是一项有意义的工作。 2 1 模糊控制原理 模糊控制是以模糊集合论、模糊语言变量及模糊推理为基础的非线性控制，已成为目前 智能控制一种重要而有效的形式。模糊控制与经典控制的根本区别在于它并不需要建立被控 对象的精确数学模型，而是完全凭入的经验和知识，把技术人员的经验进行总结和形式化描 述，用语言表达成一组定性的条件语句和不精确的决策规则，然后利用模糊集合作为t 具使 其定量化，通过模糊逻辑和近似推理方法，把人的知识和经验变成计算机可以接受的控制模 型，从而让计算机代替人来进行控制”。 模糊控制属于计算机数字控制的一种形式。模糊控制系统的组成类似于一般的数字控制 系统，一般可分为四个组成部分，如图2 一l 所示： 模糊控制器，它是控制系统的核心，实际上是一台微型计算机，主要完成输入量的模 糊化、模糊关系运算、模糊决策以及决策结果的非模糊化处理( 精确化) 等过程。可以说， 一个模糊控制系统性能指标的优劣很大程度上取决于模糊控制器的聪明程度。 输入输出接口电路，模糊控制器通过输入输出接口从被控对象获取数字信号量，并将 模糊控制器数字信号经过数模变换，将其转变为模拟信号，送给执行机构去控制被控对象。 该部分由a d 转换电路和d a 转换电路组成。 广义对象主要包括被控对象和执行机构。被控对象可以是线性的和非线性的，定常或 时变的，也可以是单变量和多变量的、有时滞或无时滞的。常见的执行机构包括电磁阀、伺 服电机等。 传感器是检测装置，主要负责把被控对象的输出信号( 1 f 电量，如温度、湿度、压力 等) 转化为对应的电信号。传感器在模糊控制系统中占有十分重要的地位，它的精度往往直 接影响整个控制系统的精度。在模糊控制系统中，应选择精度高的传感器。 模糊控制的核心部分为模糊控制器，如图2 - l 中虚线框中部分所示。模糊控制器在模糊 控制系统中具有举足轻重的作用，设计和调整模糊控制器的t 作是非常重要的。模糊控制实 现的过程和方法如下： 6 中国农业大学硕士学位论文 智能控制理论基础 模糊控制器 - - 一_ 一一一一一一一一- 一一一一一一_ _ 一_ _ 一一一一一一一一- _ 一一一一一一一一_ 一一一一_ 一 2 1 i 输入输出变量的确定 图2 - 1 模糊控制系统原理图 在手动过程中，人所能获取的信息量基本上为两个：误差、误差的变化；由于模糊控制 器的控制规则是根据人的手动控制规则提出的，所以模糊控制器的输入变量也可以有误差、 误差变化，输出量一般选择控制量的变化。在温室系统中，假设现时刻设定温度为y 他) ，前 一时刻设定温度为y ( k 一1 ) ；温室现时刻温度为多( 七) ，前一时刻温度为p ( 一1 ) ；现时刻温 度误差为e ( k ) = y ( 后) 一多( ) ，前一时刻温度误差为e ( k 1 ) = y ( k 一1 ) 一多( t 一1 ) ：现时刻温 度误差变化率e c ( k ) = p ( t ) 一e ( k 一1 ) 。选择温室中的温度误差e 和误差变化率e c 作为模糊控 制器的输入变量，l , i 就是输出控制量。二维模糊控制系统的结构如图2 2 所示。这种结构反映 模糊控制器具有非线性吩控制规律。从而有利于保证系统的稳定性。 2 1 2 模糊化方法的确立 图2 - 2 二维模糊控制器结构图 要垮精确量模糊化，首先耍把精确量量化。在控制系统中，把误差e 及其变化率e c 的实 际变化范围称为误差及其变化率的基本论域，分别记为卜p ，e 】和 一e c ，e c 】，其中e 表征误差大 小的精确量，e c 表征误差变化率大小的精确量。误差及误差变化所取的模糊集合的论域为 x = 【- - 1 1 , - n + 1 ，0 ，”一l ，力】，其中n 是在o e 、0 e c 范围内连续变化的误差量化后 分成的档数，它构成论域的元素。在本系统 = 6 ，模糊集论域取为 - 6 ，6 。在这种情况 下，需要通过所谓量化因子进行论域变换。其量化因子女。