基于模糊神經(jīng)網(wǎng)絡(luò)的智能溫室環(huán)境控制方案彭 輝1， 曾 碧2( 1 廣西工業(yè)職業(yè)技術(shù)學(xué)院 電子與電氣工程系 ， 南寧 530001; 2 廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院 ， 廣州 510006)摘 要 : 針對(duì)農(nóng)業(yè)溫室環(huán)境的精確建模和控制問題 ， 提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制方案 。首先 ， 在考慮室內(nèi)外環(huán)境因素下 ， 構(gòu)建一個(gè)有效的溫室環(huán)境數(shù)學(xué)模型 ， 獲得通風(fēng)量 、噴霧量和加熱量的微分表達(dá)式 ; 然后 ，利用一種自適應(yīng)模糊神經(jīng)推理系統(tǒng) ( ANFIS) ， 以溫度和濕度差作為輸入 ， 通過神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和模糊推理獲得控制輸出 ; 最后 ， 通過遺傳算法優(yōu)化控制器的輸出比例因子 ， 提高控制響應(yīng)速度和穩(wěn)定性 。實(shí)驗(yàn)結(jié)果表明 : 該方案能夠快速且穩(wěn)定地追蹤環(huán)境設(shè)置值 ， 具有很好的控制效果 。關(guān)鍵詞 : 溫室環(huán)境 ; 智能控制 ; 自適應(yīng) ; 模糊神經(jīng)推理 ; 遺傳算法中圖分類號(hào) : S6255+1; TP391 文獻(xiàn)標(biāo)識(shí)碼 : A 文章編號(hào) : 1003 188X( 2017) 06 0043 070 引言智能溫室系統(tǒng)是一種低能耗 、高產(chǎn)量的現(xiàn)代農(nóng)業(yè)技術(shù) ， 其通過改變溫室中溫度 、濕度和光照等環(huán)境因素來創(chuàng)造適合植物生長的環(huán)境 1。溫室系統(tǒng)是一種多變量 、非線性 、高時(shí)滯的復(fù)雜系統(tǒng) ， 且內(nèi)部因素存在強(qiáng)耦合 2， 所以需要一種有效的方法對(duì)溫室環(huán)境進(jìn)行建模和精確控制 。目前 ， 一些溫室控制方案中采用傳統(tǒng)的 PID 控制技術(shù) ， 但 PID 控制器的參數(shù)恒定 ， 不能夠適應(yīng)非線性的實(shí)時(shí)控制要求 3。為此 ， 文獻(xiàn) 4 將模糊理論與PID 控制相結(jié)合 ， 利用模糊規(guī)則對(duì) PID 控制參數(shù)進(jìn)行在線整定 ， 形成了模糊 PID 溫室控制方案 。然而 ， 其存在論域和模糊規(guī)則不能自調(diào)整的缺陷 。模糊控制是一種基于模糊邏輯推理的非線性控制技術(shù) ， 具有良好的魯棒性和穩(wěn)定性 5。但模糊控制技術(shù)需要專家的先驗(yàn)知識(shí) ， 若缺乏則不能構(gòu)建有效的 IF THEN 規(guī)則 ， 神經(jīng)網(wǎng)絡(luò)算法所具備的自學(xué)習(xí)則能力能夠彌補(bǔ)這個(gè)缺陷 6。為此 ， 研究者將神經(jīng)網(wǎng)絡(luò)和模糊控制相結(jié)合形成模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng) ( Fuzzy Neural Network，F(xiàn)NN) 。其中 ， 最著名的為自適應(yīng)模糊神經(jīng)推理系統(tǒng)( Adaptive Network based Fuzzy Inference System， AN-FIS) 7， 其通過神經(jīng)網(wǎng)絡(luò)的不斷學(xué)習(xí) ， 修正輸入輸出變量的隸屬度函數(shù)和模糊規(guī)則 。文獻(xiàn) 8 將 ANFIS 控收稿日期 : 2016 06 16基金項(xiàng)目 : 廣西教育廳項(xiàng)目 ( KY2015YB440) ; 廣西工業(yè)職業(yè)技術(shù)學(xué)院項(xiàng)目 ( 桂工業(yè)院 2014 56)作者簡(jiǎn)介 : 彭 輝 ( 1974 ) ， 男 ， 湖南湘潭人 ， 副教授 /高級(jí)工程師 ， 碩士 ，( E mail) penghuigx126 com。制系統(tǒng)引入到了溫室溫度控制中 ， 一定程度上提高了控制性能 。然而 ， 其只對(duì)溫度進(jìn)行控制 ， 沒有考慮到多因素控制時(shí)的相互耦合問題 。文獻(xiàn) 9 利用 ANFIS控制溫室的溫度和濕度 ， 但其僅通過通風(fēng)口進(jìn)行控制 ， 沒有考慮到其它控制裝置 ( 如加濕器等 ) ， 具有很大的應(yīng)用局限性 。另外 ， 以上方案都采用固定的輸出比例因子 ， 控制響應(yīng)速度較慢 。為此 ， 構(gòu)建了一種多因素的溫室環(huán)境數(shù)學(xué)模型 ，并提出一種基于 ANFIS 和比例因子 ( Scaling factor，SF) 調(diào)節(jié)的溫室溫度和濕度控制方案 ( ANFIS SF) 。