本发明涉及一种植物生长因子的智能控制系统，尤其涉及一种植物生长因子的智能控制系统及控制方法。
背景技术：
温室大棚、植物工厂、养殖设施等生产场所是现代化农业的重要组成部分。温室生产设施以其高产高效高适应性得到广泛的应用，并且在作物生产综合管理等多个领域都取得很大的成功。但是传统的温室农业系统主要依赖普通农业专家、企业从业人员的经验来进行管理，其栽培技术缺乏量化指标，缺乏科学指导，只能凭借感觉被动的保温、降温、防雨、遮阳，而不能主动适时的调节温度、水、肥等，这极大的限制了温室控制系统的发展。
传统的温室系统温湿度智能化控制大多采用pid控制，控制方法简便且易于实现。但是温室环境系统具有强非线性、多变量、强耦合及抗干扰能力差，所处的环境存在大量不确定因素，所以传统pid难以满足高品质控制需求。
技术实现要素：
为解决上述技术问题，本发明的目的是提供一种植物生长因子的智能控制系统及控制方法，该植物生长因子的智能控制系统及控制方法能够提高对植物生长环境的各生长因子的控制品质。
本发明的一种植物生长因子的智能控制系统，其特点在于：包括若干个生长因子信息采集模块、人机交互模块、推理机、统一控制协调模块、外部电气执行控制单元，所述的生长因子信息采集模块的信号输出端及人机交互模块的信号输出端与所述的推理机的信号输入端连接，所述的推理机的信号输出端与所述的统一控制协调模块的输入端连接，所述的统一控制协调模块的输出端与外部电气执行控制单元连接，所述的外部电气执行控制单元的信号输出端与植物生长因子控制阀连接，其中
所述的生长因子信息采集模块，用于获取植物生长环境中n种生长因子的即时参数值；
所述的人机交互模块，用于输入植物的n种生长因子的目标参数值及用于显示生长因子的参数值；
所述的推理机，包括神经网络模块和专家系统模块，所述的神经网络模块以所述的目标参数值和即时参数值作为输入，采用正向推理机制，通过在线学习训练，使系统误差评估函数达到最小，最终得到最优控制量，即生长因子控制阀开度；所述的专家系统模块对所述的生长因子控制阀开度进行解释，并将解释的结果在所述的人机交互模块显示；
所述的统一控制协调模块用于将具体的处理命令发向各个外部电气执行控制单元；
所述的外部电气执行控制单元，用于调节生长因子控制阀的开度。
进一步的，所述的n种生长因子包括光照强度、湿度、co2浓度、温度和土壤肥力。
进一步的，所述的生长因子信息采集模块包括光照强度传感器、湿度传感器、co2浓度传感器、温度传感器和土壤肥力传感器。
进一步的，所述的专家系统模块包括人机接口、知识获取机、知识库、推理机、动态数据库及解释机，所述的人机接口分别连接所述的知识获取机、推理机和知识获取机，所述的动态数据库数据与所述的推理机和解释机连接，所述的知识库分别与所述的知识获取机和推理机连接。
进一步的，本发明还公开了上述的智能控制系统的控制方法，其特点在于：包括如下的步骤：
s1，根据外部电气执行设备的特性，将外部电气执行设备分成n个组，并将外部电气执行设备与对应位置的生长因子信息采集模块绑定；
s2，根据生长因子信息采集模块获取植物生长环境中n种生长因子的即时参数值，并通过人机交互模块输入植物的n种生长因子的目标参数值，这两项作为神经网络模块的输入信号；
s3，神经网络模块采用，采用正向推理的方法通过在线学习和训练，保证生长因子误差评估函数达到最小值从而输出最优控制量，同时通过专家系统模块对所述的生长因子控制阀开度进行解释，并将解释的结果在所述的人机交互模块显示；
s4，将神经网络模块直接作为控制器接入闭环回路中；
s5，根据各个神经网络模块输出值，通过专家系统统一协调控制指令并发送到外部电气执行控制单元；
