謝家興 高 鵬 莫昊凡 余國(guó)雄,3 胡 潔 王衛(wèi)星,4

(1.華南農(nóng)業(yè)大學(xué)電子工程學(xué)院， 廣州 510642； 2.廣東省智慧果園科技創(chuàng)新中心， 廣州 510642； 3.中國(guó)移動(dòng)通信集團(tuán)廣東有限公司， 江門(mén) 529030； 4.廣東省農(nóng)情信息監(jiān)測(cè)工程技術(shù)研究中心， 廣州 510642)

0 引言

我國(guó)荔枝種植總面積60萬(wàn)hm2，占世界荔枝總面積的75%；荔枝總產(chǎn)量190.66萬(wàn)t，占世界荔枝總產(chǎn)量的47.78%，占世界生產(chǎn)總值的57.75%以上，目前仍呈增大趨勢(shì)[1-2]。荔枝園主要采用的傳統(tǒng)漫灌技術(shù)對(duì)水資源造成較大浪費(fèi)[3-7]。同時(shí)，荔枝園所處環(huán)境復(fù)雜，受光照、土壤濕度、空氣濕度、降雨等條件影響，由人為主觀(guān)意識(shí)產(chǎn)生的判斷有較大不確定性及誤差，易造成較大經(jīng)濟(jì)以及資源浪費(fèi)。因此，開(kāi)發(fā)一種荔枝園智能控制系統(tǒng)對(duì)荔枝園進(jìn)行現(xiàn)代化管理，以最大化節(jié)約資源，勢(shì)在必行。

目前，郭正琴等[8]設(shè)計(jì)了基于模糊控制的智能灌溉控制系統(tǒng)，楊翠翠[9]設(shè)計(jì)了基于無(wú)線(xiàn)網(wǎng)絡(luò)的環(huán)境監(jiān)測(cè)與智能控制灌溉系統(tǒng)，張曉光等[10]設(shè)計(jì)了節(jié)水灌溉的模糊系統(tǒng)，高玉芹[11]設(shè)計(jì)了基于ZigBee和模糊控制決策的自動(dòng)灌溉系統(tǒng)。以上系統(tǒng)僅設(shè)計(jì)了基本模糊控制器，而基本模糊控制器穩(wěn)態(tài)性能低，存在穩(wěn)態(tài)誤差等。基于此，本文設(shè)計(jì)基于模糊控制技術(shù)的荔枝園智能灌溉決策系統(tǒng)，對(duì)基本模糊控制器進(jìn)行優(yōu)化，提升其控制精確度與穩(wěn)定性，對(duì)所接收數(shù)據(jù)進(jìn)行更好的決策和控制。

1 智能灌溉模糊控制軟件設(shè)計(jì)

模糊專(zhuān)家決策系統(tǒng)接收傳感器節(jié)點(diǎn)采集的土壤含水率數(shù)據(jù)，根據(jù)專(zhuān)家系統(tǒng)的模糊規(guī)則實(shí)時(shí)推理出灌溉量，進(jìn)行灌溉。

對(duì)荔枝園灌溉環(huán)境分析可得，用于荔枝智能灌溉的模糊專(zhuān)家系統(tǒng)為多維的模糊控制專(zhuān)家系統(tǒng)，根據(jù)灌溉過(guò)程中的人為經(jīng)驗(yàn)，將專(zhuān)家的經(jīng)驗(yàn)、知識(shí)庫(kù)抽象化為模糊控制中的模糊規(guī)則，選擇不確定性推理的確定性模型作為本專(zhuān)家系統(tǒng)的推理機(jī)，該模型簡(jiǎn)單實(shí)用，已被應(yīng)用到一些實(shí)用的專(zhuān)家系統(tǒng)之中[7]。模糊專(zhuān)家決策系統(tǒng)的模糊控制流程圖如圖1所示。

圖1 模糊控制流程圖 Fig.1 Flow chart of fuzzy control

荔枝園中的環(huán)境信息包括溫度、空氣濕度、光照度和土壤含水率等，影響荔枝生長(zhǎng)的關(guān)鍵因素是土壤含水率。在實(shí)際灌溉中，通常根據(jù)土壤含水率來(lái)決定荔枝是否需要灌溉。