的定义为： k e ：一n ( 2 一1 ) e 一日量化因子t 选定，系统的任何误差e 总可以量化为论域上的某一个元素。 7 中国农业大学硕士学位论文 智能控制理论基础 从量化因子定义可以看出，一旦给定论域z ，即选定基本论域 - e ，e 量化等级( 档数) n 之 后，量化因子的取值大小可使基本论域为卜p ，e 】不同程度的缩小与放大。即当k 。人时，基本 论域为【一p ，p 】缩小，当t 小时，基本论域为卜p ，p 放大。同理，把误差变化率p c 的量化因子 k 。定义为： i 。，= 二( 2 - 2 ) 。 e c 对于比例因子七，定义为： 女。= 兰 ( 2 3 ) 门 由此可见，量化因子k 。，七。和比例因子k 。与模糊控制器的输出有着密切关系，它将直 接影响模糊控制器的性能。因此，合理的选择量化网子是非常重要的。 由于人的行为在正、负两个方向上的判断基本上是对称的，将大、中、小再加上正、负 两个方向并考虑变量的零状态。共有七个词汇作为输入、输出语言变量的模糊语言，即 负大， 负中，负小，零，止小，正中，正大 ，用英文字母缩写为 n b ，n m ，n s ，z e ，p s ，p m ，p b ) 。选择较 多的词汇描述输入、输出变量，可以方便控制规则的制定，但是控制规则相应变得复杂。选 择词汇过少，使得描述变量变得粗糙，导致控制器的性能变坏。在这里将输入输山变量都选 为七个语言变量 负大，负中，负小，零，正小，正中，正大) 七个模糊语言值，模糊子集的 论域为卜6 ，一5 ，一4 ，3 ，2 ，一1 ，0 ，1 ，2 ，3 ，4 ，5 ，6 ) 。把语言变量的整数论域元素和语言变量值分别 作为表格的行和列，就可以得到语言变量的赋值表，如表2 1 所示： 表2 - 1 语言变量值的表格表示 一654321o1234 5 6 n bl0 500000000000 硎00 510 50000000 0 0 n s 00 00 510 50000000 z e000000 5l0 500 000 p s 0 0 0000oo 510 50oo p m0000000000 51 0 5 o p b0000000000 00 51 描述输入、输出变量的词汇都具有模蝴特性，可用模糊集合来表示。因此，模糊概念的 确定问题就直接转化为求取模糊集合隶属函数的问题。实验研究结果表明，用正态型隶属函 数来描述人进行控制活动时的模糊概念是适宜的，这种隶属函数的特点是连续且处处可微， 适合自适应、自学习模糊控制隶属函数的修正。如式： ( x ) ：e x p 一( x - m ) 2 1 ( 2 4 ) 盯 式中m 为隶属函数的中心值，o 为隶属函数的宽度。输入输出变量的隶属函数分布图2 - 3 所 示。 8 输入输出变量 图2 - 3 隶属函数分布图 正态隶属函数的分布参数盯的人小直接影响隶属函数曲线的形状，而隶属函数的形状不 同，会导致不同的控制特性。隶属函数曲线形状越尖的模糊子集分辨率越高，控制灵敏度也 较高；相反，隶属函数曲线形状越平缓，控制特性也较平缓，系统稳定性较好。因此，在选 择模糊变量的模糊集的隶属函数时，在误差较大的区域，选择分辨率低的模糊集，在误差较 小的区域采用高分辨率的模糊集。此外，各模糊子集之间也相互影响，如图2 4 所示。c 和c ， 分别为两种情况下两个模糊子集爿和b 的交集的最大隶属度，显然c 1 0 0 此处为样本数，当n 0 。 使得w 专0 ，从而使得调节过程几乎停下来了。所以，一般总希望经过初始加权后的每个神 经元的输出值都接近于零，这样可以保证每个神经元的权值都能在它们的s i g m i o d 型传递函 数变化最大处进行调节。所以，一般取初始值在( 一i ，1 ) 之间。 学习速率选择 学习速率决定每一次训练中所产生的权值变化量。大的学习速率可能导致系统不稳定， 但小的学习速率将会导致训练较长，收敛速度慢。所以一般情况f 学习速率的取值范围在 0 ，0 l 0 8 之间。