一種溫室環境采集與控制算法的研究

葉珊珊，李建兵，聶山權，姜海洋

（1.解放軍信息工程大學 河南 鄭州 450000；2.兵峰電子科技有限公司 河南 鄭州450000）

一種溫室環境采集與控制算法的研究

葉珊珊1，李建兵1，聶山權2，姜海洋1

（1.解放軍信息工程大學 河南 鄭州 450000；2.兵峰電子科技有限公司 河南 鄭州450000）

針對現代溫室監控管理系統信息處理體系缺失、采集信息精度不足的問題，提出了一種協同處理多維數據的支持度測量算法，并與相融矩陣法、自適應加權平均法結合，構建了一種三層信息處理模型（TDPM）。在鄭州貝利得的溫室中通過VC++對該模型進行了性能測試，實地實驗表明，相較于傳統的農業采集與控制系統，搭載該模型的系統可有效實現溫室環境的實時測量與自動控制，達到采集信息精確化，設備控制自動化的目標。

溫室；智能監控；相融矩陣；自適應加權平均；支持度測量法

物聯網是傳感器、互聯網和信息處理技術高度融合的新一代信息技術[1]，它的蓬勃發展帶動了各行業對環境信息監測控制系統在數據采集精度、控制自動化方面的需求[2-7]。環境采集器能否獲取準確的環境信息，關系著系統總體采集與控制的精確度高低。合理運用采集到的環境信息為系統自動控制提供決策依據，則是系統控制智能化的關鍵。

隨著農業物聯網概念的提出與推廣，許多學者加入了對溫室環境監測控制系統的研究行列[1，8-12]。文獻[8]通過將DS證據理論和農業專家系統相結合，提高了溫室環境監測的精確度。但該方法存在無法處理證據沖突、未討論控制設備開關程度、過度依賴專家系統的問題。文獻[9]針對上述問題對DS規則的組合方式進行了修改，較好的克服了證據理論不能處理焦元不一致的問題，但是對于系統設備控制程度問題、專家系統過度依賴性問題仍然沒有給予較好的解決方案?；诖?，文獻[1]將基于Zernike矩的圖像識別技術應用于溫室監測控制系統中，實現了天窗開度的自動控制，較好地解決了設備控制模糊性問題；同時，文獻[10]研制了一套基于模糊神經網絡的上位機管理決策軟件和實現下位機數據處理、集成控制的監控軟件，一定程度上降低了系統對專家信息的依賴，但隨之帶來了系統控制的實時性和準確性不足的問題；此外，帶Smith預估器的模糊PID溫度控制算法[11]、基于支持向量機的設備狀態組合分類模型[12]等方法也被用于溫室環境監測控制系統中，試圖提高其采集信息的精確度和對設備控制的自動化水平。但是在上述系統中，不論是DS證據理論，還是模糊神經網絡，都涉及大量的運算，且多停留于理論研究階段，存在實時性不足，實用性不強且難以工程化應用的問題。因此，在環境信息監測控制系統中，尋找一種通用有效、系統規范、適于工程實現的信息處理方法是有必要的。

根據上述實際需求，提出了一種處理多維異質數據的簡便算法——支持度測量法（SDMA），然后在此基礎上建立了一種三層信息處理模型（TDPM）。該模型由處理層、融合層、關聯層組成，具有實用性強、精確度高、可移植性強等優點。TDPM模型首先在處理層運用相融矩陣法對采集數據進行預處理，剔除失效數據；然后，由融合層中的自適應加權平均法對余下的有效數據進行精度優化；最后，位于關聯層的支持度測量法對多維數據進行關聯處理，綜合利用異質傳感器數據輔助決策，最終實現設備的自動控制。

1 TDPM模型

農業環境監測控制系統的服務器軟件主要由WEB服務軟件、數據庫和采集與控制服務軟件組成。WEB服務軟件用于給WEB客戶端和手機APP提供數據服務；數據庫用于存放采集的溫室信息、控制指令等用戶信息；而采集與控制服務軟件則用于采集現場的環境數據和設備狀態。TDPM模型的實現位于采集與控制服務軟件中，旨在為系統提供更精確的數據支持和更智能的設備控制功能。

