彭 輝，曾 碧

(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)

?

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)

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。

溫室環(huán)境；智能控制；自適應(yīng)；模糊神經(jīng)推理；遺傳算法

0 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(zhǎng)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, FNN)。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, ANFIS)[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：

①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；②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；③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

(1a)

(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])；μ為傳熱系數(shù)(W/K)；ρ為空氣密度(1.2kg/m3)；λ為汽化的潛熱(2257J/g)；ζ為空氣的比熱容(1006J/kg/K)；ξ為太陽(yáng)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ξ=0.5；S為攔截的凈太陽(yáng)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(yáng)能參數(shù)最相關(guān)，其關(guān)系簡(jiǎn)化為

(2)

其中，α為表示陰影和葉片面積指數(shù)的綜合系數(shù)(無量綱)，α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α設(shè)定為0.124 9；β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

(3a)

(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

(4a)

(4b)

(5a)

(5b)

qheat(t)=-ξAS(t)+λqfog(t)+ρζqvent(t)[(Tin(t)]-

(5c)

(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ANFIS輸出比例因子。控制系統(tǒng)整體框架如圖1所示。

2.1 ANFIS控制器系統(tǒng)

2.1.1 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。

2.1.2 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)

模糊系統(tǒng)的IF-THEN規(guī)則形式為

IF:T is LTrand H is LHr

(7)

2.1.3 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

(8)

(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

(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

(11)

4)第4層：計(jì)算每條規(guī)則對(duì)總體輸出的貢獻(xiàn)，則

(12)

5)第5層：?jiǎn)蝹€(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

(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=μLtr(T)·μLHr(H)

(14)

其中，μLtr(·)和μLHr(·)為第r個(gè)規(guī)則中分別對(duì)應(yīng)語(yǔ)言學(xué)術(shù)語(yǔ)LTr和LHr的隸屬函數(shù)。

2.1.4 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

(15)

那么，所有M個(gè)輸入-輸出訓(xùn)練模式可寫為V=XC，則

(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

(17)

(18)

2.2 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。

(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(yáng)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(22.2m3/s)。葉片陰影指數(shù)α取值為0.124 9，蒸散系統(tǒng)βT=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，室外溫度為Tout=35℃，溫度為Hout=4g/kg(RH=10%)，太陽(yáng)輻射能為Si=300W/m2。設(shè)置2個(gè)階躍點(diǎn)：①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℃；②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ANFIS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(RMSE)來計(jì)算實(shí)驗(yàn)中控制過程輸出準(zhǔn)確性，則

(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RMSE，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。

表1 溫度和濕度控制的RMSE值

4 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。

[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(guó)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. Research on Control System of Greenhouse Temperature and Humidity Based on Fuzzy PID[J]. Applied Mechanics & 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 fuzzy control in greenhouse environment control[J].Applied Mechanics & Materials, 2014, 54(3):1432-1435.

[6] S. Revathi, N. Sivakumaran. Fuzzy Based Temperature Control 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(yáng)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 convection greenhouse drying system for jaggery: an experimental validation[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 temperature and humidity environment in greenhouse based on ANFIS[J]. Paiguan Jixie Gongcheng Xuebao/journal of Drainage & Irrigation Machinery Engineering, 2013, 31(4):358-363.

[11] Gao Y,Liu C,Song X, et al. Feedback feed-forward linearization and decoupling for greenhouse environment control[C]// International Conference on Mechatronics and Control. 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 Least Square Support Vector Regression and Adaptive Neuro-Fuzzy Embedded Fuzzy c-means Clustering[J]. Water Resources 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):2301-2303.

[15] Lutfy O F, Noor S B M, Marhaban M H, et al. A simplified adaptive neuro-fuzzy inference system (ANFIS) controller trained by genetic algorithm to control nonlinear multi-input multi-output systems[J]. Scientific Research & Essays, 2011, 6(31):6475-6486.

Intelligent Greenhouse Environment Control Based on Fuzzy Neural Network

Peng Hui1, Zeng Bi2

(1.Department of Electrical Engineering, Guangxi Vocational & Technical Institute of Industry, Nanning 530001, China; 2.School of Computer Science and Technology, Guangdong University of Technology, Guangzhou 510006, China)

For the issue that the accurate modeling and control of agriculture greenhouse environment, a intelligent control scheme based on fuzzy neural network is proposed. Firstly, a mathematical model of the greenhouse environment is constructed under considering of the indoor and outdoor environmental factor, and the differential expressions of ventilation, spray and heat value are obtained. Then, an adaptive fuzzy neural inference system (ANFIS) is used to obtain the control output by the neural network self learning and fuzzy inference, with the temperature and humidity as the input. Finally, the output scaling factor of the controller is optimized by genetic algorithm, which improves the control response speed and stability. The experimental results show that the proposed scheme can quickly and stably track the setting value of the environment, and has good control effect.

greenhouse environment; intelligent control; adaptive; fuzzy inference; genetic algorithm

2016-06-16

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)

彭 輝(1974-)，男，湖南湘潭人，副教授/高級(jí)工程師，碩士，(E-mail)penghuigx@126.com。

S625.5+1；TP391

A

1003-188X(2017)06-0043-07