基于ZigBee技术与BP神经网络的棉田自动灌溉控制系统设计

赵天图，马 蓉，刘南江，郑玉玲 (石河子大学机械电气工程学院，新疆 石河子 832000)

新疆作为一个典型的干旱半干旱地区，具有独特的农业生产环境，农业主要是以灌溉农业为主，水资源目前作为新疆最紧缺的自然资源，作物灌溉节约用水量的问题不论从经济社会角度上讲还是从自然资源角度上讲，都是如今摆在我们眼前并急需解决的重要问题[1-3]。为了更好地实现自动化灌溉通过ZigBee网络技术，对灌溉区进行实时的监控[4-7]。目前自动灌溉在新疆已经正在使用，但是还是不够完善，由于受到灌溉区域较大、不同的环境因素对棉花的生长影响的问题、大面积棉田自动化程度不高、电磁阀的任意安装导致通讯出错的问题。因此，研究一种能够实现覆盖面积广、价格低廉、性能可靠的自动灌溉系统对提高新疆棉花生产力水平具有重要意义。

1 节水滴灌监测与预警系统组成

本文的节水滴灌监测和预警系统主要分为3部分:上位机监控系统，ZigBee无线网络通讯系统，滴灌区域数据采集系统(见图1)。上位监控系统负责接收传感器采集到的数据并且显示在屏幕上，同时给下位机传送命令；无线通讯部分负责数据和命令的传送；数据采集部分即温度传感器、湿度传感器、土壤饱和度传感器等，负责各项数据的采集[8-14]。

不同的传感器通过各自的采集功能将采集到的不同数据信息，经过微处理芯片的处理，经过无线通讯部分将信息传送给上位机，实现实时监测[15-17]。传感器的终端核心采用CC2530芯片，该芯片是一个应用于ZigBee和IEEE802.15.4的SOC解决方案。

图1 滴灌监测与预警整体组成Fig.1 The overall composition of drip irrigation monitoring and early warning

2 硬件传感器的选型

节水滴灌施肥监测与预警实验主要由田间各类传感器对田间水分信息、气象信息、作物信息等有关信息进行实时采集和获取；对采集到的电信号经过变送器和数据采集控制卡转换成数字信号传递到主机，主机将信息进行分类处理成为具有实际意义的物理量，并且将结果保存到相关的实时数据库中。

作为滴灌施肥的监测和预警系统，需要我们对灌区的各项数据进行实时监测，所以需要温湿度传感器、光照传感器、流量传感器等(见表1)。

表1 传感器选型表Tab.1 Sensor selection table

3 BP神经网络监测与预警

3.1 根据土壤中水分蒸发量情况进行滴灌用水预警

在棉花生长的过程中，影响棉花生长的主要因素包括温度、热量、光照条件、水分、土壤条件等。水分是棉花植株体内的重要组成成分，棉花生长发育所需要的水分和养料，主要通过根系从土壤中获得，因此对滴灌用水和养料的监测成为关键因素。

棉花实际的用水量的预算是进行滴灌预警的基础，棉花的耗水量为：

MT=MT0KC

(1)

式中：MT作为棉花耗水量；MT0作为参考耗水量；KC作为作物系数。

土壤水分的蒸发量反映了蒸发潜力的综合指标，与参考耗水量密切相关，反映出气象因素的综合影响。二者的关系为：

MT0=MPKP

(2)

式中：MP作为土壤蒸发量；KP作为土壤系数。

将式(2)代入式(1)可得：

MT=MPKPKC=MPKPC

(3)

式中：KPC作为土壤作物系数，可通过实验来进行确定。

因此通过作物耗水量和土壤蒸发量之间的关系，就可以取一小块棉田土壤，通过利用水分传感器对小块棉田土壤的水量蒸发情况来模拟出棉田中的土壤的水分蒸发消耗来进行灌溉用水量的预警。如图2所示将棉田看作取样的小块棉田土壤放在容器中，在大气蒸发的作用下，容器中土壤水分会随着大气蒸发而下降，农田土壤内含水量通过土壤表面蒸发和作物蒸腾也逐渐的消耗减少，水分传感器不断的测量实验土壤中的水分含量，当水分传感器测得实验土壤中水分蒸发达到设定的蒸发量时，说明土壤内部储水量不足，就会自动启动灌溉系统进行实时灌溉。

图2 棉花耗水量与小块实验棉田蒸发量的关系示意图Fig.2 Relationship between water consumption and small cotton cotton experimental evaporation diagram

