温室夏季温湿度遗传模糊神经网络控制

利用模糊神经网络对温室夏季温湿度控制进行了研究,同时为了克服BP算法收敛速度慢和局部极小的弱点,采用改进的遗传算法对网络的参数进行训练,从而将模糊逻辑、神经网络、遗传算法3者有机地结合起来应用于温室夏季温湿度控制中     

温室温度控制系统不确定性与干扰的灰色预测补偿算法

温室温度常规控制方法的控制效果依赖于被控对象模型精确度和干扰测量精确度.而温室系统不确定性、不精确性、时变性和多扰动等特性使温室精确模型很难获得、且干扰很难精确测量.为此,该文采用灰色预测补偿算法对温室对象上述特性进行预测补偿,其优点是可避开温室对象不确定性和干扰因素所带来的在获取对象模型时无法避免的理论和技术上的障碍,摆脱了控制算法对模型精确度和干扰测量精确度的依赖.仿真及实际运行情况均表明,该算法可达到较好的控制效果,控制精度明显提高.统计分析显示,表征不确定性与干扰的灰参量估计值与真值的相关系数分别为0.9968、0.9804、0.9938,决定系数分别为0.9935、0.9585、0.9871;灰参量绝对误差均值为-0.11510、-0.26733、-0.31035,方差为0.05150、0.16324、0.09474,相对误差均值为-1.68%、-8.06%、-8.73%,方差为0.01368、0.00533、0.00581;实测温度曲线与仿真温度曲线相关系数为0.973972,决定系数为0.948621.由于有效地减弱或消除了温度调节过程中的超调和振荡,能耗明显降低,既满足了温度变化的预期要求,又可实现节能.     

基于模糊自适应控制的温室温度调控

为了实现温室在冬季时温度控制精度高、能耗小的目标。该研究提出了一种将热量平衡原理与模糊控制相结合的模糊自适应控制方法,在模糊控制器中加入基于热量平衡方程的输出隶属度函数修正模块,通过监测温室内外温度数据,在上位机中对模糊控制器中的输出隶属度函数进行自适应调整,最终使温室温度稳定在目标温度。结果表明,基于热量平衡方程式的温室温度模糊自适应控制系统具有较好的稳定性和准确性,在设置20℃为目标温度值的情况下,基于热量平衡方程的模糊自适应控制最终使温室温度稳定在(19.8±0.11)℃,一般模糊控制方法最终使温室温度稳定在(13.5±0.5)℃,无法达到目标环境温度值,而阈值控制最终使温室温度稳定在(20.0±0.85)℃;同时,基于热量平衡方程式的温室温度模糊自适应控制能耗较低,且能量利用率更高,模糊自适应控制能量利用率为45.97%,而阈值能量利用率仅为20.21%。研究提出的基于热量平衡方程的模糊自适应控制方法不仅满足温室温度调控需求,而且能够提高能量利用率,降低能耗。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

利用BP神经网络对江淮地区梅雨季节现代化温室小气候的模拟与分析

为对江淮地区现代化温室内梅雨季节的小气候进行模拟与分析，在建立相应的BP神经网络模拟模型的基础上，进一步研究了外部温度、湿度、风速、太阳总辐射和天窗开度5个因素对温室内温度、湿度、风速的影响。研究发现可以使用BP神经网络对梅雨季节的小气候进行模拟，模型具有较高的精度，是对物理模型的有益补充；梅雨季节室内湿度受室外湿度的强烈影响，在5个输入因素中所占比重为51.7%；室内风速主要受室外风速和天窗开度的共同影响，受室外温度的影响较小，所占比重仅为10%；室内温度主要受室外温度和太阳辐射的影响，二者所占比重分别为46.2%和27.9%。     

