摘要：针对室温育苗生产中湿度、温度大滞后和时变的特点。提出了一种基于欧姆龙PLC的复合带自修正因子模糊控制算法，其中模糊控制算法中的修正因子通过神经网络离线训练，得到参数最优值，再由欧姆龙PLC实现自修正模糊控制器及其算法来进行灌溉实时控制。这样既保留了欧姆龙PLC控制灵活、可靠、抗干扰能力强等特点，又大大提高了欧姆龙PLC的智能化程度。实践结果表明：该系统能有效抑制纯滞后的影响，且系统稳定性好、鲁棒性强。
关键词：复合模糊控制；神经网络；变频器；欧姆龙PLC
Abstract:Thehumidityandtemperaturehasthecharacteroflargetimedelayandtime-varyingforyoungplantgrowingingreenhouse.Thefactorself-modifyfuzzycontrolarithmeticisputforwardbasedonOmronPLC.Thefactorfuzzycontrolisrealizedbyneutralnetworktraining.Thatgainparametersoptimalvalues.Thefactorself-modifyfuzzycontrollerandthecontrolarithmeticarerealizedbyOmronPLCandautocontrolirrigationcanberealized.OmronPLCnotonlyholdstheflexible,reliableandanti-jammingcharacter,butalsolargelyimprovestheintelligentizeddegreeofthecontrolsystem.Thepracticalresultsshowthatthissystemcanrestraintheeffectoftimerelayingeffectivelyandhasgoodstabilityandstrongrobustness.
Keywords:Multiple-fuzzycontrol；neutralnetwork；Transducer；OmronPLC
1引言
在温室育苗生产中，粗放的灌溉方式与落后的灌水技术已不适应现代农业的要求发展节水灌溉势在必行。灌溉自动化可大大减轻灌水的劳动强度，提高劳动生产率，减少灌溉水量损失，是灌溉管理现代化的标志，是灌溉农业发展的方向和趋势[1]。目前的一些灌溉系统大多还是人为决定灌溉时间与灌溉量的被动供水式灌溉[2]，其灌溉时间和灌溉水量对育苗并不一定合理，因此根据作物缺水信息实施精量控制灌溉是提高水的利用率和水的生产效率的重要途径之一[3-5]。目前，灌溉控制硬件系统采用单片机、工控机等，单片机控制系统成本低，但是运行过程中干扰大；工控机和计算机作为下位机控制系统价格较高，而且其应有的功能未能得到充分体现。而且这些控制系统大多数未对作物缺水信息进行检测，造成灌溉不合理，降低了灌溉的效益。本文结合温室育苗特点，对灌溉系统的控制进行研究，提出以欧姆龙可编程控制器PLC作为控制核心，采用神经网络技术离线训练,寻找出修正模糊控制因子α,实现对温室内的幼苗灌溉进行控制，从而降低系统成本，大大提高节水灌溉的智能控制效果和生产效益。
2节水灌溉系统的构成
本文所研究的灌溉控制系统是以欧姆龙PLC作为控制核心，PC机作为上位机对其进行定期的数据收集和存储以及进行一定程度的监控和数据设定。系统硬件结构[6，7]框图如图1所示。
在图2中，传感器采用SC0058型土壤湿度传感器用于测量土壤湿度，A／D转换模块是OMRON公司生产的MAD02，在灌溉控制中，需要对17个点进行控制，再加上温湿度控制(本文不进行研究)，因此PLC选用0MR0N公司的CPM2A。电磁阀是整个控制电路的执行元件，该元件选用的是24V交流驱动形式，功率为2W。PC机作为控制系统的上位机，利用VB编程，实现与欧姆龙PLC之间的通信，完成数据交换，即通过PC机输入控制参数，实现对PLC所测试的数据进行定时上传，保存在PC机中，为以后的分析处理提供数据。
3模糊控制原理
在灌溉控制系统中，把田间持水量作为灌溉临界点。根据人工灌溉定额的经验，以过度供水、充分供水、适度缺水、水分亏缺、严重水分亏缺作为供水的判断机制。过度的水分亏缺对植物生长有严重的抑制作用，而适度水分亏缺可增强植株和树体渗透调节机能，限制体内养分和能量的过度消耗，增强生长潜势，并提高水分利用效率[8]。在本控制系统中，输入变量是水分差e，(即土壤中的水分含量与田间持水量之差)和含水率变化率Δe，即含水量差的变化趋势，输出变量为供水时间t。
模糊控制的基本原理如图2所示
