唐先紅,吳云志 (安徽農(nóng)業(yè)大學,安徽合肥 230031)

水肥一體化技術自出現(xiàn)以來，許多國家，尤其是發(fā)達國家在技術開發(fā)上投入了巨大的精力。種植環(huán)境數(shù)據(jù)的融合技術國外已應用廣泛，實現(xiàn)了農(nóng)業(yè)智能裝備控制系統(tǒng)與環(huán)境檢測系統(tǒng)的高效結合。在國外，以色列、美國、荷蘭、日本等國家的水肥一體化技術普遍應用于大棚作物種養(yǎng)和實際農(nóng)田生產(chǎn)中，均已經(jīng)取得良好的經(jīng)濟效益。其中，沙漠農(nóng)業(yè)領域水肥一體化技術最發(fā)達國家是以色列；荷蘭等國家水肥一體化設備比較發(fā)達，智能施肥灌溉技術也發(fā)展得很成熟，精準配肥智能灌溉技術實現(xiàn)較早；以色列已經(jīng)建立了全國灌溉系統(tǒng)，并應用于果樹等農(nóng)作物種植中，隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，加拿大已由傳統(tǒng)種地逐漸轉為根據(jù)農(nóng)業(yè)決策數(shù)據(jù)種地；文獻顯示美國的微灌技術推廣應用最廣泛，此外美國大力發(fā)展和應用變量施肥技術，處于世界領先水平，并提出正確的時間、區(qū)域、營養(yǎng)元素及用量進行施肥的“4R”計劃，以減少環(huán)境污染。針對水肥耦合控制的方法研究，國內(nèi)外的研究熱點是模糊控制。李帥帥等設計了模糊PID控制策略實現(xiàn)對肥液電導率的控制，使其維持在一定數(shù)值，并應用于大棚施肥自動控制系統(tǒng)；詹攀等分別設計了FPID控制方式和VFPID控制方式，精準控制和提高水肥溶液濃度和酸堿度的配制濃度；Jiang等設計了模糊控制方法對電磁閥占空比進行調(diào)制，使得肥液濃度維持在目標范圍；Zhang等設計神經(jīng)網(wǎng)絡PID控制，控制泵速以實現(xiàn)單肥路水肥精準配比；Bi等將灰度預測方法運用于模糊PID控制，實現(xiàn)水肥精準控制，并應用于農(nóng)業(yè)示范區(qū)。我國水肥一體化技術和設備已大量應用于設施農(nóng)業(yè)基地，但仍存在水肥配比控制精度低以及控制方法對于被控系統(tǒng)動態(tài)變化適應性弱等問題。鑒于此，針對水肥配比控制，筆者設計了基于云模型的模糊PID控制方法，實現(xiàn)了根據(jù)水肥配比值的動態(tài)變化對PID控制參數(shù)的實時修正，改善了PID控制對被控系統(tǒng)動態(tài)變化適應性較弱的問題。

1 水肥配比控制策略設計

水肥一體化系統(tǒng)在進行水肥配比控制時，灌溉主管路中水流速由于水壓等原因實時發(fā)生變化需要一種適應水流速變化，及時調(diào)節(jié)注肥管路中肥液流速的控制方法，實現(xiàn)動態(tài)調(diào)控注肥管路中肥液流速，維持水肥配比值在誤差范圍內(nèi)。且對于常規(guī)的PID算法，控制參數(shù)經(jīng)實際測量后，得到具體的數(shù)值，不再發(fā)生變化，難以滿足系統(tǒng)動態(tài)控制的需求。而基于云模型的模糊PID控制算法是一種自適應算法，能夠根據(jù)云模型推理結構及時調(diào)節(jié)PID控制的參數(shù)、、,使水肥配比調(diào)節(jié)具有精準性，因此采用基于云模型得模糊PID控制方法進行系統(tǒng)中的水肥配比控制。云模型模糊PID控制器結構如圖1所示。

圖1 云模型模糊PID控制器結構 Fig.1 The structure of fuzzy PID controller based on cloud model

基于云模型的模糊PID控制器設計總體方法是以水肥配比過程中實際輸出()和目標輸出()之間的誤差及其變化率ec為依據(jù)，通過二維云模型推理對PID控制器的控制參數(shù)進行調(diào)節(jié)，使其滿足控制系統(tǒng)要求。云模型模糊PID控制器由2部分組成：二維云推理結構和PID控制結構。由云模型推理結構推理得到PID控制修正值，Δ、Δ、Δ，并結合PID控制初始值0、0、0，作為PID控制3個控制參數(shù)：、、。最終由系統(tǒng)輸出控制量()改變注肥管路中隔膜泵的速率，實現(xiàn)對水肥配比值的調(diào)節(jié)，使水肥配比達到動態(tài)平衡。

二維云模型推理結構由前件隸屬云和后件隸屬云共同構成。根據(jù)輸入變量的數(shù)字特征確定前件云，通過前件云發(fā)生器輸出隸屬度，其中為前件云的規(guī)則條數(shù)；根據(jù)輸出變量的數(shù)字特征確定后件云，將作為后件云輸入，經(jīng)后件云發(fā)生器生成隸屬度為的，其中為后件云的規(guī)則條數(shù)；對后件生成的1、2,…,，經(jīng)過加權平均處理，得到Δ、Δ、Δ。再加上PID控制的初始值0、、0，作為系統(tǒng)PID控制的參數(shù)，輸出控制量實現(xiàn)對水肥配比的控制。

2 隸屬云與控制規(guī)則設計

在基于云模型的模糊PID控制中，將水肥配比值的偏差和偏差變化率ec作為系統(tǒng)的輸入，對和ec劃分7個語言子集{NB、NM、NS、ZE、PS、PM、PB}，對應的每一個語言子集的數(shù)字特征如表1所示。

