基于模糊神經網絡的智能溫室環(huán)境控制方案

基于模糊神經網絡的智能溫室環(huán)境控制方案彭 輝1， 曾 碧2( 1 廣西工業(yè)職業(yè)技術學院 電子與電氣工程系 ， 南寧 530001; 2 廣東工業(yè)大學 計算機學院 ， 廣州 510006)摘 要 : 針對農業(yè)溫室環(huán)境的精確建模和控制問題 ， 提出了一種基于模糊神經網絡的智能控制方案 。首先 ， 在考慮室內外環(huán)境因素下 ， 構建一個有效的溫室環(huán)境數學模型 ， 獲得通風量 、噴霧量和加熱量的微分表達式 ; 然后 ，利用一種自適應模糊神經推理系統(tǒng) ( ANFIS) ， 以溫度和濕度差作為輸入 ， 通過神經網絡自學習和模糊推理獲得控制輸出 ; 最后 ， 通過遺傳算法優(yōu)化控制器的輸出比例因子 ， 提高控制響應速度和穩(wěn)定性 。實驗結果表明 : 該方案能夠快速且穩(wěn)定地追蹤環(huán)境設置值 ， 具有很好的控制效果 。關鍵詞 : 溫室環(huán)境 ; 智能控制 ; 自適應 ; 模糊神經推理 ; 遺傳算法中圖分類號 : S6255+1; TP391 文獻標識碼 : A 文章編號 : 1003 188X( 2017) 06 0043 070 引言智能溫室系統(tǒng)是一種低能耗 、高產量的現代農業(yè)技術 ， 其通過改變溫室中溫度 、濕度和光照等環(huán)境因素來創(chuàng)造適合植物生長的環(huán)境 1。溫室系統(tǒng)是一種多變量 、非線性 、高時滯的復雜系統(tǒng) ， 且內部因素存在強耦合 2， 所以需要一種有效的方法對溫室環(huán)境進行建模和精確控制 。目前 ， 一些溫室控制方案中采用傳統(tǒng)的 PID 控制技術 ， 但 PID 控制器的參數恒定 ， 不能夠適應非線性的實時控制要求 3。為此 ， 文獻 4 將模糊理論與PID 控制相結合 ， 利用模糊規(guī)則對 PID 控制參數進行在線整定 ， 形成了模糊 PID 溫室控制方案 。然而 ， 其存在論域和模糊規(guī)則不能自調整的缺陷 。模糊控制是一種基于模糊邏輯推理的非線性控制技術 ， 具有良好的魯棒性和穩(wěn)定性 5。但模糊控制技術需要專家的先驗知識 ， 若缺乏則不能構建有效的 IF THEN 規(guī)則 ， 神經網絡算法所具備的自學習則能力能夠彌補這個缺陷 6。為此 ， 研究者將神經網絡和模糊控制相結合形成模糊神經網絡系統(tǒng) ( Fuzzy Neural Network，FNN) 。其中 ， 最著名的為自適應模糊神經推理系統(tǒng)( Adaptive Network based Fuzzy Inference System， AN-FIS) 7， 其通過神經網絡的不斷學習 ， 修正輸入輸出變量的隸屬度函數和模糊規(guī)則 。文獻 8 將 ANFIS 控收稿日期 : 2016 06 16基金項目 : 廣西教育廳項目 ( KY2015YB440) ; 廣西工業(yè)職業(yè)技術學院項目 ( 桂工業(yè)院 2014 56)作者簡介 : 彭 輝 ( 1974 ) ， 男 ， 湖南湘潭人 ， 副教授 /高級工程師 ， 碩士 ，( E mail) penghuigx126 com。制系統(tǒng)引入到了溫室溫度控制中 ， 一定程度上提高了控制性能 。然而 ， 其只對溫度進行控制 ， 沒有考慮到多因素控制時的相互耦合問題 。文獻 9 利用 ANFIS控制溫室的溫度和濕度 ， 但其僅通過通風口進行控制 ， 沒有考慮到其它控制裝置 ( 如加濕器等 ) ， 具有很大的應用局限性 。另外 ， 以上方案都采用固定的輸出比例因子 ， 控制響應速度較慢 。為此 ， 構建了一種多因素的溫室環(huán)境數學模型 ，并提出一種基于 ANFIS 和比例因子 ( Scaling factor，SF) 調節(jié)的溫室溫度和濕度控制方案 ( ANFIS SF) 。本文方案的主要創(chuàng)新點在于 :綜合考慮了多種室內外環(huán)境因素 ， 構建了一個溫室環(huán)境數學模型 ， 并導出了去耦合的控制輸出表達式 ; 將 ANFIS 控制系統(tǒng)引入到溫室環(huán)境控制中 ， 以此解決時變非線性和滯后控制問題 ， 增強系統(tǒng)魯棒性 ; 對現有 ANFIS 控制系統(tǒng)進行了改進 ， 融入了遺傳算法 ( Genetic Algorithm， GA) 來優(yōu)化調整輸出比例因子 ， 以此提高系統(tǒng)的響應速度 。