任 遠，李志剛，苑嚴偉，李亞碩，龐在溪

(1.石河子大學機械電氣工程學院，新疆 石河子 832003；2.中國農業(yè)機械化科學研究院土壤植物機器系統(tǒng)技術國家重點實驗室，北京 100083)

0 引言

隨著計算機技術的飛速發(fā)展和物聯網技術的廣泛使用，溫室從早期的人工布置傳感器，根據傳感器監(jiān)測的數據，手動調節(jié)控制溫度、水肥等設備參數，發(fā)展到如今利用監(jiān)測系統(tǒng)傳感器采集溫室環(huán)境數據，經計算機處理后，實時準確地調節(jié)各相關設備參數，這樣既能滿足農作物的生長需要，又可以提高生產的經濟效益[1]。在溫室技術的發(fā)展過程中，利用傳感器采集環(huán)境信息是整個溫室環(huán)境監(jiān)測系統(tǒng)的基礎，但是由于溫室往往具有高濕、高溫等環(huán)境特性，會導致監(jiān)測傳感器頻繁發(fā)生故障[2]。如何及時準確地識別出環(huán)境監(jiān)測系統(tǒng)傳感器的故障并判斷出故障節(jié)點，對保證溫室作物積極生長具有重要的研究價值。

目前，國內外的研究人員對溫室傳感器故障檢測展開了大量的研究，其中，最廣泛的方法有解析冗余法和時序冗余法。解析冗余法利用傳感器自身與被測對象無關的冗余信息來建立靜態(tài)、動態(tài)數學模型，提供系統(tǒng)不同輸出量之間的解析關系[3]。時序冗余法主要通過系統(tǒng)不同輸出量之間的解析關系來提供冗余信息，或者用不同時間序列的傳感器輸出的冗余信息來檢測故障[4]。李萍萍等[5]和周金生[6]研究發(fā)現，在監(jiān)測系統(tǒng)運行過程中，相鄰傳感器之間不同或相同類型傳感器采集的數據之間存在近線性關系，可以通過限制、剔除經常數據異步的傳感器，將多變量模型通過線性變化得到少變量模型，但是在非線性特征的故障檢測中往往效果不佳。GEORGOULAS George等[7]通過建立基于反向傳播法的3層前饋神經網絡模型來診斷傳感器故障，該方法的適應性較強，但計算量較為復雜。王紀章等[8]通過進一步研究，提出基于PCA的故障檢測和時空比較的故障識別定位的兩級故障檢測識別方法，減少了系統(tǒng)故障的運算量。但這樣的檢測方法往往較為復雜，對模型精度要求較高，需要花費大量的試驗成本。

計算流體力學CFD(Computational fluid dynamics)在智能溫室環(huán)境控制中的應用已經成為研究的新熱點，可以通過模型模擬出室外環(huán)境、溫室結構、配套設施和作物等因素對溫室內環(huán)境的影響，不需要大量高成本的試驗測量就可以為溫室控制提供大量的環(huán)境信息[9]。國內外學者通過建立溫室模型，利用CFD技術對溫室內空氣的溫濕度和流速等變量的變化進行較精確地模擬，在溫室結構的優(yōu)化設計中有較多的研究應用，但用于溫室傳感器故障的精準檢測尚未見報道[10-17]。本文根據目標溫室參數，利用Fluent軟件，模擬出不同通風狀態(tài)下溫室的場域分布情況，對傳感器節(jié)點位置處的環(huán)境數值進行預測，通過與傳感器實際測量值作比較，找出傳感器異常節(jié)點位置，再利用LEBDF算法對節(jié)點異常位置做進一步篩查，能夠及時準確簡便地檢測出溫室故障傳感器節(jié)點位置，為智能化溫室管理系統(tǒng)的有效運行提供準確的環(huán)境信息[18]。

1 材料與方法

1.1 試驗對象

試驗溫室位于云南昆明的現代農業(yè)示范基地，為大型玻璃連棟溫室，溫室單棟跨度分別為15、20和15 m，肩高6 m，頂高6.8 m，棟長40 m，采用輕型鋼作為主體框架，四周加裝透光率90%的浮法玻璃。為了便于試驗研究，選擇跨度為15 m的單棟溫室作為試驗溫室，試驗溫室西墻裝有2臺380 V、1.1 kW負壓風機，東墻裝有長14 m、高2.5 m、厚0.1 m的濕簾，濕簾安裝高度0.8 m，溫室內外加裝遮陽網。