3.2 BP神经网络模型

通过相关资料查询与借鉴，该领域内网络架构最广泛的为BP神经网络模型，该模型属于多层状模型。因此，本文提出一种最优化的BP神经网络的预测模型，其网络结构如图3所示。由于预测模型采用了N路网格构架的方法进行信息采集，因此系统将会产生大量数据，此外随着数据动态增长，计算较为耗时，造成由于反应延缓带来不必要的损失。从预测的角度来讲，对于同一种传感器数据(如灌溉水量)，在某一时刻t下，寻找所有水量传感器数据变化明显信息点，将该信息点设为最优变量，同理，可以得到水量蒸发量、最优空气含水量、最优土壤含水量等，将这些数据量作为 BP神经网络的输入信号，不仅可以极大地减少其训练过程时间，而且同时还能够避免了同类信号间的变化不一致导致的所造成的数据混乱。

图3 最优神经网络预测模型Fig.3 The optimal neural network prediction model

通常情况下系统需要对灌溉用水量进行预测，进行水预测所需要的BP神经网络模型由3个部分组成，分别是输入层、输出层和隐含层3部分，计算步骤如下。

第一步，将水流量传感器的数据进行输入和输出变量归一化处理，就是将全部数据转化为[0,1]。将会给每一个连接权值用Wij、Vjt进行赋值，阈值为θj、γt在区间(-1，1)内部所产生的随机值。

第二步，用输入数据Xk=(Xk1，Xk2，…,Xkn)、连接权值Wij和阈值θj计算隐含层中每个单元中出现的输入aj，然后利用aj通过传递函数计算隐含层中每个单元中得出的输出bj。

(4)

bj=f(aj) (j=1,2,…,p)

(5)

第三步，需要利用隐含层中的输出bj、权值vjt和阈值γt计算输出层各单元的输出为Lt，然后通过利用传递函数来计算输出层各输出单元中的实际输出Ct。

(6)

Ct=f(Lt) (t=1,2,…,q)

(7)

第四步，在这一步骤中利用网络模型中网络坐标向量Tk=(yk1,yk2,…,ykq)与网络的实际输出Ct，计算出各层的单元进行训练时的训练误差dkt。

dkt=(ykt-Ct)Ct(1-ct) (t=1,2,…,q)

(8)

第五步，通过利用连接权值Vjt、输出层的训练误差dt利用函数计算隐含层单元的训练误差ekj。

(9)

第六步，通过计算的误差结果，利用输出层各单元的训练误差dkt与隐含层各单元的输出bj来修正连接权值Vjt和阈值γt。

vjt(N+1)=vjt(N)+αdktbj

(10)

γt(N+1)=γt(N)+αdkt

(11)

t=1,2,…,q;j=1,2,…,p; 0<α<1

第七步，利用通过计算隐含层各单元的训练误差ekj和输入层各单元的输入Xk来修正连接权值Wij和阈值θj。

wij(N+1)=wij(N)+βekjxki

(12)

θj(N+1)=θj(N)+βekj

(13)

i=1,2,…,n;j=1,2,…,p; 0<β<1

通常情况下对肥液EC/pH值的控制是施肥的关键，为了能够控制这个量我们需要一个水预测的模型，这个预测是必要的，用来维持在一个稳定的水肥状态。如果我们假设我们有p个输入和m个输出，通过下面的一般表达式每个输出yk都作为每个输入ui的函数:

(14)

k=1,2,…,m;i=1,2,…,p

式中：ndk为第k次输出的分母度数；nnki为输出值k和输入值i的分子度数；rki为输入量i和输出量k之间存在的延迟关系(所采样时间单位设为Ts)。

整个模型的定义将通过系数akj和bkij的测定进而才能确定。他们使用的方法是通过预测值与实测值之间的均方误差(非线性)最小化输出标准来确定水肥的浓度。此外，选ndk=nnki=1通常是足够的。

通过神经网络的自身学习、加权系数调整，从而使计算出水量的预期值和肥液浓度的允许范围是最优值。

3.3 肥料施放的监测

水肥养料也是作为棉花生长的关键因素之一，所以选择用EC/pH值浓度来作为系统施肥的监测参数，因为目前国内外肥料施放监测系统主要根据营养液的导电率EC和pH值的变化进行营养液的管理。若营养液的pH值不适当，会使作物对营养液素吸收受阻；然而介质溶液浓度越大，则EC值就会越高，渗透压就会越高，作物难对肥液中的水分和养分进行吸收，造成对作物生长的不良影响[17]，因此对EC/pH值的监测是有必要的。在施肥过程中需要进行实时监测，其中包括对施肥罐的液压位和压力、电磁阀内肥液的流量、水肥采样中EC/pH值等，通过实施监测不断地进行对施肥参数的调整。施肥流程图如图4所示，EC/pH值调整流程图如图5所示。

图4 施肥流程图Fig.4 Fertilization flow chart

图5 EC/pH值调整流程图Fig.5 EC/pH adjustment flow chart

4 上位机监控界面

上位机所呈现的实时监控界面主要由3个部分构成：上位机数据监控模块、执行端自动和手动控制模块、预警和报警模块。通过Labview制作的人机交互界面可以更简单和直观的操作和监控滴灌田间的工作，达到对灌区的各项数据的信息