荔枝在不同生長(zhǎng)周期里所需的土壤最佳含水率均有所不同，所以本系統(tǒng)在確定荔枝的生長(zhǎng)周期后，選用該周期土壤最佳含水率與土壤實(shí)測(cè)含水率的差E，及其誤差變化率EC為2個(gè)輸入變量，土壤需水量U作為其輸出量，后將E和EC輸入模糊控制器進(jìn)行模糊化控制，通過(guò)模糊決策產(chǎn)生灌溉指令來(lái)控制灌溉執(zhí)行機(jī)構(gòu)，實(shí)現(xiàn)灌溉。其中，模塊K1、K2、K3起調(diào)幅作用，確保系統(tǒng)的穩(wěn)定性，其總體結(jié)構(gòu)如圖2所示。

圖2 荔枝園智能灌溉系統(tǒng)總體結(jié)構(gòu)圖 Fig.2 Overall structure diagram of intelligent irrigation system in litchi orchard

2 智能灌溉模糊控制器設(shè)計(jì)

2.1 理論基礎(chǔ)

模糊控制器是以模糊集合理論和模糊推理為基礎(chǔ)，模擬人的思維方式，能總結(jié)豐富的操作經(jīng)驗(yàn)，從而用自然語(yǔ)言表述控制策略或者通過(guò)大量實(shí)際操作歸納總結(jié)出多個(gè)控制規(guī)則，并用計(jì)算機(jī)實(shí)現(xiàn)自動(dòng)控制[12-14]。模糊控制是一種非線(xiàn)性控制方法，無(wú)需建立精確的數(shù)學(xué)模型，魯棒性強(qiáng)，非常適合時(shí)變以及滯后系統(tǒng)的控制[15]。

2.2 模糊控制器設(shè)計(jì)

2.2.1模糊語(yǔ)言變量設(shè)計(jì)

根據(jù)荔枝園灌溉專(zhuān)家經(jīng)驗(yàn)及周邊環(huán)境對(duì)荔枝灌溉的影響，確定控制量為土壤濕度、降雨量、空氣濕度等，由于土壤含水率可以反映土壤中水分的含量，而水分是作物生長(zhǎng)不可或缺的因素之一，因而土壤含水率可以作為判斷作物缺水與否的最佳條件[16-17]。本文選用給定土壤最佳含水率與土壤實(shí)測(cè)含水率的差E及其誤差變化率EC為兩個(gè)輸入變量。

為了提高控制精度，設(shè)置多個(gè)語(yǔ)言變量。其中誤差E和輸出變量U的模糊語(yǔ)言值設(shè)定為9個(gè)，即{NB(負(fù)大)，NM(負(fù)中)，NS(負(fù)小)，NW(負(fù)微)，ZO(零)，PW(正微)，PS(正小)，PM(正中)，PB(正大)}，EC的模糊語(yǔ)言值設(shè)定為7個(gè)，即{NB(負(fù)大)，NM(負(fù)中)，NS(負(fù)小)，ZO(零)，PS(正小)，PM(正中)，PB(正大)}。E的基本論域?yàn)閧-15,15}，模糊論域D為{-6,-4,-2,0,2,4,6}，EC的基本論域?yàn)閧-10,10}，模糊論域X為{-6,-4,-2,0,2,4,6}，U的基本論域?yàn)閧-15,15}，模糊論域Y為{-10,-7.5,-5,-2.5,0,2.5,5,7.5,10}。表1是用Matlab軟件模糊控制工具箱設(shè)計(jì)的模糊控制規(guī)則表。

表1 模糊控制規(guī)則 Tab.1 Rules of fuzzy control

誤差的量化因子Ke、誤差變化率的量化因子Kec和控制量的比例因子Ku的計(jì)算公式為

(1)

(2)

(3)

式中n1、n2、m——誤差E、誤差變化率EC、輸出變量U的模糊論域最大值

emax、ecmax、umax——誤差E、誤差變化率EC和輸出變量U的基本論域最大值

計(jì)算結(jié)果為Ke=0.4，Kec=0.6，Ku=1.5。

選擇隸屬函數(shù)時(shí)，因三角形隸屬函數(shù)有簡(jiǎn)化計(jì)算、易于實(shí)現(xiàn)的特性，模糊語(yǔ)言變量模糊化的隸屬函數(shù)類(lèi)型選擇以簡(jiǎn)單的三角形為主。在誤差變量E中還增用了梯形。三角形、梯形隸屬函數(shù)的解析表達(dá)式為

(4)

(5)

其中a、b、c、d均為確定形態(tài)的重要參數(shù)，且a≤b≤c≤d。

具體隸屬函數(shù)分布如圖3～5所示。

圖3 誤差變量E的隸屬函數(shù) Fig.3 Membership function of fuzzy variables E error

圖4 誤差變化率EC的隸屬函數(shù) Fig.4 Error rate membership function of fuzzy variables EC

圖5 輸出變量U的隸屬函數(shù) Fig.5 Output membership function of fuzzy variables U

2.2.2模糊規(guī)則設(shè)計(jì)