試驗期間，溫室內種植作物為番茄，考慮到作物冠層阻力的影響，將作物簡化成長35 m、寬10 m、高3 m的多孔介質模型，利用SpaceClaim建立溫室三維模型，結構如圖1所示。

1.濕簾 2.作物區(qū)域 3.負壓風機圖1 試驗溫室模型Fig.1 Experimental greenhouse model

1.2 試驗方案

試驗時間為2020年8月上旬，室外溫度較高且相對平穩(wěn)。在9∶00—11∶00時，打開屋頂天窗，溫室處于自然通風狀態(tài)；11∶00以后，隨著太陽輻射的增強，溫室內溫度升高，為保證溫室內作物的正常生長，此時需要開啟濕簾風機對溫室內部進行降溫。為保證采集數據的精確性，試驗期間遮陽網與天窗都處于閉合狀態(tài)。選取單跨溫室布置溫濕度傳感器進行測量，室內布置兩層傳感器，共16個節(jié)點(Q1～Q16)，其中Q1～Q8與Q9～Q16布置在同一位置的不同平面高度處，Q1～Q8布置在Y=4 m的平面上，傳感器在溫室中的布置如圖2所示。

圖2 溫室內部傳感器測點分布Fig.2 Distribution of sensor measurement points inside greenhouse

傳感器選擇SMMZ01型氣象多要素百葉箱，可對室內空氣溫濕度、光照強度和CO2濃度等環(huán)境數值進行監(jiān)測。其中，溫度測量范圍-40.0～80.0 ℃，測量精度±0.5 ℃；濕度測量范圍0～99%RH，測量精度±3%。為了保證傳感器測得數據的有效性，試驗前用精度0.1 ℃的水銀玻璃溫度計和工業(yè)用濕度計對傳感器測得數據進行比較，結果表明傳感器誤差在有效范圍內。工作記錄時間的間隔設置為2 min。其中，降溫從11∶30開始，13∶30停止。室內風速測定選擇WindMaster三維超聲風速儀。傳感器及網絡終端節(jié)點如圖3所示。

圖3 傳感器與終端節(jié)點Fig.3 Selection of sensors and terminal nodes

2 溫室場域的CFD模擬

2.1 基本控制方程

當Fluent模擬溫室環(huán)境時，使用標準k-ε模型將溫室內的氣流視為遵循質量守恒方程、動量守恒方程和能量守恒方程的湍流[14]。

2.1.1質量守恒方程

(1)

式中u——速度在x方向的分量，m/s

v——速度在y方向的分量，m/s

w——速度在z方向的分量，m/s

2.1.2動量守恒方程

(2)

(3)

(4)

式中μeff——有效黏度，N·s/m2

β——空氣熱膨脹系數，K-1

ρ——空氣密度，kg/m3

g——重力加速度，m/s2

T——空氣溫度，K

Tref——空氣參考溫度，其值為298.15 K

2.1.3能量守恒方程

(5)

式中ST——源項，W

Ci——比熱容，J/(kg·K)

λeff——有效導熱系數，W/(m·K)

2.2 番茄植株模型

在數值計算時，將溫室內番茄植株簡化為多孔介質模型進行計算，其符合Darcy-Forchheimer定律

(6)

式中S?——源項

v——空氣流速，m/s

μ——空氣動力粘度，Pa·s

Km——多孔介質的滲透性系數

Cp——非線性動量損失因子

由文獻[15]可知，番茄植株的動力源項與植株特征及空氣流速有關，滿足方程

S?=-ILQρv2

(7)

式中Q——作物冠層阻力系數，根據前人研究，Q值取0.32

IL——葉面積指數

綜上，通過合并同類項，得到Cp與Km的關系式

(8)

2.3 計算域與邊界條件

為了保證計算結果的準確性，建立與實驗溫室相同尺寸的模型，長40 m，寬15 m，檐高6 m，拱高6.8 m。取溫室區(qū)域作為計算域進行計算，采用非結構化四面體網格對計算域進行劃分，將濕簾作為入口邊界，將風機視作為出口邊界，對出入口及作物區(qū)域適當加密，以適應流場梯度變化大的要求。通過多次修改網格密度，比較網格劃分質量，最后在計算中共生成2 310 710個網格，網格質量均>0.35，溫室網格如圖4所示。

