农业温室环境控制方法研究综述

2017 年 1 月 控 制 工 程 Jan. 2017 第 24 卷第 1 期 Control Engineering of China Vol.24, No.1 文章编号 1671-7848201701-0008-08 DOI 10.14107/ki.kzgc.150269 农业温室环境控制方法研究综述 张雪花a，张武a,b，杨旭a，王露皎a，马慧敏a，范琼a安徽农业大学 a.信息与计算机学院 b. 农业部农业物联网技术集成与应用重点实验室，合肥 230036 摘 要随着现代控制技术在农业领域的快速发展，温室环境控制系统的研究得到国内外学者的广泛关注。因温室环境的大滞后、非线性、多输入多输出（MIMO）等情况，难于构建精确数学模型结构，运用简单的基于模型的控制策略难以对其实施准确的调控。因此，如何将传统控制方法与现代控制方法结合实现温室环境的优化控制是目前温室控制系统亟待解决的实际问题。文中分别从PID控制、现代控制、智能控制和解耦控制等方面综述温室环境控制方法的研究现状，指出各种方法在温室环境控制中仍需解决的问题；认为可靠的温室系统模型是实现温室自动化控制的前提条件，提出将温室机理过程与系统辨识方法融合建立温室环境模型的新思路。 关键词温室环境；建模/机理模型；控制方法；优化控制 中图分类号 S625.51 文献标识码 A Survey of Research s on Agricultural Greenhouse Environment Control ZHANG Xue-huaa，ZHANG Wua,b， YANG Xu a， WANG Lu-jiao a， MA Hui-mina，FA N Q i o n gaa. College of Ination and Computer Science; b. Key Laboratory of Technology Integration and Application in Agricultural Internet of Things, Anhui Agriculture University, Hefei 230036, China Abstract With the development of modern control technology, study of the greenhouse environment control system has been widely concerned by scholars. It is very difficult to use a single control based on models to implement the precise control due to the complexity of the greenhouse environment. Greenhouse is highly nonlinear, strong coupled and multiple- multiple-output MIMO systems. They are largely influenced by the outside weather and many other practical constraints. As a result, there is a problem to solve the practical problem of greenhouse control system at present. That is how to combine the traditional control theory with the modern control to achieve the optimal control of greenhouse environment. This paper starts which concerns about the field of greenhouse control research, then summarizes the research of control s of