1 溫室環(huán)境建模由于溫室系統(tǒng)是強耦合的非線性系統(tǒng) ， 目前還沒有能夠精確表達的模型 。本文考慮了溫室內外環(huán)境因素 ， 利用一系列微分方程對溫室溫度和濕度進行精確建模 ， 構建加熱 、噴霧和通風表達式 。溫度和濕度模型的微分公式為dTin( t)dt=1Vin qheat( t) + AS( t) qfog( t) qvent( t)Vin× Tin( t) Tout( t) Vin Tin( t) Tout( t) ( 1a)·34·2017 年 6 月 農 機 化 研 究 第 6 期DOI:10.13427/j.cnki.njyi.2017.06.009dHin( t)dt=1Vinqfog( t) +1VinET qvent( t)Vin Hin( t) Hout( t) ( 1b)其中 ， Tin( t) 和 Tout( t) 分別為室內和室外溫度( ) ; Hin( t) 和 Hout( t) 分別為內部和外部的濕度 ( g 水 /kg 氣 ) ; 為傳熱系數 ( W/K) ; 為空氣密度( 1 2kg/m3) ; 為汽化的潛熱 ( 2257J/g) ; 為空氣的比熱容 ( 1006J/kg/K) ; 為太陽能加熱效率 ( 無量綱 ) ， 其變化范圍為 0 8( 晴天 ) 到 0( 陰天 ) ， 本文取 =0 5; S 為攔截的凈太陽能 ( W/m2) ; ET 為植物的蒸散率 ( g 水 /s) ; qheat為溫室加熱器提供的熱量 ( W) ;qfog為噴霧系統(tǒng)的噴水量 ( g 水 /s) ; qvent為通風量 ( m3 氣 /s) ; A 為溫室的占地面積 ( m2) ; Vin為溫室內部體積 ( m3) 。其中 ， ET 與攔截太陽能參數最相關 ， 其關系簡化為ET = S( t) Hin( t) ( 2)其中 ， 為表示陰影和葉片面積指數的綜合系數( 無量綱 ) ， 是一種經驗系數 ， 需要根據不同地點 、氣候和植物進行設定 10， 本文將 設定為 0 124 9; 為代表熱力學抗性和其他影響蒸散作用因素 ( 如氣孔 、空氣流動等 ) 的綜合系數 ， 單位為 kg/min·m2。該環(huán)境模型通過制熱 、加濕和通風操作 ， 來控制室內空氣的溫度和濕度 。另外 ， 使用制熱和通風組合可實現減濕目的 。當室外空氣的濕度較高時 ， 先對空氣進行加熱使其干燥 ， 然后通風操作將干燥控制帶入室內 ， 吸收室內的潮濕空氣 ， 然后排出 。當室外空氣的濕度較低時 ， 可以只使用通風操作來交換室內和室外的空氣 ， 降低溫室空氣濕度 。通過蒸發(fā)設備 ( 例如霧化器 ) 可提高溫室濕度 。其中 ， 在晴天條件下的進行加濕時 ， 需要通風來避免氣騰現象 。對于制熱 ， 只有當所需的室內空氣溫度高于室外溫度時 ， 才會使用制熱器 ( 即冬天 ) 。本文利用文獻 11 的反饋 前饋線性化和去耦合控制方法 ， 將公式 ( 1) 改寫為dTin( t)dt= VinTin( t) 1VinTin( t) qvent( t) Vinqfog( t) +1Vinqheat( t) +AVinS( t) +VinTout( t) +1Vinqvent( t) Tout( t) ( 3a)dHin( t)dt= VinHin( t) +1Vinqfog( t) +AVinS( t) 1VinHin( t) qvent( t) +1Vinqvent( t) Hout( t) ( 3b)由于存在控制和干擾變量之間的向量積 ， 公式( 3a) 和 ( 3b) 顯然是耦合非線性方程 ， 不能放入仿射非線性分析系統(tǒng)中 。因此 ， 一種反饋和前饋同時線性化的組合方案似乎是合理的 。為了系統(tǒng)輸入 /輸出( I/O) 的線性 、非耦合且干擾隔離 ， 閉合回路系統(tǒng)的表達形式為dTin( t)dt= VinTin( t) + KTuT( t) ( 4a)dHin( t)dt= VinHin( t) + KHuH( t) ( 4b)其中 ， uT和 uH為新的外部控制信號 ; KT和 KH為過程增益 。