圖4 溫室三維網格劃分及局部加密Fig.4 Three-dimensional grid division and local densification of greenhouse

溫室內部能量主要來自太陽輻射，模型采用標準k-ε兩方程的湍流模型，將近壁面設置為標準壁面函數，打開能量方程，選擇DO模型進行計算，將作物區(qū)簡化為30 m×10 m×3 m的多孔介質模型，溫室側面與頂部設置為墻面(Wall)，構建模型的材料屬性參數如表1所示，選擇2020年8月10日實測室內外參數作為模擬的初始值。

表1 參數及邊界條件設置Tab.1 Parameters and boundary conditions setting

2.4 數值仿真與分析

模擬仿真在處理器為Intel(R)Core(TM)i7-9750H CPU 2.60GHz的計算機中進行，求解器設置為SIMPLEC半隱式耦合，計算時能量的收斂精度達到10-6，進行了200步迭代計算。建模過程的前處理、求解、后處理等過程均在workbench19.0環(huán)境下完成，將作物區(qū)域用多孔介質模型代替，選用標準k-ε兩方程的湍流模型，近壁面選用標準壁面函數，離散格式選擇二階方程，采用基于壓力求解器進行數值計算。

3 結果分析與模型驗證

3.1 模型有效性驗證

為了驗證構建的溫室CFD模型的有效性，需要對不同通風條件下溫室內環(huán)境傳感器的模擬值與實際值作比較，以2019年6月所采集的試驗數據進行模型的驗證。當溫室處于風機通風時，需要先打開濕簾風機通風0.5 h，待室內環(huán)境達到穩(wěn)定狀態(tài)下，再對傳感器采集的數據進行讀取。

得到的對比結果如圖5和圖6所示，從圖中可以發(fā)現，在自然通風條件下，溫度實測值與模擬值最大相對誤差4.1%，最小相對誤差0.9%，兩者平均相對誤差2.3%；速度實測值與模擬值最大相對誤差26.9%，最小相對誤差3.2%，兩者平均相對誤差9.2%。在風機強制通風條件下，溫度實測值與模擬值最大相對誤差3.8%，最小相對誤差0.3%，兩者平均相對誤差1.8%；速度實測值與模擬值最大相對誤差21.6%，最小相對誤差1.2%，兩者平均相對誤差11.2%。同時通過觀察，發(fā)現CFD模擬值與傳感器實測值的變化趨勢基本相同，可以說明建立的模型是有效的，所設置的參數條件是合理的，能夠較好地反映溫室不同通風方式下真實的內環(huán)境變化情況。

圖5 濕簾風機通風條件下溫室內各測點模擬值與實測值比較Fig.5 Comparison of simulated and measured values at various measuring points in greenhouse under condition of wet curtain fan ventilation

圖6 自然通風條件下溫室內各測點模擬值與實測值比較Fig.6 Comparison of simulated and measured values at various measuring points in greenhouse under natural ventilation

3.2 仿真結果分析

3.2.1自然通風條件下

利用建立好的溫室模型對自然通風條件下溫室內流場進行分析。試驗溫室在Z值為3、14、26和37 m的4個縱向截面上溫度與速度分布云圖如圖7所示。由圖7可以看出，受到太陽輻射的影響，試驗溫室頂部與四周玻璃壁面處溫度都偏高，在壁面處存在明顯的溫度梯度，但在作物區(qū)域的溫度都處于合理范圍內。自然通風時，濕簾處作為迎風面速度達到最大值，并隨著溫室的距離增長而降低，同時受到天窗開口的影響，在天窗處的氣體也有一個較高的風速，作物區(qū)域整體風速分布較為均勻。

圖7 自然通風條件下溫室縱截面溫度場與速度場仿真圖Fig.7 Simulation diagram of temperature field and velocity field in longitudinal section of greenhouse under natural ventilation

試驗溫室在X值為5和10 m的風機軸線位置處的溫度與速度分布云圖如圖8所示。由圖8中可以看出，受氣體流動影響，速度場分布在出入口及天窗處的偏高，2個縱向截面處速度場基本一致；受作物冠層影響，風速在通過作物區(qū)域時略有下降，但整體流動都較為均勻。試驗時室外溫度35 ℃，在對作物區(qū)域進行模擬時，溫度均值達到37.8 ℃，可能由于室內作物影響，作物自身也會有一定的散熱。