根據(jù)灌溉經(jīng)驗(yàn)與實(shí)測(cè)數(shù)據(jù)，制定出模糊推理規(guī)則，規(guī)則采用IF-THEN語(yǔ)句，例如，if (EisA) and (ECisB)，then(UisC)。其中，A、B、C分別是誤差E、誤差變化率EC和控制量U論域在X、Y、Z方向上的模糊集。模糊控制表的設(shè)計(jì)原則為：當(dāng)誤差較大時(shí)，控制量的變化應(yīng)盡量減少誤差；當(dāng)誤差較小時(shí)，在消除誤差外，需要同時(shí)考慮系統(tǒng)的穩(wěn)定性，避免系統(tǒng)產(chǎn)生超調(diào)，甚至震蕩，確保其穩(wěn)定性[18]。其詳細(xì)規(guī)則如表1所示。

2.2.3反模糊化

反模糊化是將根據(jù)模糊規(guī)則決策后的模糊量轉(zhuǎn)換為清晰量的過(guò)程，反模糊化的方法有面積重心法、面積平分法、最大隸屬度法。其中，面積重心法直觀(guān)合理，計(jì)算數(shù)據(jù)精確，故本文采用面積重心法進(jìn)行反模糊化。面積重心法即求出模糊集合隸屬函數(shù)曲線(xiàn)和橫坐標(biāo)包圍區(qū)域面積的中心，選該點(diǎn)對(duì)應(yīng)的橫坐標(biāo)Ucen作為該模糊集合的代表值。若論域U={u1,u2,…,un}，uj處的隸屬度為A(uj)，則Ucen的計(jì)算公式為

(6)

2.2.4模糊控制器的輸出

運(yùn)用Matlab軟件的Simulink工具箱對(duì)模糊控制進(jìn)行仿真。根據(jù)建立的模糊庫(kù)，可以得到如圖6所示的模糊規(guī)則曲面圖。從圖6可以看出輸入、輸出變量的關(guān)系，土壤含水率低，所需灌溉量增加，而土壤含水率較高，則所需灌溉量相應(yīng)減少。

圖6 輸入、輸出變量關(guān)系曲面圖 Fig.6 Input-output variable relation surface graph

3 仿真與試驗(yàn)

3.1 仿真模型

假定由執(zhí)行機(jī)構(gòu)和被控對(duì)象組成的灌溉系統(tǒng)廣義對(duì)象的數(shù)學(xué)模型為典型二階環(huán)節(jié)[19]，其數(shù)學(xué)表達(dá)式為

(7)

利用Matlab中的Simulink工具箱，構(gòu)建二維模糊控制系統(tǒng)仿真模型，如圖7所示。

圖7 二維模糊控制系統(tǒng)仿真模型 Fig.7 Simulation model of basic fuzzy control system

下面對(duì)模糊控制和PID控制的控制性能進(jìn)行分析比較。對(duì)同樣的被控系統(tǒng)，建立PID控制，對(duì)于該二階系統(tǒng)，根據(jù)多次試驗(yàn)得整定PID控制的參數(shù)Kp=0.284，Ki=0.03，Kd=0.626，設(shè)置階躍信號(hào)產(chǎn)生時(shí)間為1 s。具體的PID控制器系統(tǒng)仿真圖如圖8所示。在PID控制和模糊控制系統(tǒng)中分別在40 s時(shí)以幅值0.3 V的階躍信號(hào)作為干擾信號(hào)，仿真時(shí)間改為60 s，仿真結(jié)果如圖9所示。

圖8 PID控制器系統(tǒng)仿真圖 Fig.8 PID controller system simulation diagram

圖9 PID與模糊控制仿真比較 Fig.9 Comparison of PID and fuzzy control simulation

在40 s處加入干擾信號(hào)可比較兩種控制器的抗干擾性，由仿真結(jié)果可得出仿真數(shù)據(jù)，如表2所示。

表2 模糊控制器與PID控制器性能指標(biāo) Tab.2 Performance index between fuzzy controller and PID controller

