基于作物葉綠素含量在線檢測的滴灌自動(dòng)控制方法
【專利摘要】一種農(nóng)作物種植用的自動(dòng)滴灌控制方法，其通過直接、動(dòng)態(tài)檢測作物生理參數(shù)中與作物生長和需水密切相關(guān)的葉片葉綠素含量，通過“滴灌量預(yù)測模型”進(jìn)行最優(yōu)給水量的預(yù)測估計(jì)，通過“動(dòng)態(tài)水量調(diào)整模塊”和“最優(yōu)水量計(jì)算模塊”實(shí)現(xiàn)最優(yōu)給水量的動(dòng)態(tài)計(jì)算，并通過“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”實(shí)現(xiàn)給水量調(diào)整的優(yōu)化控制，能夠?qū)崿F(xiàn)給水量的預(yù)測、優(yōu)化和自適應(yīng)控制，可實(shí)現(xiàn)對(duì)不同地域、不同季節(jié)、不同氣候和不同氣象條件下的不同種類作物的給水自適應(yīng)控制，能夠?qū)崿F(xiàn)節(jié)約灌溉用水，同時(shí)確保作物生長良好。
【專利說明】基于作物葉綠素含量在線檢測的滴灌自動(dòng)控制方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種農(nóng)業(yè)自動(dòng)滴灌控制方法，尤其是基于作物葉綠素含量在線檢測的滴灌控制方法，屬于農(nóng)業(yè)工程和自動(dòng)控制等【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]在電子技術(shù)和自動(dòng)控制技術(shù)飛速發(fā)展的背景下，設(shè)施農(nóng)業(yè)得到了長足的發(fā)展，特別是滴灌技術(shù)為農(nóng)業(yè)的節(jié)水、節(jié)肥做出了巨大貢獻(xiàn)?，F(xiàn)有的滴灌控制技術(shù)主要為兩種，一種是通過設(shè)定時(shí)間進(jìn)行定時(shí)控制，另一種是通過檢測土壤(或基質(zhì))的濕度進(jìn)行反饋控制。定時(shí)控制需要根據(jù)特定地點(diǎn)、特定環(huán)境參數(shù)(空氣溫濕度、二氧化碳濃度、基質(zhì)溫度等)、特定作物種類以及作物的特定生長時(shí)期來設(shè)置滴灌周期和滴灌時(shí)間，因此需要長期的種植實(shí)驗(yàn)來積累相關(guān)的滴灌經(jīng)驗(yàn)，并且難以精確控制滴灌。而基于土壤(或基質(zhì))濕度檢測進(jìn)行反饋的滴灌控制方法，是通過設(shè)置濕度上閥值和下閥值，當(dāng)檢測到的土壤濕度低于設(shè)定的下閥值時(shí)打開電磁閥進(jìn)行滴灌，當(dāng)檢測到的濕度高于上閥值時(shí)控制電磁閥停止滴灌，以此來動(dòng)態(tài)維持土壤(或基質(zhì))的濕度在上閥值和下閥值之間，這種控制存在的問題是當(dāng)土壤濕度低的時(shí)候已經(jīng)影響到作物的最佳生長，而如果控制濕度過高則會(huì)浪費(fèi)水，因此也很難做到在保證作物最適宜生長環(huán)境的同時(shí)節(jié)省水資源。因此亟需研究一種能夠更有效的滴灌控制方法。

【發(fā)明內(nèi)容】

[0003]為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提出了一種基于作物葉綠素含量在線、動(dòng)態(tài)檢測的滴灌自動(dòng)控制方法，能夠?qū)崿F(xiàn)作物的最佳生長，并可有效節(jié)約水資源。
[0004]為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案:
[0005]本發(fā)明所述的一種滴灌控制方法:
[0006]步驟1:將作物葉面葉綠素含量的檢測值c輸入到“滴灌量預(yù)測模型”;
[0007]步驟2 滴灌量預(yù)測模型”輸出滴灌量預(yù)測值☆到“動(dòng)態(tài)水量調(diào)整模塊”，“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”輸出水量調(diào)整范圍Δ w到“動(dòng)態(tài)水量調(diào)整模塊”；
