基于农业电气自动化的大棚智能控温系统设计.pdf

基于农业电气自动化的大棚智能控温系统设计 杨 龙 甘肃机电职业技术学院 智能控制学院 甘肃 天水 741000 摘 要 为了实现大棚温度的精确控制 基于数据融合与模糊控制技术 设计了智能温控系统 温度数据融合包 括异常数据剔除 节点内数据融合与节点间数据融合 最终输出大棚温度表征量 模糊温度控制输入量为大棚 温度表征量及其与设置值的偏差量 输出为温度调控设备控制信号 对系统中温度数据融合性能进行测试 结 果表明 该方法优于平均值法 对温度控制性能进行测试 结果表明系统介入后温度相对偏差区间为 2 5 3 5 关键词 大棚 数据融合 温度模糊控制 温度调控 中图分类号 S625 5 文献标识码 A文章编号 1003 188X 2024 01 0116 04 0 引言 为了有效应对疫情对蔬菜跨区域运输的影响 保 证人民的菜篮子安全 在北方地区推广大棚种植 实 现蔬菜的就近供给 是有效的应对方法 1 由于大棚 种植面积较大 故设置单个温度传感器不能有效监控 温室温度 故布置多个温度传感器成为主流 2 3 并直 接计算所有传感器平均值 将其作为输出的大棚温 度 4 5 目前 大棚温度控制往往集中于升温控制 采 用单一升温手段 升温速度慢 6 7 为了有效解决温 度传感器输出数据无法准确表征大棚温度及大棚温 度单向调节的问题 设计了智能温控系统 1 系统组成 系统主要包括温度调控系统 温度融合与温度模 糊控制及测试系统 如图1所示 其中 温度调控系 统包括温度传感器组 用于监控大棚环境温度 温度 调控设备包括空调 地暖 遮阳网和湿帘风机 8 9 用 于大棚温度调控 温度数据融合包括大偏差数据剔 除 节点内数据融合与节点间的数据融合 最后输出 大棚温度表征量 温度模糊控制将大棚温度表征量 及其与设定温度偏差作为输入 模糊控制器输出为温 度调整装置控制信号 收稿日期 2022 09 21 基金项目 甘肃省高等学校创新基金项目 2021A 295 作者简介 杨 龙 1971 男 甘肃西和人 副教授 硕士 E mail jkat5627rqq76666 163 com 图1 系统组成 Fig 1 Structure of system 2 多节点温度数据融合 由于大棚面积较大 为有效监控大棚温度 需要 设置温度传感器网络结构 目前 温度传感器组网结 构按照位置将众多温度传感器分为众多小组 每个小 组由其路由节点向上传递数据 因此 系统由5个温 度节点组成 每个节点中包括7个温度传感器 且需 要对所有温度传感器输出数据进行融合 最后输出表 征整个大棚的温度量 10 11 611 2024年1月 农 机 化 研 究 第1期 DOI 10 13427 ki njyi 2024 01 036 温度数据融合包括两个维度 即节点内数据的融 合和节点间数据的融合 节点内数据融合采用数据计 算平均值的方法得到 节点间数据融合采用加权平均 值的方法计算得到 节点内数据融合 在完成异常数据剔除后 认为 剩下的数据是可靠的 则该节点的温度表征值为剩下 数据的平均值 5个节点温度异常剔除值和节点温度 表征值 如表1所示 表1 节点异常数据剔除及节点温度表征值 Table 1 Elimination of node abnormal data and characteristic value of node temperature 节点1 2 3 4 5 异常数据无无无15 5无 节点表征值15 37 15 77 15 6 14 57 16 41 节点间的数据融合的关键性问题为权重 i的计 算 有 T 5 i 1 iT i 1 其中 T 为大棚温度表征值 Ti为节点i的表征值 i为节点i温度表征值Ti所对应的权重 计算各节点 数据的方差 2i 再计算5个节点的总方差 2 如式 2 所示 当总方差 2最小时 认为对应的权重 i即为所 求 现利用朗日乘数法构造函数f i 如式 3 所示 对f i 求关于 i的偏导 当偏导数为0 整理得到 i 2i和 的关系式 4 由于 5 i 1 i 1 将式 4 带入该 式 得到 2i和 的关系式 如式 5 所示 将式 5 带 入式 4 即可求得权重 i 如式 6 所示 2 5 i 1 2i 2i 2 f i 5 i 1 2i 2i 5 i 1 i 1 3 i 2 2i 4 2 5 i 1 1 2i 5 i 1 2i 5 i 1 1 2i 6 节点数据的方差 2i 如图2中虚线所示 计算得 到各节点的权重 i 如图2中实线所示 由图2可知 节点方差和节点权重成反向分布 节点方差大时表明 该节点数据离散程度高 对应的权重较小 节点方差小 时表明该节点数据离散程度低 对应的权重较交高 将各节点表征值和权重值 带入式 1 计算得到大棚 温度表征值为15 7 图2 各节点方差与权重 Fig 2 Variance and weight for each node 3 大棚温度模糊控制 