s6、通过外部电气执行控制单元调节相应的生长因子控制阀的开度；
s7、重复s2-s6的步骤。
进一步的，所述的神经网络模块采用三层前向结构，各层神经元数目、连接方式和初始连接权值按照pid控制规律确定。
借由上述方案，本发明至少具有以下优点：
发明人对外部电气执行设备进行了调整，根据温室的实际运行情况及专家经验，将外部电气执行设备所有可能出现的情况进行分组，这样就避免出现外部电气执行设备间相互冲突的问题，因为组与组之间是按照降温效果划分的，我们把当前外部电气执行设备从一个分组到另一个分组的变化量，也就是组之间变化了几级作为模糊控制器的输出量，这样就把多输出转化成了单输出，从而大大简化了计算过程，温室内的其他环境因子，比如光照、湿度、co2、室外温度等作为室内温度的辅助因子，对输出进行适当的调整和优化，以达到更好的控制效果；在获得决策结果的同时通知外部电气执行控制单元执行相应的决策，这种方法不仅解决了传统专家系统知识获取的瓶颈问题、推理能力差、智能化低的缺点，解决传统pid调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足，而且克服了神经网络不具有解释功能的问题，总之，成功实现了神经网络与pid的结合和专家系统功能上的互补，较好的用于温室控制；
同时因为作物生长的环境参数是一个范围值，我们提出在多因子多目标相容控制算法中，不再追求精确的点目标而是追求区间目标，比如：农作物可以在温度24℃-30℃，湿度60-80％的范围内生长，而不是精确的温度27℃或者湿度70％。不同的生长期，比如幼苗期、成长期、成熟期所需要的环境因子是不同的，不同的季节对应不同的控制策略，对能量的消耗也是不同的，而需要控制的温控系统可以通过经验系统间歇型开启，达到显著节能的效果；
除此之外，本发明通过人机交互模块,作为用户和系统的交互平台，以便用户与专家系统相互交流,维护知识库和控制系统的正确性；
通过设置推理机,包含神经网络及专家系统，将神经网络与专家系统相结合,既具有浅层经验知识推理又兼具深层逻辑知识推理,两者互为补充,扬长避短,能充分发挥各自特长,解决一般专家系统所不能解决的问题,给出当前问题的准确预测结果；
通过设置专家系统,负责根据当前问题状态的推理结果进行解释,使用户清楚明白当前情况，利用专家系统的解释能力很好的弥补了神经网络解释能力的不足,使整个系统更为形象直观；
通过设置统一控制协调模块将具体的控制阀的开度调节命令发向各个外部电气执行控制单元，这样可以通过一个统一控制协调模块同时控制多个生长因子控制阀，节省机器的占用空间；
设置知识数据库，知识数据是由知识工程师将专家的经验知识进行整理,以规则的形式写入知识数据库中,以方便推理机的调用，当推理机遇到不确定的推理因素时,向知识数据库询问,将解决后的知识写入知识数据库中,增加知识含量,从而增加系统的推理能力。
神经网络模块,一般包括输入、输出和神经网络3部分，由于神经网络是一种数值计算过程,输入输出都是数值向量,因而输入输出的数据都要经过相应的转换才能被神经网络处理并与外界互通。神经网络中,学习的样本是以输入输出模式对的形式表示的实例集,神经网络根据实际的网络输出模式与理想输出模式的误差调整权值,当系统学习完毕后,神经网络的权值矩阵就隐含了分类知识；
将神经网络与专家系统集成并用于智能温室控制系统,解决了传统专家系统知识获取的瓶颈问题,知识窄、推理能力差、智能化低的缺点,并优化了神经网络解释能力不足的问题,成功实现了两者功能上的互补,并将其应用到智能温室控制系统中。另外,模块化的设计,可视化的平台,容易扩展,简明的操作都使得智能温室控制系统必将有重要的实际应用。