基于全局变量预测模型的温室环境控制方法

针对传统温室控制系统中存在的控制方案达不到最优化、反应滞后、控制器调节不同步等问题,提出了基于全局变量预测模型的温室环境控制方法。该方法将温室内部温度、湿度、光照等数据,控制器当前状态,温室外部环境的相应数据及当地天气情况进行融合,利用各个全局变量通过数学模型得出温室未来环境状况的短期预测值,通过神经网络实现控制方案,解决了温室控制中的大滞后、大惯性等问题。实验结果证明了该方法的有效性及合理性,并对温室内气候智能控制的发展具有一定的参考价值。     

基于切换控制的温室温湿度控制系统建模与预测控制

为解决温室环境系统的建模与控制问题,该文提出一种基于切换的温室建模方法与预测控制方法,该方法具有结构简单、模犁有效、控制稳定等优点;并以温室实际运行效果为例,说明了文中提出的建模和控制方法的有效性.     

基于温度积分算法的温室环境控制方法

温室环境控制领域所研究的大多数智能控制算法复杂程度较高,不适宜实际生产应用,生产型温室大多采用设置静态工作点模式进行简单的环境控制,这种模式无法根据环境变化进行自动调整,浪费了大量的能量。针对这一问题,提出了基于温度积分算法的温室环境控制方法,根作物种类和生长阶段确定期望平均温度值,将全天24 h均分为长度更短的若干时间片,然后利用温度积分原理对每一时间片的温度调节点进行计算,根据得到的温度调节点结合当前实际温度进行环境控制。仿真试验表明,在保持温室内实际平均温度相同的情况下,利用温度积分算法对温室进行环境调节所消耗的能量为静态工作点的模式的64.43%。该方法计算量相对较小,适用于普通的温室环境控制器,能够简单有效地实现节能控制。     

温室环境机电控制系统设计

本文在总结分析了温室智能控制技术的基础上,设计了以8031单片机为核心,并扩展8155I／O芯片的日光温室环境机电控制系统的软件部分。该系统在初始设定的基础上,对温室内温室、湿度、光照实现自动控制。     

基于R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

基于作物积温理论的温室节能控制策略探讨

为了探讨现代化温室节能与环境控制技术问题,该文对以积温理论为基础的温室节能技术研究进展,以及对基于积温理论管理新技术进行了系统的综述,在此基础上分析了积温理论在中国温室产业发展中应用的可能性,对于温室节能乃至中国现代化温室产业的发展具有重要的指导意义。     

基于ANFIS的温室气温模糊控制仿真

该文实现了通过改变温室通风口开度来模拟和控制温室内气温的目的。根据能量平衡原理构建了温室气温数学模型,基于自适应神经模糊控制系统（ANFIS）完成了控制器设计,其中包括对控制变量的选取、模糊集的定义、论域的量化、隶属函数的选择及控制器的训练。最后用Simulink工具箱建立起室温控制过程的MATLAB仿真模型,并对控制模型进行了仿真分析。仿真结果证明了该温室环境温度模糊控制系统的有效性及合理性,该成果对温室小气候智能调控的发展具有一定的参考价值。     

基于热量平衡方程的温室冬季温度控制策略

为解决配备空气源热泵的温室在冬季加热时温度调控不稳定等问题，该研究在对温室热传递原理进行分析的基础上，通过实测数据分别计算了温室卷被闭合与揭开两种状态下的综合传热系数、空气源热泵系统工作性能参数和雾化喷淋工作性能参数。根据温室热量平衡方程，建立了调控设备控制时间与温室环境参数间的数学关系，并以此提出了温度控制策略，系统运行时利用传感器实时采集环境数据作为输入，输出设备所需工作时间，并据此控制设备启停。经试验验证，基于热量平衡方程的控制方法能有效控制温度在目标值附近，且温度变化稳定、波动幅度小。在外部天气状况相近条件下，该控制方法的单日耗电量比基于上下限阈值控制的方法节约9.06 kW·h，占其当日耗电量的10.95%。在控制策略研究的基础上，利用典型物联网结构设计并实现远程自动控制，研究结果可直接应用于实践。     