3 1 模糊控制模型 大棚温度模糊控制模型如图3所示 系统输入为 设定温度值r t 采用数据融合的方法 融合温度传 感器温度数据得到大棚温度表征量T t 将r t 与T t 做差 得到偏差e 将温度偏差e和T t 大棚温度 表征量作为模糊控制器输入 对其进行模糊化处理 根据模糊规则库 输出模糊输出量u 采用重心法 对 u进行去模糊处理 得到的温度调节装置控制信号 U t 进而对大棚温度进行调节 温度传感器采集数 据 融合得到大棚温度表征量T t 重新计算偏差e 实现闭环控制 图3 模糊控制模型 Fig 3 Fuzzy control for irrigation system 3 2 温度调节装置模糊化 大棚温度调节装置需要根据当前温度及其与设定 温度的偏差 实现不同速率的升温和降温 温度调节 装置作为模糊系统输出 在模糊化过程中 依据降温 和升温速度 将温度调节装置分为7个等级 即 NB NM NS O PS PM PB 升温测试分为空调设置为制热模式 地暖加热和 711 2024年1月 农 机 化 研 究 第1期 关闭遮阳网 降温环节为空调制冷 打开湿帘风机及 打开遮阳网 保持不变环节为关闭所有制冷和制热设 备 测试结果如图4所示 升温环节空调制热30min 大棚温度提高17 5 地暖加热30min 大棚温度提高 10 5 关闭遮阳网30min 大棚温度提高7 5 降 温环节 打开遮阳网 温度下降11 5 开湿帘风机 温度下降22 5 空调制冷 温度下降29 保持状 态 关闭制冷制热设备 温度随外界环境温度升高 5 基于以上实验数据 温度调节装置模糊化的7 个等级 NB NM NS O PS PM PB 对应的装置 状态分别为制热模式 地暖加热 关闭遮阳网 保持遮 阳网 打开遮阳网 开湿帘风机 空调制冷 图4 温度调节装置模糊化设计 Fig 4 Fuzzy design for temperature regulating device 3 3 模糊控制器设计 系统以温度传感器融合数据得到的大棚温度表征 量T t 及其与设定温度的偏差值e为模糊控制器的 输入 以温度调节装置控制信号作为模糊控制器输出 u 通过建立模糊控制器输入和输出的隶属度函数 实 现模糊化 然后 采用重心法 实现输出u的去模糊 化 进而实现对于温度调节装置的选用与控制 模糊控制器输入输出隶属度函数如图5所示 其 输入输出均采用三角形隶属度函数 模糊控制器输入 大棚温度表征量T t 实际范围为 0 40 模糊化过 程中设置7个中心值为 0 10 15 20 25 30 40 对应的模糊化语言为 NB NM NS O PS PM PB 大棚温度表征值T t 与设定温度r t 的偏差e 的实际范围为 20 20 对应的模糊化语言为 NB NM NS O PS PM PB 温度调整设备控制信号 U t 实际控制范围为 20 20 对应的模糊化语言 为 NB NM NS O PS PM PB 现根据模糊化后的控制器输入大棚温度表征值T t 及其与设定温度r t 的偏差e及模糊化后的输出 量u 建立模糊规则库 如表2所示 图5 模糊控制器隶属度函数 Fig 5 Membership function for fuzzy controller 表2 模糊控制器规则库 Table 2 The fuzzy rules for fuzzy controller e NB NM NS O PS PM PB T t NB PB PB PM PM PS PS O NM PB PM PM PS PS O NS NS PM PM PS PS O NS NS O PM PS PB O NS NS NM PS PS PS O NS NS NM NM PM PS O NS NS NM NM NB PB O NS NS NM NM NM NB 利用模糊控制器规则库 根据模糊化后的输入量 可以直接推断得到模糊化的控制器输出量u 现需要对 模糊化后的系统输出量u进行去模糊化处理 得到温 度调节装置控制量U t 进而实现温度调节装置的调 用 完成加热或降温作业 系统采用重心法 14 15 进行 去模糊处理 方法如式 7 所示 其中 ui为模糊化后 的系统输出量 i为对应的加权值 U t n i 1 i ui n i 1 ui 7 4 系统测试 首先 将温度传感器以位置节点进行分组 后进 811 2024年1月 农 机 化 研 究 第1期 行节点内 节点间的数据融合 输出可以大棚表征温 度 其次 设计模糊控制系统 以大棚表征温度和温度 偏差作为模糊控制器输入 以温度调节装置控制信号 作为系统输出 因此 系统两个重要环节为数据融合 与模糊控制系统 现对其进行检验测试 温度数据融合方式为异常数据剔除 节点内数据 融合及节点间数据融合 进而计算求得大棚温度表征 量 对照组采用直接输出所有数据平均值 温度测试 范围为15 24 5 进行10次采样 测试结果如图6 a 所示 由图6 a 可知 