宋海聲，趙學(xué)深，劉平和

西北師范大學(xué)物理與電子工程學(xué)院，蘭州 730070

農(nóng)業(yè)溫室溫度的智能辨識控制

宋海聲，趙學(xué)深，劉平和

西北師范大學(xué)物理與電子工程學(xué)院，蘭州 730070

1 引言

在農(nóng)作物生長環(huán)境中，為保證農(nóng)作物溫度適宜，通常采用溫室密閉環(huán)境，使農(nóng)作物達(dá)到最佳生長條件，此時進(jìn)行溫度調(diào)控，可以有效提高作物產(chǎn)出率[1-2]。在建立系統(tǒng)模型時，被控對象具有不同程度的滯后現(xiàn)象，采用PID（Proportion Integration Differentiation）控制器由于算法簡單、可靠性較高等優(yōu)點，被廣泛應(yīng)用在控制領(lǐng)域中[3-4]，然而被控對象往往會產(chǎn)生較明顯超調(diào)量和較長時間調(diào)節(jié)過程，降低了系統(tǒng)穩(wěn)定性，常規(guī)PID控制器達(dá)到最優(yōu)化控制效果。

針對農(nóng)業(yè)溫度控制系統(tǒng)，建立含有農(nóng)業(yè)溫度控制數(shù)學(xué)模型。在LI-RBF（Learning and Improvement RBF）辨識器與農(nóng)業(yè)系統(tǒng)響應(yīng)并接成補償環(huán)節(jié)，使系統(tǒng)消除滯后項，進(jìn)一步跟蹤辨識系統(tǒng)，提高控制質(zhì)量。LI-RBF-PID控制器中，擁有RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、學(xué)習(xí)速率快等優(yōu)點，并優(yōu)化控制參數(shù)，可以相互配合又相互制約的比例、積分和微分作用實現(xiàn)農(nóng)業(yè)溫度控制，達(dá)到良好的性能。

2 農(nóng)業(yè)溫度控制原理及模型

由于不同地理環(huán)境對農(nóng)作物培養(yǎng)方式不同，建立的農(nóng)業(yè)溫度控制模型效果也有所不同。本文分析溫室本身環(huán)境因素對農(nóng)業(yè)溫度的影響，提出含調(diào)節(jié)控制量的農(nóng)業(yè)溫度數(shù)學(xué)模型[5-6]，如式（1）。

由式（1）右邊可知通過溫室內(nèi)地表交換的熱量、通風(fēng)時溫室內(nèi)外的熱量交換、作物蒸騰作用吸收的熱量和溫度調(diào)節(jié)量設(shè)備所調(diào)節(jié)的熱量。

M(t)是受到溫室溫度影響變量，其中有溫室內(nèi)氣體定容比、溫室體積和溫室內(nèi)自然通風(fēng)率等內(nèi)部變量。L(t)是由室外溫度Tout(t)、農(nóng)作物蒸騰速率λE、溫室太陽輻射Qh(t)等環(huán)境變量構(gòu)成。由此可知，溫室溫度系統(tǒng)是一個復(fù)雜、時變參數(shù)的系統(tǒng)。

對式（4）兩邊進(jìn)行拉氏變換，整理得到：

由上式可知，可以將農(nóng)業(yè)溫度控制系統(tǒng)考慮為擾動情況的慣性加時滯環(huán)節(jié)。傳統(tǒng)的慣性加時滯環(huán)節(jié)中，K是系統(tǒng)靜態(tài)增益，T是系統(tǒng)時間常數(shù)，是系統(tǒng)純滯后時間。綜合上述農(nóng)業(yè)溫度模型與典型的慣性加時滯環(huán)節(jié)比對分析，可以得到式（6）傳遞函數(shù)：

3 智能辨識控制設(shè)計

3.1 RBF神經(jīng)網(wǎng)絡(luò)算法

x(n)∈y(k+1)為網(wǎng)絡(luò)輸入向量，cj(n)為高斯函數(shù)中心矢量，cj=[cj1，cj2，…，cjN]，σj(n)為寬度參數(shù)，j為網(wǎng)絡(luò)隱單元數(shù)目，||·||為歐式范數(shù)。

整個網(wǎng)絡(luò)輸出為：

在RBF網(wǎng)絡(luò)中，隱含單元執(zhí)行是固定不變非線性映射，將輸入空間映射到一個新空間，輸出層在該新的空間中作為線性組合器，可調(diào)節(jié)參數(shù)是網(wǎng)絡(luò)權(quán)值，隱單元高斯函數(shù)的中心及寬度[7]。

