基于模型优化预测与温度场分析的温室传感器故障识别

任 远，李志刚，苑严伟，李亚硕，庞在溪

(1.石河子大学机械电气工程学院，新疆 石河子 832003；2.中国农业机械化科学研究院土壤植物机器系统技术国家重点实验室，北京 100083)

0 引言

随着计算机技术的飞速发展和物联网技术的广泛使用，温室从早期的人工布置传感器，根据传感器监测的数据，手动调节控制温度、水肥等设备参数，发展到如今利用监测系统传感器采集温室环境数据，经计算机处理后，实时准确地调节各相关设备参数，这样既能满足农作物的生长需要，又可以提高生产的经济效益[1]。在温室技术的发展过程中，利用传感器采集环境信息是整个温室环境监测系统的基础，但是由于温室往往具有高湿、高温等环境特性，会导致监测传感器频繁发生故障[2]。如何及时准确地识别出环境监测系统传感器的故障并判断出故障节点，对保证温室作物积极生长具有重要的研究价值。

目前，国内外的研究人员对温室传感器故障检测展开了大量的研究，其中，最广泛的方法有解析冗余法和时序冗余法。解析冗余法利用传感器自身与被测对象无关的冗余信息来建立静态、动态数学模型，提供系统不同输出量之间的解析关系[3]。时序冗余法主要通过系统不同输出量之间的解析关系来提供冗余信息，或者用不同时间序列的传感器输出的冗余信息来检测故障[4]。李萍萍等[5]和周金生[6]研究发现，在监测系统运行过程中，相邻传感器之间不同或相同类型传感器采集的数据之间存在近线性关系，可以通过限制、剔除经常数据异步的传感器，将多变量模型通过线性变化得到少变量模型，但是在非线性特征的故障检测中往往效果不佳。GEORGOULAS George等[7]通过建立基于反向传播法的3层前馈神经网络模型来诊断传感器故障，该方法的适应性较强，但计算量较为复杂。王纪章等[8]通过进一步研究，提出基于PCA的故障检测和时空比较的故障识别定位的两级故障检测识别方法，减少了系统故障的运算量。但这样的检测方法往往较为复杂，对模型精度要求较高，需要花费大量的试验成本。

计算流体力学CFD(Computational fluid dynamics)在智能温室环境控制中的应用已经成为研究的新热点，可以通过模型模拟出室外环境、温室结构、配套设施和作物等因素对温室内环境的影响，不需要大量高成本的试验测量就可以为温室控制提供大量的环境信息[9]。国内外学者通过建立温室模型，利用CFD技术对温室内空气的温湿度和流速等变量的变化进行较精确地模拟，在温室结构的优化设计中有较多的研究应用，但用于温室传感器故障的精准检测尚未见报道[10-17]。本文根据目标温室参数，利用Fluent软件，模拟出不同通风状态下温室的场域分布情况，对传感器节点位置处的环境数值进行预测，通过与传感器实际测量值作比较，找出传感器异常节点位置，再利用LEBDF算法对节点异常位置做进一步筛查，能够及时准确简便地检测出温室故障传感器节点位置，为智能化温室管理系统的有效运行提供准确的环境信息[18]。

1 材料与方法

1.1 试验对象

试验温室位于云南昆明的现代农业示范基地，为大型玻璃连栋温室，温室单栋跨度分别为15、20和15 m，肩高6 m，顶高6.8 m，栋长40 m，采用轻型钢作为主体框架，四周加装透光率90%的浮法玻璃。为了便于试验研究，选择跨度为15 m的单栋温室作为试验温室，试验温室西墙装有2台380 V、1.1 kW负压风机，东墙装有长14 m、高2.5 m、厚0.1 m的湿帘，湿帘安装高度0.8 m，温室内外加装遮阳网。

试验期间，温室内种植作物为番茄，考虑到作物冠层阻力的影响，将作物简化成长35 m、宽10 m、高3 m的多孔介质模型，利用SpaceClaim建立温室三维模型，结构如图1所示。