采用数据融合的表征值曲 线平滑 而平均值输出曲线在数据融合曲线上下来回 跳动 且曲线不平滑 表明平均值算法受到异常数据 影响 造成输出不准确 温度模糊控制系统测试方法为设定温度控制值为 20 开启本系统进行温度控制 采样间隔为10min 采样数为8 测试结果如图6 b 所示 其中 开始温 度最低为18 4 系统介入10min后 温度为19 5 第6采样点温度最高 为20 7 且温度在20 上下 浮动 系统介入后的温度相对偏差区间 2 5 3 5 测试结果表明 该模糊控制器具有良好的温 度控制性能 图6 系统测试 Fig 6 The test for system 5 结论 为了实现大棚温度精确控制 基于数据融合与模 糊控制技术 设计了大棚温度控制系统 基于模糊控 制技术实现大棚温度控制 先以温度偏差e和T t 大 棚温度表征量作为模糊控制器输入 以温度调节装置 控制信号U t 作为系统输出 其中 温度调节装置模 糊化的7个等级 NB NM NS O PS PM PB 对 应的装置状态分别为制热模式 地暖加热 关闭遮阳 网 保持遮阳网 打开遮阳网 开湿帘风机及空调制 冷 建立系统工作流程 对系统的数据融合与温度 控制性能进行测试 结果表明 数据融合技术由于直 接取平均值 系统介入后温度相对偏差区间 2 5 3 5 参考文献 1 李桂冬 张凯 刘倩 透过疫情看武汉蔬菜供应链现状及 对策研究 J 长江蔬菜 2020 15 1 3 2 李晓东 贾少锐 刘静 基于 NET的温室温度无线监控 管理系统的实现 J 农机化研究 2009 31 6 100 102 3 严思堃 蔬菜大棚温度监控系统的设计研究 J 乡村 科技 2018 5 121 122 4 田彬彬 朱亮 孙歆钰 基于单片机农业温室温湿度监控 系统的设计 J 广东蚕业 2020 54 3 78 79 5 张盛 李国芳 杨新恩 温室温度自动监控系统 J 电 气传动自动化 2009 31 3 50 53 6 王建新 童官军 杨世凤 基于模糊控制算法的温室温度 监控系统研究 J 天津科技大学学报 2005 4 68 72 7 秦琳琳 陆林箭 石春 基于物联网的温室智能监控系统 设计 J 农业机械学报 2015 46 3 261 267 8 刘云骥 徐继彤 庞松若 日光温室正压式湿帘风机系统 设计及其降温效果 J 中国农业大学学报 2019 24 5 130 139 9 王睿 闫东 薛光楠 湿帘风机自降温系统设计 J 科 技视界 2015 13 124 125 10 李时辉 一种多传感器温度数据动态融合方法 J 科 技通报 2015 31 1 146 149 11 吴辉 于军琪 基于ZigBee的温室房间温度传感器数据 融合技术 J 农机化研究 2009 31 4 158 160 12 黄元媛 况严 曹新玲 浅谈狄克逊准则巧记方法 J 中国计量 2020 7 85 86 13 卓焕权 浅谈狄克逊准则的速记方法及运用 J 仪器 仪表标准化与计量 2021 1 46 48 14 陈嘉源 吴黎明 蔡文 重心法去模糊的环境舒适性指 标评价 J 数学的实践与认识 2015 45 9 51 57 15 徐志浩 靳东明 李志坚 新结构重心法去模糊单元电 路设计 J 清华大学学报 自然科学版 2006 1 119 121 下转第125页 911 2024年1月 农 机 化 研 究 第1期 1 7 15 7 宋怡焕 饶秀勤 应义斌 基于DT CWT和LS SVM的 苹果果梗 花萼和缺陷识别 J 农业工程学报 2012 28 9 114 118 8 饶秀勤 应义斌 基于机器视觉的水果尺寸检测误差分 析 J 农业工程学报 2003 1 121 123 9 中华人民共和国农业行业标准柑桔等级规格 J 中国 果业信息 2007 11 25 27 10 李烜 李凤军 韩东海 柑橘分级检测中翻转机构的力 学分析 J 农业机械学报 2006 1 94 96 100 Design of Citrus Fruit Shape Measurement and Control System Based on Machine Vision Wang Zhiyu Wen Tao Li Lang Nie Qiyi Liu Hao Gong Zhongliang School of Mechanical and Electrical Engineering Central South University of Forestry and Technology Changsha 410004 China Abstract Aiming at the problems of low detection accuracy of roundness and fruit diameter and long attitude positioning time in citrus fruit shape features an