一種基于云模型的水肥配比控制策略

唐先紅,吳云志 (安徽農業大學,安徽合肥 230031)

水肥一體化技術自出現以來，許多國家，尤其是發達國家在技術開發上投入了巨大的精力。種植環境數據的融合技術國外已應用廣泛，實現了農業智能裝備控制系統與環境檢測系統的高效結合。在國外，以色列、美國、荷蘭、日本等國家的水肥一體化技術普遍應用于大棚作物種養和實際農田生產中，均已經取得良好的經濟效益。其中，沙漠農業領域水肥一體化技術最發達國家是以色列；荷蘭等國家水肥一體化設備比較發達，智能施肥灌溉技術也發展得很成熟，精準配肥智能灌溉技術實現較早；以色列已經建立了全國灌溉系統，并應用于果樹等農作物種植中，隨著現代農業的發展，加拿大已由傳統種地逐漸轉為根據農業決策數據種地；文獻顯示美國的微灌技術推廣應用最廣泛，此外美國大力發展和應用變量施肥技術，處于世界領先水平，并提出正確的時間、區域、營養元素及用量進行施肥的“4R”計劃，以減少環境污染。針對水肥耦合控制的方法研究，國內外的研究熱點是模糊控制。李帥帥等設計了模糊PID控制策略實現對肥液電導率的控制，使其維持在一定數值，并應用于大棚施肥自動控制系統；詹攀等分別設計了FPID控制方式和VFPID控制方式，精準控制和提高水肥溶液濃度和酸堿度的配制濃度；Jiang等設計了模糊控制方法對電磁閥占空比進行調制，使得肥液濃度維持在目標范圍；Zhang等設計神經網絡PID控制，控制泵速以實現單肥路水肥精準配比；Bi等將灰度預測方法運用于模糊PID控制，實現水肥精準控制，并應用于農業示范區。我國水肥一體化技術和設備已大量應用于設施農業基地，但仍存在水肥配比控制精度低以及控制方法對于被控系統動態變化適應性弱等問題。鑒于此，針對水肥配比控制，筆者設計了基于云模型的模糊PID控制方法，實現了根據水肥配比值的動態變化對PID控制參數的實時修正，改善了PID控制對被控系統動態變化適應性較弱的問題。

1 水肥配比控制策略設計

水肥一體化系統在進行水肥配比控制時，灌溉主管路中水流速由于水壓等原因實時發生變化需要一種適應水流速變化，及時調節注肥管路中肥液流速的控制方法，實現動態調控注肥管路中肥液流速，維持水肥配比值在誤差范圍內。且對于常規的PID算法，控制參數經實際測量后，得到具體的數值，不再發生變化，難以滿足系統動態控制的需求。而基于云模型的模糊PID控制算法是一種自適應算法，能夠根據云模型推理結構及時調節PID控制的參數、、,使水肥配比調節具有精準性，因此采用基于云模型得模糊PID控制方法進行系統中的水肥配比控制。云模型模糊PID控制器結構如圖1所示。

圖1 云模型模糊PID控制器結構 Fig.1 The structure of fuzzy PID controller based on cloud model

基于云模型的模糊PID控制器設計總體方法是以水肥配比過程中實際輸出()和目標輸出()之間的誤差及其變化率ec為依據，通過二維云模型推理對PID控制器的控制參數進行調節，使其滿足控制系統要求。云模型模糊PID控制器由2部分組成：二維云推理結構和PID控制結構。由云模型推理結構推理得到PID控制修正值，Δ、Δ、Δ，并結合PID控制初始值0、0、0，作為PID控制3個控制參數：、、。最終由系統輸出控制量()改變注肥管路中隔膜泵的速率，實現對水肥配比值的調節，使水肥配比達到動態平衡。

二維云模型推理結構由前件隸屬云和后件隸屬云共同構成。根據輸入變量的數字特征確定前件云，通過前件云發生器輸出隸屬度，其中為前件云的規則條數；根據輸出變量的數字特征確定后件云，將作為后件云輸入，經后件云發生器生成隸屬度為的，其中為后件云的規則條數；對后件生成的1、2,…,，經過加權平均處理，得到Δ、Δ、Δ。再加上PID控制的初始值0、、0，作為系統PID控制的參數，輸出控制量實現對水肥配比的控制。

2 隸屬云與控制規則設計

在基于云模型的模糊PID控制中，將水肥配比值的偏差和偏差變化率ec作為系統的輸入，對和ec劃分7個語言子集{NB、NM、NS、ZE、PS、PM、PB}，對應的每一個語言子集的數字特征如表1所示。

