智能温室大棚控制系统设计
发布时间：2020-12-12 21:40
智能温室控制系统能够改善环境条件使作物生长在最佳的环境状态,从而实现调节农作物的产期,促进它的生长发育,降低病虫害的发生进而使农作物的质量、产量等得到大幅度提升的目的。因此,研究开发设计一套适合我国国情、效率高、成本低的智能温室控制系统是非常重要的。为此,本文首先研究了温室大棚内环境的特点,并分析了温室大棚内对作物生长有影响的环境因子,根据各因子对作物生长产生的影响,建立温室控制系统的数学模型。通过对温室环境中温度、湿度及各执行机构的研究分析,总结出温度、湿度受外界因素的影响情况及各执行机构对温室内温度、湿度影响程度的大小。然后,分别对本文所设计的基于模糊神经网络的控制系统进行仿真试验,仿真结果表明,采用本文所提出的模糊神经网络方法进行控制,能够克服常规PID控制和模糊控制超调大、控制稳定性差等不足,具有推理速度快,动态及静态性能好等优点。它能够较好地满足生产需要,具有较好的可行性。最后,本文在总结国内外温室大棚的研究现状,并分析种植示范基地的控制需求的基础上,确定温室大棚智能控制系统的总体设计方案和框架结构,完成各部分功能细化,并设计系统结构为单套上位机控制多套下位机的分布式结构。其...
【文章来源】：辽宁石油化工大学辽宁省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图2.1日光温室内温、湿度的变化情况
图 3.1 神经元的数学模型Fig.3.1 Mathematical Model of Neurons.图 3.1 中，模拟出了生物神经元的人工神经元数学模型，其中，由于生物神经元是一个接收多个信号，输出一个完整动作的过程，因此，神经网络的神经元是由多输入、单输出的信息处理单元组成，而对于多输入、单输出的计算过程是非线性的。其中，x1,x2,……xn为神经元对于的 n 个输入参数，为生物神经完对应的初始第 n 个级别神经元的轴突的信息;ωi1,ωi2, ......,ωin作为 i 神经元对应的 x1,x2,……xn的权值系数，即生物神经元对应的突触的传递效率；θi为 i 神经元的阈值；yi为 i 神经元的输出值；f ( ) 为激发函数，其中，f ( )是判断 i 神经元是否被输入 x1,x2,……xn影响的输出方式，可以由共同刺激达到θi阈值。3.1.2 传统 BP 神经网络学习过程由于神经网络的在大量数据处理方法中具有自组织、自学习、非线性动态处理的优势，并且可以通过优秀的联想能力进行智能推理以及优秀的自动适应能力进行识别，因
图 3.2 BP 神经网络模型Fig.3.2 BP Neural Network Model.根据图 3.2 所示的网络结构模型中的结构可知，输入层、输出层以及隐含层组成经典的前馈层级结构的网络模型，图中，若输入层、输出层、隐含层中分别设有 n，mh 个神经元，且每层之间对应不同的连接权值，即假设输入层中的节点 ai，，则对应隐含层节点 br之间的连接权值即为ωir，隐含层节点为 br，则对应到输出层节点 Cj间的连接权值则为 vrj。本论文由于仅仅针对蔬菜大棚中的环境进行控制，在建立数学模型时，选用了最经济、作为简便的常用模型-BP 神经网络模型。通过 BP 神经网络模型中将采集的一样本作为模型中的输入参数，运行模型后，将输出的数值与预期值进行比较，若误差符合预设误差，则确认为连接层中节点之间的连接权值及阈值出现了“失误”或“过错为了解决此“失误”或“过错”，选择将输出层节点的误差逐层向输入层进行逆向传播传播过程中以“分摊”形式，复制给各个连接节点，以便各个连接节点计算出参考误差
【参考文献】：
期刊论文
[1]设施农业温室大棚智能控制技术的现状与展望[J]. 邢希君,宋建成,吝伶艳,田慕琴,李德旺. 江苏农业科学. 2017(21)
[2]现代农业智能灌溉技术的研究现状与展望[J]. 李德旺,许春雨,宋建成. 江苏农业科学. 2017(17)
[3]设施农业物联网技术应用现状与发展建议[J]. 巩文睿,金萍,钟启文. 农业科技管理. 2017(04)
[4]基于ZigBee的WSN自适应室内定位系统实现[J]. 陈显明,刘书焕. 科技通报. 2017(03)
[5]模糊PID算法在温度对象中的应用[J]. 米一博,石红瑞. 石油化工自动化. 2016(04)
[6]日本智慧农业发展现状[J]. 农业工程技术. 2016(12)
[7]基于ZigBee的温室大棚环境参数监测系统设计[J]. 吕小征,冯岷生. 电子科技. 2014(07)
[8]基于ZigBee的温室温度控制系统[J]. 张文道,马娜,王陈陈,马明建,申瑞霞. 农机化研究. 2014(04)
[9]温室环境智能控制系统研究与应用[J]. 程瑞,王双喜. 山西农业科学. 2014(02)
[10]国外农业物联网技术发展及对我国的启示[J]. 唐珂. 中国科学院院刊. 2013(06)
硕士论文
[1]基于无线传感器网络的温室大棚环境监控系统设计[D]. 张杨.沈阳工业大学 2017
[2]基于物联网的温室大棚种植监控系统的研究与设计[D]. 黄桑.山东大学 2016
[3]模糊PID控制在食用菌大棚中的应用研究[D]. 董家明.兰州理工大学 2016
[4]基于物联网的设施农业温室大棚智能控制系统研究[D]. 韩毅.太原理工大学 2016
[5]基于物联网的温室环境监控管理系统设计[D]. 李鹏.江西理工大学 2015
