基于欧姆龙 PLC 的模糊神经网络控制灌溉系统
宋乐鹏 宋乐鹏先生，重庆科技学院讲师。
关键词：复合模糊控制 神经网络 变频器 PLC
在温室育苗生产中，粗放的灌溉方式与落后 的灌水技术已不适应现代农业的要求，发展节水 灌溉势在必行。灌溉自动化可大大减轻灌水的劳 动强度，提高劳动生产率，减少灌溉水量损失，
是灌溉管理现代化的标志，也是灌溉农业发展的 方向。目前的一些灌溉系统大多还是人为决定灌 溉时间与灌溉量的被动供水式灌溉，这对育苗并 不一定合理，因此根据作物缺水信息实施精量控 制灌溉是提高水的利用率和水的生产效率的重要 途径之一。目前，灌溉控制硬件系统采用单片机、
工控机等。单片机控制系统成本低，但是运行过 程中干扰大；工控机和计算机作为下位机控制系
统成本较高，而且其应有的功能未能得到充分体现。这些控制系统大多数未对作物缺水信息 进行检测，造成灌溉不合理，降低了灌溉的效益。我们结合温室育苗特点，对灌溉系统的控 制进行研究，提出以欧姆龙可编程控制器PLC 作为控制核心，采用神经网络技术离线训练, 寻找出修正模糊控制因子α，实现对温室内的幼苗灌溉进行控制，从而降低系统成本，提高 节水灌溉的智能控制效果和生产效益。
一 节水灌溉系统的构成
本文所述的灌溉控制系统是以PLC 作为控制核心，PC 机作为上位机对其进行定期的 数据收集和存储以及进行一定程度的监控和数据设定。系统硬件结构框图如图1 所示。
在图1 中，采用 SC0058 型土壤湿度传感器用于测量土壤湿度，A/D 转换模块是 OMRON 公司生产的MAD02，在灌溉控制中，需要对 17 个点进行控制，再加上温湿度控制，因此 PLC 选用 OMRON 公司的 CPM2A。电磁阀是整个控制电路的执行元件，该元件选用的是 24V 交流驱动方式，功率为 2W。PC 机作为控制系统的上位机，利用 VB 编程，实现与 PLC
之间的通信，完成数据交换，即通过PC 机输入控制参数，实现对 PLC 所测试的数据进行 定时上传，保存在PC 机中，为以后的分析处理提供数据。
二 模糊控制原理
在灌溉控制系统中，把田间持水量作为灌溉临界点。根据人工灌溉定额的经验，以过度 供水、充分供水、适度缺水、水分亏缺、严重水分亏缺作为供水的判断机制。过度的水分亏 缺对植物生长有严重的抑制作用，而适度水分亏缺可增强植株和枝体渗透调节机能，限制体 内养分和能量的过度消耗，增强生长潜势，并提高水分利用效率。在本控制系统中，输入变 量是误差e(即土壤中的水分含量 Sp 与田间持水量 Hf 之差)和含水率变化率 Δe (即含水量差 的变化趋势)，输出变量为供水时间 t。模糊控制的基本原理如图 2 所示。
PLC 通过采样获取土壤中的水分含量的精确值，然后将此量与田间持水量比较得到误 差e，把误差的精确量模糊化变成模糊量，得到误差 e 的模糊语言集合的一个子集 E。再由 e 模糊控制规则 R(模糊关系)，根据推理合成规则进行决策，得到模糊控制量为 u=EoR(式
中u 为模糊量)。为了对被控对象施加精确的控制，还需将模糊量 u 转化为精确的数字量，
经D/A 转换，送给执行机构，从而对被控对象电动机实施控制。
三 模糊神经网络控制算法
灌溉控制系统的主要目的是控制土壤中的水分含量恒定，此水分含量与土壤的地理条 件、当地气温、农作物的种类、当天的天气等因素有关，灌溉控制系统具有强时滞、非线性 的特点。因此采用常规PID 控制无法达到满意的控制效果，为了解决这一难点，本系统采 用了模糊神经网络控制算法。这种控制算法结合专家知识与现场熟练工人的经验，模仿人的 大脑进行决策，不需要被控对象的精确数学模型，对强时滞、非线性的被控对象具有很好的 控制效果。
1． 模糊控制算法变量选取
根据实际控制要求，本模糊控制器土壤中的水分含量与田间持水量之差E 的语言变量 值取(负大、负中、负小、零、正小、正中、正大)，偏差的变化率 EC 及电动机控制电磁阀 供水时间增量ΔT 的语言变量值取(负大、负中、负小、零、正小、正中、正大)，量化等级 都取｛-6，-5，-4，-3，-2，-1，0，+1，+2，+3，+4，+5，+6｝。各模糊子集的隶属函数 取三角型函数，如图3 所示。
由于在不同的温度下，系统要求的工作状态是不同的，对误差及误差变化率的加权值应 有所不同，当系统误差较大时，控制器的主要任务是快速消除误差。因此，应取较大的α 值，即加强误差的权值，以加速系统的快速响应。反之，当系统误差较小时，控制器的主要 任务是使系统尽快趋于稳定。因此，应取较小的α 值，即加强误差变化率的权值，以提高 系统的稳定性。为了满足系统在不同状态下对修正因子的不同要求，引入4 个修正因子。
其解析表达式如式(1)。
( )
( )
( )
( )
⎪⎪
⎩
⎪⎪
⎨
⎧
±
= +
−
±
= +
−
±