表1 前件云模型數字特征Table 1 The digital features of the preceding cloud model

根據水肥配比控制過程的輸入參數和ec的數字特征，及設置云滴生成數=1 000，通過正向云發生器生成控制系統輸入參數的前件云模型如圖2所示。

圖2 前件隸屬云模型Fig.2 The forepart belonging to the cloud model

在基于云模型的模糊PID控制中，將Δ、Δ、Δ作為系統的輸出變量，對輸出變量劃分7個語言子集{NB、NM、NS、ZE、PS、PM、PB}，每一個語言子集的數字特征如表2所示。

表2 后件云模型數字特征Table 2 The digital features of the latterpart cloud model

根據系統的3個輸出參數的數字特征，及設置云滴數為=1 000，對應后件隸屬云模型如圖3所示。云模型從左至右分別代表了語言值NB、NM、NS、ZE、PS、PM、PB。

圖3 后件隸屬云模型Fig.3 The latterpart belonging to the cloud model

根據控制階段實際需求，對控制規則進行確定。在PID控制系統中，比例項起到加快系統響應速度作用；積分項起到減小系統穩態誤差作用；微分項作用是將達到系統控制目標時，防止系統的超調和震蕩。根據PID控制中控制參數作用，設計以下調整原則：

(1)e較大時，即系統設定值與實際值差值較大時，需增大加快系統響應速度，減小防止微分過飽和。

(2)當和ec適中時，在保證響應速度和防止系統超調的前提下、、均不宜過大。

(3)當e較小時，適當增大減小系統的穩態誤差；適當引入減小系統的震蕩。

結合參數調整原則和以往相關領域學者經驗，制定基于水肥配比控制的3×49條模糊控制規則，推理規則表如表3所示。每一行3個輸出語言變量從左至右分別是輸出參數Δ、Δ、Δ論域中的語言變量。

表3 推理規則 Table 3 Inference rule

3 云模型推理流程

云模型推理結構由前件隸屬云和后件隸屬云以及推理規則構成，隸屬度的推理由前件隸屬云完成，后件推理輸出由后件隸屬云完成。

通過輸入當前水肥配比值與目標水肥配比值的差值及其變化率ec，經推理得到PID控制的修正值，由PID輸出控制量，控制隔膜泵。采用基于云模型的模糊推理算法，根據誤差的變化在線修正了PID控制系數，使PID控制適應水肥配比動態變化。具體推理過程如下：

(1)首先，計算出系統的輸入變量即偏差和偏差變化率ec。

Input=(,ec)

(1)

(2)由輸入變量激活推理規則中前件隸屬云，并計算出相應隸屬度。

(2)

式中，1為變量的論域上第個云模型生成的正太隨機數，2為變量ec的論域上第個云模型生成的正太隨機數，為前件云推理輸出。

(3)每一個推理規則前件根據推理規則表，映射到推理后件對應的隸屬云，得到推理輸出。

(3)

式中，為輸出變量的論域上的第個云模型生成的正態隨機數，為后件推理輸出，為PID控制的3個修正值。

(4)對各推理規則的輸出經加權平均即得PID控制得修正系數。

根據推理流程，設計了基于云模型的模糊推理算法，具體算法流程圖如圖4所示。其中，為推理規則條數，為實驗中變量論域中的個云模型生成的云滴數目。根據實際需求構建了輸入變量與每一個PID控制修正值間的49條控制規則，在進行模糊推理實驗時，設置輸入輸出變量論域中云模型的生成云滴數為500，最終通過對推理結果進行加權平均得到PID控制的修正值。

圖4 云模型推理算法流程 Fig.4 Reasoning algorithm flow of cloud model

4 試驗與分析

根據二維云模型推理結構的設計流程，以及相應的算法實驗，完成云模型推理結構的構建。任意輸入5組(，ec)數據，對云模型推理結構進行驗證，經二維云模型推理得到PID控制修正值結果如表4所示。

對表4中第5組數據進行分析，當=2.3，ec=1.0時，即隸屬于PM和PB的程度較大，ec隸屬于PS的程度較大，PID控制修正值Δ、Δ、Δ分別為-1.63、1.52、1.17。對照推理規則表3可知，云模型推理輸出與規則設計相符。

表4 云模型推理結果Table 4 Reasoning results based on cloud model

5 結語

通過構建基于云模型的水肥配比控制策略，實現了根據輸入值的動態變化對PID控制參數的在線修正，改善了PID控制對被控系統動態變化適應性較弱的問題。在未來的研究工作中，將繼續針對具體的農業生產實際需求，結合水肥的實際流動情況構建相關模型，使控制策略發揮更好的效果。