greenhouse environment from the PID control, modern control, intelligent control and decoupling control and points out some problems which still need to be solved in greenhouse environment control s. Finally, it is considered that a reliable greenhouse system model is the precondition of the realization of the greenhouse automation control. In this way, combining the mechanism in the greenhouse with the of system identification is a new idea. Key words Greenhouse environment; modeling/mechanism model; control ; optimal control 1 引 言 温室作物生产是高度密集型设施产业，相对于大田作物，温室生产过程不易受到外界气候的干扰，可以满足在不同发育周期生产者对作物的需求[1]。 目前我国温室面积达 300万公顷以上，是全球最大的温室作物栽培区域之一。温室通过控制器对温室环境参数进行调控，使其处于温室作物生长较适宜的状态，并且提高作物产量、品质与经济效益的同时降低能源消耗。传统的温室控制模式多数依赖于生产者的先验知识，主观性强、误判率高，缺乏科学依据，不适用于当今温室生产的需求。目前解决实际温室系统调控问题的关键在于研究功能强大的温室环境控制技术，而高效的技术是基于精确的收稿日期2015-04-10 ；修回日期 2015-08-10 基金项目农业部农业物联网技术集成与应用重点实验室开放基金 2016KL05;农业部引进国际先进科学技术 948 项目2015-Z44;安徽农业大学引进与稳定人才科研资助项目wd2015-05. 作者简介 张雪花1991-，女，安徽淮北人，研究生，主要研究方向为温室环境的建模与控制等。 第 1 期 张雪花等农业温室环境控制方法研究综述 9 模型结构，因此，研究适应于现代温室控制的模型结构势在必行。本文在综述近年来国内外学者在温室环境控制技术所取得的研究成果基础上，分析传统 PID控制、现代控制、智能控制及解耦控制等多种控制方法在温室环境控制中的应用现状，总结出精确的模型结构是实现温室自动化生产的前提条件，最后指出当今温室控制系统仍然存在的不足和未来的发展前景。 2 温室环境控制系统发展概述 温室环境控制系统历经手动、自动与智能控制3 个发展阶段。传统的控制模式在很大程度上依赖于工作人员的先验经验，而温室的管理人员往往不具备上述要求。此外，由于温室环境因子之间的耦合作用，采用以往的调控方法在实现温室环境的最佳控制过程中有一定的困难[2]。智能控制系统作为当今温室系统的研究热点，可处理不确定和时变信息，但需要精确的模型结构，这也是使温室能达到优化控制效果的难点之一[1]。温室环境控制方法已有多年的研究历史，但真正能有效应用于实际温室系统的研究成果却不多。究其原因，最主要的是缺乏对温室相关动态模型的深入研究。一方面，作物生理过程的转变对环境因子有新的扰动，如蒸腾、光合及呼吸作用等，影响温湿度、二氧化碳浓度等被控对象的参数；另一方面，温室环境调控直接改变室内多元因子的参数。这两种持续的动态反馈作用致使同一种作物在不同生长周期具有不同的模型结构，同一生长周期不同种类作物具有的模型结构也不相同。以往的温室系统模型中有些过于简单，并无考虑到这类动态反馈机制，在面向控制的温室环境研究中一般围绕室内温度、湿度进行建模研究。如经典的 Albright 提出的温湿度模型，模型中虽然考虑控制输入变量、蒸发蒸腾速率、室内空气参数等，但这些因素并不能满足控制器设计的要求，实际上，二氧化碳浓度、光照强度也是温室建模中必不可少的环境状态变量，且模型中对作物的机理过程描述的并不全面，仅仅考虑作物蒸发蒸腾速率对温室环境的影响，没有涉及到光合与呼吸作用这两个重要的作物生长状态变量。