謝家興 高 鵬 莫昊凡 余國雄,3 胡 潔 王衛(wèi)星,4

(1.華南農(nóng)業(yè)大學電子工程學院， 廣州 510642； 2.廣東省智慧果園科技創(chuàng)新中心， 廣州 510642； 3.中國移動通信集團廣東有限公司， 江門 529030； 4.廣東省農(nóng)情信息監(jiān)測工程技術(shù)研究中心， 廣州 510642)

0 引言

我國荔枝種植總面積60萬hm2，占世界荔枝總面積的75%；荔枝總產(chǎn)量190.66萬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[1-2]。荔枝園主要采用的傳統(tǒng)漫灌技術(shù)對水資源造成較大浪費[3-7]。同時，荔枝園所處環(huán)境復雜，受光照、土壤濕度、空氣濕度、降雨等條件影響，由人為主觀意識產(chǎn)生的判斷有較大不確定性及誤差，易造成較大經(jīng)濟以及資源浪費。因此，開發(fā)一種荔枝園智能控制系統(tǒng)對荔枝園進行現(xiàn)代化管理，以最大化節(jié)約資源，勢在必行。

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

1 智能灌溉模糊控制軟件設(shè)計

模糊專家決策系統(tǒng)接收傳感器節(jié)點采集的土壤含水率數(shù)據(jù)，根據(jù)專家系統(tǒng)的模糊規(guī)則實時推理出灌溉量，進行灌溉。

對荔枝園灌溉環(huán)境分析可得，用于荔枝智能灌溉的模糊專家系統(tǒng)為多維的模糊控制專家系統(tǒng)，根據(jù)灌溉過程中的人為經(jīng)驗，將專家的經(jīng)驗、知識庫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家系統(tǒng)的推理機，該模型簡單實用，已被應(yīng)用到一些實用的專家系統(tǒng)之中[7]。模糊專家決策系統(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，影響荔枝生長的關(guān)鍵因素是土壤含水率。在實際灌溉中，通常根據(jù)土壤含水率來決定荔枝是否需要灌溉。

荔枝在不同生長周期里所需的土壤最佳含水率均有所不同，所以本系統(tǒng)在確定荔枝的生長周期后，選用該周期土壤最佳含水率與土壤實測含水率的差E，及其誤差變化率EC為2個輸入變量，土壤需水量U作為其輸出量，后將E和EC輸入模糊控制器進行模糊化控制，通過模糊決策產(chǎn)生灌溉指令來控制灌溉執(zhí)行機構(gòu)，實現(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

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，從而用自然語言表述控制策略或者通過大量實際操作歸納總結(jié)出多個控制規(guī)則，并用計算機實現(xiàn)自動控制[12-14]。模糊控制是一種非線性控制方法，無需建立精確的數(shù)學模型，魯棒性強，非常適合時變以及滯后系統(tǒng)的控制[15]。

2.2 模糊控制器設(shè)計

2.2.1模糊語言變量設(shè)計

根據(jù)荔枝園灌溉專家經(jīng)驗及周邊環(huán)境對荔枝灌溉的影響，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測含水率的差E及其誤差變化率EC為兩個輸入變量。

為了提高控制精度，設(shè)置多個語言變量。其中誤差E和輸出變量U的模糊語言值設(shè)定為9個，即{NB(負大)，NM(負中)，NS(負小)，NW(負微)，ZO(零)，PW(正微)，PS(正小)，PM(正中)，PB(正大)}，EC的模糊語言值設(shè)定為7個，即{NB(負大)，NM(負中)，NS(負小)，ZO(零)，PS(正小)，PM(正中)，PB(正大)}。E的基本論域為{-15,15}，模糊論域D為{-6,-4,-2,0,2,4,6}，EC的基本論域為{-10,10}，模糊論域X為{-6,-4,-2,0,2,4,6}，U的基本論域為{-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

計算結(jié)果為Ke=0.4，Kec=0.6，Ku=1.5。

選擇隸屬函數(shù)時，因三角形隸屬函數(shù)有簡化計算、易于實現(xiàn)的特性，模糊語言變量模糊化的隸屬函數(shù)類型選擇以簡單的三角形為主。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

根據(jù)灌溉經(jīng)驗與實測數(shù)據(jù)，制定出模糊推理規(guī)則，規(guī)則采用IF-THEN語句，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)計原則為：當誤差較大時，控制量的變化應(yīng)盡量減少誤差；當誤差較小時，在消除誤差外，需要同時考慮系統(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，面積重心法直觀合理，計算數(shù)據(jù)精確，故本文采用面積重心法進行反模糊化。面積重心法即求出模糊集合隸屬函數(shù)曲線和橫坐標包圍區(qū)域面積的中心，選該點對應(yīng)的橫坐標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的計算公式為