如图1所示，图1给出了温度在24h内随着设定值和室外温度的不断变化得到的响应曲线,其中横坐标表示时间,纵坐标表示温室内的温度。因为作物生长的理想温度在一天内是不断变化的,所以我们给出了四段变温。同时室外温度对控制效果的影响也很大,从图中可以看出,响应曲线可以很好的跟踪到设定温度值,响应迅速,超调量相对较小,并且其最大值在作物生长允许的范围之内。由此可见,本发明的控制方法取得了理想的控制效果。本发明将外部电气执行设备进行分组,使控制的多输出变为单输出,从而很好的将模糊控制算法应用于温室控制，现场试验结果表明,这种新的模糊控制方法响应快速,超调量小,可以起到很好的控制效果，由于它具有自适应能力,所以有很好的应用前景。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明在24h内随着温度设定值和室外温度的不断变化得到的响应曲线图；
图2是本发明植物生长因子的智能控制系统的结构框图；
图3是本发明智能控制系统的控制方法的工作过程图；
图4是本发明植物生长因子的智能控制系统的控制流程图；
图5是本发明的bp神经网络模块结构图；
图6是本发明的pid控制器结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1，参见图2，发明一较佳实施例一种植物生长因子的智能控制系统，一种植物生长因子的智能控制系统，其改进点在于：包括若干个生长因子信息采集单元、人机交互模块、推理机、统一控制协调模块、外部电气执行控制单元，所述的生长因子信息采集模块的信号输出端及人机交互模块的信号输出端与所述的推理机的信号输入端连接，所述的推理机的信号输出端与所述的统一控制协调模块的输入端连接，所述的统一控制协调模块的输出端与外部电气执行控制单元连接，所述的外部电气执行控制单元的信号输出端与植物生长因子控制阀连接，其中
所述的生长因子信息采集模块1，用于获取植物生长环境中n种生长因子的即时参数值；
所述的人机交互模块4，用于输入植物的n种生长因子的目标参数值及用于显示生长因子的参数值；
所述的推理机2，包括神经网络模块和专家系统模块，所述的神经网络模块以所述的目标参数值和即时参数值作为输入，采用正向推理机制，通过在线学习训练，使系统误差评估函数达到最小，最终得到最优控制量，即生长因子控制阀开度；所述的专家系统模块5对所述的生长因子控制阀开度进行解释，并将解释的结果在所述的人机交互模块显示，专家系统模块是一种智能的计算机程序,它运用知识和推理解决只有领域专家才能解决的复杂问题。专家系统内部拥有某个领域大量的专家知识经验，并能够运用这些知识经验进行推理和判断，解决该领域的复杂问题，神经网络模块是bp神经网络模块21，bp神经网络模块21具有任意逼近非线性函数的能力，而且结构和学习算法简单明确，本智能控制设备采用了工程中最为常用的bp网络来构建神经网络pid控制器22。通过神经网络自身的学习，可以找到某一最优控制下的p、i、d参数；
所述的统一控制协调模块3用于将具体的处理命令发向各个外部电气执行控制单元；
所述的外部电气执行控制单元，用于调节生长因子控制阀的开度。
进一步来看，所述的n种生长因子包括光照强度、湿度、co2浓度、温度和土壤肥力。
进一步来看，所述的生长因子信息采集模块包括光照强度传感器、湿度传感器、co2浓度传感器、温度传感器和土壤肥力传感器。
进一步来看，专家系统模块包括人机接口、知识获取机、知识库、推理机、动态数据库及解释机，所述的人机接口分别连接所述的知识获取机、推理机和知识获取机，所述的动态数据库数据与所述的推理机和解释机连接，所述的知识库分别与所述的知识获取机和推理机连接。
进一步的，本发明还公开了上述的智能控制系统的控制方法，如图3所示，包括如下的步骤：