TDPM模型由處理層、融合層、關聯層3部分組成，其結構如圖1所示。首先，將網關采集到的現場實時數據送入信息處理層，處理層采用相融矩陣法[9]對失效的數據進行剔除；然后，融合層使用自適應加權平均法[13]對其進行局部信息融合，為系統對設備進行后續自動控制提供更準確的決策依據；最后，提出支持度測量法，并將其運用在關聯層。它對經過前兩層處理后的數據進行關聯再處理，結合數據庫中的歷史數據以及它們對應的控制策略，實現對設備的自動控制。下面對TDPM模型的各層分別進行詳述。

圖1 TDPM模型結構圖

1.1 處理層

處理層是TDPM模型的第一層，主要對采集到的數據進行預處理。在信息采集的過程中，由于嚴重的噪聲干擾、傳感器失靈等客觀因素，會出現一些大幅偏離真值的數據，這些數據的存在不僅導致信息采集系統產生較大的誤差，且影響后續的控制精度，因此對失效數據進行剔除是十分必要的[8]。TDPM模型處理層的功能就是剔除這些由網關傳送的數據中失效的部分。

假設在某空間內存在m個同質傳感器，對同一環境參數進行測量。在某一時刻t時，這m個傳感器測量到的數據分別為T1，T2，…，Tm。第i個傳感器的測量方差為。定義第i，j個傳感器的測量方差之差為相融距離測度，用dij表示，其計算表達式如下：

由式（1）可以看出，dij的值越大，說明兩傳感器方差的差值越大，也就是其測量數據的差距越大。我們使用式（1）計算所有傳感器兩兩之間的相融距離測度dij，將其組成的矩陣定義為數據融合度矩陣，用Dm表示，其表達式如式（2）所示：

根據專家經驗或多次測試的結果，取相融距離測度閾值dth。將dth與融合度矩陣Dm中的相融距離測度dij進行比較，得到融合判決值rij，rij的表達式如下所示：

當融合判決值rij為0時，說明i，j兩傳感器方差之差大于相融距離測度閾值dij，此時它們的相互支持程度較弱，視為相互對立；反之，當rij的值為1時，則認為兩傳感器相互支持。接著，由融合判決值rij組成矩陣Rm，且定義它為多傳感器相融矩陣，其表達式如下：

當相融矩陣Rm的某一行元素中，0占多數時，說明這一行所代表的傳感器只被總數中的少數傳感器支持，可以認為該傳感器的測量數據不可靠，應將其剔除，以消除對系統后續控制決策的影響。反之，當1占多數時，則認為該傳感器被其它多數傳感器支持，測量的數據視為有效數據。此外，當檢測到某個傳感器的數據長期失效時，應考慮檢查該傳感器是否發生故障，需要進行維修更換。

1.2 融合層

融合層是TDPM模型的中間層，該層采用自適應加權平均法，對有效數據進行精度優化?，F代溫室空間較大，多個同質傳感器測量的數據可能由于環境參數分布不均勻而具有一定的差異，對其進行局部融合可使同質數據精度更高[14]。而且，在溫室環境監測控制系統中，某些環境因子在某段時間內的變化很小，可以忽略不計，此時對其進行時間上的數據融合可以有效減少系統的運算次數。另外，若將融合層置于無線傳感網的匯聚節點，可以減少網絡中的數據傳輸量、降低能耗、提高信道利用率等等[15]。

自適應加權平均法是信息融合中一種常見的數據級融合方法，它不要求知道傳感器測量數據的先驗知識，僅通過測量數據即可得到均方誤差最小的融合值[13]。其算法流程如下：

且其權值和為1，表達式如下所示：

由以上條件可推出總均方誤差σ2為[13]：

要得到當總均方誤差σ2最小時的各權值Wi，由多元函數求極值理論[14]：

此時對應的最小均方誤差σ2min為：

由式（8）知，求得每個傳感器的方差，即可得到其對應的權值，進而得到最優融合值。另外，此時系統的最小總均方誤差可由式（9）求得，為算法精度對比所用。

1.3 關聯層

本小節將對關聯層的支持度測量法進行闡述。支持度測量法的作用是對經過前兩層處理的各異質傳感器數據進行協同處理，結合數據庫中的歷史數據及其控制策略，得到最終控制決策，實現設備的自動控制。其算法流程如下：

假設有3種異質環境數據A，B，C，它們均經過了前兩步的數據處理。在進行全局信息關聯處理時，需要使用數據庫中的n組歷史采集數據以及相對應的控制方案記錄，設其為集合S={S1，S2，…，SN}，其中，Sn（n=0，1，…，N）為3種不同環境參數的組合，即S1=（A1，B1，C1），S2=（A2，B2，C2），…，SN=（AN，BN，CN）。假設此時系統的實時測量值為 （A，B，C），并且定義h為實時測量值與歷史數據中某一組元素的距離測度，則每組歷史數據均對應一個距離測度hi，其計算公式如下：