本文方案的主要?jiǎng)?chuàng)新點(diǎn)在于 :綜合考慮了多種室內(nèi)外環(huán)境因素 ， 構(gòu)建了一個(gè)溫室環(huán)境數(shù)學(xué)模型 ， 并導(dǎo)出了去耦合的控制輸出表達(dá)式 ; 將 ANFIS 控制系統(tǒng)引入到溫室環(huán)境控制中 ， 以此解決時(shí)變非線性和滯后控制問題 ， 增強(qiáng)系統(tǒng)魯棒性 ; 對(duì)現(xiàn)有 ANFIS 控制系統(tǒng)進(jìn)行了改進(jìn) ， 融入了遺傳算法 ( Genetic Algorithm， GA) 來優(yōu)化調(diào)整輸出比例因子 ， 以此提高系統(tǒng)的響應(yīng)速度 。1 溫室環(huán)境建模由于溫室系統(tǒng)是強(qiáng)耦合的非線性系統(tǒng) ， 目前還沒有能夠精確表達(dá)的模型 。本文考慮了溫室內(nèi)外環(huán)境因素 ， 利用一系列微分方程對(duì)溫室溫度和濕度進(jìn)行精確建模 ， 構(gòu)建加熱 、噴霧和通風(fēng)表達(dá)式 。溫度和濕度模型的微分公式為dTin( t)dt=1Vin qheat( t) + AS( t) qfog( t) qvent( t)Vin× Tin( t) Tout( t) Vin Tin( t) Tout( t) ( 1a)·34·2017 年 6 月 農(nóng) 機(jī) 化 研 究 第 6 期DOI:10.13427/j.cnki.njyi.2017.06.009dHin( t)dt=1Vinqfog( t) +1VinET qvent( t)Vin Hin( t) Hout( t) ( 1b)其中 ， Tin( t) 和 Tout( t) 分別為室內(nèi)和室外溫度( ) ; Hin( t) 和 Hout( t) 分別為內(nèi)部和外部的濕度 ( g 水 /kg 氣 ) ; 為傳熱系數(shù) ( W/K) ; 為空氣密度( 1 2kg/m3) ; 為汽化的潛熱 ( 2257J/g) ; 為空氣的比熱容 ( 1006J/kg/K) ; 為太陽能加熱效率 ( 無量綱 ) ， 其變化范圍為 0 8( 晴天 ) 到 0( 陰天 ) ， 本文取 =0 5; S 為攔截的凈太陽能 ( W/m2) ; ET 為植物的蒸散率 ( g 水 /s) ; qheat為溫室加熱器提供的熱量 ( W) ;qfog為噴霧系統(tǒng)的噴水量 ( g 水 /s) ; qvent為通風(fēng)量 ( m3 氣 /s) ; A 為溫室的占地面積 ( m2) ; Vin為溫室內(nèi)部體積 ( m3) 。其中 ， ET 與攔截太陽能參數(shù)最相關(guān) ， 其關(guān)系簡(jiǎn)化為ET = S( t) Hin( t) ( 2)其中 ， 為表示陰影和葉片面積指數(shù)的綜合系數(shù)( 無量綱 ) ， 是一種經(jīng)驗(yàn)系數(shù) ， 需要根據(jù)不同地點(diǎn) 、氣候和植物進(jìn)行設(shè)定 10， 本文將 設(shè)定為 0 124 9; 為代表熱力學(xué)抗性和其他影響蒸散作用因素 ( 如氣孔 、空氣流動(dòng)等 ) 的綜合系數(shù) ， 單位為 kg/min·m2。該環(huán)境模型通過制熱 、加濕和通風(fēng)操作 ， 來控制室內(nèi)空氣的溫度和濕度 。另外 ， 使用制熱和通風(fēng)組合可實(shí)現(xiàn)減濕目的 。當(dāng)室外空氣的濕度較高時(shí) ， 先對(duì)空氣進(jìn)行加熱使其干燥 ， 然后通風(fēng)操作將干燥控制帶入室內(nèi) ， 吸收室內(nèi)的潮濕空氣 ， 然后排出 。當(dāng)室外空氣的濕度較低時(shí) ， 可以只使用通風(fēng)操作來交換室內(nèi)和室外的空氣 ， 降低溫室空氣濕度 。通過蒸發(fā)設(shè)備 ( 例如霧化器 ) 可提高溫室濕度 。其中 ， 在晴天條件下的進(jìn)行加濕時(shí) ， 需要通風(fēng)來避免氣騰現(xiàn)象 。對(duì)于制熱 ， 只有當(dāng)所需的室內(nèi)空氣溫度高于室外溫度時(shí) ， 才會(huì)使用制熱器 ( 即冬天 ) 。本文利用文獻(xiàn) 11 的反饋 前饋線性化和去耦合控制方法 ， 將公式 ( 1) 改寫為dTin( t)dt= VinTin( t) 1VinTin( t) qvent( t) Vinqfog( t) +1Vinqheat( t) +AVinS( t) +VinTout( t) +1Vinqvent( t) Tout( t) ( 3a)dHin( t)dt= VinHin( t) +1Vinqfog( t) +AVinS( t) 1VinHin( t) qvent( t) +1Vinqvent( t) Hout( t) ( 3b)由于存在控制和干擾變量之間的向量積 ， 公式( 3a) 和 ( 3b) 顯然是耦合非線性方程 ， 不能放入仿射非線性分析系統(tǒng)中 。