通過公式 ( 3) 和公式 ( 4) ， 最終可獲得通風量 qvent、噴霧量 qfog和加熱量 qheat的表達式為qvent( t) = L( t)1 1Vin( qheat( t) + ( + 1) AS( t) +VinTout( t) KTuT( t) KHuH( t) ( 5a)qfog( t) = AS( t) + pqvent( t) ( Tin( t) Tout( t) + VinKHuH( t) ( 5b)qheat( t) = AS( t) + qfog( t) + qvent( t) ( Tin( t) Tout( t) Tout( t) + VinKTuT( t) ( 5c)L( t) =1Vin Tin( t) Tout( t) +Vin Hin( t) Hout( t) ( 6)2 提出的溫室環(huán)境控制器溫室環(huán)境中各因素間存在耦合性 ， 如通過通風操作調節(jié)溫度時也會影響濕度 12， 這就導致采用常規(guī)控制方法 ( 如開關控制 、PID 控制等 ) 無法取得良好效果 。為此 ， 可將 ANFIS 控制器引入到溫室環(huán)境控制中 ， 來解決上述問題 。本文根據上節(jié)提出的溫室環(huán)境模型 ， 利用 ANFIS構建溫室環(huán)境控制系統(tǒng) ， 同時利用 GA 算法優(yōu)化 AN-FIS 輸出比例因子 ?？刂葡到y(tǒng)整體框架如圖 1 所示 。21 ANFIS 控制器系統(tǒng)211 ANFIS 基本結構本文控制過程包含兩個不同的控制回路 : 第 1 個回路通過控制通風量和加熱量調節(jié)溫度 ， 第 2 個通過控制噴霧量調節(jié)濕度 。由于有 3 個輸出量 ， 所以本文控制器由 3 個多輸入單輸出 ANFIS 控制器組成 ， 根據輸入的設定值和室外氣候情況的變化控制輸出 。為·44·2017 年 6 月 農 機 化 研 究 第 6 期了簡單起見 ， 本文以第 1 回路中的 1 個通風量單輸出ANFIS 為例 ， 解釋了本文控制器的工作過程 。ANFIS結構如圖 2 所示 。圖 1 溫室環(huán)境控制系統(tǒng)整體框架圖 2 具有 9 個規(guī)則的 ANFIS 構架ANFIS 系統(tǒng)中 ， 將會含有 3 × 3 = 9 個 IF THEN規(guī)則 。網絡中的 L0 層有 2 個輸入單元 ， L1 層有 6 個神經元 ， L2、L3 和 L4 層有 9 個神經元 ， L5 層有 1 個神經元 ， 如圖 2 所示 。212 隸屬函數及規(guī)則ANFIS 控制器中的模糊化階段有兩個輸入 溫度( T) 和濕度 ( H) 與設置值的偏差 ， 以及一個輸出 通風量 ( v) 。模糊邏輯由控制規(guī)則組成 ， 通常使用 IF THEN 結構定義控制規(guī)則 。因此 ， 本文根據操作者行為和目標系統(tǒng)的響應特性來構建 IF THEN 規(guī)則 。在這種情況下 ， 將高斯隸屬函數 ( MF) 作為輸入MF， 如圖 3 所示 。圖 3 高斯隸屬度函數其模糊表達式為 Ai( x) = exp( ci x)222( )i。其中 ， ci和 i分別為第 i 個模糊集 Ai的中心值和寬度 ?？刂破鞯妮斎氡?3 個語言變量標記 : 小 ( S) 、中等( M) 、大 ( B) ， 并且輸出的 MF 類型為線性 。模糊系統(tǒng)的 IF THEN 規(guī)則形式為IF: T is LTrand H is LHrTHEN: ur= cro+ crT+ crHH ( 7)其中 ， r = 0， 1， 2， ， 為規(guī)則個數 ; LTr和 LHr分別為輸入信號 T 和 H 的語言學術語 ; ur為第 r 個規(guī)則對模糊系統(tǒng)總輸出的貢獻 ; cro、crT和 crH為結論參數 。213 ANFIS 工作步驟本文中 ， 每個 ANFIS 由 5 層組成 。1) 第 1 層 : 該層中每個節(jié)點 i 使用如下函數實現自適應功能 ， 則O1i= Ai( e) ， i = 1， ， 3 orO1i= Bi5( e·) ， i = 4， ， 6( 8)其中 ， O1i為第 i 個節(jié)點的輸出 ， 即模糊集 A( = Aior Bi) 的隸屬度 。在本文中 ， 隸屬度函數為廣義貝爾函數 ， 則Ai( x = e) =11 +( x ci) /ai2bi( 9)其中 ， x 為節(jié)點 i 的輸入 ; ai， bi， ci 為前提參數集 。