首页 > 分享 > 基于矩阵补全及神经网络PID的智能节水型喷洒系统及方法

基于矩阵补全及神经网络PID的智能节水型喷洒系统及方法

花匠小妙招
2024-11-04 04:44

本发明属于节水控制技术领域，具体涉及一种基于矩阵补全及神经网络pid的智能节水型喷洒系统及方法。

背景技术：

因为大气阳光，风热的作用导致土壤一直在蒸发水分，有可能导致土壤湿度值迅速减小，使花朵，农作物生长得不到充分的水分，有时候却因为浇水太多使植物根茎泡发或者水资源浪费。而且如果是大面积的花房，可能存在多种植物共同生长，农作物混合培养(玉米-大豆)的情况，那么每一种植物对应有不同的所需湿度值及生长条件，所以必须控制浇水量的差异性维持一个水资源-植物生长的平衡。传统浇水器只能采取统一浇水，“漫溉-灌溉”的浇水方式，既可能导致植物出现缺水情况，大多数情况会导致水资源的大量浪费，对于不同植物也不能达到因地制宜等诸多问题。

技术实现要素：

本发明的目的在于提供一种基于矩阵补全及神经网络pid的智能节水型喷洒系统及方法，以解决现有技术中，传统浇水器采取“漫溉-灌溉”的浇水方式，导致水资源的大量浪费的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于矩阵补全及神经网络pid的智能节水型喷洒系统，包括节水器和总控终端，同一片土地区域均匀安装有多个节水器，多个所述节水器均通信连接所述总控终端，总控终端实现对多个节水器的控制；

所述节水器包括湿度采集模块、单片机、无线通信模块、舵机和控水叶片；所述控水叶片安装在喷水管内，并与所述舵机的输出轴连接；

所述单片机分别连接湿度采集模块、舵机，并通过无线通信模块与总控终端通信连接。

本发明实施例提供的另一个技术方案是：

一种基于矩阵补全及神经网络pid的智能节水型喷洒方法，包括如下步骤：

获取当前土地区域的湿度数据；

依据所述湿度数据构建原始矩阵，并将构建的原始矩阵可视化；

对可视化后的原始矩阵进行数据补全，得到优化后的最终补全矩阵；

将优化后的最终补全矩阵结果值输入bp神经网络进行模糊化处理，得到模糊化的最终补全矩阵数值；

利用得到模糊化的最终补全矩阵数值，输入融合了cmac小脑神经网络的pid控制算法，用于节水器相关参数控制。

进一步的，获取当前土地区域的湿度数据后，先对所述湿度数据进行正确性检验，保证数据正确率在98％以上。

进一步的，正确性检验的方法是：

检测湿度数据是否有缺项漏项、是否存在nan、+∞、-∞的数据；假如存在缺项漏项，以及nan、+∞、-∞的数据，总控终端派发指令传输到对应的节水器，重新发送数据；

对应的节水器重新发送数据后，再次进行检验，随着检验次数的增加，数据正确率在98％以上时，认为所读取数据都是正确的。

进一步的，原始矩阵构建方法为：

将当前土地区域的长宽作为矩阵的行和列，对其一个顶点建立坐标系，将节水器的位置反映到坐标矩阵内，每一个坐标点由横坐标x、纵坐标y和特定数据z构成，z反映土壤湿度信息。

进一步的，对可视化后的原始矩阵进行数据补全的方法为：

将可视化矩阵中的矩阵数据建模为张量；

对张量中缺失的频谱数据进行张量矩阵补全，得到数据初步补全后的预补全矩阵；

预补全矩阵的数据输入到bp神经网络中学习得到新的参考数据，最终得到优化后的最终补全矩阵。

进一步的，bp神经网络构建方式为：以读取到的历史湿度数据作为输入变量，以历史调整后的湿度数据作为输出变量，通过确定神经元和隐含层数量，构建激活函数，从而构建bp神经网络。

进一步的，根据优化后的最终补全矩阵，绘制原始热力图，将原始热力图显示在软件界面上。

进一步的，融合了cmac小脑神经网络的pid控制算法为：

u(k)＝un(k)+up(k)

