浙江科技学院学报

引言

传统的农业栽培需要遵循季节性和周期性的栽培规律，受外部环境的影响较大，相应的栽培技术无法获得良好的栽培效果[1]。温室通过环境控制器调节温室环境，为作物提供适当的生长环境。因此，它在农业领域的应用越来越广泛，温室环境控制系统的研究已成为人们关注的热点[2-5]。韩毅[6]提出了温湿度变化结构模糊控制方法，将控制过程分为快速控制和精细调整两个过程，以提高控制系统的稳态性能； 左志宇等[7]提出了一种基于光照的温室加热系统模糊PID控制(proportional-integral-derivative conrtol,比例-积分-微分控制)法，利用自然光调节温度，提高控制系统的动静态性能。然而，温室的环境因素相互影响，上述两种控制单个对象的方法都无法达到最佳控制效果。王宪雷等[8]提出了基于模糊控制专家系统的智能温室控制方法，结合多信息集成的原则，提高了温室环境参数控制的决策准确性； 邢希军等[9]提出了基于双模糊控制器的智能控制方法，增加了分段控制，实现了温室内全天候自适应智能控制。然而，这两种方法中的传感器在收集数据时存在故障和数据失真问题，系统不处理采集数据，容易影响控制效果。在上述研究的基础上，本文采用了狄克逊标准(Dixon Criterion)及改进型自适应加权融合算法对采集的环境因子数据进行预处理,利用模糊控制方法,以温室内环境因子偏差值作为输入,温室环境控制器信号作为输出,研究数据融合及模糊控制方法在温室大棚中的应用,以提高数据的可靠性、稳定性及系统的响应速度。1 整个系统设计

图1 温室控制系统整体结构

Fig.1 Architecture of greenhouse control system

温室大棚控制系统主要由数据采集、数据传输及数据决策3个部分组成,其整体结构如图1所示。该系统从终端传感器收集温室内温度、湿度和光强的数据，并无线发送到ZigBee协调器; ZigBee协调器通过WiFi将收集到的数据上传到控制中心； 控制中心采用数据集成和模糊控制方法对三个环境因素数据进行集成判断。如果三个环境因素数据不在设定值范围内，则向环境控制器发送控制命令，为了调节温室环境。2 数据融合

受多种因素影响，单传感器测量数据存在监测不全面、准确性低的问题[10]。与单传感器的测量结果相比，可以获得更高的检测精度[11]。因此，本研究采用了二级数据集成方案：第一级采用迪克逊标准，克服粗大误差（即明显超出规定条件下的预期误差），提高数据的可靠性； 二级采用改进型自适应加权的融合算法，提高数据准确性。2.1 狄克逊准则

在测量过程中，疏忽误差的存在会降低数据可靠性，导致控制偏差。格拉布斯标准(Grubbs Criterion)适用于测量次数小的情况。一次只能消除一个误差。拉伊达标准(Pauta Criterion)适用于测量次数趋于无限的情况，狄克逊标准通过极差比判断和消除异常数据，可以一次消除多个异常值，而无需计算平均值和方差。方法更简单[12]，具体流程如下。

将采样数据v(n)按值的大小排序统计，n(3≤n≤7)为采样点数。v(n)服从正态分布时的统计量

γ10=(v(n)-v(n-1))/(v(n)-v(1));

γ'10=(v(2)-v(1))/(v(n)-v(1))。

设D(α,n)为狄克逊检验的临界值取显著水平α为0.01,当γ10>γ'10、γ10>D(α,n)时,v(n)为异常值; 当γ10D(α,n)时,则v(1)为异常值； 否则，没有异常值。重复上述过程，直到没有异常值。除异常值后，将剩余数据的算术平均法集成，集成数据作为本次采集的最终结果。2.2 改进型自适应加权融合算法

将某一时刻的采样数据平均分为6组，共有n个数据，其中第k组为Xk1,Xk2,…,Xknk(k=1,2,…,6,∑6k=1nk=n),分为以下两个步骤：

1)计算每组算术平均值Xk和标准误差σk,得

根据统计学中的分批估计理论[13-14]，6组数据平均分为3组，其中第j组的融合值方差Dj、数据融合值Tj分别为

Dj=(σ22jσ22j-1)/(σ22j-1 σ22j)(j=(1)

Tj=(σ22jX2j-1 σ22j-1X2j)/(σ22j σ22j-1)。(2)

2)由于不同批次数据的融合值对应不同的权值，权值最优分配原则对应(1)~(2)得出的方差Dj、融合值Tj为了提高数据集成的精度，进行自适应加权，获得最小总均方差。