另外一些模型结构过于复杂， 如 DSSAT 模型和 TOMGRO 作物生长模型等，在 DSSAT 模型结构中，仅输入的数据包括作物管理数据（品种信息、种植信息和施肥信息等） 、土壤数据（土层、有机 C 和硝态氮等）、天气数据（逐日的降雨量、最高最低温度和辐射量）。因此，若要建立这类精准的模型结构，需要以庞大的数据库为支撑，这给模型的构建带来了困难，从而增加控制器设计的难度。受认知水平的限制，以往的基于模型的温室环境控制方法中，多数是对温室内部环境和作物生长进行建模研究，在一定程度上探究了温室系统中大部分的机理过程，但多数的模型并不完全适用于温室生产中的优化控制设计，未来在温室建模学术研究中仍需投入大量的精力。 基于模型的温室环境优化控制系统设计中，对作物生长、温室环境、能量消耗等模型的可靠性要求较高，一个精准的模型是实现整个温室优化调控的重要根蒂。在温室系统调控过程当中，将温室调节到作物生长所需的最优限度内以此实现作物高产、降低能源消耗，从而获得最大的经济效益[3]。 其控制结构，如图 1 所示。图 1 温室环境控制系统优化结构图 Fig. 1 Framework of the greenhouse environment optimal control system 10 控 制 工 程 第 24卷 由图 1 可以看出，整个优化控制过程需要建立作物生长模型、温室内部环境动态模型、作物产量模型、能量与二氧化碳消耗模型，这四种模型之间存在相互影响、相互制约的关系。以 ARX（ Auto Regressive eXogenous）模型为例，以室外温湿度、太阳辐射强度等为输入变量，以室内温度湿度、二氧化碳浓度等为输出变量， ARX 模型的输出变量同时会影响作物生长和二氧化碳模型的建立。因此，在基于温室模型控制过程中，综合考虑各种动态模型是实现温室较好控制的前提条件。在温室生产过程中，外界气候变化（不可调控）和内部作物生长发育过程作为温室内部环境系统的输入，通过控制器主动调节温室环境，使其达到作物较适宜的环境状态。温室内部环境系统的输出是直接影响作物生长的各种环境变量，这些同时又是作物生长模型的输入；作物产量同时是作物生长模型和温室系统的输出；将作物产量与能源、二氧化碳消耗等多目标作为控制器的输入，结合专家经验与温室环境的反馈信息，在控制算法的决策下，营造作物生长的良好环境，温室输入输出动态模型为[3]ddddXaf X , X ,U,W,θactXcgX ,X ,W,θact（）（）1式中，aX 为室内气候环境状态变量（室内温湿度等） ，cX 为作物生长状态变量（光合速率、呼吸速率等） ， U 为温室环境控制输入变量（加热、通风、喷雾等） ， W 为外界气候变量（室外温湿度等） ， θ是温室结构相关物理参数与作物信息 温室面积、 高度、季节参数等 。 温室环境控制系统涉及硬件设施、控制对象、控制方法三方面，控制方法作为温室环境控制系统的核心部分，包含传统 PID 控制、现代控制、智能控制、解耦控制等。目前，将各种控制算法集成的新型控制算法在温室环境控制系统中应用最为广泛，对温室系统的优化控制设计具有重要意义。 3 温室环境控制方法研究 3.1 传统 PID 控制 PID 算法一般是将比例 P、积分I 、微分 D分别与系统偏差、偏差积分、偏差微分经过线性组合形成控制量，对被控目标控制，其控制模型为 PI D0PI D0 [ 1/ * d *d/d] * d *d/dttut K et T et t T et tKet K et t K et t 2 式中， KP、 TI、 TD分别为比例系数、积分时间常数及微分时间常数； KI为积分增益， KD为微分增益[4]。增大比例环节可减少系统的稳态误差，提高稳态精度；积分环节可以解除静态误差，提升系统的无差度；调整好微分环节可以改善系统动态特性[5]。 PID 控制器中 KP、 KI、 KD的整定是其核心内容，直接影响控制品质和系统的鲁棒性。很多研究学者曾运用智能控制方法对其参数进行优化整定[6-9]，但这类方法忽略温室环境多因子间的相互作用和多目标冲突等问题。