式中，αi为二进制选择向量，c为cmac网络泛化参数，un(k)为cmac产生相应的输出，up(k)为常规控制器pid产生的输出，u(k)为总控制输出；

每一个控制周期结束时，计算出相应的cmac输出un(k)，并与总控制输出u(k)相比较，修正权重，进入学习过程，使总控制输出与cmac的输出之差最小；

经过cmac学习，使得总控制输出由cmac产生。

进一步的，cmac的调整目标函数为：

w(k)＝w(k-1)+δw(k)+α(w(k)-w(k-1))

式中，η为网络学习速率，η∈(0，1)，α为惯性量，α∈(0，1)，k为学习次数；

当系统开始运行时，置w＝0；此时un＝0；u＝up，系统由常规控制器进行控制；通过cmac网络的学习，使pid的输出控制量up(k)逐渐为零，cmac产生的输出控制量un(k)逐渐逼近控制器总输出u(k)。

本发明的有益效果如下：

本发明实施例提供的喷洒系统及方法，可以有效解决水资源浪费的问题，通过与水管相连的湿度感应器获知土地的实时水量数据，借由单片机向计算机传递数据。计算机通过我们设计的融合神经网络及pid算法的程序对数据进行处理，再传递给舵机调整水管内部叶片的偏转角度，从而根据不同区块的真实的需水量控制喷水量，满足植物需要而又不浪费，达到节水目的。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中节水器的结构示意图。

图2为本发明实施例中节水器的安装示意图。

图3为本发明实施例中喷洒方法的原理图。

图4为本发明实施例中张量补全后的矩阵奇异值变化示意图。

图5为本发明实施例中张量补全后的矩阵仿真对比图。其中，(a)为实际湿度频谱态势图，(b)为随机缺失20％湿度数据示意，(c)为采用alm填充的湿度频谱态势图。

图6为设计的操作软件的示意图，其中右上角为原始湿度数据采集分布图，左侧为补全后的实时花园湿度数据图，右下角还有目标等级、补全率、采集时间间隔、数据压缩率等可人为设置的相关系数。

其中：1湿度采集模块；2单片机；3电池；4舵机；5控水叶片。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。

一、如图1和2所示，本发明实施例的一方面，提供了一种基于矩阵补全及神经网络pid的智能节水型喷洒系统，包括节水器和总控终端，同一片土地区域均匀安装有多个节水器，多个节水器均通信连接总控终端；总控终端实现对多个节水器的控制，实现节水功能。

具体的，本实施例中，节水器包括湿度采集模块、单片机、无线通信模块、舵机和控水叶片；控水叶片安装在喷水管内，并与舵机的输出轴连接；单片机分别连接湿度采集模块、舵机，并通过无线通信模块与总控终端通信连接。

本实施例中，单片机用stm32最小系统板f103c8t6，或者51单片机最小系统板stc89c51，atmel公司at89c51或者其他可编程的微处理器，根据实际需求选取。无线通信模块用hc-12无线通信模块433m，负责单片机与总控终端的数据通信。湿度采集模块为湿度传感器。舵机型号为sg90。单片机rxd连接hc-12无线通信模块433m的txd，单片机txd连接hc-12无线通信模块433m的rxd，用23a/12v碱性电池给单片机主板供电，接地端通过节水器外壳导通。

控水叶片与实际的普通水管相连，在无线通信模块接收端读取到角度信息后，舵机会给予特定角度控制连接齿轮的旋转，控水叶片随即旋转来控制水管流速大小。需要说明的是，本实施例中可安插式的节水器，针对所有型号的普通喷水管都适用，可以采用市面现有的任意型号，在此不再赘述。在进行工作前，将普通的喷水管打出一个匹配口，将节水器的控水叶片以及固定接口安装到匹配口，将湿度传感器三个探测针插入土壤以下7cm，从而检测土壤的湿度信息，再将其转化成电信号传输给单片机。

二、本发明实施例的另一方面，提供了一种基于矩阵补全及神经网络pid的智能节水型喷洒方法，具体如下：

步骤s1，选取矩形状的土地区域，根据预算确定节水器的数量。根据当前土地区域已有喷水管分布结构确定节水器安插密度以及安插位置。安装时，将节水器相互等间隔安插。

优选的，本发明的一个实施例中，从进一步节约成本的角度考虑，不将所有的喷水管都安装节水器。对一些不能承担大部分节水器费用的用户，可以进行一定范围内选择性地安插节水器，以获取最大的经济效益。