2) 第 2 層 : 計算每條規(guī)則的激活等級 ， 則O2r= ur= Ai( e) Bi( e·) ( r = 1， ， ) ( 10)3) 第 3 層 : 計算每條規(guī)則的歸一化激活等級 ( 每條規(guī)則的激活強度與所有規(guī)則激活等級的比例 ) ， 則O3r= ur=urr =1ur( 11)4) 第 4 層 : 計算每條規(guī)則對總體輸出的貢獻 ， 則O4r= urwr( 12)5) 第 5 層 : 單個節(jié)點根據所有輸入信號計算模糊系統(tǒng)總體輸出 ， 則O5i=r =1urwr=r =1wrurr =1wr( 13)其中 ， wr為第 r 個規(guī)則的權重 。對于每個規(guī)則 ， 其權重根據輸入隸屬值計算 ， 則wr= Ltr( T) ·LHr( H) ( 14)其中 ， Ltr( ·) 和 LHr( ·) 為第 r 個規(guī)則中分別對應語言學術語 LTr和 LHr的隸屬函數 。214 LSE 算法估計結論參數本文使用最小二乘估計 ( Least Square Estimation，LSE) 13算法來估算結論參數 。在使用 3 個模糊集合和 9 個規(guī)則時 ， 每個輸入 輸出訓練模式可以寫為·54·2017 年 6 月 農 機 化 研 究 第 6 期V =9r =1r( cr0+ cr1T + cr1H)= 11T111H1122T122H1299H199H19 · c101c111c112c202c212c212c909c919c9T19T( 15)那么 ， 所有 M 個輸入 輸出訓練模式可寫為 V =XC ， 則VVM=( 11T11H1 w9w9T9w9H9) 1( 11T11H1 w9w9T9w9H9) 2( 11T11H1 w9w9T9w9H9)Mc01cT1cH1c09cT9cH9( 16)其中 ， V 為 M × 1 維 ， X 為 M × ( 3) ( 9) = M × 27維 ， 而 C 為 ( 2 +1) 9 ×1 維 。通過 LSE 算法可以求解 C ，表示為Ci+1= Ci+ i+1xi+1( VTi+1 xTi+1Ci) ( 17)i+1= iixi+1xTi+1i1 + xTi+1ixi+1( 18)其中 ， xTi為矩陣 X 的第 i 行向量 ; VTi為向量 V 的第 i 個元素 ， i = 0， 1， 2， ， M 1 ; 為協(xié)方差矩陣 。初始條件 C0= 0 且 0= I ， I 為大小為 ( 2 +1) 9 維的單位矩陣 ， 為較大的正數 。22 基于 GA 優(yōu)化 ANFIS 輸出比例因子ANFIS 控制器中 ， 輸出比例因子 ( SF) 14為實際輸出與控制器輸出的比值 ， 即表示輸出增益 。通常采用固定的輸出比例因子 ， 然而這不能夠實現控制的快速收斂 。在溫室環(huán)境控制中 ， 應該根據控制誤差動態(tài)調整比例因子 。當誤差較大時 ， 應增大輸出比例因子 ， 使系統(tǒng)輸出快速向誤差減小的方向移動 ; 當誤差較小時 ， 應減小輸出比例因子 ， 使系統(tǒng)在平衡點附近進行微調 。可見 ， 比例因子的大小會影響系統(tǒng)響應的上升時間 ， 進而影響對設定值的跟蹤性能 。所以 ， 本文采用遺傳算法 ( GA) ， 根據系統(tǒng)控制輸出的平方誤差積分 ( Integral of Square Error， ISE) 來優(yōu)化 ANFIS 中的比例因子 。GA 是一種根據適應度函數 ， 通過選擇 、交叉和變異操作來尋找問題最優(yōu)解 ( 即染色體 ) 的智能技術 15。本文 GA 算法中 ， 染色體的適應度函數為 ISE 的倒數 ， 如式 ( 19) 所示 。其中 ， 誤差 e 為期望值和真實系統(tǒng)輸出值之間的差 。ISE =0 e( t) 2dt ( 19)將染色體根據其適應度值進行排名 ， 并根據輪盤選擇法選擇合適的染色體進行遺傳 ， 然后進行交叉和變異操作 。本文設定最大遺傳代數為 50， 染色體數量為 20， 突變率和交叉率分別設置為 0 2 和 0 25。重復遺傳過程 ， 直至達到結束條件 ， 最終獲得滿足標準的解 。本文將溫度和濕度的比例因子分別表示為 scalf T 和 scalf H。比例因子的變化范圍為 0， 15， 將十進制的比例因子對應轉換為 10 比特的無符號二進制碼 。