[0008]步驟3 動(dòng)態(tài)水量調(diào)整模塊”根據(jù)輸入的必和Δ w在[w-Δw，Δ+ Δw]的范圍內(nèi)以mw為單位遞增調(diào)整給水量w，即從(w-Δw )開始以麗為單位遞增直到不超過(w + Δw )，同時(shí)將實(shí)時(shí)的給水量w和葉綠素檢測值c輸入到“最優(yōu)水量計(jì)算模塊”，其中在給水量w調(diào)整過程中如果w≤O時(shí)則不滴灌；
[0009]步驟4 最優(yōu)水量計(jì)算模塊”根據(jù)步驟3中給水量調(diào)整時(shí)給水量w和葉綠素檢測值c的系列數(shù)值計(jì)算出最優(yōu)給水量w* ；
[0010]步驟5:最優(yōu)給水量w*輸入到“滴灌量預(yù)測模型”用于動(dòng)態(tài)調(diào)整“滴灌量預(yù)測模型”的參數(shù)；
[0011]步驟6 滴灌量預(yù)測模型”輸出的滴灌量預(yù)測值4與“最優(yōu)水量計(jì)算模塊”的輸出w*之差(ew = w*-w)輸入到“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”，“最優(yōu)水量計(jì)算模塊”的輸出W*的微分dw*/dt也輸入到“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”，“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”根據(jù)這兩個(gè)輸入數(shù)值輸出水量調(diào)整范圍Aw ；
[0012]步驟7:轉(zhuǎn)到步驟I。
[0013]本發(fā)明所述的步驟4中最優(yōu)水量w*的計(jì)算，即“動(dòng)態(tài)水量調(diào)整模塊”和“最優(yōu)水量計(jì)算模塊”工作過程為:
[0014]設(shè)定數(shù)值i = O,給水增量mw = I毫升,數(shù)組A和數(shù)組B ；
[0015]步驟①:如果O < Δ>ν + z.* WW幺w +Aw貝丨JA[i]= w —Δ>ν + ?* ww，控制滴灌(滴灌
水量為mw),否則A[i] = O,停止滴灌；
[0016]步驟②:檢測作物葉面葉綠素含量C，并令B[i] = c ；
[0017]步驟③:令i = i+Ι，如果- Aw +/*/wwS A +Δ>ν轉(zhuǎn)到步驟I，否則轉(zhuǎn)到步驟4 ;
[0018]步驟④:對(duì)數(shù)組B按照數(shù)據(jù)序列進(jìn)行微分計(jì)算，并記錄第I個(gè)微分結(jié)果為O的數(shù)據(jù)排序，設(shè)為j，即B' (j)=0且B' (j-Ι)關(guān)O,則令w* = A(j)。
[0019]本發(fā)明步驟5中所述的“滴灌量預(yù)測模型”采用廣義回歸神經(jīng)網(wǎng)(GRNN)，構(gòu)建單輸入單輸出的GRNN網(wǎng)絡(luò)結(jié)構(gòu)，GRNN網(wǎng)的參數(shù)動(dòng)態(tài)調(diào)整過程如下:
[0020]設(shè)定數(shù)值k = 0，設(shè)定數(shù)組C和數(shù)組D ；
[0021]步驟a:等待輸入新的最優(yōu)水量w* ;
[0022]步驟b:如果k ≤ 15,則 C[k] = w*, k = k+1,轉(zhuǎn)入步驟a ;否則如果k > 15則轉(zhuǎn)入步驟c ；
[0023]步驟c:D[15] = w*,設(shè)定數(shù)值 m = 1, D[15_m] = C[k_m]；
[0024]步驟d:如果m < 16,則轉(zhuǎn)入步驟c,否則轉(zhuǎn)入步驟e ；
[0025]步驟e:用數(shù)組D作為輸入時(shí)間序列，訓(xùn)練GRNN網(wǎng)的參數(shù)；
[0026]步驟f:通過GRNN網(wǎng)計(jì)算出下一時(shí)間的輸出數(shù)據(jù)，即滴灌量預(yù)測值A(chǔ) ；
[0027]步驟g:k = k+1,轉(zhuǎn)入到步驟a。