和初始权值的选取过程一样，在一个神经网络的设计中。网络要经过几个不 同的学习速率的训练，通过观察每一次训】练后的误著平方和y e 2 的下降速率来判断所选定的 需要速率是否合适。如果p 2f 降很快，则说明学习速率合适，若口2 出现震荡现象，则 中国农业大学硕上学位论文温室环境温度模型的建立 说明学习速率过大。对于每一个具体网络都存在一个合适的学习速率。 期望误差的选取 在设计网络的训练过程中，期望误差值也应该通过对比训练后确定一个合适的值，这个 所谓的“合适”，是相对于所需要的隐含层的节点数来确定，因为较小的期望误差值是要靠增 加隐含层的节点，以及训练时间来获得的。一般情况下，可以同时对两个不同期望误差值的 网络进行训练，最后通过这些因素的考虑来确定采用其中一个。 综上所述，预测模型采用三层5 1 0 一1 结构，如图4 2 所示，取”= 2 ，m = 3 ，根据式( 4 - 1 ) y ( 七一1 ) ，y ( k 一2 ) 分别表示一阶、二阶输出延迟，“( i 一1 ) ，u ( k 一2 ) ，u ( k 一3 ) 分别表示一阶、 二阶、三阶输入延迟。 a b 图4 - 2 神经同络建模结构图 各层输入、输出及反传误差信号”6 1 如下( i 表示输入，0 表示输出) a 层： 1 7 = x 0 7 = r ，i = 1 , 2 ，3 ，4 ，5 ( 4 3 ) 其中：z l = y ( k 一1 ) ，x 2 = y ( k 一2 ) ，屯= u ( k 1 ) ，x 4 = u ( k 一2 ) ，z 5 = u ( k 一3 ) ，i 为a 层神经 元输入个数。 b 层： j = w 1 鲜一彰 嘭2 南伊1 ，2 ，1 0 其中j 为b 层神经元个数， w i 。为a 层第f 个神经元与b 层第j 个神经元的连接权值。 c 层 0 c ：三_ l + e 1 2 9 ( 4 - 4 ) ( 4 5 ) c 臼一 d o w m 川 = c ， 中国农业大学硕士学位论文 温室环境温度模型的建立 神经网络模型的输出为： 多( ) = o 。( _ j ) ( 4 - 6 ) 同2 2 3 节所述方法，目标函数定义为二次型误差函数，即： 1p e = 去( y ，( 七) 一多，( i ) ) 2 ( 4 7 ) 其中p 为学习样本数。则网络各层的反传误差信号占为： c 层： 万。= ( 0 。一计o 。( 1 - o 。) b 层： j ；= 6 c w ：，o ；( 1 一o ；) ，= 1 , 2 ，1 0 从上述结果可得到权值修正公式为： w 2 ( k + 1 ) = w 2 ( j 】 ) 一即j d 6 + o t w 2 ( ) 一w 2 ( k 一1 ) 】 w j ( k + 1 ) = w i ( 七) 一卵j 6 0 。+ a w l ( 七) 一w l ( k 一1 ) 同理，闽值修正公式为： 口。( 后+ 1 ) = 0 。一r 8 。+ a o 。( t ) 一0 。( k 一1 ) 目6 ( 七+ 1 ) = 0 6 一1 7 j 6 + a 0 6 ( 七) 一0 6 ( k 一1 ) 】 其中r l 为学习速率，0 r l 1 。盯为平滑因子，0 口 1 。 4 2 模型训练 ( 4 - 8 ) ( 4 9 ) ( 4 一l o ) ( 4 一1 1 ) ( 4 1 2 ) ( 4 一1 3 ) 在模型结构确立起来后，要根据实际数据进行训练。实验数据是在中国农业大学温室测 得( 图4 3 ) ，实验时间为2 0 0 4 年4 月1 2 日到6 月1 2 日，数据采集后进行了样本数据组织。 采用温湿度自动采集仪进行自动采集数据，温度测定点在室内取1 0 点，测点高度2 0 0c m 。本 文采用了部分温度数据进行了模拟试验，通过实验数据预处理发现样本数据在分布范围内分 布比较密集，比较紧凑，如图4 4 所示，输入矢量和目标矢量的相关性好，这就增强了神经 网络的模型的泛化能力，使这些样本数据训练的神经网络模型具有较高的模拟精度。 