因此 ， 一種反饋和前饋同時(shí)線性化的組合方案似乎是合理的 。為了系統(tǒng)輸入 /輸出( I/O) 的線性 、非耦合且干擾隔離 ， 閉合回路系統(tǒng)的表達(dá)形式為dTin( t)dt= VinTin( t) + KTuT( t) ( 4a)dHin( t)dt= VinHin( t) + KHuH( t) ( 4b)其中 ， uT和 uH為新的外部控制信號(hào) ; KT和 KH為過程增益 。通過公式 ( 3) 和公式 ( 4) ， 最終可獲得通風(fēng)量 qvent、噴霧量 qfog和加熱量 qheat的表達(dá)式為qvent( t) = L( t)1 1Vin( qheat( t) + ( + 1) AS( t) +VinTout( t) KTuT( t) KHuH( t) ( 5a)qfog( t) = AS( t) + pqvent( t) ( Tin( t) Tout( t) + VinKHuH( t) ( 5b)qheat( t) = AS( t) + qfog( t) + qvent( t) ( Tin( t) Tout( t) Tout( t) + VinKTuT( t) ( 5c)L( t) =1Vin Tin( t) Tout( t) +Vin Hin( t) Hout( t) ( 6)2 提出的溫室環(huán)境控制器溫室環(huán)境中各因素間存在耦合性 ， 如通過通風(fēng)操作調(diào)節(jié)溫度時(shí)也會(huì)影響濕度 12， 這就導(dǎo)致采用常規(guī)控制方法 ( 如開關(guān)控制 、PID 控制等 ) 無法取得良好效果 。為此 ， 可將 ANFIS 控制器引入到溫室環(huán)境控制中 ， 來解決上述問題 。本文根據(jù)上節(jié)提出的溫室環(huán)境模型 ， 利用 ANFIS構(gòu)建溫室環(huán)境控制系統(tǒng) ， 同時(shí)利用 GA 算法優(yōu)化 AN-FIS 輸出比例因子 ?？刂葡到y(tǒng)整體框架如圖 1 所示 。21 ANFIS 控制器系統(tǒng)211 ANFIS 基本結(jié)構(gòu)本文控制過程包含兩個(gè)不同的控制回路 : 第 1 個(gè)回路通過控制通風(fēng)量和加熱量調(diào)節(jié)溫度 ， 第 2 個(gè)通過控制噴霧量調(diào)節(jié)濕度 。由于有 3 個(gè)輸出量 ， 所以本文控制器由 3 個(gè)多輸入單輸出 ANFIS 控制器組成 ， 根據(jù)輸入的設(shè)定值和室外氣候情況的變化控制輸出 。為·44·2017 年 6 月 農(nóng) 機(jī) 化 研 究 第 6 期了簡(jiǎn)單起見 ， 本文以第 1 回路中的 1 個(gè)通風(fēng)量單輸出ANFIS 為例 ， 解釋了本文控制器的工作過程 。ANFIS結(jié)構(gòu)如圖 2 所示 。圖 1 溫室環(huán)境控制系統(tǒng)整體框架圖 2 具有 9 個(gè)規(guī)則的 ANFIS 構(gòu)架ANFIS 系統(tǒng)中 ， 將會(huì)含有 3 × 3 = 9 個(gè) IF THEN規(guī)則 。網(wǎng)絡(luò)中的 L0 層有 2 個(gè)輸入單元 ， L1 層有 6 個(gè)神經(jīng)元 ， L2、L3 和 L4 層有 9 個(gè)神經(jīng)元 ， L5 層有 1 個(gè)神經(jīng)元 ， 如圖 2 所示 。212 隸屬函數(shù)及規(guī)則ANFIS 控制器中的模糊化階段有兩個(gè)輸入 溫度( T) 和濕度 ( H) 與設(shè)置值的偏差 ， 以及一個(gè)輸出 通風(fēng)量 ( v) 。模糊邏輯由控制規(guī)則組成 ， 通常使用 IF THEN 結(jié)構(gòu)定義控制規(guī)則 。因此 ， 本文根據(jù)操作者行為和目標(biāo)系統(tǒng)的響應(yīng)特性來構(gòu)建 IF THEN 規(guī)則 。在這種情況下 ， 將高斯隸屬函數(shù) ( MF) 作為輸入MF， 如圖 3 所示 。圖 3 高斯隸屬度函數(shù)其模糊表達(dá)式為 Ai( x) = exp( ci x)222( )i。其中 ， ci和 i分別為第 i 個(gè)模糊集 Ai的中心值和寬度 ?？刂破鞯妮斎氡?3 個(gè)語言變量標(biāo)記 : 小 ( S) 、中等( M) 、大 ( B) ， 并且輸出的 MF 類型為線性 。模糊系統(tǒng)的 IF THEN 規(guī)則形式為IF: T is LTrand H is LHrTHEN: ur= cro+ crT+ crHH ( 7)其中 ， r = 0， 1， 2， ， 為規(guī)則個(gè)數(shù) ; LTr和 LHr分別為輸入信號(hào) T 和 H 的語言學(xué)術(shù)語 ; ur為第 r 個(gè)規(guī)則對(duì)模糊系統(tǒng)總輸出的貢獻(xiàn) ; cro、crT和 crH為結(jié)論參數(shù) 。213 ANFIS 工作步驟本文中 ， 每個(gè) ANFIS 由 5 層組成 。