由表2可得，模糊控制器和PID控制器都可以實(shí)現(xiàn)對(duì)被控系統(tǒng)的控制。PID控制超調(diào)量大，調(diào)節(jié)時(shí)間長(zhǎng)，動(dòng)態(tài)性能差，但控制精度較高，模糊控制則相反，動(dòng)態(tài)性能好，基本沒(méi)有超調(diào)，受到干擾后在更短的時(shí)間將信號(hào)調(diào)整到正常值，即具有更強(qiáng)的抗干擾性。但存在模糊化而引起的穩(wěn)態(tài)誤差，總體性能較PID控制器更適應(yīng)本系統(tǒng)。

3.2 果園試驗(yàn)

為驗(yàn)證該系統(tǒng)的有效性，本文選取華南農(nóng)業(yè)大學(xué)園藝學(xué)院荔枝園進(jìn)行實(shí)地試驗(yàn)，試驗(yàn)現(xiàn)場(chǎng)采集數(shù)據(jù)的傳感器節(jié)點(diǎn)如圖10所示。

圖10 傳感器節(jié)點(diǎn) Fig.10 Sensor node

在荔枝園內(nèi)的2個(gè)區(qū)域進(jìn)行系統(tǒng)智能灌溉性能測(cè)試，其中一個(gè)區(qū)域(A區(qū))部署一個(gè)傳感器節(jié)點(diǎn)和一個(gè)電磁閥節(jié)點(diǎn)，傳感器節(jié)點(diǎn)和電磁閥節(jié)點(diǎn)采用相同的PCB板，區(qū)別為傳感器節(jié)點(diǎn)外接土壤含水率傳感器，電磁閥節(jié)點(diǎn)外接雙穩(wěn)態(tài)脈沖電磁閥模塊，實(shí)物圖如圖11所示。

圖11 PBC板、傳感器和電磁閥模塊實(shí)物圖 Fig.11 Sensor and solenoid valve nodes

傳感器節(jié)點(diǎn)每隔30 min監(jiān)測(cè)一次土壤含水率，并智能控制電磁閥對(duì)荔枝樹(shù)的灌溉。另一個(gè)區(qū)域(B區(qū))部署一個(gè)傳感器節(jié)點(diǎn)，用來(lái)監(jiān)測(cè)該區(qū)域的土壤含水率，但不灌溉。其中土壤含水率17%為荔枝樹(shù)生長(zhǎng)最佳環(huán)境。2016年4月7—24日土壤含水率如表3所示。

由表3可知，在試驗(yàn)期內(nèi)，A區(qū)通過(guò)智能灌溉方法，使得該區(qū)的土壤含水率平均值為17.85%，均高于荔枝生長(zhǎng)的最佳土壤含水率的下限(15.55%)，達(dá)到預(yù)期灌溉效果[20-21]，并且高于B區(qū)土壤含水率平均值7.75%。A區(qū)每次灌溉時(shí)，其土壤含水率均會(huì)迅速上升，然后緩慢下降，說(shuō)明系統(tǒng)根據(jù)模糊規(guī)則及時(shí)調(diào)節(jié)土壤濕度，有較強(qiáng)實(shí)時(shí)性，反應(yīng)速度快，較好地滿(mǎn)足了荔枝生長(zhǎng)的需要。

3.3 模糊控制器優(yōu)化仿真

Simulink仿真的本質(zhì)是利用某種求解器對(duì)系統(tǒng)狀態(tài)方程進(jìn)行求解。S函數(shù)能夠接收來(lái)自Simulink求解器的相關(guān)信息，并對(duì)求解器發(fā)出的命令作出適當(dāng)?shù)捻憫?yīng)，這種交互作用類(lèi)似于Simulink系統(tǒng)模塊與求解器的交互作用。Simulink設(shè)計(jì)了固定格式的S函數(shù)接口，通過(guò)S函數(shù)可將系統(tǒng)的數(shù)學(xué)方程表達(dá)式與方框圖表達(dá)形式聯(lián)系起來(lái)[22-25]。顯然，S函數(shù)是整個(gè)Simulink動(dòng)態(tài)系統(tǒng)的核心。

表3 土壤含水率 Tab.3 Soil moisture content data %

在多次仿真中，可得出誤差較大時(shí)，選擇較小的Ke和Kec，減小誤差分辨率，而選擇較大的Ku，加快系統(tǒng)響應(yīng)；隨著誤差變小，Ke和Kec逐漸增大，而Ku逐漸減小。

仿真時(shí)，將S函數(shù)模塊填入該文件，與Simulink工具箱中特定工具組成S函數(shù)模塊，如圖12所示。

圖12 S函數(shù)模塊 Fig.12 S function module

將該模塊與模糊控制器對(duì)接，組成優(yōu)化后的模糊控制器及參數(shù)自調(diào)整模糊控制系統(tǒng)，如圖13所示。其工作流程與上文所述的模糊控制器相似，其不同點(diǎn)為該模糊控制器通過(guò)S函數(shù)實(shí)現(xiàn)了量化因子和比例因子自調(diào)整，提高了模糊控制器性能，使其決策更精確。