1.湿帘 2.作物区域 3.负压风机图1 试验温室模型Fig.1 Experimental greenhouse model

1.2 试验方案

试验时间为2020年8月上旬，室外温度较高且相对平稳。在9∶00—11∶00时，打开屋顶天窗，温室处于自然通风状态；11∶00以后，随着太阳辐射的增强，温室内温度升高，为保证温室内作物的正常生长，此时需要开启湿帘风机对温室内部进行降温。为保证采集数据的精确性，试验期间遮阳网与天窗都处于闭合状态。选取单跨温室布置温湿度传感器进行测量，室内布置两层传感器，共16个节点(Q1～Q16)，其中Q1～Q8与Q9～Q16布置在同一位置的不同平面高度处，Q1～Q8布置在Y=4 m的平面上，传感器在温室中的布置如图2所示。

图2 温室内部传感器测点分布Fig.2 Distribution of sensor measurement points inside greenhouse

传感器选择SMMZ01型气象多要素百叶箱，可对室内空气温湿度、光照强度和CO2浓度等环境数值进行监测。其中，温度测量范围-40.0～80.0 ℃，测量精度±0.5 ℃；湿度测量范围0～99%RH，测量精度±3%。为了保证传感器测得数据的有效性，试验前用精度0.1 ℃的水银玻璃温度计和工业用湿度计对传感器测得数据进行比较，结果表明传感器误差在有效范围内。工作记录时间的间隔设置为2 min。其中，降温从11∶30开始，13∶30停止。室内风速测定选择WindMaster三维超声风速仪。传感器及网络终端节点如图3所示。

图3 传感器与终端节点Fig.3 Selection of sensors and terminal nodes

2 温室场域的CFD模拟

2.1 基本控制方程

当Fluent模拟温室环境时，使用标准k-ε模型将温室内的气流视为遵循质量守恒方程、动量守恒方程和能量守恒方程的湍流[14]。

2.1.1质量守恒方程

(1)

式中u——速度在x方向的分量，m/s

v——速度在y方向的分量，m/s

w——速度在z方向的分量，m/s

2.1.2动量守恒方程

(2)

(3)

(4)

式中μeff——有效黏度，N·s/m2

β——空气热膨胀系数，K-1

ρ——空气密度，kg/m3

g——重力加速度，m/s2

T——空气温度，K

Tref——空气参考温度，其值为298.15 K

2.1.3能量守恒方程

(5)

式中ST——源项，W

Ci——比热容，J/(kg·K)

λeff——有效导热系数，W/(m·K)

2.2 番茄植株模型

在数值计算时，将温室内番茄植株简化为多孔介质模型进行计算，其符合Darcy-Forchheimer定律

(6)

式中SØ——源项

v——空气流速，m/s

μ——空气动力粘度，Pa·s

Km——多孔介质的渗透性系数

Cp——非线性动量损失因子

由文献[15]可知，番茄植株的动力源项与植株特征及空气流速有关，满足方程

SØ=-ILQρv2

(7)

式中Q——作物冠层阻力系数，根据前人研究，Q值取0.32

IL——叶面积指数

综上，通过合并同类项，得到Cp与Km的关系式

(8)

2.3 计算域与边界条件

为了保证计算结果的准确性，建立与实验温室相同尺寸的模型，长40 m，宽15 m，檐高6 m，拱高6.8 m。取温室区域作为计算域进行计算，采用非结构化四面体网格对计算域进行划分，将湿帘作为入口边界，将风机视作为出口边界，对出入口及作物区域适当加密，以适应流场梯度变化大的要求。通过多次修改网格密度，比较网格划分质量，最后在计算中共生成2 310 710个网格，网格质量均>0.35，温室网格如图4所示。

图4 温室三维网格划分及局部加密Fig.4 Three-dimensional grid division and local densification of greenhouse

温室内部能量主要来自太阳辐射，模型采用标准k-ε两方程的湍流模型，将近壁面设置为标准壁面函数，打开能量方程，选择DO模型进行计算，将作物区简化为30 m×10 m×3 m的多孔介质模型，温室侧面与顶部设置为墙面(Wall)，构建模型的材料属性参数如表1所示，选择2020年8月10日实测室内外参数作为模拟的初始值。