每個隱單元輸出為：

wi(n)為隱層第i個神經(jīng)元與輸出單元之間網(wǎng)絡(luò)權(quán)值。

經(jīng)過對RBF神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)，文章提出LI-RBF算法。

3.2 LI-RBF神經(jīng)網(wǎng)絡(luò)算法

由于RBF神經(jīng)網(wǎng)絡(luò)不存在局部極小特征，可以最佳逼近系統(tǒng)辨識能力，使其在模式識別、優(yōu)化控制和自適應(yīng)控制等多領(lǐng)域應(yīng)用廣泛。但是系統(tǒng)精度不高、隱含節(jié)點中心向量很難計算等問題，這也是該網(wǎng)絡(luò)中應(yīng)該解決并努力改進(jìn)的問題，并且尋找特定環(huán)境下解決問題的方法。本文提出LI-RBF神經(jīng)網(wǎng)絡(luò)，如圖1所示。

圖1 LI-RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

設(shè)x=[x1,x2,…，xn]=[y(k),…，y(k-ny+1)，u(k),…，u(knu+1)]，其中，y(k)和u(k)分別是k時刻系統(tǒng)模型輸出值和輸入值；ny和nu為輸出階數(shù)和輸入階數(shù)；y(k)和u(k)作為LI-RBF神經(jīng)網(wǎng)絡(luò)輸入向量，當(dāng)前時刻系統(tǒng)輸出信息是LIRBF神經(jīng)網(wǎng)絡(luò)輸出向量ym(k)。利用本文中的LI-RBF優(yōu)化算法，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，逼近實際輸出值yd(k)。

網(wǎng)絡(luò)學(xué)習(xí)從只有一個隱層神經(jīng)元網(wǎng)絡(luò)開始，當(dāng)滿足以下條件，需要網(wǎng)絡(luò)加入新的隱單元：

yd(k)是第k時刻農(nóng)業(yè)溫度實際輸出，ym(k)是神經(jīng)網(wǎng)絡(luò)系統(tǒng)第k時刻室內(nèi)溫度輸出，emax為容許精度。這樣提高了算法本身的精度，不易出現(xiàn)過擬合問題。

條件2輸入數(shù)據(jù)已遠(yuǎn)離存在中心，表明已存在中心沒有很好反應(yīng)輸入數(shù)據(jù)分布模式。因此，把隱單元輸出公式改為式（8）所示，加入適當(dāng)系數(shù)a和b，使LI-RBF神經(jīng)網(wǎng)絡(luò)輸入值在有效映射區(qū)域內(nèi)全面映射。網(wǎng)絡(luò)輸入向量幅度值x與a成反比，與b成正比，當(dāng)x比cj大時，通過a作用處理后的網(wǎng)絡(luò)輸入值x接近a提高了系統(tǒng)辨識非線性映射能力。

所以，在網(wǎng)絡(luò)學(xué)習(xí)初步階段，由于隱單元數(shù)目較少，網(wǎng)絡(luò)對要逼近函數(shù)產(chǎn)生一個粗糙表示，新穎性條件很容易滿足，所以LI-RBF徑向基神經(jīng)網(wǎng)絡(luò)會通過分配寬度越來越小隱單元來修正表示，當(dāng)系統(tǒng)按期望精度調(diào)整后，就停止分配新單元，并按照條件式（2）和式（3）進(jìn)行再次優(yōu)化，最終預(yù)測結(jié)果輸出。

3.3 LI-RBF網(wǎng)絡(luò)辨識器設(shè)計

優(yōu)化后，隱含層至輸出層權(quán)值w為：

優(yōu)化后，隱含層節(jié)點的寬度參數(shù)迭代法調(diào)整公式為：

優(yōu)化后，隱含節(jié)點的中心向量的迭代法調(diào)整公式為：

Jacobian矩陣即為輸出對控制輸入變化，取LI-RBF網(wǎng)絡(luò)第一個輸入x1=u(k)。靈敏度算法為：

3.4 LI-RBF-PID控制器設(shè)計

由PID控制器為線性控制器可知[8-9]，根據(jù)被控對象輸出yd(k)，網(wǎng)絡(luò)輸出ym(k)構(gòu)成偏差e(k)進(jìn)行控制。

控制器輸出為u(k)：

kp，ki，kd分別為比例、積分、微分系數(shù)。LI-RBF-PID控制是將PID控制規(guī)律融入到神經(jīng)網(wǎng)絡(luò)之中新型控制器。該控制器提供系統(tǒng)辨識能力，在線調(diào)整PID控制器kp，ki，kd，PID三項輸入為：