embedded fast detection and control system was designed The system used STM32 micro controller as the system control core and measured the radius error and shape error of the monocular camera im age The dynamic citrus images were processed in real time using Gaussian filtering digital image morphology Hu mo ments and Canny algorithm Experiments shows that the radius error of the visual detection system is controlled within 1 8 and the shape error is 2 71 3 69 Under the conveying speed of 5 citrus per second the online grading ac curacy of citrus roundness and fruit diameter are 81 and 91 92 respectively This study combined the machine vi sion non destructive testing technology to realize the comprehensive detection and classification of citrus roundness and fruit diameter characteristics under dynamic conditions Key words machine vision STM32 Hu moments roundness fruit diameter citrus 上接第119页 Abstract ID 1003 188X 2024 01 0116 EA The Intelligent Temperature Control System Design for Greenhouse Based on Agricultural Electrical Automation Yang Long Intelligent Control College Gansu Institute of Mechanical and Electrical Engineering Tianshui 741000 China Abstract In order to achieving precise control for greenhouse temperature this system was designed based on data fusion and fuzzy control Temperature data fusion includes eliminating abnormal data intra node data fusion and data fusion be tween nodes and then the temperature characterization for greenhouse was output In fuzzy temperature control the tem perature characterization for greenhouse and the deviation value between temperature setpoint and temperature character ization were taken as and temperature control equipment control signal was taken as output The test was taken for temperature data fusion the result showed that this was superior to the average The test was taken for temperature controllability the result showed that temperature relative deviation range was 2 5 3 5 after system intervention Key words greenhouse data fusion temperature fuzzy control temperature control6 EA 521 2024年1月 农 机 化 研 究 第1期