基于模糊控制的智能灌溉系统设计

摘 要：农业智能灌溉离不开对作物生长环境的监测。其中，土壤湿度因具有惯性和滞后性强的特点，使智能灌溉系统很难建立精确的数学模型。基于此，针对传统农业灌溉中存在的问题和农业现代化发展要求，利用模糊控制技术设计了一套智能灌溉系统，根据传感器获得的湿度信息进行模糊推理，分析作物灌水时间，以实现按需精准灌溉的目的，提高灌溉系统的控制精度。

关键词：模糊控制；智能灌溉；农业现代化

中图分类号：S274.2 文献标志码：A 文章编号：1674-7909（2023）03-151-3

0 引言

在农业水价综合改革、节水监督管理等措施的强力推动下，我国农业用水量和耕地实际灌溉用水量占比已经有所下降，但农业用水比重依旧是最大的［1］。由水利部发布的《中国水资源公报》可知，2020年我国人工生态环境补水307.0亿m3，生活用水863.1亿m3，工业用水1 030.4亿m3，农业用水3 612.4亿m3，分别占全国用水量的5.28%、14.85%、17.73%和62.14%。传统灌溉已经不符合现代农业、智慧农业的发展要求。传统灌溉方式不仅浪费水资源，而且导致土壤次生盐渍化问题严重，在一定程度上影响了作物的生长，降低了农作物产量。水资源关系国家粮食安全，水资源短缺及利用率低是威胁粮食安全的重要因素。随着滴灌、喷灌和渠道防渗技术的普及，我国农业用水压力相对减小，但还需要更先进的控制技术以加强农作物灌溉管理［2］。农业智能灌溉离不开对作物生长环境的监测。其中，土壤湿度因具有惯性和滞后性强的特点，使智能灌溉系统很难建立精确的数学模型。因此，笔者针对传统农业灌溉中存在的问题和农业现代化发展要求，研究设计了一套基于模糊控制的智能灌溉控制系统。

1 智能灌溉系统模糊控制模型设计

模糊控制是一种非线性控制方法，无须建立准确数学模型就可以实现对具有惯性、滞后性和强耦合时变系统的控制，可以很好地适应环境特征的变化［3］。为了获得较高的产量和提高水资源利用率，此研究以番茄为例，根据其各个生长周期的需水特性进行智能灌溉系统研究设计。笔者通过查阅大量资料发现，番茄幼苗时期的土壤湿度适宜在45%～55%，最佳土壤湿度为50%；开花坐果期土壤湿度适宜在55%～75%，最佳土壤湿度为65%；在盛果时期土壤湿度适宜在65%～85%，最佳土壤湿度为75%。此系统选用的模糊控制器是单变量二维模糊控制器，含有2个输入变量（土壤湿度偏差E和土壤湿度偏差变化率EC）和一个输出变量（灌溉时间Time）。三维模糊控制器相较于二维模糊控制器有更高的控制精度，控制效果更好，但是其控制规则过于复杂，在此操作条件下，二维模糊控制器完全可以满足系统要求［4］。因为模糊控制器的输入是精确值，所以需要将其模糊化，然后通过模糊控制规则进行模糊推理，以此得到的输出是一个模糊量，还需要通过解模糊化得到一个精确值，最终通过执行机构实现对被控对象的控制，输出灌水时间。模糊控制流程图如图1所示。

2 智能灌溉系统模糊控制器设计

模糊控制器是模糊控制模型设计的关键。模糊控制器的设计主要包括模糊语言变量设计、模糊规则设计、解模糊化。

2.1 模糊语言变量设计

土壤湿度作为最能反映土壤水分含量的因素，成为模糊控制设计的被控对象。因此，笔者选用土壤湿度偏差E和土壤湿度偏差变化率EC作为模糊控制器的输入，以灌溉时间Time作为输出，通过输入语言变量来描述输入、输出。由表1可知，输入变量E和EC的语言变量都是NB、NM、NS、ZO、PS、PM、PB。E的语言变量以ZO为中心，向右走表示土壤越来越湿，反之越来越干；EC的语言变量以ZO为中心，向右走表示土壤湿度增加得越来越快，反之减少得越来越快。输出变量Time的语言变量是ZO、PS、PS+、PM、PM+、PB、PB+，以ZO为起点，灌溉时间逐渐变长。