其中，σk（k=1，2，3）是不同環境參數的加權因子，其作用是將不同環境參數的數據進行標準化處理。定義mi為各個歷史控制策略對當前環境狀況的支持度，其計算公式如下：

觀察式（11）可知，支持度mi由距離測度hi的倒數計算得來，并且當距離測度hi越小時，mi值越大，即對應的第i個歷史方案對當前環境狀況的支持度越大。此時選擇第i個歷史方案中的控制策略，對設備進行控制則越能夠達到理想的控制狀態。因此，根據均方誤差最小準則，選取maxmi對應的方案作為最佳控制策略。

以上即為支持度測量法的算法流程，可以看出這種方法直觀簡單，易于理解，且便于工程實現。

2 實驗驗證

本節將上述TDPM模型應用在溫室環境監測控制系統中，對其可行性進行實驗驗證。采集與控制服務軟件采用的開發環境是VS2008，在滿足功能要求的前提下，選擇了Oracle 11g數據庫管理系統。

實測環境位于鄭州貝利得32m×72m的溫室中，如圖2（a）所示。系統服務器采集與控制服務軟件界面如圖2（b）。

圖2 實測場景與軟件界面

溫室中部分設備參數如表1所示。

表1 實測環境設備表

在棚內某區域放置十個溫度傳感器，已知ID= 10的傳感器發生故障失效。它們在同一時刻采集的溫度數據分別為：24.41，25.76，25.03，25.69，24.74，24.46，24.46，24.21，24.12，24.28，33.00。由處理層的相融矩陣法對其進行處理，運行結果如圖3所示。

圖3 相融矩陣法運行結果

圖3中，第一個矩形標注的是系統實時采集的十組數據，第二個矩形標注的為處理層算法中的相融矩陣。觀察相融矩陣的最后一行，共有9個0，唯一的1為該故障傳感器與自己比較所得；其余每行的0的個數均不超過傳感器總數的一半。用第三個矩形標注的則是經過處理層處理后的結果，容易看出該算法成功的找出了失效數據33.00。此處為顯示算法有效性，故在輸出框進行了顯示，在工程中只需對其進行標記并將其刪除即可。

經過處理層處理后的溫度值采用自適應加權平均法對其進行局部融合，融合結果如表2所示。其中，S1到S10表示 10個溫度傳感器，S10為經過檢測失效的傳感器，S贊為溫度融合值，為最小總均方誤差，為第i個傳感器的方差，wi為經過算法計算得到時第i個傳感器的最優權值。由表2可以看出，十組傳感器分配的權值各不相同，但其和為1；且當其測量方差較大時，算法為其分配的權值較小，以此來提高融合值的精度。經計算，最終的溫度融合值為25.19，最小總均方誤差為0.005 2。

表2 溫度數據融合結果

為了顯示自適應加權平均法的優勢，將其與直接平均法進行對比。同種情況下直接平均法得到的均值與方差分別如式（12）（13）所示。其中，S為9個溫度測量數據的均值，為此時的測量方差。

對比上述結果可知，同樣情況下自適應加權平均法的總方差值遠小于直接平均法的方差，即前者的性能優于后者。

同理，對大棚內空氣濕度和光照強度也進行處理層和融合層的處理，得到其融合結果如表3所示。

表3 濕度、光照融合結果

將多維信息融合結果送入關聯層，使用支持度測量法對其進行協同處理，其中用到的數據庫歷史數據如圖4所示。該圖中表格的第一列為數據編號，之后三列是采集信息類別，它們分別為溫度、空氣濕度和光照強度。最后五列為設備名稱，分別是升溫設備、風機、遮陽網、濕簾以及補光燈。其中，設備列中的數字0代表在該種環境狀況下，對應的設備處于關閉狀態，數字1則代表該設備此時處于打開狀態。

圖4 部分歷史數據表

使用支持度測量法對多維數據進行處理，處理結果為ID=6，即此時的最優控制策略是打開風機、打開濕簾、打開遮陽網。

在實測溫度、空氣濕度、光照強度分別為（25.19，50.36，32000）時，目標環境參數設置為（20，65，25000），采用上述模型通過風機、濕簾、遮陽網進行調控后，得到實時控制誤差結果如圖5所示。