那么 ， 溫度和濕度比例因子可表示為 20 比特二進制串 s ， 即染色體1001010101scalf T1010010010scalf H。本文 GA 優(yōu)化 ANFIS 比例因子參數的步驟如下 :1) 構建初始種群 。隨機生成 20 個溫度和濕度控制器的比例因子參數 ( scalf T， scalf H) ， 即染色體 ，其中每個二進制位代表染色體中的基因 ; 然后 ， 進行二進制編碼 ， 作為初始種群 。2) 適應度計算 。模擬 ANFIS 系統(tǒng)的閉合回路瞬態(tài)響應 ， 并估算每個比例因子參數下的訓練誤差 ， 作為該參數的適應度函數 。3) 選擇操作 。通過輪盤方法選擇將要遺傳的參數 ， 其中適應度值越大的參數被選中的幾率越高 。4) 交叉和變異操作 。根據交叉率 ， 隨機產生交叉點 ， 對參數進行重組 ; 根據突變率 ， 改變所選參數中的個別二進制位 。以此產生適應度值更好的下一代 ， 提高搜索速度 。5) 終止條件 : 重復步驟 2) 4) ， 直到獲得符合期望的閉環(huán)回路響應要求的參數或達到最大迭代次數 。3 實驗及分析利用 MatLab 構建一個仿真溫室環(huán)境進行實驗 ， 溫室地表面積為 1 000m2， 高 4m。溫室具有遮光膜 ， 減少 60% 的太陽輻射能量 。霧化系統(tǒng)的最大噴水量為26g 水 /min·m3。最大換氣次數為 20 次 /h( 222m3/s) 。葉片陰影指數 取值為 01249， 蒸散系統(tǒng) T=0 015kg/min·m。熱傳遞系數 UA =25kW/K。為了進行比較 ， 在本文構建的溫室環(huán)境數學模型中 ， 使用傳統(tǒng) ANFIS 控制器和本文 ANFIS SF 控制器 ， 在兩個不同環(huán)境設置值場景下進行實驗 。第 1 個仿真實驗中 ， 室外環(huán)境不變 ， 改變室內環(huán)境設定值 ， 用于證明本文方案提供相互控制和設置點階躍變化時平穩(wěn)閉合回路響應的能力 。該模擬中 ， 室·64·2017 年 6 月 農 機 化 研 究 第 6 期外溫度 為 Tout= 35， 溫 度 為 Hout= 4g/kg ( H =10% ) ， 太陽輻射能為 Si= 300W/m2。設置 2 個階躍點 : 在 t = 100min 時 ， 設置濕度從 18g/kg 提升到24g/kg( 相當于相對濕度從 60% 提升到 80% ) ， 此過程溫度恒定設置為 30; 在 t = 200min 時 ， 設置溫度從 30降到 28， 此過程濕度恒定設置為 24g/kg。圖 4 顯示了濕度和溫度設置值發(fā)生階躍變化時的控制系統(tǒng)響應輸出 。由于該過程不存在加熱處理 ，所以輸出信號為霧化系統(tǒng)噴水量 qvent和通風系統(tǒng)通風量 qvent。從仿真結果可以看出 : 相比于沒有比例因子優(yōu)化的 ANFIS， 本文 ANFIS SF 控制器的閉合回路系統(tǒng)響應非常迅速 。圖 5 顯示了在這些控制輸出信號作用下溫度和濕度的響應曲線 。由圖 5 可以看出 : 兩種方法都能夠有效地追蹤設置值 ， 證明了本文所構建的溫室環(huán)境數學模型具有可行性 ， 也證明了應用 AN-FIS 進行控制的正確性 。另外 ， 由于本文方案融入了比例因子自調整技術 ， 有效提高了響應速度 ， 且結果能夠穩(wěn)定到設置值附件 。本文方案還能夠實現相互控制 ， 當濕度設置值階躍變化時 ， 本文控制器能夠穩(wěn)定地控制溫度不隨其大幅度震蕩 。圖 4 溫室通風系統(tǒng)和霧化系統(tǒng)的控制信號輸出在第 2 個仿真實驗中 ， 室外環(huán)境和室內環(huán)境設定值都發(fā)生變化 ， 在多重因素下驗證本文控制方案的有效性 。當 t = 200min 時 ， 設置室內溫度由 30 降到20; 當 t = 300min 時 ， 設置濕度從 18g/kg 提升到24g/kg。在 t =100min( 對于 Si) 、150min( 對于 Tout) 和200min( 對于 Hout) 時 ， 加入了室外環(huán)境變化干擾 。階躍變化如下 : Si從 250 提升到 300W/m2， Tout從 35 降到 32， Hout從 4 提高到 8g/kg。室內和室外環(huán)境發(fā)生階躍變化時 ， 控制系統(tǒng)的響應如圖 6 所示 。