具体的，安装节水器时，在喷水管合适的位置打出安插口，将控水叶片置于喷水管内，通过安插口将控水叶片与舵机的输出轴固定，安插口处使用橡胶圈和玻璃胶密封处理；将湿度传感器的三个探测针插入土壤以下7cm～8cm处，固定好探针；检测探针的工作性能是否良好，确定湿度传感器的探针可以检测土壤的湿度信息。

步骤s2，开始进行节水调整时，湿度传感器把采集的湿度电信号通过rc485模块传输到单片机；单片机将新读取到的土壤湿度数据通过hc-12无线通信模块传输到总控终端。

具体的，本实施例中，一个总控终端对多个节水器进行pid控制，采用多发一收的工作模式。

优选的，本发明的一个实施例中，单片机读取湿度数据后，将读取的湿度数据储存到e2prom模块，防止断电丢失数据。

步骤s3，总控终端读取到无线通信模块发送过来的湿度数据后，首先进行数据正确性检验，保证数据正确率在98％以上。

具体步骤如下：

步骤s31，检测湿度数据是否有缺项漏项、是否存在nan、+∞、-∞的数据。假如存在缺项漏项，以及nan、+∞、-∞的数据，总控终端派发指令传输到对应的节水器，让其重新发送数据。

具体的，本实施例中，节水器的无线通信模块采取多发一收的全双工工作模式，发送的数据都以8位二进制形式编码。采取奇校验/偶校验方式保证数据传输率，分别通过无线通信模块的txd、rxd进行接收和发送。

步骤s32，对应的节水器重新发送数据后，再次进行检验，随着检验次数的增加，数据正确率在98％以上时，认为所读取数据都是正确的。

步骤s4，依据步骤s3得到的正确率在98％以上的湿度数据，构建原始矩阵，并将构建的原始矩阵可视化。

具体的，构建原始矩阵的方式为：将所选取的矩形土地区域的长宽作为矩阵的行和列，对其一个顶点建立坐标系，将节水器的位置反映到坐标矩阵内，每一个坐标点(x，y，z)由横坐标x、纵坐标y、特定数据z构成，本实施例中，z反映土壤湿度信息。

具体的，将原始矩阵可视化为如图4所示，所示可视化矩阵正好映射于所选土地区域的物理位置，颜色深浅代表特定数据的大小，从而得到缺失矩阵信息及可视化矩阵。

步骤s5，步骤s4中构建的原始矩阵进行可视化后，如图4所示，节水器采集的湿度数据在图上仅呈点状分布显示，很多地方比如节水器与节水器之间的位置的数据信息是难以采集到的，所以本实施例中，将无法采集到的数据采取预测、补全处理。

具体的，本实施例中，将无法采集到的数据采取预测、补全处理的方式如下：

步骤s51、将可视化矩阵中的矩阵数据建模为张量。

步骤s52、对张量中缺失的频谱数据进行alm、svt等张量矩阵补全，具体原理是利用矩阵的低秩性和稀疏性，对不完全矩阵进行恢复，预测缺失数据，从而读取到全部的土壤信息；进而得到数据初步补全后的预补全矩阵。

步骤s6，将步骤s5预补全矩阵的数据输入到bp神经网络中学习得到新的参考数据，最终得到优化后的最终补全矩阵。

具体的，本实施例中，bp神经网络构建方式为：以读取到的历史湿度数据作为输入变量，以历史调整后的湿度数据作为输出变量，通过确定神经元和隐含层数量，构建激活函数，从而构建bp神经网络。

优选的，本发明的一个实施例中，初次利用bp神经网络优化时，并无历史湿度数据，所以可以不需bp神经网络的调整，但从另一个方面讲，可人为输入历史数据，根据用户的历史经验、现阶段的季节、每种作物的不同需求，进行人为矩阵的预估、输入。

优选的，本发明的一个实施例中，根据优化后的最终补全矩阵，绘制原始热力图，将原始热力图显示在软件界面上，能够反映出实时湿度大小。

步骤s7，将优化后的最终补全矩阵结果值输入bp神经网络进行模糊化处理，得到模糊化的最终补全矩阵数值，并将舵机调节控水叶片角度的过程中可能出现的情况和相应的控制策略汇总为模糊控制表。