= +
−
= +
−
=
3 E EC＞ α
- 1 E
＜α
2 EC＞
α - 1 E
＜α
1 E EC＞ α
- 1 E
＜α
0 E EC＞ α
- 1 E
＜α U
Δ
4 4
3 3
2 2
1 1
，
，
，
，
E (1)
其中α1、α2、α3、α4为0~1 之间的实数且 α1 < α2 < α3 <α4。当误差为不同等级时，取 不同的α 值来调整控制规则，从而达到改善系统动态性能的目的。
2． 神经网络控制算法
由于修正因子α1、α2、α3、α4值的选取有一定的不确定性，如果修正因子α1、α2、α3、 α4值选择的不合理将会造成解模糊的值与实际值有较大偏差，系统的控制效果将受到较大 的影响。为此本文采用神经网络控制算法，根据以往的数据和参数训练出最优的修正因子 α1、α2、α3、α4值。
a．非线性组合预测模型
组合预测模型具有信息利用充分、精度高的特点，关键是确定各个单项预测方法的加权 系数。根据有关文献，可将神经网络作为多种预测模型的组合器，给出常规预测方法的最佳 组合。它以各个单项预测模型的输出作为神经网络的输入，组合预测结果为输出，模型示意 图如图4。式(2)为非线性组合预测模型的数学表达式。
Y = f(x1, x2, xi, xn) (2) 式中：y —— 神经网络组合器的输出，即组合预测模型的预测值；
xi —— 第 i 项预测模型的预测值；
f(.) —— 神经网络非线性映射函数。
b．双重 BP 神经网络组合预测模型
在回归和延时神经网络的基础上，应用神经网络组合器，提出双重BP 神经网络组合预 测模型，模型结构如图5 所示。第 1 重由回归神经网络和延时神经网络组成，回归神经网 络模型用预测参数自身的历史数据作为输入，延时神经网络模型则用与预测参数相关运行参 数作为输入。第2 重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利 用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度。由于神经网络具有 足够逼近任意非线性映射的能力，应用该组合预测模型进行参数预测时，无需对实时数据的 时间序列作平稳性假设，仅依靠样本数据的训练来寻求数据之间的非线性映射关系。文中采 用序列概率比检测方法(简称 SPRT 法)来验证数据的正确性，通过计算预测值和测量值的残
差、概率比，根据故障检测的决策规则判断测量数据是否有误。当判断数据异常，可用模型 预测值来代替实时数据进行后续应用程序计算。
3．模糊控制修正因子和查询表建立
经过神经网络离线训练数据得出本控制系统的修正因子α1 = 0.45、α1 = 0.55、α3 = 0.65、α4 = 0.75。通过式(1)建立的模糊控制查询表如表所示。
在实际应用中， 如已知 E 和 EC，则可通过表求得电动机控制电磁阀供水时间增量 ΔT，
再按最大隶属度原则解模糊，选择隶属度最大的元素为精确控制信号，乘以比例因子Ku, 即为实际电动机供水时间ΔT 信号，所以电动机供水时间控制信号 Δ(T) = T(k-1)+ΔT,经 2D/A 转换为模拟量控制电动机供水时间，从而达到控制系统自动节水灌溉的目的。
四 软件设计
本控制系统软件包括3 个部分，即 PLC 控制、PC 机控制和通信程序。PLC 作为整个 控制系统的底层单元，对整个控制系统的数据采集和处理具有重要作用，完成土壤湿度数据 的采集，将所采集到的土壤湿度数据经过A/D 转换模块进行转换，将所转换的数据利用模
糊控制技术进行处理，以实现自动灌溉的目的。该系统软件开发是利用OMRON 公司的梯 形图编程软件 — Cx-Programmer。在系统设计时，为了更好地方便用户操作，特设计了 PC 主界面。在实际使用过程中，需要对灌溉系统进行实时远距离在线监控，所以要求 PC 机和PLC 之间能够进行数据实时传输，因此采用 VB 程序设计语言中的 MSComm 通信控 件来实现。PLC 控制器软件的实现流程图如图 6 所示。其中 Sp 为田间持水量、Hf 土壤中 的水分含量。
五 结束语
将模糊控制与欧姆龙PLC 控制系统相结合，既显示了欧姆龙 PLC 的可靠、灵活、适应 性强的特点，也大大提高了控制系统的智能化程度。基于模糊控制的PLC 系统适用于很多 场合，控制程序易于模块化，标准化，与PLC 自带的 PID 控制模块相比，具有编程灵活、
限制条件少、模糊变量和模糊规则个数不受系统硬件限制等特点，降低了系统的开发成本，
扩大了应用范围。实验室反馈信息表明：模糊控制PLC 技术的应用，使去年欧姆龙 PLC 实 验室投资明显减少，教学质量显著提高，可为实验室创造180 万元的明显经济效益。
（全文完）
来源：《世界仪表与自动化》
出版日期：2008 年 9 月