[6]基于模糊控制技术多变量温湿度控制系统的研究和设计[D]. 汪军.山东大学 2015
[7]基于ZigBee无线传感器网络的温室测控系统设计[D]. 刘超.青岛科技大学 2015
[8]番茄生长发育模型研究及其专家系统设计[D]. 王健.北京理工大学 2015
[9]基于Zigbee技术的农作物温室大棚监控系统的设计和实现[D]. 黄鸿锋.电子科技大学 2014
[10]蔬菜温室智能控制系统的研究[D]. 夏颖.东北林业大学 2013
本文编号：2913320
【文章来源】：辽宁石油化工大学辽宁省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图2.1日光温室内温、湿度的变化情况
图 3.1 神经元的数学模型Fig.3.1 Mathematical Model of Neurons.图 3.1 中，模拟出了生物神经元的人工神经元数学模型，其中，由于生物神经元是一个接收多个信号，输出一个完整动作的过程，因此，神经网络的神经元是由多输入、单输出的信息处理单元组成，而对于多输入、单输出的计算过程是非线性的。其中，x1,x2,……xn为神经元对于的 n 个输入参数，为生物神经完对应的初始第 n 个级别神经元的轴突的信息;ωi1,ωi2, ......,ωin作为 i 神经元对应的 x1,x2,……xn的权值系数，即生物神经元对应的突触的传递效率；θi为 i 神经元的阈值；yi为 i 神经元的输出值；f ( ) 为激发函数，其中，f ( )是判断 i 神经元是否被输入 x1,x2,……xn影响的输出方式，可以由共同刺激达到θi阈值。3.1.2 传统 BP 神经网络学习过程由于神经网络的在大量数据处理方法中具有自组织、自学习、非线性动态处理的优势，并且可以通过优秀的联想能力进行智能推理以及优秀的自动适应能力进行识别，因
图 3.2 BP 神经网络模型Fig.3.2 BP Neural Network Model.根据图 3.2 所示的网络结构模型中的结构可知，输入层、输出层以及隐含层组成经典的前馈层级结构的网络模型，图中，若输入层、输出层、隐含层中分别设有 n，mh 个神经元，且每层之间对应不同的连接权值，即假设输入层中的节点 ai，，则对应隐含层节点 br之间的连接权值即为ωir，隐含层节点为 br，则对应到输出层节点 Cj间的连接权值则为 vrj。本论文由于仅仅针对蔬菜大棚中的环境进行控制，在建立数学模型时，选用了最经济、作为简便的常用模型-BP 神经网络模型。通过 BP 神经网络模型中将采集的一样本作为模型中的输入参数，运行模型后，将输出的数值与预期值进行比较，若误差符合预设误差，则确认为连接层中节点之间的连接权值及阈值出现了“失误”或“过错为了解决此“失误”或“过错”，选择将输出层节点的误差逐层向输入层进行逆向传播传播过程中以“分摊”形式，复制给各个连接节点，以便各个连接节点计算出参考误差
【参考文献】：
期刊论文
[1]设施农业温室大棚智能控制技术的现状与展望[J]. 邢希君,宋建成,吝伶艳,田慕琴,李德旺. 江苏农业科学. 2017(21)
[2]现代农业智能灌溉技术的研究现状与展望[J]. 李德旺,许春雨,宋建成. 江苏农业科学. 2017(17)
[3]设施农业物联网技术应用现状与发展建议[J]. 巩文睿,金萍,钟启文. 农业科技管理. 2017(04)
[4]基于ZigBee的WSN自适应室内定位系统实现[J]. 陈显明,刘书焕. 科技通报. 2017(03)
[5]模糊PID算法在温度对象中的应用[J]. 米一博,石红瑞. 石油化工自动化. 2016(04)
[6]日本智慧农业发展现状[J]. 农业工程技术. 2016(12)
[7]基于ZigBee的温室大棚环境参数监测系统设计[J]. 吕小征,冯岷生. 电子科技. 2014(07)
[8]基于ZigBee的温室温度控制系统[J]. 张文道,马娜,王陈陈,马明建,申瑞霞. 农机化研究. 2014(04)
[9]温室环境智能控制系统研究与应用[J]. 程瑞,王双喜. 山西农业科学. 2014(02)
[10]国外农业物联网技术发展及对我国的启示[J]. 唐珂. 中国科学院院刊. 2013(06)
硕士论文
[1]基于无线传感器网络的温室大棚环境监控系统设计[D]. 张杨.沈阳工业大学 2017
[2]基于物联网的温室大棚种植监控系统的研究与设计[D]. 黄桑.山东大学 2016
[3]模糊PID控制在食用菌大棚中的应用研究[D]. 董家明.兰州理工大学 2016
[4]基于物联网的设施农业温室大棚智能控制系统研究[D]. 韩毅.太原理工大学 2016
[5]基于物联网的温室环境监控管理系统设计[D]. 李鹏.江西理工大学 2015
[6]基于模糊控制技术多变量温湿度控制系统的研究和设计[D]. 汪军.山东大学 2015
[7]基于ZigBee无线传感器网络的温室测控系统设计[D]. 刘超.青岛科技大学 2015
[8]番茄生长发育模型研究及其专家系统设计[D]. 王健.北京理工大学 2015
[9]基于Zigbee技术的农作物温室大棚监控系统的设计和实现[D]. 黄鸿锋.电子科技大学 2014
[10]蔬菜温室智能控制系统的研究[D]. 夏颖.东北林业大学 2013
本文编号：2913320
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2913320.html