1) 第 1 層 : 該層中每個(gè)節(jié)點(diǎn) i 使用如下函數(shù)實(shí)現(xiàn)自適應(yīng)功能 ， 則O1i= Ai( e) ， i = 1， ， 3 orO1i= Bi5( e·) ， i = 4， ， 6( 8)其中 ， O1i為第 i 個(gè)節(jié)點(diǎn)的輸出 ， 即模糊集 A( = Aior Bi) 的隸屬度 。在本文中 ， 隸屬度函數(shù)為廣義貝爾函數(shù) ， 則Ai( x = e) =11 +( x ci) /ai2bi( 9)其中 ， x 為節(jié)點(diǎn) i 的輸入 ; ai， bi， ci 為前提參數(shù)集 。2) 第 2 層 : 計(jì)算每條規(guī)則的激活等級(jí) ， 則O2r= ur= Ai( e) Bi( e·) ( r = 1， ， ) ( 10)3) 第 3 層 : 計(jì)算每條規(guī)則的歸一化激活等級(jí) ( 每條規(guī)則的激活強(qiáng)度與所有規(guī)則激活等級(jí)的比例 ) ， 則O3r= ur=urr =1ur( 11)4) 第 4 層 : 計(jì)算每條規(guī)則對(duì)總體輸出的貢獻(xiàn) ， 則O4r= urwr( 12)5) 第 5 層 : 單個(gè)節(jié)點(diǎn)根據(jù)所有輸入信號(hào)計(jì)算模糊系統(tǒng)總體輸出 ， 則O5i=r =1urwr=r =1wrurr =1wr( 13)其中 ， wr為第 r 個(gè)規(guī)則的權(quán)重 。對(duì)于每個(gè)規(guī)則 ， 其權(quán)重根據(jù)輸入隸屬值計(jì)算 ， 則wr= Ltr( T) ·LHr( H) ( 14)其中 ， Ltr( ·) 和 LHr( ·) 為第 r 個(gè)規(guī)則中分別對(duì)應(yīng)語言學(xué)術(shù)語 LTr和 LHr的隸屬函數(shù) 。214 LSE 算法估計(jì)結(jié)論參數(shù)本文使用最小二乘估計(jì) ( Least Square Estimation，LSE) 13算法來估算結(jié)論參數(shù) 。在使用 3 個(gè)模糊集合和 9 個(gè)規(guī)則時(shí) ， 每個(gè)輸入 輸出訓(xùn)練模式可以寫為·54·2017 年 6 月 農(nóng) 機(jī) 化 研 究 第 6 期V =9r =1r( cr0+ cr1T + cr1H)= 11T111H1122T122H1299H199H19 · c101c111c112c202c212c212c909c919c9T19T( 15)那么 ， 所有 M 個(gè)輸入 輸出訓(xùn)練模式可寫為 V =XC ， 則VVM=( 11T11H1 w9w9T9w9H9) 1( 11T11H1 w9w9T9w9H9) 2( 11T11H1 w9w9T9w9H9)Mc01cT1cH1c09cT9cH9( 16)其中 ， V 為 M × 1 維 ， X 為 M × ( 3) ( 9) = M × 27維 ， 而 C 為 ( 2 +1) 9 ×1 維 。通過 LSE 算法可以求解 C ，表示為Ci+1= Ci+ i+1xi+1( VTi+1 xTi+1Ci) ( 17)i+1= iixi+1xTi+1i1 + xTi+1ixi+1( 18)其中 ， xTi為矩陣 X 的第 i 行向量 ; VTi為向量 V 的第 i 個(gè)元素 ， i = 0， 1， 2， ， M 1 ; 為協(xié)方差矩陣 。初始條件 C0= 0 且 0= I ， I 為大小為 ( 2 +1) 9 維的單位矩陣 ， 為較大的正數(shù) 。22 基于 GA 優(yōu)化 ANFIS 輸出比例因子ANFIS 控制器中 ， 輸出比例因子 ( SF) 14為實(shí)際輸出與控制器輸出的比值 ， 即表示輸出增益 。通常采用固定的輸出比例因子 ， 然而這不能夠?qū)崿F(xiàn)控制的快速收斂 。在溫室環(huán)境控制中 ， 應(yīng)該根據(jù)控制誤差動(dòng)態(tài)調(diào)整比例因子 。當(dāng)誤差較大時(shí) ， 應(yīng)增大輸出比例因子 ， 使系統(tǒng)輸出快速向誤差減小的方向移動(dòng) ; 當(dāng)誤差較小時(shí) ， 應(yīng)減小輸出比例因子 ， 使系統(tǒng)在平衡點(diǎn)附近進(jìn)行微調(diào) ?？梢?， 比例因子的大小會(huì)影響系統(tǒng)響應(yīng)的上升時(shí)間 ， 進(jìn)而影響對(duì)設(shè)定值的跟蹤性能 。所以 ， 本文采用遺傳算法 ( GA) ， 根據(jù)系統(tǒng)控制輸出的平方誤差積分 ( Integral of Square Error， ISE) 來優(yōu)化 ANFIS 中的比例因子 。GA 是一種根據(jù)適應(yīng)度函數(shù) ， 通過選擇 、交叉和變異操作來尋找問題最優(yōu)解 ( 即染色體 ) 的智能技術(shù) 15。本文 GA 算法中 ， 染色體的適應(yīng)度函數(shù)為 ISE 的倒數(shù) ， 如式 ( 19) 所示 。其中 ， 誤差 e 為期望值和真實(shí)系統(tǒng)輸出值之間的差 。