如雷勇等针对 PID 具有自适应能力差、控制精度不佳问题，提出基于自适应模糊 PID控制温室温度的方法，该方法能够对温室内作物生长环境要求实现自适应性控制策略，提高作物产量的同时还能增加经济效益，但是该方法仅仅用温度这一指标作为参数整定评估准则有必然局限性[10]。由此我们可以看到，温室系统的优化控制实际上是一个多目标优化问题[11]。 在实际温室系统中，由于难以创建精准的温室模型结构，常规 PID 控制器会呈现出诸多问题，如参数整定不良、抗干扰能力差和对温室环境的适应性较差等情况，因此，目前温室控制系统大多采用改进的 PID 调控策略（不完全微分的 PID 控制、积分分离的 PID 控制、变速积分的 PID 控制等）来提高调节精确度。 如 Albert S 等在 PI 控制算法的基础上，提议使用拟微分反馈控制的方法，相对于 PI控制器可以改善静态误差、过渡过程时间、最大超调量等性能[12]。该设计策略依赖于被控对象的模型结构， 而温室的被控因子之间存在较强的耦合关系，且各环境参数在不同的生长周期具有不同的数值，要想得到较好的控制效果有一定的难度。目前，国内外学者普遍使用智能控制对现代温室实施控制并且获得了丰富的研究成果。 3.2 现代控制方法 3.2.1 模型预测控制 对于连续信号的输入系统，温室系统的输入具备开关特性，若对某个设备进行控制，只能通过开关调节该设备的启动和停止。而运用模型预测控制方式可提早对即将出现的转变做出恰当的调整，在一定程度上避免大时滞现象，有效提高了温室的控制品质。实际温室环境中存在模型结构不精准和各种条件限制的问题，如作物生长对环境的要求和控制装置的物理限制（天窗开度、每种设备的最大功率）等，致使控制输入与环境变量都需限定在有效的范围内；模型预测控制最大的优点是可以处理限制条件，这是来自模型系统的动态行为的预测[13]。因此，研究更好的处理约束条件的模型预测控制方第 1期 张雪花等农业温室环境控制方法研究综述 11 法是必要的。王子洋等通过运用系统辨识的方法建立温室温湿度环境子系统模型，并将预测控制思想引入温室环境控制中，实现对控制配置的自动切换，该方法是温室预测控制的初步探索，数值计算较为繁杂，忽略系统的大时滞问题[14]。在其基础上，沈敏等为改善温室系统中存在的大时滞现象，提出一种结构简单、无需庞大计算的离散预测模型，并将其成功应用于温室降温预测控制过程中，得到很好的控制效果[15]。周伟等提出一种基于计算流体动力学非稳态模拟模型的预测控制方法，通过建立计算流体动力学的温度预测模型，使温度得到有效的控制[16]。后期很多专家学者对模型预测控制进行了深入的研究，但由于温室环境的复杂性以及控制开关器件的组合特性给温室建模和控制都带来了较大的困难，现有的模型预测控制的对象仅限于对温室温湿度的研究，控制对象过于单一，未来研究的预测控制方法应该是在精确模型的基础上实现温室环境的多因子控制。 3.2.2 多目标优化控制 近些年，随着智能控制技术的发展，多目标优化控制问题成为温室环境控制领域的研究热点。至此，大量研究人员都在研究有关温室环境的优化控制策略，即在保证作物的产量、质量以及控制精度的条件下，寻求经济效益的最大化。温室环境多目标问题通常包括三层含义 ① 将温室环境的温度、湿度、二氧化碳浓度等多个控制对象视为多目标； ② 将控制品质、控制精度、 能源消耗等多个控制效果视为多目标； ③ 以上两种目标的交叉形成混合多目标，如将温度、湿度及经济效益等作为控制目标。通常情况，温室环境的多个目标之间存在互相冲突的关系，即某目标的改进有可能引起其它目标性能的降低，因此，温室环境问题实际上是一个冲突的多目标控制问题。 传统解决多目标优化的方法是把多目标经过加权组合转化为单目标问题处理。但这种方法难以确定各目标的权重分配系数，权重系数的分配直接影响优化后的控制效果。后期，大量专家学者又将进化算法应用到多目标优化问题的求解过程中，取得良好的控制成效。朱丙坤等以控制精度和能耗作为控制目标，提出多目标相容控制算法，并将改进后的遗传算法引入到优化过程，使控制精度和能耗达到平衡，仿真结果表明新算法在节能降耗方面有着一定的优势[17]。