采集，数据直接显示在人机交互界面上，更加直观地对灌区自然情况进行实时监测。通过对每天的空气温度、土壤温度、施肥时pH值和EC值的监测进行精准滴灌施肥，经过多次实验发现最适合棉花生长的温度应该控制在19～22 ℃之间，灌溉用水的EC值要求<0.8 mS/cm，最适合的植物生长所需求的EC值通常控制在1.2～1.8 mS/cm范围之间，最高值不能够超过2.5 mS/cm。最适合植物生长pH值范围应该控制在5.5～6.5之间，因为在这个pH值得范围内植物生长所需要的有效养分含量最高，有利于植物吸收利用，灌溉用水的pH值在5.2～6.8最为合适。控制模块可以直接在界面上点击，方便对滴灌阀门的管理和控制。预警模块分为A、B、C 3个级别对应的不同情况有不同的施肥方案。通过Labview组态软件对灌区的管控使得精准施肥变得更加简单和方便。

系统控制目标EC值通常在1.2～1.8 mS/cm之间，pH值范围为5.5～6.5。测试的目的是通过对滴头处EC值和pH值进行实时监测，进而检验施肥时刻的水肥浓度是否达到施肥要求，同时检测控制器的调控能力。当开始施肥时每20 s进行一次取样并检测，表2为营养液的pH和EC值采样值。经过对采样数据和理想值之间的对比证明本系统能够达到对EC/pH值控制的目的。

表2 滴灌精量施肥时滴灌头EC值和pH值的测量值Tab.2 EC value and pH value of drip irrigation under drip irrigation

5 结 语

本系统针对新疆干旱半干旱地区的特殊情况，新疆水资源紧缺、农业用水量大等一系列问题，对滴灌变量施肥监测和预警提出了一套方案。通过BP神经网络对用水量的预测和变量施肥时肥液的pH值和EC的实时监控达到监测和预警功能。并通过简单的Labview组态软件建立了上位机人机交互界面能够实时对灌区进行检测，并且能够简单的实现对灌区滴灌的操控，节约了劳动力，通过简单的组态软件让滴灌更简单，满足了实际农业变量施肥和节水的管理。

[1] 苏 荟. 新疆农业高效节水灌溉技术选择研究[D]. 新疆石河子：石河子大学,2013.

[2] 李晓渊. 新疆干旱区农业高效节水灌溉技术示范经济评价研究[D]. 乌鲁木齐：新疆农业大学,2010.

[3] 李建军,张闯江,张 卓. 新疆棉田滴灌供水系统自动化节水控制的设计与研究[J]. 农机化研究,2015,(12):236-239,244.

[4] 袁寿其,李 红,王新坤. 中国节水灌溉装备发展现状、问题、趋势与建议[J]. 排灌机械工程学报,2015,(1):78-92.

[5] 杨士红,王乙江,徐俊增,等. 节水灌溉稻田土壤呼吸变化及其影响因素分析[J]. 农业工程学报,2015,(8):140-146.

[6] 金宏智,严海军,钱一超. 国外节水灌溉工程技术发展分析[J]. 农业机械学报,2010,(S1):59-63.

[7] 高雪梅. 中国农业节水灌溉现状、发展趋势及存在问题[J]. 天津农业科学,2012,(1):54-56.

[8] 匡秋明,赵燕东,白陈祥. 节水灌溉自动控制系统的研究[J]. 农业工程学报,2007,(6):136-139.

[9] 王清瑞. 无线传感网络技术在节水灌溉中的应用[D]. 天津：河北工业大学,2012,41(9):56-59.

[10] 张寄阳,段爱旺,申孝军,等. 基于蒸发量的膜下滴灌棉花灌溉预警装置设计与试验[J]. 农业机械学报,2010,41(9):56-59.

[11] 岳学军,刘永鑫,洪添胜,等. 山地果园中低功耗无线滴灌控制装置设计与试验[J]. 农业工程学报,2014,(9):102-109.

[12] 李加念,倪慧娜. 基于无线传感器网络的小粒种咖啡园滴灌自动控制系统[J]. 传感器与微系统,2014,(10):43-46.

[13] 杨 婷,汪小旵. 基于ZigBee无线传感网络的自动滴灌系统设计[J]. 节水灌溉,2010,(2):10-12,16.

[14] 郭毓灵,宁 芊. 基于ZigBee技术的无线自动滴灌系统设计[J]. 节水灌溉,2011,(2):66-68,72.

[15] 王 军,程增艳,朱秀林. 基于ZigBee的滴灌自动控制系统的设计[J]. 数字技术与应用,2012,(1):3-4.

[16] 黄 峰,金美琴. 基于无线传感网络的滴灌控制系统设计与运行效果[J]. 现代农业科技,2012,(15):182-184.

[17] 聂 晶,岑红蕾. 精准滴灌施肥自动控制系统的研究与实现[J]. 节水灌溉,2011,(1):57-61.