步骤s8、利用步骤s7中得到模糊化的最终补全矩阵数值，输入融合了cmac(小脑神经网络)的pid控制算法，用于节水器相关参数控制。

具体的，控制算法的设计步骤如下：

1)确定cmac的结构，确定输入层和隐含层的节点数m和q，并给定各个层的加权系数选定η和关系系数α，k。

2)通过采样得到r(k)、y(k)，计算出e(k)＝r(k)-y(k)。r(k)为原始输入量、e(k)为经过反馈后的pid控制器输出量，y(k)为输出量。

3)对e(k)进行模糊化处理，得到的结果作为bp神经网络的输入。输出层的输出就是舵机pid控制器的可调参数。

具体的，利用cmac前馈控制，通过cmac和pid的复合控制实现前馈反馈控制。控制算法为：

u(k)＝un(k)+up(k)

式中，αi为二进制选择向量，c为cmac网络泛化参数，un(k)为cmac产生相应的输出，up(k)为常规控制器pid产生的输出，u(k)为总控制输出。

每一个控制周期结束时，计算出相应的cmac输出un(k)，并与总控制输出u(k)相比较，修正权重，进入学习过程，使总控制输出与cmac的输出之差最小。

经过cmac学习，使得系统的总控制输出由cmac产生。cmac的调整目标函数为：

w(k)＝w(k-1)+δw(k)+α(w(k)-w(k-1))

式中，η为网络学习速率，η∈(0，1)，α为惯性量，α∈(0，1)，k为学习次数。

当系统开始运行时，置w＝0；此时un＝0；u＝up，系统由常规控制器进行控制。通过cmac网络的学习，使pid的输出控制量up(k)逐渐为零，cmac产生的输出控制量un(k)逐渐逼近控制器总输出u(k)。

步骤s9，根据舵机pid控制器的可调参数，计算与实际/理想的偏差值，判断是否达到设定的标准或用户心目中理想的标准，未达标准，置k＝k+1,重复进行步骤s8。

步骤s10，总控终端通过透传功能返回每一个节水器的目标湿度值矩阵以及所需调整到的舵机叶片角度至单片机，单片机将舵机角度信息传输到sg90舵机，舵机联动控水叶片旋转到目标角度，控水叶片阻塞喷水管的水流量。

具体的，本实施例中，采用一发多收工作模式发送到每一个节水器，节水器通过无线通信模块接受数据返回至单片机。从而进行定量地调控将土壤湿度调整到特定值。

优选的，本发明的一个实施例中，在进行第一次调控后，可以进行浇水-间隔时间-再次读取的过程，通过人为设定的时间间隔，重复进行s1，s2，s3...的过程，逐步调整至理想水平，从而达到节水，节能，省钱的目的。

三、下面结合具体的仿真实验，对本发明实施例方法的有效性进行验证：

本发明实施例中，在拟定了实验数据后，进行了matlab程序仿真，现展示部分仿真结果，可看出此方法的有效性和优越性：

本发明中，缺失数据的补全是建立在矩阵的低秩性基础上的。为了验证实验所用数据的相关性，首先对矩阵的低秩性进行验证，已知数据为矩阵，将其奇异值由大到小进行排列，变化如图4所示，奇异值大多趋于0，矩阵具备低秩特点：

而且，为了验证alm算法的优越性，将通过仿真，针对其填充效果进行对比：

当不同装置的湿度感应器获知土地的实时湿度，并借由单片机传递后，可以在页面中显示出各个区块的不同状况。因为取样装置的取样范围小于装置喷头的喷洒范围，故对范围内的相关数据，根据需要进行50％～100％不同程度的补全。根据植物特点，当天的天气、日照情况，还可以人为地选择喷水量的程度。再通过pid算法的处理，系统可以由这些数据计算出不同区块的需水量，传递给舵机，调整水管内部叶片的偏转角度，从而根据不同区块的真实的需水量控制喷水量。数据采样的时间间隔、数据压缩率等都可以在页面上进行调节。

为了验证本申请的效果，通过查找《全国主要农作物需水量图》中的主要植物的生长条件以及全生长周期的需水量。

利用“对照试验”的原则，假设存在的两块平坦空地，土壤、温度等条件适宜。为了追求结果普遍性，设计种植九种作物，其中三种水果，三种普通农产品，三种花卉。一组安装普通喷灌系统(需水量即为查找的数据)，另一组安装本节水型喷管系统，根据植物类别和生长条件设置补全系数与节水系数，调控叶片偏转角。