李永博等运用遗传算法优化温度平均值、温度均匀性和控制代价三项指标，使系统在多指标条件下达到最优[18]。传统的控制方法多数是以控制精度或者节能降耗等单一目标来评价温室环境控制方法的可行性，实际温室控制过程中，控制精度与能量消耗存在互相耦合的关系，需要综合考虑多种控制目标才能实现温室环境的有效控制。多目标控制问题已被广泛应用于温室环境控制领域，针对具有多个目标函数的温室环境控制系统，首先需要确定目标函数的个数以及数学表达式，但目标函数的确定依赖于精确的数学模型，良好的数学模型是实施多目标优化控制的关键，因此，研究直接反应多个控制目标的控制器显得尤为重要。 3.3 智能控制方法及应用 3.3.1 模糊控制 传统的温室控制方式多选用开关控制和 PID 控制。 开关控制具有精度不高、能量损耗严重等缺点；PID 控制方法需要温室环境的精确数学模型，而精确的被控对象数学模型难以得到。为解决温室环境的建模困难和调控精度低问题，很多专家学者将重心放在温室系统的智能控制策略研究中，其中，模糊控制系统是研究的重点。模糊控制（ Fuzzy Control）无需创建被控因子的模型结构，根据专家知识和工作人员的经验形成模糊控制规则，经模糊推理完成控制决策的过程，因而可知，模糊控制方法拥有较强的推理能力，适宜解决传统控制方法不易解决的温室控制系统问题[19]。 目前针对温室环境模糊控制器的研究，大量学者将专家系统控制方法与模糊控制方法结合，利用专家知识构建模糊规则库，经知识推理出模糊参数。如王振宇等开发的温度调节模糊装置，输入量为温度偏差及其变化率，控温对象为燃料控制阀开度和通风机风速，根据专家经验制定模糊控制规则，使其能够在离线的状态下进行模糊化、模糊推理等操作，实现了温度的在线控制，且系统具有响应速度快、能耗低等优点，与传统的模糊控制方法相比，实行基于专家系统的模糊控制策略在性能方面具有明显的优势[21]。但该方法仅针对温室温度单因子进行调节，在特定的条件下，当温度达到最优值时，其它的影响因子未必达到最优。因此，只有综合考虑温室环境中的多个被控因素才能实现温室环境的优化控制。 当温室环境的输入对象是多因子的情况下，模糊控制规则的个数成指数增长，导致规则库太大和计算量过大，造成难以实现实时控制的局面，若使温室系统具备实时控制的功能必须要简化模糊控制规则[19]。如李秀华将传统的模糊控制系统分解为控制器和模糊推理器，利用模糊推理器和传统控制方法的优势，使模糊推理器可以实现被控对象的测量12 控 制 工 程 第 24卷 信号和控制信号的转换，从而简化了控制系统的设计[21]。从上述研究方法来看，模糊控制系统基本可处理通常控制方法不能实现的温室调控的问题。 温室系统因受多种成分影响具有不稳定性，致使模糊控制器的参数发生变化以及难以确定模糊规则和隶属函数，这将直接影响该控制器的使用性能。如朱伟兴等采用遗传算法优化模糊控制器的隶属函数，并应用于温室温度控制系统，实验结果表明优化后模糊控制器可节油约为 7 ，节电约 12 [22]。目前优化模糊控制系统的方法仍是以常规模糊控制器为基础，大多采用进化算法对隶属函数、模糊控制规则等进行整体优化，使其具有学习能力和局部调整。 3.3.2 神经网络控制 神经网络控制技术是在神经网络理论基础上发展而来，最早在美国得到发展[23-24]， 具有自学习、并行处理和非线性逼近的能力在温室环境建模、预测和控制等领域得到发展。目前，神经网络已经和模糊控制理论、 PID 控制等融合实现温室环境的建模和控制。屈毅等提出将径向基神经网络与常规PID 相结合的思路，实现控制器参数的在线实时寻优，该方法可满足温室作物生长环境的要求，实现自适应性控制，能够提高温度系统的动态响应速度，实现温室环境温度的实时监控[25]。基于神经网络的学习算法在应用中容易陷入局部极小点，收敛精度不高。国内外大量学者提出运用进化算法对神经网络的学习算法或者模型结构做出改进的研究思路并取得一定的研究成果[26]。如何芬等提出基于遗传算法优化 BP 神经网络的预测方法，建立华北地区冬季日光温室空气湿度预测神经网络模型，结果显示该预报模型有收敛速度快、预测精度高等特点[27]。