s1，根据外部电气执行设备的特性，将外部电气执行设备分成n个组，并将外部电气执行设备与对应位置的生长因子信息采集模块绑定；
s2，根据生长因子信息采集模块获取植物生长环境中n种生长因子的即时参数值，并通过人机交互模块输入植物的n种生长因子的目标参数值，这两项作为神经网络模块的输入信号；
s3，神经网络模块采用，采用正向推理的方法通过在线学习和训练，保证生长因子误差评估函数达到最小值从而输出最优控制量，同时通过专家系统模块对所述的生长因子控制阀开度进行解释，并将解释的结果在所述的人机交互模块显示；
s4，将神经网络模块直接作为控制器接入闭环回路中；
s5，根据各个神经网络模块输出值，通过专家系统统一协调控制指令并发送到外部电气执行控制单元；
s6、通过外部电气执行控制单元调节相应的生长因子控制阀的开度；
s7、重复s2-s6的步骤。
进一步的，所述的神经网络模块采用三层前向结构，各层神经元数目、连接方式和初始连接权值按照pid控制规律确定。
如图4所示，基于bp神经网络的pid控制系统结构，pid控制器由两个部分组成：①经典的pid控制器：直接对被控对象进行闭环控制，并且kp、ki、kd三个参数为在线p、i、d整定；②神经网络nn：根据系统的运行状态，调节pid控制器的参数，以期达到某种性能指标的最优化。即使神经网络的输出层神经元的输出状态对应于pid控制器的三个可调参数kp、ki、kd，通过神经网络的自学习、调整权系数，从而使其稳定p、i、d状态对应于某种最优控制规律下的pid控制器参数。
经典增量式数字pid的控制算式如式(3-1)，若将视为依赖于系统运行状态的可调系数时，可将式(3-1)描述为：
u(k)＝f[u(k-1),kp,ki,kd,e(k-1),e(k-2)]y(k)(3-1)
式中，f[.]是与kp,ki,kd,u(k-1)，y(k)等有关的非线性函数，可以用bp神经网络模块nn通过训练和学习来找到这样的一个最佳的控制规律。
如图5所示，在这里设计的bp神经网络模块采用结构简单的三层bp神经网络模块，其结构，有m个输入节点、q个隐含层节点、3个输出节点。输入节点对应所选的系统运行状态量，如系统不同时刻的输入量和输出量等，必要时要进行归一化处理(关于归一化处理在这里就不多加赘述)。输出节点分别对应pid控制器的三个可调参数。
由于不能为负值，所以输出层神经元的激发函数取非负的sigmoid函数，而隐含层神经元的激发函数可取正负对称的sigmoid函数。
由图可见，bp神经网络模块nn的输入为
式中，输入变量的个数m取决于被控系统的复杂程度。网络的隐含层输入输出为
式中
f[·]——活化函数，f[·]＝tanh(x)；
上角标(1)、(2)、(3)——输入层、隐含层、输出层。
最后，网络的输出层的输入输出为
式中
g[·]——活化函数，g[·]＝(1/2)[1+tanh(x)]。
取性能指标函数为
依最速下降法修正网络的加权系数，即按j对加权系数的负梯度方向搜索调整，并附加一使搜索快速收敛全局极小的惯性项，则有
式中η——学习速率；
α——惯性系数。
由于
可以求得:
因此可得bp神经网络模块nn输出层的加权系数计算公式为
依据上述推算办法，可得隐含层加权系数的计算公式为
式中g'[·]＝g(x[1-g(x)])；f'[·]＝[1-f2(x)]/2
基于bp神经网络模块的pid控制算法可归纳如下：
(1)事先选定bp神经网络模块(nn)的结构，即选定输入层节点数m和隐含层节点数q，并给出各层加权系数的初值
(2)采样得到r(k)和y(k)，计算e(k)＝z(k)＝r(k)-y(k)；
