采用基于人工神经网络控制器的自动灌溉系统

采用基于人工神经网络控制器的自动灌溉系统 摘要 灌溉系统和人类自己一样古老因为农业是占领人类文明最重要的地位 灌溉大面积 的植物是一项繁重的工作 为了克服这个问题许多灌溉调度技术已被开发 主要是基于监 测土壤 作物和气候条件 灌溉调度精细何时灌溉和需要多少水 目前大部分的灌溉调度 系统及其相应的自动化硬件是固定利率 可变利率灌溉是非常必要的 不仅改善灌溉系统 而且减少了灌溉成本和增加作物产量 自动灌溉系统的核心 固定利率或可变利率 是其 控制单元 由于它控制灌溉时间和水量 为了最大限度地提高效率和生产基于智能控制灌 溉是必要的 现有的技术从水量平衡或支票簿方法对复杂传感器系统各不相同 1 大多数灌溉系统使 用开 关控制器 这些控制器不能给不同的时间延迟和不同系统的参数优化结果 本文介绍 了基于人工神经网络 ANN 的智能控制为有效灌溉制度 提出基于人工神经网络 ANN 控制 器原型是用 MATLAB 输入参数如空气温度 土壤湿度 辐射 湿度是参照 然后用适当 的方法 生态条件 蒸散量和作物种类 估计灌溉的需水量 然后对相关成果进行模拟 关键词 人工神经网络 自动化硬件 灌溉调度 蒸散量 1 介绍 在历史的长河里 农业在人类社会努力自给自足中扮演了重要的角色 2 在世界许多地 方灌溉是农作物生产的一个必不可少的组成部分 以棉花为例 最近的研究表明适 时灌溉是一个重要的生产因素 延迟灌溉可能导致 62 美元 公顷到 300 美元 公 顷之间的损失 3 灌溉水的使用代表一个重大机会为住宅节约用水 自动灌 溉系统具有通过高水平监测土壤湿度达到水的最大利用率的潜力 该控制单元 是整个灌溉系统的关键块 它控制水流 因而使种植者获得优化后的结果 1 1 控制器类型 5 6 7 8 10 15 灌溉过程可由两种类型的控制器控制 1 1 1Open 回路控制器 它也被称为非反馈控制器 这种类型的控制器设计原则如下 它只需要相应的输入和输出计算系统 它没有任何反馈去确定是否需要输出或目标实现与否 这是最简单的一种控制器 其中参数和指令是预先定义的 例如 何时开始浇水 任务 何时结束浇水 任务 延时间隔 在执行上述指令 OPEN 控制器没有采取措施 以检查是否有足够的水供应 这些控制器可能有更低的成本 但它们不是非常好 它们不提供最优 或好 的解决灌溉 问题 1 1 2 闭环控制器 它们是根据预先控制概念和利用反馈控制对象 系统的一种方式 这种类型的反馈控制器的 一个必要参数是检查灌溉需要的正确水量 有几个参数为做出最优决策扮演了重要角色 有些参数保持固定 例如 土壤种类 植物种类 叶子覆盖 成长阶段等 而其中一些参数随时间变化 应该在灌溉过程中测量 它们的物理参数 如 土壤湿度 空气湿度 地面辐射 温度 整个灌溉过程主要是基于以上指定的物理参数 由于这些物理参数随时间变化 因此用于 灌溉的水量也会变化 本文介绍利用闭环回路控制的灌溉系统 控制单元不断接受来自放 在地里的不同传感器的反馈 它使控制单元更新重要的系统参数数据 控制单元决定用多 少水 按照从传感器收集到的数据和预先定义的参数 取决于作物 天气条件等等 决定灌溉过程的主要参数是 生长类型 生长状态 高度 根的深度 叶覆盖 土壤的种类和浓度 水预算 经济或正常灌溉 因此 该系统使用的输入参数是 土 地 湿度 温度 辐射 风速 空气湿度 盐 地面盐的数量 输出参数是 打开 关闭水或肥料的阀门 调整它们相结合的数量 能源系统开关 灯光 暖气 通风 打开 关闭温室的墙和屋顶 9 2 基于人工神经网络的灌溉控制器的设计 