神经网络控制模型中，多层神经网络的 BP 模型因具有较好的容错能力和非线性映射在农业领域中得到广泛应用，但随着大量的研究发现，传统 BP 算法容易陷入局部极小值，且网络的收敛速率和执行速率低。 BP 算法很少单独用于温室环境的建模与控制研究中，一般情况下与 PID 控制、多目标控制等方法结合，以此实现温室环境的优化控制。 3.3.3 进化算法 遗传算法（ Genetic Algorithm， GA）是一种过程搜索最优解的算法，在计算机科学、自动控制、人工智能等学科中得到了深入的研究和应用[28]。目前，遗传算法因具有全局性、并行性等特点，常作为一种优化工具参与优化过程。如邓璐娟等在多级控制策略基础上，利用遗传算法对最优目标值进行搜索，得到光照条件下最适合的温度和二氧化碳浓度的范围分别为 25 ℃ 32 ℃，200 pm 1 000 pm ，既提高了控制效率又起到节能效果[29]。近几年，一些改进的遗传算法如 TDGA（热力学遗传算法）[30]、PAESPareto 存档进化策略 [31]、 NSGA（非劣分类遗传算法）[32]、 NSGA-II（非劣分类遗传算法 2）[33]等不仅在冲突多目标优化方面有着良好的性能，还具备较强的全局搜索能力，可迅速地确定全局最优点。王立舒等以温室温湿度两个重要的环境因素为研究目标，设计基于改进的非支配排序多目标进化算法（ MNSEA-II）的双比例积分微分（ PID）控制器的多输入、输出温室控制系统，利用多目标进化算法求解优化问题的目标函数，对 PID 控制器的参数实行调整，结果显示，优化后的增益参数在 PID控制器应用中能够缩短调节时间和稳态误差，提高温室控制的性能[34]。 以上研究成果仅通过仿真技术验证了算法的可行性，实际温室控制过程中，因遗传算法自身存在的缺陷（无法确定种群规模 N、交叉概率 Pc、变异概率 Pm的具体值），设计的控制系统可能存在时延、大滞后等现象，因此，在以后的研究过程中，应着重将理论的研究方法应用到实际温室环境，在此环境中对其性能进行改善。 3.4 解耦控制 在实际温室环境控制系统中，由于多变量之间的耦合作用及环境参数的易变性，温室控制系统如要实现良好的控制性能，可选用解耦的方式，消除各控制目标之间的耦合关系，使每个输入变量仅受相应的单一输出变量影响。由于温度和湿度是温室控制系统中最基本的被控对象，二者之间存在较强的耦合关系，将温度调节到适宜范围内时，湿度指标有可能超出或低于最佳范围。因此，研究行之有效的解耦方法对作物生产过程尤为重要。 目前针对温室多变量解耦方法有对角矩阵法、前馈补偿解耦法、模糊解耦法等[35]。如吴兴纯等采用基于模型的 Dallin 算法，设计一个温室大棚温湿度对角解耦控制系统，实现温室大棚温湿度的实时控制与测量，经试验对比发现，系统工作稳定、可靠，有很强的通用性和实用性[36]。对角解耦控制设计方案可以克服常规控制器对时滞长、控制精度的缺点，但被控对象通常仅限于温湿度，当环境影响因子数目增多时，解耦过程会变得相当复杂。程文锋等应用反馈前馈线性化解耦算法，将多输入多输出系统变成 2 个独立的单输入单输出线性系统，大幅度地减少温度和湿度间的耦合，提高温湿度的控制精度和综合生产效益，不足之处是反馈前馈线性化解耦需要被控对象的模型结构，对没有数学模型第 1期 张雪花等农业温室环境控制方法研究综述 13 的被控对象的多变量解耦有一定的局限性[37]。卢佩等通过引入解耦参数，创建模糊控制系统模型结构，实现了温湿度的解耦控制[38]。模糊解耦控制系统在众多解耦方法中应用最为广泛，常用的模糊解耦方法主要分为以下 3 种 ① 对控制目标进行解耦，形成单变量，继而完成模糊控制系统的设计；② 对控制器进行解耦；③ 对模糊控制规则进行模糊子空间的分解[35]。 针对前人研究成果分析可以看出，目前解耦方法已在工业、农业等领域中发展较为普遍，但仍存在一些问题。首先，温室环境的解耦控制研究主要针对温室内的温度和湿度，没有考虑环境中的二氧化碳、光照强度等因子，忽略了温室内多元因素的影响。其次，大多数的解耦方法是在精确数学模型基础上实现解耦，温室环境难以建立精确的模型，且模型不具有通用性，对不同的温室环境，其环境模型不同。因此，探索简单有效的解耦方法将是多变量控制的研究热点。 