[0028]其中，步驟e中的GRNN網(wǎng)參數(shù)訓(xùn)練只需訓(xùn)練光滑因子即可，訓(xùn)練方法按照以下步驟:
[0029](i)令光滑因子以增量在一定的范圍內(nèi)遞增變化；
[0030](ii)在學(xué)習(xí)樣本中，除去一、兩個(gè)樣本，用剩余的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，用這一、兩個(gè)樣本進(jìn)行測試；
[0031](iii)用構(gòu)建的網(wǎng)絡(luò)模型計(jì)算測試樣本的誤差絕對(duì)值，即預(yù)測誤差；
[0032](iiii)重復(fù)步驟(ii)、(iii)，直到所有的訓(xùn)練樣本都有一次用于測試，求得預(yù)測誤差的平均值并將其作為尋優(yōu)的目標(biāo)函數(shù)E。
[0033]本發(fā)明所述的步驟6中“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”采用Mamdani型模糊控制器，其輸入量分別為滴灌量預(yù)測值Λ與“最優(yōu)水量計(jì)算模塊”的輸出之差ew和最優(yōu)水量w*的變化dw7 dt, ew和dwY dt分別經(jīng)過量化因子kew和kdw處理,其中ew' = kew*ew、dw' = kdw*(dw7dt),然后輸入到模糊控制器中，首先進(jìn)行模糊化處理，ew'和dw'的模糊語言變量都分為5個(gè)子項(xiàng):“負(fù)大” (NB)、“負(fù)小” (NS)、“零” (ZE)、“正小” (PS)、“正大” (PB)，每個(gè)子項(xiàng)的隸屬度函數(shù)都在各自論域上取為高斯函數(shù)，模糊推理規(guī)則如表1所示，再經(jīng)過去模糊化后輸出Aw"，Aw"乘以比例因子kw后輸出水量調(diào)整范圍Aw。
[0034]表1模糊推理規(guī)則
【權(quán)利要求】
1.一種農(nóng)作物種植用的自動(dòng)滴灌控制方法，其特征為: 步驟1:將作物葉面葉綠素含量的檢測值C輸入到“滴灌量預(yù)測模型”； 步驟2 滴灌量預(yù)測模型”輸出滴灌量預(yù)測值^到“動(dòng)態(tài)水量調(diào)整模塊”，“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”輸出水量調(diào)整范圍Aw到“動(dòng)態(tài)水量調(diào)整模塊”； 步驟3 動(dòng)態(tài)水量調(diào)整I旲塊”根據(jù)輸入的A和Δ w在+ 的范圍內(nèi)以mw為單位遞增調(diào)整給水量W，即從()開始以麗為單位遞增直到不超過(w + Δνν )，同時(shí)將實(shí)時(shí)的給水量w和葉綠素檢測值c輸入到“最優(yōu)水量計(jì)算模塊”，其中在給水量w調(diào)整過程中如果w < O時(shí)則不滴灌； 步驟4 最優(yōu)水量計(jì)算模塊”根據(jù)步驟3中給水量調(diào)整時(shí)給水量w和葉綠素檢測值c的系列數(shù)值計(jì)算出最優(yōu)給水量w* ； 步驟5:最優(yōu)給水量w*輸入到“滴灌量預(yù)測模型”用于動(dòng)態(tài)調(diào)整“滴灌量預(yù)測模型”的參數(shù)； 步驟6 滴灌量預(yù)測模型”輸出的滴灌量預(yù)測值A(chǔ)與“最優(yōu)水量計(jì)算模塊”的輸出w*之差^ = )輸入到“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”，“最優(yōu)水量計(jì)算模塊”的輸出w*的微分dw*/dt也輸入到“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”，“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”根據(jù)這兩個(gè)輸入數(shù)值輸出水量調(diào)整范圍Aw; 步驟7:轉(zhuǎn)到步驟I。