由圖 6 可以看出 : 在室內和室外環(huán)境都發(fā)生變化時 ， 本文方案依然能夠迅速準確地追蹤設置值 。圖 5 溫室內溫度和濕度的控制結果圖 6 場景 2 中溫室內溫度和濕度的控制結果為了進一步明確表示各方案的控制精度 ， 本文利用均方根誤差 ( MSE) 來計算實驗中控制過程輸出準確性 ， 則MSE =1TTk =1Yd k Y ( )k槡2( 20)其中 ， Yd k 和 Y k 分別為期望輸出和實際輸出 : T 為采集的樣本數 。同樣采用上述兩個實驗場景 ， 將 ANFIS 控制器 、傳統(tǒng) PID 控制器 、傳統(tǒng)模糊控制器和本文 ANFIS SF 控制器進行比較 ， 采集前 300min的溫度和濕度數據作為樣本 ， 計算各控制方案的MSE， 結果如表 1 所示 。由表 1 可以看出 : 傳統(tǒng) PID控制性能最差 ， 這是因為溫室環(huán)境影響因素多且相關 ， PID 控制無法滿足要求 。相比于傳統(tǒng)控制方法 ， 采用 ANFIS 控制系統(tǒng)能夠有效提高控制精度 ， 而本文ANFIS SF 控制器獲得最高的精確度 。·74·2017 年 6 月 農 機 化 研 究 第 6 期表 1 溫度和濕度控制的 MSE 值控制器MSE溫度控制 濕度控制PID 控制 4278E 01 5818E 01模糊 PID 控制 6605E 02 7556E 02ANFIS 3324E 02 2390E 02ANFIS SF 2048E 02 1305E 024 結論提出了一種基于模糊神經網絡的智能控制方案 。在考慮室內外環(huán)境因素下 ， 構建溫室環(huán)境數學模型 。利用 ANFIS， 根據溫度和濕度差推理獲得控制輸出 。通過遺傳算法優(yōu)化控制器的輸出比例因子 ， 提高響應速度 。在室內和室外環(huán)境因素發(fā)生階躍變化場景下進行實驗 ， 結果表明 : 本文方案能夠快速 、精確地跟蹤設定值 ， 且能夠避免多個控制量間的干擾 ， 具有很強的魯棒性 。參考文獻 : 1 楊學坤 ， 蔣曉 ， 諸剛 溫室環(huán)境控制技術的研究現狀與發(fā)展趨勢 J 中國農機化 ， 2013， 34( 4) : 16 18 2 屈毅 ， 寧鐸 ， 賴展翅 ， 等 溫室溫度控制系統(tǒng)的神經網絡PID 控制 J 農業(yè)工程學報 ， 2011， 27( 2) : 307 311 3 Shan X M esearch on Control System of Greenhouse Tem-perature and Humidity Based on Fuzzy PID J Applied Me-chanics Materials， 2014， 68( 7) : 3395 3398 4 岳文杰 ， 謝守勇 ， 陳翀 ， 等 基于模糊 PID 的溫室溫度控制器設計與仿真 J 農機化研究 ， 2014， 36( 4) : 194 197 5 Zhang D H， Wu X Q， Zhang C Y The application of fuzzycontrol in greenhouse environment control J Applied Me-chanics Materials， 2014， 54( 3) : 1432 1435 6 S evathi， N Sivakumaran Fuzzy Based TemperatureControl of Greenhouse J IFAC PapersOnLine， 2016， 49( 1) : 549 554 7 鄒秋瀅 ， 紀建偉 ， 李征明 基于 ANFIS 的溫室小氣候環(huán)境因子預測模型辨識 J 沈陽農業(yè)大學學報 ， 2014， 45( 4) : 503 507 8 Prakash O， Kumar A ANFIS modelling of a natural convec-tion greenhouse drying system for jaggery: an experimentalvalidation J International Journal of Sustainable Energy，2014， 33( 2) : 316 335 9 葛建坤 ， 汪順生 ， 羅金耀 基于 ANFIS 的溫室微氣候通風調控模型 J 排灌機械工程學報 ， 2013， 31( 