3.5 其它方法 日本学者 Hashimoto 通过采集植物的实时反馈信息，将作物生长需求与人工智能的方法融合以此达到温室智能控制的效果。顾寄南等运用 “大系统 ”理论控制算法，在镇江高科技农业园以光照、温度和湿度等控制项目进行测试，分别测出控制前后环境因子的值，实践结果表明，该理论可提高生产的经济效益[39]。 Lacroix 研制一种温室模拟控制器，可以模拟出温室对多变的预设气象场景的行为反应，从而采取最好的温度调节模式，实验结果显示该控制器可以降低 7 的温室能耗，提高经济效益[40]。J.P.Coelho 等运用粒子群优化算法设计温室温度预测控制器，将其与遗传算法和序列二次规划方法相比较，结果表明，使用粒子群优化算法设计的控制器执行效率更高[41]。 A.Ramirez-Arias 针对温室作物的生长问题，设计了多目标分层控制体系结构，实验结果表明利用该方法可提高水果品质、获得较高的经济效益[42]。 Tetsuo Morimoto 等提出基于作物生长需求及预测环境模型方法来调控温室环境，结果显示出良好的控制性能[43]。传统 PID 控制方法、现代控制方法与智能控制方法的集成与应用是温室环境控制系统发展的必然趋势，其主要内容有模糊PID 控制，即运用模糊规则对 PID 算法的比例、积分、微分参数进行调整，通过模糊化、模糊推理和清晰化，将得出的修正量 KP、 KI、 KD输入 PID 控制器，使其能够实时在线调整参数。这种控制系统相当于一个具有变参数的比例微分控制器和不变参数的积分控制器，可以消除极限环振荡和系统的残差，以获得较为理想的控制效果。模糊神经网络即将模糊控制与神经网络控制融合的算法，实质是将模糊权值与模糊输入信号输入神经网络中，用神经网络的中间节点表示模糊算法的规则和隶属函数，使整个系统具有学习、推理、识别、信息处理等功能，在处理温室环境的大惯性、大滞后及模糊性等问题上有很大优越性。自适应模糊控制算法，指具备自适应学习本领的模糊逻辑控制系统，通常是在简单模糊控制器的前提下上实行改进使其具备控制功能和学习功能。该算法可自动调节和完善模糊控制规则，并具有适应性强的特点，可实现在线调整。 3.6 传统控制与解决实际温室系统控制方法比较 温室是一个典型的复杂系统，具有时变、多目标冲突等特征，重点研究精准的动态数学模型和最佳的控制策略。一般情况下，构建一个基于多种因素的温室小气候动态模型结构有一定的难度，良好的控制技术是弥补一个模型欠佳的有效途径。传统的温室控制结构，如图 2 所示。 图 2 传统温室环境控制系统结构图 Fig. 2 Framework of the traditional greenhouse environment optimal control system 由图 1， 2 可知，目前温室环境控制系统首先要解决的是温室建模以及冲突多目标问题。传统的控制方法建立的模型不涉及温室环境与能量消耗、作物生长与作物产量、多环境因子之间等耦合关系，仅能解决在某几个特定条件下环境变量的调控，这种面向温室环境控制建立的模型不适用于现代温室生产环境的优化控制需求。一个较优的温室系统调控过程应包含温室内部环境动态模型、作物生长模型、作物产量模型以及能量与二氧化碳消耗模型，使其既能解决温室环境中多目标函数、多环境因子等多目标冲突的问题，又能提高温室环境的经济效益。 目前，大量研究学者已经对温室环境与作物生长进行了深入的研究，建立各种基于传热学、热力学等理论的机理表达式，仅有少部分机理过程还未能用确切的模型公式描述。但以上建立的机理模型是在某种特定的条件下获得的拟合数学表达式，且模型中参变量较多，有些模型参数难以确定从而增加建模中的困难。而基于系统辨识方法建立的温室环境模型是根据温室系统的输入输出数据，采用系统辨识的方法确定模型参数，建立的模型结构简单，14 控 制 工 程 第 24卷 但模型不稳定，易受到外界环境的干扰。因此，在以上两种模型的基础上，本文提出将温室环境的机理过程与系统辨识的方法融合的思路，在温室系统机理过程的建模过程中，运用系统辨识的方法计算公式中的模型参数，建立一个较为完善的动态模型。 4 结 论 本文从传统 PID 控制、现代控制、智能控制及解耦控制等角度，对近几十年来国内外温室控制方法的研究进行了详细的阐述。