ISE =0 e( t) 2dt ( 19)將染色體根據(jù)其適應(yīng)度值進(jìn)行排名 ， 并根據(jù)輪盤選擇法選擇合適的染色體進(jìn)行遺傳 ， 然后進(jìn)行交叉和變異操作 。本文設(shè)定最大遺傳代數(shù)為 50， 染色體數(shù)量為 20， 突變率和交叉率分別設(shè)置為 0 2 和 0 25。重復(fù)遺傳過程 ， 直至達(dá)到結(jié)束條件 ， 最終獲得滿足標(biāo)準(zhǔn)的解 。本文將溫度和濕度的比例因子分別表示為 scalf T 和 scalf H。比例因子的變化范圍為 0， 15， 將十進(jìn)制的比例因子對(duì)應(yīng)轉(zhuǎn)換為 10 比特的無符號(hào)二進(jìn)制碼 。那么 ， 溫度和濕度比例因子可表示為 20 比特二進(jìn)制串 s ， 即染色體1001010101scalf T1010010010scalf H。本文 GA 優(yōu)化 ANFIS 比例因子參數(shù)的步驟如下 :1) 構(gòu)建初始種群 。隨機(jī)生成 20 個(gè)溫度和濕度控制器的比例因子參數(shù) ( scalf T， scalf H) ， 即染色體 ，其中每個(gè)二進(jìn)制位代表染色體中的基因 ; 然后 ， 進(jìn)行二進(jìn)制編碼 ， 作為初始種群 。2) 適應(yīng)度計(jì)算 。模擬 ANFIS 系統(tǒng)的閉合回路瞬態(tài)響應(yīng) ， 并估算每個(gè)比例因子參數(shù)下的訓(xùn)練誤差 ， 作為該參數(shù)的適應(yīng)度函數(shù) 。3) 選擇操作 。通過輪盤方法選擇將要遺傳的參數(shù) ， 其中適應(yīng)度值越大的參數(shù)被選中的幾率越高 。4) 交叉和變異操作 。根據(jù)交叉率 ， 隨機(jī)產(chǎn)生交叉點(diǎn) ， 對(duì)參數(shù)進(jìn)行重組 ; 根據(jù)突變率 ， 改變所選參數(shù)中的個(gè)別二進(jìn)制位 。以此產(chǎn)生適應(yīng)度值更好的下一代 ， 提高搜索速度 。5) 終止條件 : 重復(fù)步驟 2) 4) ， 直到獲得符合期望的閉環(huán)回路響應(yīng)要求的參數(shù)或達(dá)到最大迭代次數(shù) 。3 實(shí)驗(yàn)及分析利用 MatLab 構(gòu)建一個(gè)仿真溫室環(huán)境進(jìn)行實(shí)驗(yàn) ， 溫室地表面積為 1 000m2， 高 4m。溫室具有遮光膜 ， 減少 60% 的太陽輻射能量 。霧化系統(tǒng)的最大噴水量為26g 水 /min·m3。最大換氣次數(shù)為 20 次 /h( 222m3/s) 。葉片陰影指數(shù) 取值為 01249， 蒸散系統(tǒng) T=0 015kg/min·m。熱傳遞系數(shù) UA =25kW/K。為了進(jìn)行比較 ， 在本文構(gòu)建的溫室環(huán)境數(shù)學(xué)模型中 ， 使用傳統(tǒng) ANFIS 控制器和本文 ANFIS SF 控制器 ， 在兩個(gè)不同環(huán)境設(shè)置值場(chǎng)景下進(jìn)行實(shí)驗(yàn) 。第 1 個(gè)仿真實(shí)驗(yàn)中 ， 室外環(huán)境不變 ， 改變室內(nèi)環(huán)境設(shè)定值 ， 用于證明本文方案提供相互控制和設(shè)置點(diǎn)階躍變化時(shí)平穩(wěn)閉合回路響應(yīng)的能力 。該模擬中 ， 室·64·2017 年 6 月 農(nóng) 機(jī) 化 研 究 第 6 期外溫度 為 Tout= 35， 溫 度 為 Hout= 4g/kg ( H =10% ) ， 太陽輻射能為 Si= 300W/m2。設(shè)置 2 個(gè)階躍點(diǎn) : 在 t = 100min 時(shí) ， 設(shè)置濕度從 18g/kg 提升到24g/kg( 相當(dāng)于相對(duì)濕度從 60% 提升到 80% ) ， 此過程溫度恒定設(shè)置為 30; 在 t = 200min 時(shí) ， 設(shè)置溫度從 30降到 28， 此過程濕度恒定設(shè)置為 24g/kg。圖 4 顯示了濕度和溫度設(shè)置值發(fā)生階躍變化時(shí)的控制系統(tǒng)響應(yīng)輸出 。由于該過程不存在加熱處理 ，所以輸出信號(hào)為霧化系統(tǒng)噴水量 qvent和通風(fēng)系統(tǒng)通風(fēng)量 qvent。從仿真結(jié)果可以看出 : 相比于沒有比例因子優(yōu)化的 ANFIS， 本文 ANFIS SF 控制器的閉合回路系統(tǒng)響應(yīng)非常迅速 。圖 5 顯示了在這些控制輸出信號(hào)作用下溫度和濕度的響應(yīng)曲線 。由圖 5 可以看出 : 兩種方法都能夠有效地追蹤設(shè)置值 ， 證明了本文所構(gòu)建的溫室環(huán)境數(shù)學(xué)模型具有可行性 ， 也證明了應(yīng)用 AN-FIS 進(jìn)行控制的正確性 。