圖5 控制誤差結果

通過圖5可以得知，采用TDPM模型可有效的對溫室環境進行自動調控，且在第30分鐘完成了整個控制過程，達到了目標環境參數值。其中，在第22分鐘首先完成了光照的調控，而溫度和濕度則分別在29分鐘和30分鐘時達到了理想值。溫室環境參數由起初的（25.19，50.36，32 000）變為（19.9，65.2，25 131），基本達到最適環境。

3 結 論

文中根據現代溫室環境監測控制系統的需求，提出了支持度測量法，并且在此基礎上建立了TDPM模型。該模型通過對采集信息的一系列處理，提高采集數據的精度，進一步實現設備的自動控制。它通用性強，不僅可以用于溫室監測控制系統，還可以推廣用于工業、家居等信息采集控制系統。同時它易于理解，實現簡單，適合實際應用。但是，支持度測量法的精度對于歷史數據庫的大小存在一定的依賴性，筆者在未來的工作中會繼續對其進行研究。

[1]秦琳琳，陸林箭，石春，等.基于物聯網的溫室智能監控系統設計[J].農業機械學報，2015，46（3）:261-267.

[2]劉倩，張向飛，丁永生，等.面向農業物聯網多環境信息融合的監測判別[J].浙江農業科學，2013（12）: 1694-1696.

[3]韓志平.溫室環境參數模糊控制[D].沈陽：沈陽工業大學，2012.

[4]盧興森，陳蘇婷，施佳馳.基于北斗和ZigBee的農田數據采集與傳輸[J].電子技術應用，2015，41（6）:35-37.

[5]張偉.面向精細農業的無線傳感器網絡關鍵技術研究[D].杭州：浙江大學，2013.

[6]王冬.基于物聯網的智能農業監測系統的設計與實現[D].大連：大連理工大學，2013.

[7]初洪龍.基于物聯網的智能農業大棚的研究與實現[D].大連：大連理工大學,2014.

[8]武曉嘉，楊盤洪.多傳感器數據融合在溫室智能控制中的應用研究[J].消費導刊，2008（10）:174-175.

[9]黃小紅.傳感器網絡數據融合技術研究及在溫室控制中的應用[D].成都：電子科技大學，2009.

[10]秘立鵬.基于模糊神經網絡的設施農業溫室大棚自適應控制系統的開發[D].太原：太原理工大學，2014.

[11]岳青.基于WSN的溫室環境智能監控系統研究[D].楊凌：西北農林科技大學，2011.

[12]王東.基于多傳感器融合的溫室環境智能控制系統研究與實現[D].楊凌：西北農林科技大學,2012.

[13]李戰明，陳若珠，張保梅.同類多傳感器自適應加權估計的數據級融合算法研究[J].蘭州理工大學學報，2006，32（4）:78-82.

[14]張陽，沈明霞，孫玉文，等.基于多傳感器自適應加權融合的溫室信息系統[J].傳感器與微系統，2014，33（6）:100-103.

[15]傅海波.無線傳感網中數據融合算法的研究[D].南京：南京郵電大學，2013.

Research on a novel data collection and device controlling algorithm for greenhouse

YE Shan-shan1，LI Jian-bing1，NIE Shan-quan2，JIANG Hai-yang1
（1.The PLA Information Engineering University，Zhengzhou 450000，China；2.Bing feng Electronic Technology Corporation，Zhengzhou 450000，China）

To solve the problem of lacking information processing architecture and the precision deficiency of the collected data for modern greenhouse monitoring and management systems，we propose support degree measurement algorithm（SDMA），which can joint disposal several data.Then we construct a three-layer information processing model （TDPM） with the combined utilization of SDMA，compatibility matrix algorithm and adaptive weighted estimate algorithm.Finally， we testthe performance of TDPM by VC++in the greenhouse of Bailey，Zhengzhou.The field experiments showed that，compared with traditional agricultural data collecting and device controlling system，our system with TDPM could realize the real-time measurement and controlling effectively，as well as achieve the aim of gathering more accuracy data and controlling devices automatically.

greenhouse；intelligent monitoring；compatibility matrix；adaptive weighted estimate；SDMA

TN915.41

A

1674－6236（2017）10-0001-05

2016-07-26稿件編號：201607183

國家科技支撐計劃課題支持（2014BAH30B01）

葉珊珊（1991—），女，河南洛陽人，碩士研究生。研究方向：物聯網技術。