尽管目前关于温室环境控制方法的研究很多，并已取得了较多的成果，但仍存在一些亟待解决的问题 ① 温室环境控制系统大多是基于温室作物生长和小气候环境模型的，而研究学者所使用的模型主要是从面向研究的角度，忽略了作物在各个生长发育阶段所具有的参数特性，且不同的温室环境具有的模型类型也不一样，即模型缺乏通用性。基于此，温室控制算法在其基础上，虽然取得了很多成果，但能有效应用于实际温室控制的成果却不多。因此，若要使温室环境得到良好的控制效果，构建面向控制需求的模型结构是前提保障。 ② 由于温室系统的诸多特性，使用单一模型为基础的控制策略难以使作物处于较优的生长环境和提高经济效益的目的，当前很多研究学者将传统PID 控制方法、现代控制方法、智能控制方法及解耦控制方法集成一种新型控制算法，不仅能够解决温室环境的多目标问题，还在一定程度上提高了控制精度。因此，当前研究合理、有效的新型控制算法在温室环境控制系统中至关重要。 ③ 总结温室环境控制研究现状可知，目前我国温室环境控制技术主要针对温湿度进行研究，很少考虑二氧化碳浓度、光照条件等其余因素的影响，控制对象过于单一。实际上温室环境是多因素互相作用、互相影响的过程，仅用温度或湿度指标评价温室控制性能有一定的局限性，需要综合考虑多元因素之间制约关系，以此达到较优控制效果。 参考文献 References [1] 毕玉革 , 麻硕士 . 我国现代温室环境控制硬件系统的应用现状及发展 [J]. 农机化研究 , 2009,313 226-229. Bi Y G, Ma S S. Research on current situation and development of environment control system modes in greenhouse in china[J]. Journal of Agricultural Engineering, 2009,313 226-229. [2] 毛罕平. 设施农业的现状与发展[J]. 农业装备技术, 2007,335 6-11. Mao H P. Situation and development of facilities of agriculture[J]. Agriculture Equipment Technology, 2007,335 6-10. [3] 徐立鸿, 苏远平 , 梁毓明. 面向控制的温室系统小气候环境模型要求与现状[J]. 农业工程学报, 2013,2919 1-15. Xu L H, Su Y P, Liang Y M. Requirement and current situation of control-oriented microclimate environmental model in greenhouse system[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,2919 1-15. [4] 侯涛 . 基于改进多目标进化算法的温室环境PID 控制的仿真研究[D]. 哈尔滨 东北农业大学 , 2014. Hou T. Simulation study on improved multi-objective evolutionary algorithm for greenhouse environment PID control[D]. Haerbin Northeast Agricultural University, 2014. [5] 涂川川 . 基于 BP神经网络PID 控制的温室环境控制系统的仿真研究 [D]. 吉林 吉林农业大学 ,2012. Tu C C. Simulation study on PID control system based on BP neural network for greenhouse environment[D]. JilinJilin Agricultural University, 2012. [6] 薄永军 . 温室温度控制系统神经网络PID 控制算法研究[J]. 安徽农业科学 , 2014,4213