2.權(quán)利要求1所述的自動(dòng)滴灌控制方法中最優(yōu)水量w*的計(jì)算，其特征為按照以下步驟計(jì)算:` 設(shè)定數(shù)值i = O，給水增量mw = I毫升，數(shù)組A和數(shù)組B ； 步驟①:如果O < w - Aw + /* mw < w + Δνν貝1JA[i]= A - Aw + /* mw，控制滴灌(滴灌水量為mw),否則A[i] = O,停止滴灌； 步驟②:檢測作物葉面葉綠素含量C，并令B [i] = c ； 步驟③:令i = i+Ι，如果ι?1 - Δνν + /*OtW S A + Δνν轉(zhuǎn)到步驟I，否則轉(zhuǎn)到步驟4 ； 步驟④:對(duì)數(shù)組B按照數(shù)據(jù)序列進(jìn)行微分計(jì)算，并記錄第I個(gè)微分結(jié)果為O的數(shù)據(jù)排序，設(shè)為 j，即 B' (j)=0 且 B' (j-Ι)關(guān) O,則令 w* = A(j)。 權(quán)利要求1所述的“滴灌量預(yù)測模型”，其特征為采用廣義回歸神經(jīng)網(wǎng)(GRNN)，構(gòu)建單輸入單輸出的GRNN網(wǎng)絡(luò)結(jié)構(gòu)，GRNN網(wǎng)的參數(shù)動(dòng)態(tài)調(diào)整過程按照以下步驟計(jì)算: 設(shè)定數(shù)值k = O，設(shè)定數(shù)組C和數(shù)組D ； 步驟a:等待輸入新的最優(yōu)水量w* ； 步驟b:如果k ( 15,則C[k] = w*, k = k+1,轉(zhuǎn)入步驟a ;否則如果k > 15則轉(zhuǎn)入步驟c; 步驟 c:D[15] = w*,設(shè)定數(shù)值 m = I, D[15-m] = C[k_m]； 步驟d:如果m < 16，則轉(zhuǎn)入步驟C，否則轉(zhuǎn)入步驟e ； 步驟e:用數(shù)組D作為輸入時(shí)間序列，訓(xùn)練GRNN網(wǎng)的參數(shù)； 步驟f:通過GRNN網(wǎng)計(jì)算出下一時(shí)間的輸出數(shù)據(jù)，即滴灌量預(yù)測值A(chǔ) ; 步驟g:k = k+1，轉(zhuǎn)入到步驟a。 其中，步驟e中的GRNN網(wǎng)參數(shù)訓(xùn)練只需訓(xùn)練光滑因子即可，訓(xùn)練方法按照以下步驟: (i)令光滑因子以增量在一定的范圍內(nèi)遞增變化；(ii)在學(xué)習(xí)樣本中，除去一、兩個(gè)樣本，用剩余的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，用這一、兩個(gè)樣本進(jìn)行測試； (iii)用構(gòu)建的網(wǎng)絡(luò)模型計(jì)算測試樣本的誤差絕對(duì)值，即預(yù)測誤差； (iiii)重復(fù)步驟(ii)、(iii)，直到所有的訓(xùn)練樣本都有一次用于測試，求得預(yù)測誤差的平均值并將其作為尋優(yōu)的目標(biāo)函數(shù)E。 權(quán)利要求1所述的“水量動(dòng)態(tài)調(diào)整范圍模糊控制模塊”，其特征為:采用Mamdani型模糊控制器，其輸入量分別為滴灌量預(yù)測值 “最優(yōu)水量計(jì)算模塊”的輸出之差ew和最優(yōu)水量w*的變化dw7dt, ew和dwYdt分別經(jīng)過量化因子kew和kdw處理,其中ew' = kew*ew、dw' = kdw*(dw7dt),然后輸入到模糊控制器中，首先進(jìn)行模糊化處理，ew'和dw'的模糊語言變量都分為5個(gè)子項(xiàng):“負(fù)大” (NB)、“負(fù)小” (NS)、“零” (ZE)、“正小” (PS)、“正大” (PB)，每個(gè)子項(xiàng)的隸屬度函數(shù)都在各自論域上取為高斯函數(shù)，模糊推理規(guī)則如下表所示，再經(jīng)過去模糊化后輸出Aw"，Aw"乘以比例因子kw后輸出水量調(diào)整范圍Aw。
【文檔編號(hào)】G05B13/04GK103777520SQ201210411274
【公開日】2014年5月7日 申請(qǐng)日期:2012年10月25日 優(yōu)先權(quán)日:2012年10月25日
【發(fā)明者】盧偉, 丁為民 申請(qǐng)人:南京農(nóng)業(yè)大學(xué)