圖13 參數(shù)自調(diào)整模糊控制系統(tǒng)仿真圖 Fig.13 Parameter self-tuning fuzzy control system simulation diagram

對(duì)上文的模糊控制器和用S-函數(shù)優(yōu)化的模糊控制器進(jìn)行以同樣的階躍信號(hào)為輸入，并分別在20 s時(shí)以幅值為0.3 V的階躍信號(hào)作為干擾信號(hào)，進(jìn)行仿真，對(duì)兩種模糊控制器的控制性能進(jìn)行比較，如兩種模糊控制器進(jìn)行控制時(shí)的超調(diào)量、超調(diào)時(shí)間、上升時(shí)間、穩(wěn)態(tài)誤差和抗干擾性。比較結(jié)果如圖14所示。

圖14 模糊控制器與優(yōu)化后的模糊控制器性能比較 Fig.14 Performance comparison between general and parameter self-tuning fuzzy controller

由仿真結(jié)果得到經(jīng)S函數(shù)優(yōu)化后的參數(shù)自調(diào)整模糊控制器的暫態(tài)性能指標(biāo)，如表4所示。

表4 模糊控制器與S函數(shù)優(yōu)化的參數(shù)自調(diào)整模糊 控制器性能指標(biāo) Tab.4 Performance index between fuzzy controller and parameter self-tuning fuzzy controller of S function optimization

由表4可知，用S函數(shù)優(yōu)化的模糊控制器具有較好的暫態(tài)性能，如超調(diào)量基本趨近于零；較短的超調(diào)時(shí)間和上升時(shí)間；該模糊控制器具有更小的穩(wěn)態(tài)誤差；受到干擾后在更短時(shí)間內(nèi)將信號(hào)調(diào)整到正常值，即具有更強(qiáng)的抗干擾性。

綜上所述，用S函數(shù)優(yōu)化的參數(shù)自調(diào)整模糊控制器的控制精度更高，能提升灌溉模塊控制系統(tǒng)的控制性能。

3.4 優(yōu)化模糊控制灌溉系統(tǒng)田間試驗(yàn)

在試驗(yàn)場(chǎng)地C另加一組試驗(yàn)，該試驗(yàn)場(chǎng)地器材布置、場(chǎng)地環(huán)境、土壤環(huán)境均與3.2節(jié)所述的場(chǎng)地A、B試驗(yàn)環(huán)境相同，進(jìn)行另外一組智能灌溉控制與監(jiān)測(cè)試驗(yàn)，驗(yàn)證利用S函數(shù)優(yōu)化的模糊控制灌溉系統(tǒng)的性能。其監(jiān)測(cè)結(jié)果如表5所示。

表5 A、C區(qū)土壤含水率比較 Tab.5 Comparison of soil moisture content data %

由表5可知，C區(qū)采用優(yōu)化后的模糊控制灌溉系統(tǒng)的智能灌溉方式，土壤含水率的平均值為17.6%，相比優(yōu)化前模糊控制灌溉系統(tǒng)的灌溉結(jié)果，優(yōu)化后的模糊控制灌溉系統(tǒng)具有更強(qiáng)的穩(wěn)定性、抗干擾性以及更高的控制精度，并且，在試驗(yàn)中發(fā)現(xiàn)，采用優(yōu)化后的模糊控制灌溉系統(tǒng)，接收到土壤含水率數(shù)據(jù)之后能更快地調(diào)節(jié)土壤含水率使土壤含水率接近土壤最佳含水率并趨于穩(wěn)定，其性能有了明顯提高。

4 結(jié)束語(yǔ)

經(jīng)過(guò)計(jì)算機(jī)模擬、實(shí)際測(cè)試表明，基于模糊控制器的智能灌溉系統(tǒng)對(duì)荔枝園灌溉進(jìn)行了有效控制，使荔枝園土壤含水率維持在17.8%左右，符合荔枝樹(shù)的生長(zhǎng)環(huán)境；同時(shí)，基于優(yōu)化后的模糊控制器的智能灌溉系統(tǒng)將荔枝園土壤含水率平均值控制在17.6%，更接近系統(tǒng)預(yù)設(shè)荔枝園土壤最佳含水率17%。試驗(yàn)證實(shí)該系統(tǒng)滿(mǎn)足實(shí)際要求。