另外 ， 由于本文方案融入了比例因子自調(diào)整技術(shù) ， 有效提高了響應(yīng)速度 ， 且結(jié)果能夠穩(wěn)定到設(shè)置值附件 。本文方案還能夠?qū)崿F(xiàn)相互控制 ， 當(dāng)濕度設(shè)置值階躍變化時(shí) ， 本文控制器能夠穩(wěn)定地控制溫度不隨其大幅度震蕩 。圖 4 溫室通風(fēng)系統(tǒng)和霧化系統(tǒng)的控制信號(hào)輸出在第 2 個(gè)仿真實(shí)驗(yàn)中 ， 室外環(huán)境和室內(nèi)環(huán)境設(shè)定值都發(fā)生變化 ， 在多重因素下驗(yàn)證本文控制方案的有效性 。當(dāng) t = 200min 時(shí) ， 設(shè)置室內(nèi)溫度由 30 降到20; 當(dāng) t = 300min 時(shí) ， 設(shè)置濕度從 18g/kg 提升到24g/kg。在 t =100min( 對(duì)于 Si) 、150min( 對(duì)于 Tout) 和200min( 對(duì)于 Hout) 時(shí) ， 加入了室外環(huán)境變化干擾 。階躍變化如下 : Si從 250 提升到 300W/m2， Tout從 35 降到 32， Hout從 4 提高到 8g/kg。室內(nèi)和室外環(huán)境發(fā)生階躍變化時(shí) ， 控制系統(tǒng)的響應(yīng)如圖 6 所示 。由圖 6 可以看出 : 在室內(nèi)和室外環(huán)境都發(fā)生變化時(shí) ， 本文方案依然能夠迅速準(zhǔn)確地追蹤設(shè)置值 。圖 5 溫室內(nèi)溫度和濕度的控制結(jié)果圖 6 場(chǎng)景 2 中溫室內(nèi)溫度和濕度的控制結(jié)果為了進(jìn)一步明確表示各方案的控制精度 ， 本文利用均方根誤差 ( MSE) 來計(jì)算實(shí)驗(yàn)中控制過程輸出準(zhǔn)確性 ， 則MSE =1TTk =1Yd k Y ( )k槡2( 20)其中 ， Yd k 和 Y k 分別為期望輸出和實(shí)際輸出 : T 為采集的樣本數(shù) 。同樣采用上述兩個(gè)實(shí)驗(yàn)場(chǎng)景 ， 將 ANFIS 控制器 、傳統(tǒng) PID 控制器 、傳統(tǒng)模糊控制器和本文 ANFIS SF 控制器進(jìn)行比較 ， 采集前 300min的溫度和濕度數(shù)據(jù)作為樣本 ， 計(jì)算各控制方案的MSE， 結(jié)果如表 1 所示 。由表 1 可以看出 : 傳統(tǒng) PID控制性能最差 ， 這是因?yàn)闇厥噎h(huán)境影響因素多且相關(guān) ， PID 控制無法滿足要求 。相比于傳統(tǒng)控制方法 ， 采用 ANFIS 控制系統(tǒng)能夠有效提高控制精度 ， 而本文ANFIS SF 控制器獲得最高的精確度 。·74·2017 年 6 月 農(nóng) 機(jī) 化 研 究 第 6 期表 1 溫度和濕度控制的 MSE 值控制器MSE溫度控制 濕度控制PID 控制 4278E 01 5818E 01模糊 PID 控制 6605E 02 7556E 02ANFIS 3324E 02 2390E 02ANFIS SF 2048E 02 1305E 024 結(jié)論提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制方案 。在考慮室內(nèi)外環(huán)境因素下 ， 構(gòu)建溫室環(huán)境數(shù)學(xué)模型 。利用 ANFIS， 根據(jù)溫度和濕度差推理獲得控制輸出 。通過遺傳算法優(yōu)化控制器的輸出比例因子 ， 提高響應(yīng)速度 。在室內(nèi)和室外環(huán)境因素發(fā)生階躍變化場(chǎng)景下進(jìn)行實(shí)驗(yàn) ， 結(jié)果表明 : 本文方案能夠快速 、精確地跟蹤設(shè)定值 ， 且能夠避免多個(gè)控制量間的干擾 ， 具有很強(qiáng)的魯棒性 。參考文獻(xiàn) : 1 楊學(xué)坤 ， 蔣曉 ， 諸剛 溫室環(huán)境控制技術(shù)的研究現(xiàn)狀與發(fā)展趨勢(shì) J 中國農(nóng)機(jī)化 ， 2013， 34( 4) : 16 18 2 屈毅 ， 寧鐸 ， 賴展翅 ， 等 溫室溫度控制系統(tǒng)的神經(jīng)網(wǎng)絡(luò)PID 控制 J 農(nóng)業(yè)工程學(xué)報(bào) ， 2011， 27( 2) : 307 311 3 Shan X M esearch on Control System of Greenhouse Tem-perature and Humidity Based on Fuzzy PID J Applied Me-chanics Materials， 2014， 68( 7) : 3395 3398 4 岳文杰 ， 謝守勇 ， 陳翀 ， 等 基于模糊 PID 的溫室溫度控制器設(shè)計(jì)與仿真 J 農(nóng)機(jī)化研究 ， 2014， 36( 4) : 194 197 5 Zhang D H， Wu X Q， Zhang C Y The application