4) : 358 363 10 Ge J， Wang S， Luo J Ventilation control model for tempera-ture and humidity environment in greenhouse based on AN-FIS J Paiguan Jixie Gongcheng Xuebao/journal of Drain-age Irrigation Machinery Engineering， 2013， 31( 4) : 358363 11 Gao Y， Liu C， Song X， et al Feedback feed forwardlinearization and decoupling for greenhouse environmentcontrol C / / International Conference on Mechatronics andControl Jinzhou: IEEE， 2014: 179 183 12 王立舒 ， 侯濤 ， 姜淼 基于改進多目標進化算法的溫室環(huán)境優(yōu)化控制 J 農業(yè)工程學報 ， 2014， 30( 5) : 131 137 13 Kisi O Streamflow Forecasting and Estimation Using LeastSquare Support Vector egression and Adaptive Neuro Fuzzy Embedded Fuzzy c means Clustering J Wateresources Management， 2015， 29( 14) : 1 19 14 李煒 ， 蔡翔 基于改進量子粒子群算法的 NCS 模糊控制器參數優(yōu)化 J 計算機應用研究 ， 2013， 30( 8) : 23012303 15 Lutfy O F， Noor S B M， Marhaban M H， et al A simpli-fied adaptive neuro fuzzy inference system ( ANFIS) con-troller trained by genetic algorithm to control nonlinear multi input multi output systems J Scientific esearch Essays， 2011， 6( 31) : 6475 6486Intelligent Greenhouse Environment Control Based on Fuzzy Neural NetworkPeng Hui1， Zeng Bi2( 1 Department of Electrical Engineering， Guangxi Vocational Technical Institute of Industry， Nanning 530001， Chi-na; 2 School of Computer Science and Technology， Guangdong University of Technology， Guangzhou 510006， China)Abstract: For the issue that the accurate modeling and control of agriculture greenhouse environment， a intelligent con-trol scheme based on fuzzy neural network is proposed Firstly， a mathematical model of the greenhouse environment isconstructed under considering of the indoor and outdoor environmental factor， and the differential expressions of ventila-tion， spray and heat value are obtained Then， an adaptive fuzzy neural inference system ( ANFIS) is used to obtain thecontrol output by the neural network self