其中，kp，ki，kd調(diào)整采用梯度下降法。

3.5 LI-RBF-PID農(nóng)業(yè)溫度控制系統(tǒng)的設(shè)計

農(nóng)業(yè)溫度控制系統(tǒng)結(jié)構(gòu)圖如圖2所示。

圖2 農(nóng)業(yè)溫度控制系統(tǒng)結(jié)構(gòu)圖

LI-RBF網(wǎng)絡(luò)辨識器采用Delta函數(shù)和迭代法設(shè)計神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)節(jié)率，獲取了權(quán)值自適應(yīng)調(diào)節(jié)過程，從而獲得閉環(huán)系統(tǒng)的穩(wěn)定性，有效提高了系統(tǒng)的精度。

在RBF-PID控制器基礎(chǔ)上利用LI-RBF神經(jīng)網(wǎng)絡(luò)辨識器的自適應(yīng)能力，調(diào)整控制器控制參數(shù)，構(gòu)成一個具有自適應(yīng)能力的控制器。在神經(jīng)元學(xué)習(xí)算法中，借助算法的優(yōu)化，優(yōu)化二次型性能指標(biāo)的思想，在加權(quán)系數(shù)的調(diào)整中引入二次型性能指標(biāo)，使輸出誤差和控制增量加權(quán)平方和最小來調(diào)整加權(quán)系數(shù)，從而間接實現(xiàn)對輸出誤差和控制增量加權(quán)的約束條件。采用梯度下降法來調(diào)節(jié)kp，ki，kd，使控制器達(dá)到精準(zhǔn)輸出。綜上可以尋找優(yōu)化后的農(nóng)業(yè)溫度控制系統(tǒng)。

4 辨識控制研究

為了驗證文本LI-RBF神經(jīng)網(wǎng)絡(luò)控制效果[10-11]，對其進(jìn)行了實驗。以西北地區(qū)洋芋為實驗對象，對農(nóng)業(yè)溫度系統(tǒng)進(jìn)行研究分析，系統(tǒng)采用公式（6）所示模型。

4.1 LI-RBF神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)溫度系統(tǒng)模型辨識器仿真結(jié)果

LI-RBF網(wǎng)絡(luò)辨識器三個輸入為，ym(n)，ym(n-1)，輸入信號采用方波信號u(t)=1.0sgn(sm2πt)。采用LI-RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過訓(xùn)練實驗后，選取隱含層L=9，輸入節(jié)點數(shù)N=4，學(xué)習(xí)速率η1=η2=η3=0.1，動量因子α1= α2=α3=0.5，系數(shù)a=0.5，b=2。輸出誤差P=0.2?？刂圃隽考訖?quán)系數(shù)Q=0.1。條件1和條件3中的容許精度分別為0.05和0.15。LI-RBF神經(jīng)網(wǎng)絡(luò)對農(nóng)業(yè)溫度模型的辨識曲線，如圖3所示。圖4為傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)對模型的辨識曲線。

圖3 LI-RBF神經(jīng)網(wǎng)絡(luò)對農(nóng)業(yè)溫度模型的辨識曲線

圖4 傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)對模型的辨識曲線

從圖3可以看出，LI-RBF神經(jīng)網(wǎng)絡(luò)算法，能夠更加有效和完整地跟蹤辨識效果，提高精度，抗干擾能力強，并隨這農(nóng)業(yè)溫度環(huán)境變化有效調(diào)節(jié)溫室內(nèi)溫度，使洋芋生長在適宜的環(huán)境下。

由仿真結(jié)果可以明顯看出，LI-RBF神經(jīng)網(wǎng)絡(luò)能很好辨識系統(tǒng)，并優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，這是由于RBF神經(jīng)網(wǎng)絡(luò)的局部接受特性使得其決策時隱含了距離的概念，即只有當(dāng)輸入接近RBF網(wǎng)絡(luò)的接受域時，網(wǎng)絡(luò)才會做出更好的響應(yīng)[12-13]，從而避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)超平面分割所帶來的任意劃分特性。在隱含層和隱含層節(jié)點選取合適的情況下，LI-RBF網(wǎng)絡(luò)的隱含層執(zhí)行一種固定不變的非線性變換，將輸入空間映射到一個新的隱含層空間，輸出層在該新的空間中實現(xiàn)線性組合。由于輸出單元的線性特性，其參數(shù)調(diào)節(jié)極為簡單，且不存在局部極小問題，可以最佳逼近的特性。