图4 - 3 温度采集实验 3 0 中国农业大学硕士学位论文温室环境温度模型的建立 一 p 适 啊0 o1 02 0：3 0 时间( h ) 图4 - 4 线性回归分析曲线 根据上述算法，对各权值和闽值随机初始化，根据学习样本进行网络训练，取目标函数 e 0 1 ，学习最大步数为4 0 0 0 0 ，学习率为r = 0 3 ，平滑因子为口= 0 0 1 2 ，如图4 5 所示， 经过7 7 7 5 步训练达到了训练目标，得到神经网络模型各个权值和闽值分别为： i 一0 0 3 4 9 - 0 0 0 0 7 0 0 9 8 80 1 0 3 60 0 0 2 3 1 0 2 0 8 2 0 0 7 7 50 0 0 4 1 0 2 8 9 20 0 0 2 1 0 0 0 1 6 0 0 2 6 30 0 0 5 2 0 0 3 7 30 0 0 5 5 0 2 0 4 20 0 2 1 9 0 8 2 4 7 0 1 4 3 70 0 0 2 4 w l = 1 0 3 i n 0 0 8 7 。0 0 0 5 8 。0 0 0 1 40 0 0 9 80 0 0 2 4 1 i 一0 0 0 3 7 0 0 0 3 20 0 0 4 50 0 4 3 5 0 0 0 0 4 0 1 1 7 5 0 0 0 2 50 3 6 5 90 0 8 6 50 0 0 5 3 0 0 2 3 50 0 0 1 00 1 2 9 9 0 0 1 1 8 0 0 0 1 0 0 0 0 4 5 0 0 0 1 60 0 0 4 20 0 0 1 60 0 0 4 8 0 0 6 4 2 0 0 7 1 00 1 4 7 7 0 0 0 7 60 0 0 1 4 w ，= 1 0 。f 7 1 3 6 4 5 2 5 3 2 5 6 42 4 5 1 4 31 2 8 1 6 8 7 2 1 0 4 0 2 3 8 6 8 7 4 5 - 1 5 1 1 7 9 21 8 8 3 2 62 6 2 4 0 011 0 6 4 0 9 1 口”= 1 0 。x f 0 1 2 9 30 2 11 10 0 4 0 00 6 1 2 70 0 0 9 5 1 0 4 8 70 1 1 6 40 0 9 4 2 0 0 1 4 3o 0 8 8 5 曰一= 1 0 。x 【- 7 9 2 5 8 】 1 0 3 1 0 2 蜂1 0 1 r r r r 鳖 5 1 0 0 1 0 1 1 0 4 l 02 0 0 0 4 0 0 06 0 0 08 0 0 0 训练步数 图4 - 5 训练误差变化曲线 3 l 中国农业大学硕士学位论文温室环境温度模型的建立 4 。3 模型验证 通过神经网络训练，确定了网络权值和阈值，既建立一个神经网络模型，另选部分样本 作为模型输入来验证模型的正确性。验证过程如图4 - 6 所示： 图 6 神经网络检验程序框图 经程序运行，得到图4 7 、图4 8 。从图4 7 中可以看出，模型变化曲线能很好的预测温 室环境的非线性特点，反映出了夏季温室温度的变化情况，“+ ”点表示温度数据采样值。从 图4 8 中可以看出，温度误差控制在了1 5 范围内，达到了实际要求，说明该模型是可取 的。 3 6 3 4 3 2 ；3 0 蔷2 8 赠2 6 2 4 2 2 2 0 添 j f l 点嫩 l 一可矿 t l i ”广门。一lr i 盖。一叫lk 一 钌可。i i | 、 kf ￥ 051 01 52 02 53 03 5 4 0 4 55 0 时间ch ) 图4 7 温室温度拟合曲线 4 4 模型结构分析 时间( ” 图4 - 8 温室温度误差变化曲线 由式( 4 - i ) 可以看出，模型的输出时延n 和模型输入时延m 是模型结构中的关键参数，选 择不同的输入和输出时延，会使神经网络的输入节点个数即输入向量结构发生改变，从而会 影响辨识