learning and fuzzy inference， with the temperature and humidity as the input·84·2017 年 6 月 農 機 化 研 究 第 6 期Finally， the output scaling factor of the controller is optimized by genetic algorithm， which improves the control responsespeed and stability The experimental results show that the proposed scheme can quickly and stably track the setting valueof the environment， and has good control effectKey words: greenhouse environment; intelligent control; adaptive; fuzzy inference; genetic algorithm( 上接第 42 頁 ) 6 陳紀修 ， 於崇華 ， 金路 數學分析 ( 下冊 ) ( 2 版 ) M 北京 : 高等教育出版社 ， 2004 7 Tokuz， L C Hybrid machine modeling and control D Liv-erpool: Liverpool Polytechine， 1992 8 李輝 混合驅動可控壓力機的基礎理論研究 D 天津 :天津大學機械工程學院 ， 2003 9 周雙林 ， 姚燕安 ， 郭為忠 混合輸入五桿機構的奇異性分析 J 上海交通大學學報 ， 2001， 35( 12) : 1817 1820，1833Abstract ID: 1003 188X( 2017) 06 0038 EAThe Structure Design and Spatial Analysis of the New BananaPlanting Open Pit MachineLou Yuyin1， Huang Wei2， Liu Guanghao3， Wang Shasha2， Bi Wei2( 1 Lushan College of Guangxi University of Science and Technology ， Liuzhou 545005， China; 2 College of MechanicalEngineering， Guangxi University ， nanning 530004， China; 3 Liuzhou vocational Technical College， Liuzhou 545005，China)Abstract: Based on the banana cultivation practices， banana planting machine development the present situation of thelack of open pit， thie paper developed a connecting rod type controlled three degrees of freedom banana planting machineopen pit First， this paper introduces the new banana planting mechanism principle and structure characteristics of openpit machine， Secondly， according to a new type of banana planting machine open pit singularity of the jacobian matrixand the singular type structure， analysis is made Again， according to the mathematical theory of several existing condi-tions， calculation of new banana planting machine structure workspace boundary condition， it is concluded