在大批量购买情况下，单个喷洒系统仅需10元左右，喷洒半径5米左右，可控制60平方余米，1亩地仅需100元，大大提高了节水的效率。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

技术特征：

1.基于矩阵补全及神经网络pid的智能节水型喷洒系统，其特征在于，包括节水器和总控终端，同一片土地区域均匀安装有多个节水器，多个所述节水器均通信连接所述总控终端，总控终端实现对多个节水器的控制；

所述节水器包括湿度采集模块、单片机、无线通信模块、舵机和控水叶片；所述控水叶片安装在喷水管内，并与所述舵机的输出轴连接；

所述单片机分别连接湿度采集模块、舵机，并通过无线通信模块与总控终端通信连接。

2.一种基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，包括如下步骤：

获取当前土地区域的湿度数据；

依据所述湿度数据构建原始矩阵，并将构建的原始矩阵可视化；

对可视化后的原始矩阵进行数据补全，得到优化后的最终补全矩阵；

将优化后的最终补全矩阵结果值输入bp神经网络进行模糊化处理，得到模糊化的最终补全矩阵数值；

利用得到模糊化的最终补全矩阵数值，输入融合了cmac小脑神经网络的pid控制算法，用于节水器相关参数控制。

3.根据权利要求2所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于获取当前土地区域的湿度数据后，先对所述湿度数据进行正确性检验，保证数据正确率在98％以上。

4.根据权利要求3所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，正确性检验的方法是：

对应的节水器重新发送数据后，再次进行检验，随着检验次数的增加，数据正确率在98％以上时，认为所读取数据都是正确的。

5.根据权利要求2所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，原始矩阵构建方法为：

6.根据权利要求2所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，对可视化后的原始矩阵进行数据补全的方法为：

将可视化矩阵中的矩阵数据建模为张量；

对张量中缺失的频谱数据进行张量矩阵补全，得到数据初步补全后的预补全矩阵；

预补全矩阵的数据输入到bp神经网络中学习得到新的参考数据，最终得到优化后的最终补全矩阵。

7.根据权利要求6所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，bp神经网络构建方式为：以读取到的历史湿度数据作为输入变量，以历史调整后的湿度数据作为输出变量，通过确定神经元和隐含层数量，构建激活函数，从而构建bp神经网络。

8.根据权利要求2所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，根据优化后的最终补全矩阵，绘制原始热力图，将原始热力图显示在软件界面上。

9.根据权利要求2所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，融合了cmac小脑神经网络的pid控制算法为：

u(k)＝un(k)+up(k)

式中，αi为二进制选择向量，c为cmac网络泛化参数，un(k)为cmac产生相应的输出，up(k)为常规控制器pid产生的输出，u(k)为总控制输出；

每一个控制周期结束时，计算出相应的cmac输出un(k)，并与总控制输出u(k)相比较，修正权重，进入学习过程，使总控制输出与cmac的输出之差最小；

经过cmac学习，使得总控制输出由cmac产生。

10.根据权利要求9所述的基于矩阵补全及神经网络pid的智能节水型喷洒方法，其特征在于，cmac的调整目标函数为：

式中，η为网络学习速率，η∈(0，1)，α为惯性量，α∈(0，1)，k为学习次数；

技术总结
本发明公开了一种基于矩阵补全及神经网络PID的智能节水型喷洒系统及方法，喷洒系统包括节水器和总控终端，同一片土地区域均匀安装有多个节水器，多个节水器均通信连接总控终端，总控终端实现对多个节水器的控制；节水器包括湿度采集模块、单片机、无线通信模块、舵机和控水叶片；控水叶片安装在喷水管内，并与舵机的输出轴连接；单片机分别连接湿度采集模块、舵机，并通过无线通信模块与总控终端通信连接。本发明实施例提供的喷洒系统及方法，可以有效解决水资源浪费的问题，达到节水目的。

技术研发人员：王大伟;李轩睿;董健;江万航;贺甜蜜
受保护的技术使用者：西北工业大学
技术研发日：2021.06.09
技术公布日：2021.08.31