图 1 展示了基于人工神经网络控制器的灌溉系统完整的框图 可看出该控制系统由四个互 联的阶段组成 来自传感器的输入 在这个阶段的不同参数如温度 空气湿度 土壤湿度 风速 和辐射 被收集 然后这些参数传递给下一阶段的输入 蒸散模型 该模块转换四个输入参数根据实际土壤水分 详细在下一部分 土壤水分需求 此块提供关于植物生长需要的适当水量的信息 人工神经网络控制器 此阶段比较土壤水分需求和实际土壤湿度 作出动态决 定 2 1 系统参数建模 2 1 1 输入参数 有四个因素 温度 空气湿度 风速和辐射 受蒸散量的影响 2 1 2 温度 这个变量定义为一连续信号 通常为正弦波模拟昼夜温度变化 但可能显示急 剧变化的特殊地方如沙漠等 这刺激产生的波形其最大值能达到 35 摄氏度 中午 最低达到 25 C 午夜 以这种方式 温度在任何一天通过改变偏置连接这个变量的值进行模拟 这是相一致的转移生产 图 2 黄线 2 1 3 空气湿度 它模型如下 10 的正弦波振幅 60 的偏置 不变 0 2618 rad h 的频率 图 2 2 1 4 风速 1m h 的正弦波振幅 3 5 Km h 的偏置 常数 0 2618 rad h 的频率 图 2 浅蓝 10 21 5 辐射 在地球表面最大可能辐射模型 Rmax 浅粉红色 2MJ m2 的正弦波振幅 112MJ m 的偏置 0 2618 rad h 的频率 2 2 土壤水分要求 它仅仅依靠植物种类 生长类型 土地类型和土壤类型 土壤水分需 求计算通过上述因素 一个假设图形显示图 3 2 4 控制单元 控制单元由基于人工神经网络控制器组成 该控制器接口需要土壤湿度和 测量土壤湿度 该阶段的主要功能是保持实际土壤湿度接近要求的土壤湿度 3 ANN 控制器结构 人工神经网络控制器实施使用下列 拓扑 分布式延时神经网络的使用 训练功能 贝叶斯公式函数用于培训 性能 总数平方的误差作为性能测量 目标 制定的目标为 0 0001 学习速率 学习速率设定为 0 05 图 6 开 关控制器的框图如图 5 当所需要的土壤水分超过测量的土壤水分时该配置阀门打开 否则它仍然关闭 图 7 基于系统的开 关控制仿真结果 4 仿真结果 性能分析 一旦神经网络进行训练 它可以作为控制器直接与蒸散模型联级 控制器的目标是把 实际的土壤水分与所要求的土壤水分尽可能的接近 优化水 能源资源 保持上述要求记录在人工神经网络的性能上以供参考 必填 土壤水分 人工神经网 络控制器与开 关控制器的实施在蒸散模型相同 如图 7 8 重要的事从仿真中提取 4 1 开关控制器 如图 7 黄色信号 要求的土壤水分 蓝色信号 实际的土壤水分 浅红色 阀门表决 1 开 关控制器系统 实际土壤水分追踪要求的土壤水分 需求土壤水分周围有连续震荡 2 开 关控制器系统显示连续震荡的输出是不平稳的 开 关控制器的阀门开和关连续点 0 10 由于这种大量的能源和水的浪费是不可取的 4 2ANN 控制器 如图 7 黄色信号 要求的土壤水分 浅红色 实际的土壤水分 绿色 阀门表决 实际土壤水分追踪所需土壤水分没有任何震荡 1 误差 要求的土壤湿度和实际的土壤湿度差异 是稳定合理的 少于 2 2 人工神经网络控制器阀门的开 关和能量系统是非常低的 因此许多能源和水被节约 设计的主要目标成本效益和结果面向灌溉控制系统的已经实现通过人工神经网络控制器 5 结论和今后工作 本文描述一个简单的方法使用人工神经网络控制器对灌溉控制问题 推荐的系统与开关控 制器比较 它显示开关控制的缺点由于它的局限性 另一方面基于人