4.2 LI-RBF神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)溫度控制系統(tǒng)仿真

系統(tǒng)經(jīng)過LI-RBF神經(jīng)網(wǎng)絡(luò)辨識分析后，提高了系統(tǒng)的精度，控制系統(tǒng)的輸入仍采用方波信號u(t)=1.0sgn(sm2πt)。經(jīng)過多次訓(xùn)練實驗后，選取隱含層L=9，輸入節(jié)點數(shù)N=4，學(xué)習(xí)速率η1=η2=η3=0.15，系數(shù)a=0.5，b=2，容許精度仍然為0.05和0.15。LI-RBF神經(jīng)網(wǎng)絡(luò)輸出誤差曲線如圖5所示。圖6為農(nóng)業(yè)溫度控制曲線。

圖5 LI-RBF神經(jīng)網(wǎng)絡(luò)輸出誤差曲線

圖6 農(nóng)業(yè)溫度控制曲線

由圖5可知，經(jīng)過LI-RBF神經(jīng)網(wǎng)絡(luò)中迭代次數(shù)的增加，性能指標(biāo)明顯減小，收斂效果良好，說明對農(nóng)業(yè)溫控響應(yīng)反映曲線更加準(zhǔn)確。在圖6中，明顯看出，LI-RBF神經(jīng)網(wǎng)絡(luò)控制響應(yīng)效果良好，與傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)控制響應(yīng)相比較，降低誤差和逼近辨識過程；與傳統(tǒng)PID控制響應(yīng)相比超調(diào)小，上升時間短。LI-RBF-PID控制器響應(yīng)速度快，可在短時間內(nèi)，達(dá)到設(shè)定的控制效果，為農(nóng)作物的生長環(huán)境調(diào)節(jié)做出貢獻(xiàn)。

取西北地區(qū)某一天在不同時間內(nèi)，間隔時間相同采取農(nóng)業(yè)溫度樣本，采集樣本點7個輸入到LI-RBF-PID控制器，RBF-PID控制器和PID控制器中，進(jìn)行性能比較。

通過采集7個數(shù)據(jù)樣本點進(jìn)行如表1的分析。準(zhǔn)確率根據(jù)農(nóng)業(yè)系統(tǒng)溫度輸出誤差所決定。LI-RBF-PID控制器平均響應(yīng)時間9.9 s，準(zhǔn)確率92.3%，而PID控制器平均響應(yīng)時間35.7 s，準(zhǔn)確率71.6%，RBF-PID控制器平均響應(yīng)時間11.7 s，準(zhǔn)確率84.3%。

通過多次多點測量數(shù)據(jù)樣本點MAΤLAB仿真，可以測得算法平均迭代，平均收斂時間。由表1和表2可以看到，LI-RBF-PID控制器，在神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上優(yōu)化，使系統(tǒng)在收斂速度、控制準(zhǔn)確等方面有了較大的改善，其可以更好地應(yīng)用在農(nóng)業(yè)控制環(huán)境中，有一定的使用價值。

表1 樣本檢測結(jié)果比較

表2 三種控制器性能比較

5 結(jié)論

通過對農(nóng)業(yè)溫度控制系統(tǒng)進(jìn)行仿真研究，可知LI-RBF辨識器提高了農(nóng)業(yè)溫度控制系統(tǒng)的辨識器辨識精度，使系統(tǒng)辨識效果更加明顯。在利用LI-RBF神經(jīng)網(wǎng)絡(luò)辨識器的自適應(yīng)能力，調(diào)整RBF控制器控制參數(shù)，構(gòu)成一個具有自適應(yīng)能力的LI-RBF-PID控制器，將控制器和辨識器應(yīng)用于農(nóng)業(yè)溫度控制系統(tǒng)，由農(nóng)業(yè)溫度控制曲線和控制器比較可知，提高了系統(tǒng)動態(tài)響應(yīng)，收斂效果良好，更加精準(zhǔn)，能夠很好地應(yīng)用于農(nóng)業(yè)控制中。

[1]李迎霞，杜尚豐.中國溫室環(huán)境智能控制算法研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報，2004，3（2）：267-272.

[2]齊文新，周學(xué)文.分布式智能型溫室計算機控制系統(tǒng)的一種設(shè)計與實現(xiàn)[J].農(nóng)業(yè)工程學(xué)報，2004，1（1）：246-249.

[3]丁軍，徐用懋.單神經(jīng)元自適應(yīng)PID控制器及其應(yīng)用[J].控制工程，2004，1（1）：27-30.

[4]吳宏鑫，沈少萍.PID控制的應(yīng)用與理論依據(jù)[J].控制工程，2003，1（1）：37-42.