of fuzzycontrol in greenhouse environment control J Applied Me-chanics Materials， 2014， 54( 3) : 1432 1435 6 S evathi， N Sivakumaran Fuzzy Based TemperatureControl of Greenhouse J IFAC PapersOnLine， 2016， 49( 1) : 549 554 7 鄒秋瀅 ， 紀(jì)建偉 ， 李征明 基于 ANFIS 的溫室小氣候環(huán)境因子預(yù)測(cè)模型辨識(shí) J 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào) ， 2014， 45( 4) : 503 507 8 Prakash O， Kumar A ANFIS modelling of a natural convec-tion greenhouse drying system for jaggery: an experimentalvalidation J International Journal of Sustainable Energy，2014， 33( 2) : 316 335 9 葛建坤 ， 汪順生 ， 羅金耀 基于 ANFIS 的溫室微氣候通風(fēng)調(diào)控模型 J 排灌機(jī)械工程學(xué)報(bào) ， 2013， 31( 4) : 358 363 10 Ge J， Wang S， Luo J Ventilation control model for tempera-ture and humidity environment in greenhouse based on AN-FIS J Paiguan Jixie Gongcheng Xuebao/journal of Drain-age Irrigation Machinery Engineering， 2013， 31( 4) : 358363 11 Gao Y， Liu C， Song X， et al Feedback feed forwardlinearization and decoupling for greenhouse environmentcontrol C / / International Conference on Mechatronics andControl Jinzhou: IEEE， 2014: 179 183 12 王立舒 ， 侯濤 ， 姜淼 基于改進(jìn)多目標(biāo)進(jìn)化算法的溫室環(huán)境優(yōu)化控制 J 農(nóng)業(yè)工程學(xué)報(bào) ， 2014， 30( 5) : 131 137 13 Kisi O Streamflow Forecasting and Estimation Using LeastSquare Support Vector egression and Adaptive Neuro Fuzzy Embedded Fuzzy c means Clustering J Wateresources Management， 2015， 29( 14) : 1 19 14 李煒 ， 蔡翔 基于改進(jìn)量子粒子群算法的 NCS 模糊控制器參數(shù)優(yōu)化 J 計(jì)算機(jī)應(yīng)用研究 ， 2013， 30( 8) : 23012303 15 Lutfy O F， Noor S B M， Marhaban M H， et al A simpli-fied adaptive neuro fuzzy inference system ( ANFIS) con-troller trained by genetic algorithm to control nonlinear multi input multi output systems J Scientific esearch Essays， 2011， 6( 31) : 6475 6486Intelligent Greenhouse Environment Control Based on Fuzzy Neural NetworkPeng Hui1， Zeng Bi2( 1 Department of Electrical Engineering， Guangxi Vocational Technical Institute of Industry， Nanning 530001， Chi-na; 2 School of Computer Science and Technology， Guangdong University of Technology， Guangzhou 510006， China)Abstract: For the issue that the accurate modeling and control of agriculture greenhouse environment， a intelligent con-trol scheme based on fuzzy neural network is proposed Firstly， a mathematical model