欧姆龙PLC通过采样获取土壤中的水分含量的精确值，然后将此量与田间持水量比较得到误差信号e，把误差信号的精确量模糊化变成模糊量，得到误差e的模糊语言集合的一个子集E。再由e模糊控制规则R（模糊关系），根据推理合成规则进行决策，得到模糊控制量为u=EoR（式中u为模糊量）。为了对被控对象施加精确的控制，还需将模糊量u转化为精确的数字量，经D/A转换，送给执行机构，从而对被控对象电动机实施控制[9]。
4模糊神经网络控制算法
灌溉控制系统的主要目的是控制土壤中的水分含量恒定，土壤中的水分含量与土壤的地理条件、当地气温、农作物的种类、当天的天气等等因素有关，灌溉控制系统具有强时滞、非线性的特点。因此采用常规PID控制无法达到满意的控制效果。为了解决这一难点，本系统采用了模糊神经网络控制算法。模糊神经网络控制算法结合了专家知识经验与现场熟练工人的经验，模仿人的大脑进行决策，不需要被控对象的精确数学模型，对强时滞、非线性的被控对象具有很好的控制效果[10]。
4．1模糊控制算法变量选取
根据实际控制要求，本模糊控制器土壤中的水分含量与田间持水量之差E的语言变量值取（负大，负中，负小，零，正小，正中，正大），偏差的变化率EC及电动机控制电磁阀供水时间增量△T的语言变量值取（负大，负中，负小，零，正小，正中，正大），量化等级都取｛-6，-5，-4，-3，-2，-1，0，+1，+2，+3，+4，+5，+6｝。各模糊子集的隶属函数取三角型函数，如图3所示。
由于在不同的温度下，系统要求的工作状态是不同的，对误差及误差变化率的加权值应有所不同，当系统误差较大时，控制器的主要任务是快速的消除误差，因此，应取较大的α值，即加强误差的权值，以加速系统的快速响应。反之，当系统误差较小时，控制器的主要任务是使系统尽快趋于稳定，因此，应取较小的α值，即加强误差变化率的权值，以提高系统的稳定性。为了满足系统在不同状态下对修正因子的不同要求，引入4个修正因子。其解析表达式如下：
其中α1、α2、α3、α4为0到1之间的实数且α1<α2<α3<α4。当误差为不同等级时，取不同的α值来调整控制规则，从而达到改善系统动态性能的目的。
4．2神经网络控制算法
由于修正因子α1、α2、α3、α4值的选取有一定的不确定性，如果修正因子α1、α2、α3、α4值选择的不合理将会造成解模糊的值与实际值有较大的偏差，因此系统的控制效果将受到较大的影响。为此本文采用神经网络控制算法，根据以往的数据和参数训练出最优的修正因子α1、α2、α3、α4值。
(1)非线性组合预测模型
组合预测模型具有信息利用充分、精度高的特点，关键是确定各个单项预测方法的加权系数[11-12]。根据文献[11]，可以将神经网络作为多种预测模型的组合器，给出常规预测方法的最佳组合，它以各个单项预测模型的输出作为神经网络的输入，组合预测结果为输出，模型示意图如图4，式(2)为非线性组合预测模型的数学表达式：
Y=f(x1,x2,xi,xn)(2)
式中：y为神经网络组合器的输出，即组合预测模型的预测值；xi为第i项预测模型的预测值；f()为神经网络非线性映射函数。
(2)双重BP神经网络组合预测模型
在回归和延时神经网络的基础上，应用神经网络组合器，提出双重BP神经网络组合预测模型，模型结构如图5所示，第1重由回归神经网络和延时神经网络组成，回归神经网络模型用预测参数自身的历史数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输入，第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度。由于神经网络具有足够逼近任意非线性映射的能力，应用该组合预测模型进行参数预测时，无需对实时数据的时间序列作平稳性假设，仅依靠样本数据的训练来寻求数据之间的非线性映射关系。文中采用序列概率比检测方法(简称SPRT法)[13-16]来验证数据的正确性，通过计算预测值和测量值的残差、概率比，根据故障检测的决策规则判断测量数据是否有误。当判断数据异常，可以用模型预测值来代替实时数据进行后续应用程序计算。
4.3模糊控制修正因子和查询表建立
经过神经网络离线训练数据得出本控制系统的修正因子α1=0.45、α2=0.55、α3=0.65、α4=0.75。通过式（1）建立模糊控制查询表如附表如下：
EC E | -3 | -2 | -1 | 0 | 1 | 2 | 3 |
-3 | 3 | 3 | 3 | 2 | 2 | 2 | 2 |
-2 | 2 | 2 | 2 | 1 | 1 | 0 | 0 |
-1 | 2 | 2 | 1 | 0 | 0 | -1 | -1 |
0 | 2 | 2 | 1 | 0 | -1 | -2 |
公网安备:11010802022346号