圖8 自然通風條件下溫室橫截面溫度場與速度場仿真圖Fig.8 Simulation diagram of temperature field and velocity field in cross section of greenhouse under natural ventilation

試驗溫室在Y值為2和4 m處兩層傳感器測點分布平面處速度分布云圖如圖9所示。由圖9中可以看出，4 m處平面上的風速較大，說明作物對溫室內流場分布有一定的影響，在作物區(qū)域的速度分布更為均勻，整個平面區(qū)域沒有明顯的速度梯度。

圖9 傳感器節(jié)點布置層面速度場仿真圖Fig.9 Simulation diagram of velocity field at sensor node layout level

3.2.2濕簾風機通風條件下

利用驗證過的溫室模型對濕簾風機通風條件下溫室內流場進行分析。試驗溫室在Z值為3、14、26和37 m的4個縱向截面上溫度和速度分布云圖如圖10所示。由圖10可以看出，試驗溫室在Z軸上有明顯的溫度分層，由于太陽輻射和熱浮力的作用，在頂部溫度最高，與其他部位有較大溫差[3]。在接近作物區(qū)域，溫度逐漸趨于降低，處于一個較為平緩的溫度范圍。在濕簾入口處有一個明顯的溫度梯度變化，說明濕簾對進風口處有一定的降溫作用，但作用范圍較為有限，隨著溫室長度的增加降溫效果越來越差，降溫時還是需要增加一些噴淋設備進行降溫輔助。對比圖7與圖10可以發(fā)現，濕簾風機的降溫效果更為顯著，但兩者的流場分布都較為均勻，都滿足作物的正常生長。

圖10 濕簾風機通風條件下溫室縱截面溫度場與速度場仿真圖Fig.10 Simulation diagram of longitudinal section temperature field and velocity field of greenhouse under condition of wet curtain fan ventilation

試驗溫室在X值為5和10 m的風機軸線位置處溫度和速度分布云圖如圖11所示。由圖11中可以看出，速度場在經過作物區(qū)域時有一個明顯的下降，風機和濕簾作為流場的出入口，風速有一個明顯的增大，整個試驗溫室內部流場分布較為均勻。沿X軸方向上兩截面的溫度變化基本一致，但在Y軸方向上，由于外界輻射的影響，有著較大的溫度梯度變化，作物區(qū)域的平均溫度32.3 ℃，與外界環(huán)境相差近5 ℃，能夠滿足作物生長的環(huán)境需要。

圖11 濕簾風機通風條件下溫室橫截面溫度場與速度場仿真圖Fig.11 Simulation diagram of temperature field and velocity field of greenhouse cross-section under condition of wet curtain fan ventilation

試驗溫室在Y值為2和4 m處兩層傳感器測點分布平面處速度分布云圖如圖12所示。由圖12中可以看出，在兩個平面上速度場變化基本一致，風速流向均勻。由于濕簾高度的限制，在Y=2 m處的入口速度偏高一些，受作物冠層高度影響，風速逐漸降低，在接近風機處速度再次上升，相比較而言，Y=4 m處的速度流向更為均勻。

圖12 傳感器節(jié)點布置層面速度場仿真圖Fig.12 Simulation diagram of velocity field at sensor node layout level

4 溫室內故障傳感器精準檢測

4.1 基于溫室內部場域預測的傳感器故障節(jié)點檢測

溫室智能化管理的首要前提就是獲得準確的溫室內環(huán)境數據，在試驗溫室中布置大量的傳感器節(jié)點形成無線傳感器網絡完成內環(huán)境的監(jiān)測。由于溫室內惡劣的環(huán)境條件(高溫、高濕等)，溫室中節(jié)點位置的傳感器極易出現故障，而傳感器位置布置較為復雜，往往不能夠及時地對故障傳感器進行排查診斷，容易造成一定的作物損耗和能量浪費，所以需要一種簡易方便、適用性強的方法對溫室故障傳感器進行篩查。

目前，故障傳感器診斷大致可分為基于解析模型的方法、基于信號處理的方法和基于知識的方法，本文所利用的是一種基于模型的方法[3]。利用已經建立好的溫室模型，當環(huán)境處于穩(wěn)定狀態(tài)下，對傳感器節(jié)點位置根據室外實際參數條件，對溫室內部流場進行分析，結合傳感器的實際讀數，找出傳感器節(jié)點的異常位置。