(3)对r(i)、y(i)、u(i-1)、e(i)、(i＝k,k-1,λ,k-p)进行归一化处理，作为nn的输入；
(4)根据式4—10～式4—12前向计算nn的各层神经元的输入和输出，nn输出层的输出即为pid控制器的三个可调参数kp(k)、ki(k)、kd(k)；
(5)计算pid控制器的控制输出u(k)，参与控制和计算；
(6)由式4—17，计算修正输出层的加权系数
(7)由式4—18，计算修正隐含层的加权系数
(8)置k＝k+1，返回到(2)。
如图6所示，图中转换器的输入为设定值r(k)和输出y(k)；转换器的输出为神经元学习控制所需要的状态量x1，x2，x3。这里
z(k)＝x1(k)＝r(k)-y(k)＝e(k)，为性能指标或递进信号。图中k为神经元的比例系数，k>0。神经元通过关联搜索来产生控制信号，即
式中，wi(k)为对应于xi(k)的加权系数。单神经元自适应pid控制器正是通过对加权系数的调整来实现自适应、自学习功能的。加权系数的调整可以采用不同的学习规则，从而构成不同的控制算法。下面只介绍有监督的hebb学习算法。
采用有监督hebb学习算法的单神经元自适应pid控制器
考虑到加权系数wi(k)应和单神经元的输入、输出和输出偏差三者的相关函数有关，因此在采用有监督hebb学习算法时有
wi(k+1)＝(1-c)wi(k)+ηυi(k)(4—3)
υi(k)＝z(k)u(k)xi(k)(4—4)
式中υi(k)—递进信号，随过程进行逐渐衰减
z(k)—输出误差信号；
η—学习速率，η>0；
c—常数，0≤c＜1。
将式4—4代入式4—3中有
如果存在函数fi(wi(k),z(k),u(k),xi(k))，对wi(k)求偏微分有
则式4—5可写为
上式说明，加权系数wi(k)的修正是按函数fi(·)对应于wi(k)的负梯度方向进行搜索的。应用随机逼近理论可以证明，当常数c充分小时，wi(k)可以收敛到某一稳定值
为保证这种单神经元自适应pid控制学习算法式4—2和式4—5的收敛性和鲁棒性，将上述学习算法进行规范化处理后可得
式中ηp、ηi、ηd——比例、积分、微分的学习速率。
这里对比例(p)、积分(i)、微分(d)分别采用了不同的学习速率ηp、ηi、ηd，以便于根据需要对各自对应的加权系数分别进行调整，其取值可先有现场实验或仿真来确定，且取c＝0。
单神经元自适应pid控制器学习算法可调参数的选取规律：
上述单神经元自适应pid控制器学习算法的运行效果与可调参数ηp、ηi、ηd、等的选取有很大关系。通过大量实例仿真和实控结果，总结出以下参数调整规律。
(1)初始加权系数w1(0)、w2(0)、w3(0)可以任意选取
(2)k值的选择：一般k值偏大将引起系统响应超调过大，而k值偏小则使过渡过程加长。因此，可先确定一个增益k，再根据仿真和实控结果调整。
(3)学习速率ηp、ηi、ηd的选择：由于采用了规范化学习算法，学习速率可取得较大。选取k使过程的超调不太大，若此时过程从超调趋向平稳的时间太长，可增加ηp、ηd；若超调迅速下降而低于给定值，此后又缓慢上升到稳态的时间太长，则可减少ηp，增强积分项的作用。对于大时延系统，为了减少超调，ηp、ηd应选的大一些。
采用模块化思想将神经网络与pid控制、专家系统集成在一起,应用于智能温室控制系统,该系统兼具神经网络与专家系统的优点,功能更为强大,也更智能。由系统框图可以看出,各个功能模块分别由神经网络和pid控制、专家系统混合实现,相互独立完成各自任务,相互之间有各自的知识表示方法和逻辑推理机制,各模块的功能如下：
人机交互模块,作为用户和系统的交互平台，以便用户与专家系统相互交流,维护知识库和控制系统的正确性；