(6)

2.2.4模糊控制器的輸出

運用Matlab軟件的Simulink工具箱對模糊控制進行仿真。根據(jù)建立的模糊庫，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

3.1 仿真模型

假定由執(zhí)行機構(gòu)和被控對象組成的灌溉系統(tǒng)廣義對象的數(shù)學模型為典型二階環(huán)節(jié)[19]，其數(shù)學表達式為

(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

下面對模糊控制和PID控制的控制性能進行分析比較。對同樣的被控系統(tǒng)，建立PID控制，對于該二階系統(tǒng)，根據(jù)多次試驗得整定PID控制的參數(shù)Kp=0.284，Ki=0.03，Kd=0.626，設(shè)置階躍信號產(chǎn)生時間為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時以幅值0.3 V的階躍信號作為干擾信號，仿真時間改為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 Tab.2 Performance index between fuzzy controller and PID controller

由表2可得，模糊控制器和PID控制器都可以實現(xiàn)對被控系統(tǒng)的控制。PID控制超調(diào)量大，調(diào)節(jié)時間長，動態(tài)性能差，但控制精度較高，模糊控制則相反，動態(tài)性能好，基本沒有超調(diào)，受到干擾后在更短的時間將信號調(diào)整到正常值，即具有更強的抗干擾性。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

為驗證該系統(tǒng)的有效性，本文選取華南農(nóng)業(yè)大學園藝學院荔枝園進行實地試驗，試驗現(xiàn)場采集數(shù)據(jù)的傳感器節(jié)點如圖10所示。

圖10 傳感器節(jié)點 Fig.10 Sensor node

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

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

傳感器節(jié)點每隔30 min監(jiān)測一次土壤含水率，并智能控制電磁閥對荔枝樹的灌溉。另一個區(qū)域(B區(qū))部署一個傳感器節(jié)點，用來監(jiān)測該區(qū)域的土壤含水率，但不灌溉。其中土壤含水率17%為荔枝樹生長最佳環(huán)境。2016年4月7—24日土壤含水率如表3所示。

由表3可知，在試驗期內(nèi)，A區(qū)通過智能灌溉方法，使得該區(qū)的土壤含水率平均值為17.85%，均高于荔枝生長的最佳土壤含水率的下限(15.55%)，達到預(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，其土壤含水率均會迅速上升，然后緩慢下降，說明系統(tǒng)根據(jù)模糊規(guī)則及時調(diào)節(jié)土壤濕度，有較強實時性，反應(yīng)速度快，較好地滿足了荔枝生長的需要。

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系統(tǒng)狀態(tài)方程進行求解。S函數(shù)能夠接收來自Simulink求解器的相關(guān)信息，并對求解器發(fā)出的命令作出適當?shù)捻憫?yīng)，這種交互作用類似于Simulink系統(tǒng)模塊與求解器的交互作用。Simulink設(shè)計了固定格式的S函數(shù)接口，通過S函數(shù)可將系統(tǒng)的數(shù)學方程表達式與方框圖表達形式聯(lián)系起來[22-25]。顯然，S函數(shù)是整個Simulink動態(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，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，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，其不同點為該模糊控制器通過S函數(shù)實現(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

對上文的模糊控制器和用S-函數(shù)優(yōu)化的模糊控制器進行以同樣的階躍信號為輸入，并分別在20 s時以幅值為0.3 V的階躍信號作為干擾信號，進行仿真，對兩種模糊控制器的控制性能進行比較，如兩種模糊控制器進行控制時的超調(diào)量、超調(diào)時間、上升時間、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，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 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)時間和上升時間；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間內(nèi)將信號調(diào)整到正常值，即具有更強的抗干擾性。

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

在試驗場地C另加一組試驗，該試驗場地器材布置、場地環(huán)境、土壤環(huán)境均與3.2節(jié)所述的場地A、B試驗環(huán)境相同，進行另外一組智能灌溉控制與監(jiān)測試驗，驗證利用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)具有更強的穩(wěn)定性、抗干擾性以及更高的控制精度，并且，在試驗中發(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

經(jīng)過計算機模擬、實際測試表明，基于模糊控制器的智能灌溉系統(tǒng)對荔枝園灌溉進行了有效控制，使荔枝園土壤含水率維持在17.8%左右，符合荔枝樹的生長環(huán)境；同時，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%。試驗證實該系統(tǒng)滿足實際要求。