中国温室环境智能控制算法研究进展

温室控制技术正面临着新的突破，智能控制将成为温室控制中发展的新阶段。该文以近年来我国温室控制领域的研究成果为基础，结合国际上一些比较值得注意的动向，分析了温室智能控制系统算法方法的特点，对其研究现状进行了评述，进一步探讨了相关问题，并提出了温室智能控制方法在今后可能发展的方向。     

基于作物生长和控制成本的温室气候控制决策支持系统

根据试验和观察获得的数据建立了温室作物生长模拟模型、温室的环境调控的技术效果模型和温室的环境调控成本模型,并建立相应的模型库;通过收集资料和专家经验建立了温室环境调控的知识库。以温室生产的“产出投入比”最大为目标,综合利用模型预测功能和知识库系统的推理功能,建立了温室环境调控决策支持系统。系统能够根据温室内外的环境信息、作物生长信息和温室调控设备状态信息给出温室环境调控实时最优的温度、湿度、光照和CO₂浓度等参数,并提供相应的调控方案。     

基于HSIC的日光温室温度传感器优化配置策略

在经济成本和管理便捷性约束下,为有效监测日光温室内非均匀分布的温度信息,需要对数量有限的传感器进行优化配置,从而降低配置冗余,并增强温度信息丰度。该研究以山东地区冬季日光温室为研究对象,开展了基于希尔伯特-施密特独立性准则（Hilbert-Schmidt Independence Criterion,HSIC）的传感器配置策略设计及验证工作。首先,在温室内均匀布置了22个温度传感器,采集了冬季寒冷时期28 d共7 880×22组数据,明确了温室温度场空间分布的不均匀性及多传感器配置的基本原则和方法。然后,利用HSIC准则分析了传感器之间的相对独立性,依据信息最大化原则提出了传感器配置优先级排序算法,并根据信息增益率及配置冗余度约束提出了传感器数量选择依据,从而建立了日光温室传感器优化配置策略。最后,策略验证结果表明：相比于22个传感器的温度数据,南北垂直方向上选择S6、S9、S3传感器时,平均温度的RMSE、MAPE和信息增益率分别为0.24 ℃、1.21%、6.70%;东西水平方向上选择H6、H5、H2传感器时,平均温度的RMSE、MAPE和信息增益率分别为0.33 ℃、0.70%、9.47%。上述2组传感器能够有效兼顾准确获取温度整体趋势信息和增强温度信息丰度的双重目标,试验结果证实了配置策略的有效性和可行性。所提的传感器优化配置策略可以为日光温室环境监测与调控提供理论参考和数据支持。     

带前馈的比例积分(PI)控制方法在温室热水加温系统中的应用

由于受到室外温度、空气流动、太阳辐射等的影响，温室室内温度控制较为复杂。针对热水加温温室的特点，提出用带前馈的比例积分(PI)控制方法来控制热水管道温度。在实际应用中设定恰当的参数是取得理想控制效果的关键。本文以室外温度、太阳辐照度、风速及温室的状态等为输入，利用径向基函数神经网络建立室内温度预测模型，在此基础上，通过计算机模拟，快速地确定带前馈的比例积分控制方法中使用的参数。     

日光温室作物热环境模拟及分析

针对日光温室实际生产管理中的气象保障问题，该文从传热学的基本原理出发，考虑了温室内作物对热环境的影响，建立了日光温室内作物生长情况下的温度预测数学模型。将温室内部系统分为5个部分，建立了5个方程，联立方程组，运用高斯主元素消去法对方程组进行求解，对各个面的温度进行模拟，并对模拟结果进行了分析。用试验温室的实测资料对模拟结果进行了验证，结果表明所建模型模拟效果较好，室内气温的平均绝对误差为0.9℃，平均相对误差为5.1％，模拟的精确度较高，可以为温室生产管理提供科学的气象依据。本文还对模型模拟误差产生的原因进行了分析。