引入加权因素wk(∑3k=1wk=1,k=1、2、3)计算数据融合值

X=∑3k=1wkTk。

计算总均误差

σ2=∑3k=1w2kσ2k。

计算多元函数求极值理论

w'k=1/(δ2k∑nk=11/(δ2k)),

获得最小值，此时最佳融合结果

X=w'kTk。2.3 采集和分析数据

记录温室内温度传感器收集并上传的温度值，第一级数据处理按照迪克逊标准分为6组，每组4个数据，结果见表1。

表1 温室6组温度采集数据

Table 1 Six sets of temperature data collected in greenhouse

表2 对比三种算法融合结果

Table 2 Comparison of fusion results of three algorithms

对表1中的数据进行第二级集成，此时对应的集成值X=26.23,方差σ2=0.001。表1数据分别用算术平均法、自适应加权算法和本文算法处理，得到的融合值和方差见表2。

从表2可以看出，本文使用的数据融合算法方差最小，因此精度最高。 模糊控制

利用MATLAB软件的模糊逻辑工具箱设计了模糊控制器，将传感器收集的环境因子值与设定的目标值进行比较，得出差值后，通过模糊规则将模糊输入进行模糊推理，得出模糊输出控制量，最后对模糊输出控制量进行反模糊处理，得到准确的量并发送到环境控制器，以达到控制温室环境的目的。温室环境控制模型如图2所示。系统以温室内的温度、湿度和光照三个环境因素为输入阳帘、加热器、天窗、加湿器、LED补光灯和通风机作为输出，建立了3输入6输出的模糊控制系统。

图2 温室环境控制模型

Fig.2 Model of greenhouse environmental control

3.1 模糊化

温度、湿度、光照度的设定值和检测值的相对误差分别为eT、eH、eL,定义eT、eL[-5，5]，eH[-10，10]，eT、eH语言变量的选择是NB(极小)、NS(偏小)、ZO(适中)、PS(偏大)、PB选择三角形隶属函数，eL语言变量的选择是N(暗)、ZO(适中)、P(亮)，选择三角形和梯形相结合的隶属函数。

温室环境控制器的输出通过控制相应设备的运行时间来控制开度。定义遮阳帘(U1)、加热器(U2)、天窗(U3)、加湿器(U4)、LED补光灯(U5)及通风机(U6)论域为[0，3]，语言变量为A(全开)、B(半开)、C(关闭)选择三角形隶属函数。以温度和遮阳帘为例，隶属函数图像如图3所示。

图3 隶属度函数

Fig.3 Membership function

3.2 模糊规则

模糊规则一般是专家和工作人员长期总结实践经验形成的模糊条件句。结合本文系统控制的要求，合理划分环境控制器对环境因素的影响，制定模糊控制规则。共有5个模糊的句子×5×3=75条见表3。

表3 部分模糊规则控制表

Table 3 Partial fuzzy rule control table

3.3 模糊推理

根据模糊控制器的输入和模糊控制规则，模糊推理得到了输出变量加热器、通风机、补光灯等环境控制器模糊控制的结果。由于环境控制设备可调，本文使用Mamdani推理方法[15-16]。将多输入、多输出系统的模糊推理转化为多输入、单输出系统的模糊推理，即分析每个环境设备控制器的输出[17]。

模糊推理的结果是模糊向量，不能直接使用，需要解决模糊并转换为实际值。本文采用加权平均法获得实际输出值

U=(∑ni=1u(Ui)Ui)/(∑ni=1u(Ui))。4 试验及分析

根据实际温室的特点，设计了温室试验模型。首先对无线通信模块进行供电，合理布置传感器采集节点，然后采集室内温度、湿度、光强等参数值。为验证本文方法的有效性，将温室标温度为25 ℃、湿度为60 RH光照度为1 500 lx,每隔1 min采集一次数据，采用二级数据集成预处理数据，采用模糊控制算法进行决策控制。在控制过程中，使用三个环境参数的变化值MATLAB如图4所示，将软件绘制成相应的曲线。

图4 温室环境因子变曲线

Fig.4 Curve of changes in environmental factors in greenhouse

从图4可以看出，三个环境因素是10 min温度的相对最大波动值为2.湿度相对最大波动值为1%.光强的相对最大波动值为54%.36%的数据在稳定时波动较小。可以看出，与文献[9]中使用的方法相比，本文采用的二级数据集成处方法测量数据的准确度更高,因此更能反映温室内的真实环境状况,更有利于提高控制精度。5 结 语

温室环境具有参数多、滞后性强、外界干扰大等特点,难以对其建立精确的数学模型进行控制[18]。本文针对当前温室大棚控制系统存在的不足提出了数据融合及模糊控制方法,试验结果表明,采用2级数据融合算法对数据进行预处理提高了数据的可靠性及数据融合的精度; 采用模糊控制方法能使温室环境快速接近设定值并维持在稳定状态,可满足温室环境的控制要求。