表1 前件云模型數(shù)字特征Table 1 The digital features of the preceding cloud model

根據(jù)水肥配比控制過程的輸入?yún)?shù)和ec的數(shù)字特征，及設置云滴生成數(shù)=1 000，通過正向云發(fā)生器生成控制系統(tǒng)輸入?yún)?shù)的前件云模型如圖2所示。

圖2 前件隸屬云模型Fig.2 The forepart belonging to the cloud model

在基于云模型的模糊PID控制中，將Δ、Δ、Δ作為系統(tǒng)的輸出變量，對輸出變量劃分7個語言子集{NB、NM、NS、ZE、PS、PM、PB}，每一個語言子集的數(shù)字特征如表2所示。

表2 后件云模型數(shù)字特征Table 2 The digital features of the latterpart cloud model

根據(jù)系統(tǒng)的3個輸出參數(shù)的數(shù)字特征，及設置云滴數(shù)為=1 000，對應后件隸屬云模型如圖3所示。云模型從左至右分別代表了語言值NB、NM、NS、ZE、PS、PM、PB。

圖3 后件隸屬云模型Fig.3 The latterpart belonging to the cloud model

根據(jù)控制階段實際需求，對控制規(guī)則進行確定。在PID控制系統(tǒng)中，比例項起到加快系統(tǒng)響應速度作用；積分項起到減小系統(tǒng)穩(wěn)態(tài)誤差作用；微分項作用是將達到系統(tǒng)控制目標時，防止系統(tǒng)的超調(diào)和震蕩。根據(jù)PID控制中控制參數(shù)作用，設計以下調(diào)整原則：

(1)e較大時，即系統(tǒng)設定值與實際值差值較大時，需增大加快系統(tǒng)響應速度，減小防止微分過飽和。

(2)當和ec適中時，在保證響應速度和防止系統(tǒng)超調(diào)的前提下、、均不宜過大。

(3)當e較小時，適當增大減小系統(tǒng)的穩(wěn)態(tài)誤差；適當引入減小系統(tǒng)的震蕩。

結合參數(shù)調(diào)整原則和以往相關領域學者經(jīng)驗，制定基于水肥配比控制的3×49條模糊控制規(guī)則，推理規(guī)則表如表3所示。每一行3個輸出語言變量從左至右分別是輸出參數(shù)Δ、Δ、Δ論域中的語言變量。

表3 推理規(guī)則 Table 3 Inference rule

3 云模型推理流程

云模型推理結構由前件隸屬云和后件隸屬云以及推理規(guī)則構成，隸屬度的推理由前件隸屬云完成，后件推理輸出由后件隸屬云完成。

通過輸入當前水肥配比值與目標水肥配比值的差值及其變化率ec，經(jīng)推理得到PID控制的修正值，由PID輸出控制量，控制隔膜泵。采用基于云模型的模糊推理算法，根據(jù)誤差的變化在線修正了PID控制系數(shù)，使PID控制適應水肥配比動態(tài)變化。具體推理過程如下：

(1)首先，計算出系統(tǒng)的輸入變量即偏差和偏差變化率ec。

Input=(,ec)

(1)

(2)由輸入變量激活推理規(guī)則中前件隸屬云，并計算出相應隸屬度。

(2)

式中，1為變量的論域上第個云模型生成的正太隨機數(shù)，2為變量ec的論域上第個云模型生成的正太隨機數(shù)，為前件云推理輸出。

(3)每一個推理規(guī)則前件根據(jù)推理規(guī)則表，映射到推理后件對應的隸屬云，得到推理輸出。

(3)

式中，為輸出變量的論域上的第個云模型生成的正態(tài)隨機數(shù)，為后件推理輸出，為PID控制的3個修正值。

(4)對各推理規(guī)則的輸出經(jīng)加權平均即得PID控制得修正系數(shù)。

根據(jù)推理流程，設計了基于云模型的模糊推理算法，具體算法流程圖如圖4所示。其中，為推理規(guī)則條數(shù)，為實驗中變量論域中的個云模型生成的云滴數(shù)目。根據(jù)實際需求構建了輸入變量與每一個PID控制修正值間的49條控制規(guī)則，在進行模糊推理實驗時，設置輸入輸出變量論域中云模型的生成云滴數(shù)為500，最終通過對推理結果進行加權平均得到PID控制的修正值。

圖4 云模型推理算法流程 Fig.4 Reasoning algorithm flow of cloud model

4 試驗與分析

根據(jù)二維云模型推理結構的設計流程，以及相應的算法實驗，完成云模型推理結構的構建。任意輸入5組(，ec)數(shù)據(jù)，對云模型推理結構進行驗證，經(jīng)二維云模型推理得到PID控制修正值結果如表4所示。

對表4中第5組數(shù)據(jù)進行分析，當=2.3，ec=1.0時，即隸屬于PM和PB的程度較大，ec隸屬于PS的程度較大，PID控制修正值Δ、Δ、Δ分別為-1.63、1.52、1.17。對照推理規(guī)則表3可知，云模型推理輸出與規(guī)則設計相符。

表4 云模型推理結果Table 4 Reasoning results based on cloud model

5 結語

通過構建基于云模型的水肥配比控制策略，實現(xiàn)了根據(jù)輸入值的動態(tài)變化對PID控制參數(shù)的在線修正，改善了PID控制對被控系統(tǒng)動態(tài)變化適應性較弱的問題。在未來的研究工作中，將繼續(xù)針對具體的農(nóng)業(yè)生產(chǎn)實際需求，結合水肥的實際流動情況構建相關模型，使控制策略發(fā)揮更好的效果。