推理机,包含神经网络及专家系统，将神经网络与专家系统相结合,既具有浅层经验知识推理又兼具深层逻辑知识推理,两者互为补充,扬长避短,能充分发挥各自特长,解决一般专家系统所不能解决的问题,给出当前问题的准确预测结果；
置专家系统,负责根据当前问题状态的推理结果进行解释,使用户清楚明白当前情况，利用专家系统的解释能力很好的弥补了神经网络解释能力的不足,使整个系统更为形象直观；
设置统一控制协调模块将具体的控制阀的开度调节命令发向各个外部电气执行控制单元，这样可以通过一个统一控制协调模块同时控制多个生长因子控制阀，节省机器的占用空间；
知识数据是由知识工程师将专家的经验知识进行整理,以规则的形式写入知识数据库中,以方便推理机的调用，当推理机遇到不确定的推理因素时,向知识数据库询问,将解决后的知识写入知识数据库中,增加知识含量,从而增加系统的推理能力；
神经网络模块,一般包括输入、输出和神经网络3部分，由于神经网络是一种数值计算过程,输入输出都是数值向量,因而输入输出的数据都要经过相应的转换才能被神经网络处理并与外界互通。神经网络中,学习的样本是以输入输出模式对的形式表示的实例集,神经网络根据实际的网络输出模式与理想输出模式的误差调整权值,当系统学习完毕后,神经网络的权值矩阵就隐含了分类知识；
神经网络与专家系统集成并用于智能温室控制系统,解决了传统专家系统知识获取的瓶颈问题,知识窄、推理能力差、智能化低的缺点,并优化了神经网络解释能力不足的问题,成功实现了两者功能上的互补,并将其应用到智能温室控制系统中。另外,模块化的设计,可视化的平台,容易扩展,简明的操作都使得智能温室控制系统必将有重要的实际应用。
本发明的工作过程：发明人对外部电气执行设备进行了调整，根据温室的实际运行情况及专家经验，将外部电气执行设备所有可能出现的情况进行分组，这样就避免出现外部电气执行设备间相互冲突的问题，因为组与组之间是按照降温效果划分的，我们把当前外部电气执行设备从一个分组到另一个分组的变化量，也就是组之间变化了几级作为模糊控制器的输出量，这样就把多输出转化成了单输出，从而大大简化了计算过程，温室内的其他环境因子，比如光照、湿度、co2、室外温度等作为室内温度的辅助因子，对输出进行适当的调整和优化，以达到更好的控制效果；在获得决策结果的同时通知外部电气执行控制单元执行相应的决策，这种方法不仅解决了传统专家系统知识获取的瓶颈问题、推理能力差、智能化低的缺点，解决传统pid调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足，而且克服了神经网络不具有解释功能的问题，总之，成功实现了神经网络与pid的结合和专家系统功能上的互补，较好的用于温室控制；
同时因为作物生长的环境参数是一个范围值，我们提出在多因子多目标相容控制算法中，不再追求精确的点目标而是追求区间目标，比如：农作物可以在温度24℃-30℃，湿度60-80％的范围内生长，而不是精确的温度27℃或者湿度70％。不同的生长期，比如幼苗期、成长期、成熟期所需要的环境因子是不同的，不同的季节对应不同的控制策略，对能量的消耗也是不同的，而需要控制的温控系统可以通过经验系统间歇型开启，达到显著节能的效果。
将神经网络与专家系统集成并用于智能温室控制系统,解决了传统专家系统知识获取的瓶颈问题,知识窄、推理能力差、智能化低的缺点,并优化了神经网络解释能力不足的问题,成功实现了两者功能上的互补,并将其应用到智能温室控制系统中。另外,模块化的设计,可视化的平台,容易扩展,简明的操作都使得智能温室控制系统必将有重要的实际应用。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。