[5]李曉斌，王海波.真空冷凍干燥溫度的智能預(yù)測控制[J].計算機工程與應(yīng)用，2010，46（30）：241-244.

[6]王峰，邢科義，徐小平.非線性動態(tài)系統(tǒng)建模方法研究[J].計算機工程與應(yīng)用，2009，45（10）：7-10.

[7]Sun J，Liu F，Si J，et al.Direct heuristic dynamic programming based on an improved PID neural network[J].Journal of Control Τheory and Applications，2012（4）：497-503.

[8]劉金琨.先進(jìn)PID控制MAΤLAB仿真[M].3版.北京：電子工業(yè)出版社，2011.

[9]Sumar R R，Coelho A A R，Coelho L.Computational intelligence approach to PID controller design using the universal model[J].Information Sciences，2010，180（20）：3980-3991.

[10]張澤旭.神經(jīng)網(wǎng)絡(luò)控制與MAΤLAB仿真[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2011.

[11]Banos R，Manzano-Agugliaro F，Montoya F G，et al.Optimization methods applied to renewable and sustainable energy：a review[J].Renewable and Sustainable Energy Reviews，2011，15：1753-1766.

[12]Yabanova ?，Kecebas A.Development of ANN model for geothermal district heating system and a novel PID-based control strategy[J].Applied Τhermal Engineering，2013，51：908-916.

[13]王菲菲，陳瑋.基于RBF神經(jīng)網(wǎng)絡(luò)與Smith預(yù)估補償?shù)闹悄躊ID控制[J].計算機工程與應(yīng)用，2012，48（16）：233-236.

SONG Haisheng,ZHAO Xueshen,LIU Pinghe

College of Physics and Electronic Engineering,Northwest Normal University,Lanzhou 730070,China

Agricultural greenhouse temperature control process,the temperature control is a precision linearity and hysteresis problems.Τhe existing PID control is difficult to achieve the identification of agriculture temperature control,the accuracy of the control process,slow convergence problem.Τhe establishment of agricultural temperature control model,by using LI-RBF neural network identifier temperature control system for agriculture identification,LI-RBF neural network and PID control are combined to form LI-RBF-PID control strategy.Comparison of tracking through the system identification and LI-RBF-PID controller parameters online self-tuning temperature control curve agriculture show that the method is superior to PID control,achieving intelligent identification of agricultural greenhouse temperature control.

mathematical model;Learning and Improvement Radical Basis Function（LI-RBF）;identifier;controller;agricultural control system

農(nóng)業(yè)溫室溫度控制過程中，溫度的精準(zhǔn)控制是一個非線性、滯后的問題，實驗表明，現(xiàn)有的PID控制很難實現(xiàn)對農(nóng)業(yè)溫度的辨識控制，控制過程的準(zhǔn)確率，收斂速度慢等問題。提出建立農(nóng)業(yè)溫度控制模型，通過采用LI-RBF神經(jīng)網(wǎng)絡(luò)辨識器對農(nóng)業(yè)溫度控制系統(tǒng)進(jìn)行辨識，以及LI-RBF神經(jīng)網(wǎng)絡(luò)與PID控制相結(jié)合，構(gòu)成LI-RBF-PID控制策略。通過系統(tǒng)跟蹤辨識結(jié)果比較，以及LI-RBF-PID控制器控制參數(shù)在線自整定的農(nóng)業(yè)溫度控制曲線表明，該方法優(yōu)于PID控制，實現(xiàn)了農(nóng)業(yè)溫室溫度智能辨識控制。

數(shù)學(xué)模型；學(xué)習(xí)和提高的徑向基神經(jīng)網(wǎng)絡(luò)（LI-RBF）；辨識器；控制器；農(nóng)業(yè)控制系統(tǒng)

A

ΤP391

10.3778/j.issn.1002-8331.1306-0043

SONG Haisheng,ZHAO Xueshen,LIU Pinghe.Intelligent recognition for agricultural greenhouse temperature control. Computer Engineering and Applications,2013,49（21）：240-244.

甘肅省自然科學(xué)基金（No.1208RJZA191）。

宋海聲（1964—），男，副教授，碩士生導(dǎo)師，從事計算機應(yīng)用，計算機測量與控制方向等研究；趙學(xué)深（1987—），男，碩士研究生，從事測量與控制，計算機應(yīng)用研究；劉平和（1986—），男，碩士研究生，從事測量與控制研究。E-mail：zhaoxueshen1987@126.com

2013-06-07

2013-08-12

1002-8331（2013）21-0240-05