确定量化因子K（误差量化因子，Ke；误差变化的量化因子，Kec；控制量比例因子，Ku）和隶属度函数，其中Ke和Kec的值等于对应模糊集合论域最大值除以实际论域最大值，Ku的值等于对应实际论域最大值除以模糊集合论域。结合表1，Ke=6/10=0.6，Kec=6/5=1.2，Ku=40/6=6.67。隶属度函数以确定的函数描述输入的模糊语言变量与模糊规则之间的关系，该系统选择较为简单的三角形隶属度函数［5］。输入变量E/EC和输出变量Time的隶属度函数曲线如图2所示。

2.2 模糊规则设计

常见的模糊推理系统主要有Takagi-Sugeno型模糊推理系统、纯模糊逻辑系统和Mamdani型模糊推理系统。此灌溉系统的模糊决策选择Mamdani型模糊推理进行设计，其优点在于非常适合现有知识信息的输入输出，理论直观。根据长期的经验总结和试验结果，确定模糊控制规则表（见表2），尽量减小误差，使土壤湿度一直保持在适宜作物生长的范围内。

2.3 解模糊化

通过模糊规则对变量进行模糊推理，然后进行解模糊化，常用的解模糊化的方法有最大隶属度法（maximum）、重心法（centroid）等。其中，最大隶属度法操作简单，但所含的模糊集合的信息量不全面，而重心法的计算精度较高。因此，笔者选用重心法进行解模糊，也就是将所有阴影面积组合起来，求其重心的横坐标，这个横坐标的值就是系统的最终输出。

3 灌溉策略的MATLAB仿真试验

首先建立模糊控制器的结构，为双输入单输出，编辑各自的模糊论域。分别设置3个变量的隶属度函数，进入编辑界面，根据前面设置好的模糊规则表将它们组合为“if A and B，then C”形式，总共有49（7×7）条命令。因为设置规则时规定在土壤湿度偏差为PB时，不论土壤湿度偏差变化率如何变化，都不浇水，所以总共有43条模糊控制规则。模糊控制器设计完成后，可通过rules输出结果（见图3）、Surface输出结果（见图4）分别进行查看。

根据输入值判断输出值是否符合设定的模糊规则，当E=1.53、EC=-4.58时，通过图2输入变量的三角形隶属函数图可以得出E在ZO和PS之间靠近PS，EC在NS和NM之间靠近NM。通过表2可查得，Time在PS+和PS之间，对应图2输出变量的三角形隶属函数图可得出PS+和PS的输出时间是1和2。这和图3中Time=1.66的结果一致，说明设置的模糊规则合理。最后，将输出结果Time乘以比例因子，就得到了准确的灌溉时间。

通过Sufacec的输入输出变量曲面图，可以看出输出Time随E和EC变化的情况。当土壤越来越干燥，也就是E从0到-6时，并且土壤湿度变干的速率越来越快，也就是EC从0到-6时，输出的灌溉时间越来越长。这符合设定的控制规则。

4 结语

笔者以番茄为例，根据番茄各生命周期的需水特性进行模糊控制器的设计，并完成了智能灌溉系统的仿真试验。结果表明，控制器设计合理，可以有效判断作物灌水时间，实现了作物按需精准灌溉，减少了灌溉的盲目性。因此，笔者设计的灌溉模型可以有效提高水资源利用效率，使土壤水分一直处于有利于作物生长的状态。这不仅满足了农业生产需求，也响应了国家发展现代农业、智慧农业的号召。

参考文献：

［1］何可，宋洪远.资源环境约束下的中国粮食安全：内涵、挑战与政策取向［J］.南京农业大学学报（社会科学版），2021（3）：45-57.

［2］杨柯柯.基于无线网络的智能灌溉系统设计［D］.西安：西安理工大学，2018：16-24.

［3］葛新成，胡永霞.模糊控制的现状与发展概述［J］.现代防御技术，2008（3）：51-55.

［4］吕途.基于物联网的水肥一体化智能灌溉系统研究［D］.郑州：华北水利水电大学，2019：22-25.

［5］林小峰，廖志伟，方辉.隶属函数对模糊控制性能的作用与影响［J］.电机与控制学报，1998（4）：8-11.