作物生長需要一個較為穩(wěn)定的周邊環(huán)境，相比較自然條件，溫室更能滿足作物生長的環(huán)境需要。對于處在一定生長期的作物，溫室所提供的環(huán)境往往是變化不大的，此時溫室的內流場也處于一個較為穩(wěn)定的狀態(tài)，可以通過已經構建好的溫室模型，根據環(huán)境實際參數條件，對溫室內部場域進行分析，得到傳感器節(jié)點位置的溫度值與速度值[19]。根據空間相似性理論，只需獲得一個傳感器數據，就可以對與它相鄰的傳感器節(jié)點數據進行預測[20]。通過將預測的傳感器數據與傳感器實際讀數進行比較，若實際數據處于誤差范圍內，就可以默認該傳感器節(jié)點沒有問題，若出現較大誤差，就可以判斷該傳感器節(jié)點出現異常，需要對該節(jié)點做進一步的診斷。

4.2 基于LEBDF算法的傳感器故障節(jié)點識別

現有的傳感器網絡故障節(jié)點檢測算法大致可分基于多數投票策略、基于加權策略、基于中值策略和基于分簇4種。在傳感器節(jié)點獲取溫室數據時，溫室處于穩(wěn)定狀態(tài)下，溫室內環(huán)境參數變化幅度很小，可以默認傳感器真值在短時間內基本不變[21]。此時，溫室中無線傳感器網絡采集的數據往往具有空間相關性，即相鄰的傳感器節(jié)點具有相同或相近的測量值，算法利用無線傳感器網絡節(jié)點數據具有空間相關性，而各個節(jié)點處的故障是無關的這一特點對無線傳感器故障節(jié)點進行檢測。

綜合考慮溫室環(huán)境條件、傳感器能量消耗、算法檢測的準確性和適用范圍，最后選擇LEBDF算法對傳感器故障節(jié)點進行判斷。因為在溫室環(huán)境下，布置的傳感器節(jié)點故障率不高，選用該方法具有較高的檢測精確率和較低的誤判率，不僅有很強的適應性而且節(jié)點的耗能也較低，適合對溫室環(huán)境下的故障傳感器進行進一步的篩選，具體方法如下。

(9)

計算節(jié)點Pi與其領域節(jié)點的差值di

di=|xi-medi|

(10)

令D={d1，d2， …，dk}，若di的值為極值點，則說明節(jié)點Pi為故障節(jié)點，節(jié)點狀態(tài)由下式判斷

(11)

(12)

(13)

將集合D標準化

(14)

若|yi|≥θ，則認為Pi是故障節(jié)點，此處θ≥1是一個預先設定的值。

5 結論

(1)通過對昆明地區(qū)連棟玻璃溫室夏季高溫環(huán)境下不同通風方式導致室內空氣流場變化分布進行了數值模擬，同時利用傳感器和風速儀對室內溫度和速度變化進行測試。經過對比分析，建立的CFD溫室模型在不同通風方式下，室內溫度與速度的分布變化趨勢與實際測試結果基本一致，溫度平均誤差值1.2 ℃，速度平均誤差8%，表明建立的CFD溫室模型是有效的，能夠準確地模擬溫室內環(huán)境分布，利用Fluent對不同通風方式下溫室內部場域的變化情況是合理的。

(2)在試驗中不同通風方式下，速度場均能保持一個較為穩(wěn)定的狀態(tài)，沒有明顯的速度梯度，但溫度場受到太陽輻射和熱浮力的影響，在頂部和壁面處均存在明顯的溫度梯度，為保持溫度場域的均勻性，實際生產時需合理配套使用遮陽簾和換流風機，可以為溫室內控制系統(tǒng)的運行方式提供決策。

(3)提出通過Fluent仿真，當溫室內流場達到穩(wěn)定狀態(tài)后，得到溫室內部場域的分布變化情況，對傳感器節(jié)點位置的溫度值和速度值做出預測，結合傳感器實際讀數得到節(jié)點異常位置，再利用LEBDF算法對故障節(jié)點做進一步的篩查，能夠及時對傳感器故障節(jié)點位置作出判斷。該方法適用性強，能耗低，在溫室環(huán)境下有較高的檢測準確率和較低的誤判率，減少因為傳感器故障帶來的能耗損失，為保障溫室智能管理系統(tǒng)的穩(wěn)定運行提供了準確的數據支持。