of the greenhouse environment isconstructed under considering of the indoor and outdoor environmental factor， and the differential expressions of ventila-tion， spray and heat value are obtained Then， an adaptive fuzzy neural inference system ( ANFIS) is used to obtain thecontrol output by the neural network self learning and fuzzy inference， with the temperature and humidity as the input·84·2017 年 6 月 農(nóng) 機(jī) 化 研 究 第 6 期Finally， the output scaling factor of the controller is optimized by genetic algorithm， which improves the control responsespeed and stability The experimental results show that the proposed scheme can quickly and stably track the setting valueof the environment， and has good control effectKey words: greenhouse environment; intelligent control; adaptive; fuzzy inference; genetic algorithm( 上接第 42 頁 ) 6 陳紀(jì)修 ， 於崇華 ， 金路 數(shù)學(xué)分析 ( 下冊(cè) ) ( 2 版 ) M 北京 : 高等教育出版社 ， 2004 7 Tokuz， L C Hybrid machine modeling and control D Liv-erpool: Liverpool Polytechine， 1992 8 李輝 混合驅(qū)動(dòng)可控壓力機(jī)的基礎(chǔ)理論研究 D 天津 :天津大學(xué)機(jī)械工程學(xué)院 ， 2003 9 周雙林 ， 姚燕安 ， 郭為忠 混合輸入五桿機(jī)構(gòu)的奇異性分析 J 上海交通大學(xué)學(xué)報(bào) ， 2001， 35( 12) : 1817 1820，1833Abstract ID: 1003 188X( 2017) 06 0038 EAThe Structure Design and Spatial Analysis of the New BananaPlanting Open Pit MachineLou Yuyin1， Huang Wei2， Liu Guanghao3， Wang Shasha2， Bi Wei2( 1 Lushan College of Guangxi University of Science and Technology ， Liuzhou 545005， China; 2 College of MechanicalEngineering， Guangxi University ， nanning 530004， China; 3 Liuzhou vocational Technical College， Liuzhou 545005，China)Abstract: Based on the banana cultivation practices， banana planting machine development the present situation of thelack of open pit， thie paper developed a connecting rod type controlled three degrees of freedom banana planting machineopen pit First， this paper introduces the new banana planting mechanism principle and structure characteristics of openpit machine， Secondly， according to a new type of banana planting machine open pit singularity of the jacobian matrixand the singular type structure， analysis is made Again， according to the mathematical theory of several existing condi-tions， calculation of new banana planting machine structure workspace boundary condition， it is concluded