表1 参数及边界条件设置Tab.1 Parameters and boundary conditions setting

2.4 数值仿真与分析

模拟仿真在处理器为Intel(R)Core(TM)i7-9750H CPU 2.60GHz的计算机中进行，求解器设置为SIMPLEC半隐式耦合，计算时能量的收敛精度达到10-6，进行了200步迭代计算。建模过程的前处理、求解、后处理等过程均在workbench19.0环境下完成，将作物区域用多孔介质模型代替，选用标准k-ε两方程的湍流模型，近壁面选用标准壁面函数，离散格式选择二阶方程，采用基于压力求解器进行数值计算。

3 结果分析与模型验证

3.1 模型有效性验证

为了验证构建的温室CFD模型的有效性，需要对不同通风条件下温室内环境传感器的模拟值与实际值作比较，以2019年6月所采集的试验数据进行模型的验证。当温室处于风机通风时，需要先打开湿帘风机通风0.5 h，待室内环境达到稳定状态下，再对传感器采集的数据进行读取。

得到的对比结果如图5和图6所示，从图中可以发现，在自然通风条件下，温度实测值与模拟值最大相对误差4.1%，最小相对误差0.9%，两者平均相对误差2.3%；速度实测值与模拟值最大相对误差26.9%，最小相对误差3.2%，两者平均相对误差9.2%。在风机强制通风条件下，温度实测值与模拟值最大相对误差3.8%，最小相对误差0.3%，两者平均相对误差1.8%；速度实测值与模拟值最大相对误差21.6%，最小相对误差1.2%，两者平均相对误差11.2%。同时通过观察，发现CFD模拟值与传感器实测值的变化趋势基本相同，可以说明建立的模型是有效的，所设置的参数条件是合理的，能够较好地反映温室不同通风方式下真实的内环境变化情况。

图5 湿帘风机通风条件下温室内各测点模拟值与实测值比较Fig.5 Comparison of simulated and measured values at various measuring points in greenhouse under condition of wet curtain fan ventilation

图6 自然通风条件下温室内各测点模拟值与实测值比较Fig.6 Comparison of simulated and measured values at various measuring points in greenhouse under natural ventilation

3.2 仿真结果分析

3.2.1自然通风条件下

利用建立好的温室模型对自然通风条件下温室内流场进行分析。试验温室在Z值为3、14、26和37 m的4个纵向截面上温度与速度分布云图如图7所示。由图7可以看出，受到太阳辐射的影响，试验温室顶部与四周玻璃壁面处温度都偏高，在壁面处存在明显的温度梯度，但在作物区域的温度都处于合理范围内。自然通风时，湿帘处作为迎风面速度达到最大值，并随着温室的距离增长而降低，同时受到天窗开口的影响，在天窗处的气体也有一个较高的风速，作物区域整体风速分布较为均匀。

图7 自然通风条件下温室纵截面温度场与速度场仿真图Fig.7 Simulation diagram of temperature field and velocity field in longitudinal section of greenhouse under natural ventilation

试验温室在X值为5和10 m的风机轴线位置处的温度与速度分布云图如图8所示。由图8中可以看出，受气体流动影响，速度场分布在出入口及天窗处的偏高，2个纵向截面处速度场基本一致；受作物冠层影响，风速在通过作物区域时略有下降，但整体流动都较为均匀。试验时室外温度35 ℃，在对作物区域进行模拟时，温度均值达到37.8 ℃，可能由于室内作物影响，作物自身也会有一定的散热。

图8 自然通风条件下温室横截面温度场与速度场仿真图Fig.8 Simulation diagram of temperature field and velocity field in cross section of greenhouse under natural ventilation

试验温室在Y值为2和4 m处两层传感器测点分布平面处速度分布云图如图9所示。由图9中可以看出，4 m处平面上的风速较大，说明作物对温室内流场分布有一定的影响，在作物区域的速度分布更为均匀，整个平面区域没有明显的速度梯度。

图9 传感器节点布置层面速度场仿真图Fig.9 Simulation diagram of velocity field at sensor node layout level

3.2.2湿帘风机通风条件下

利用验证过的温室模型对湿帘风机通风条件下温室内流场进行分析。试验温室在Z值为3、14、26和37 m的4个纵向截面上温度和速度分布云图如图10所示。由图10可以看出，试验温室在Z轴上有明显的温度分层，由于太阳辐射和热浮力的作用，在顶部温度最高，与其他部位有较大温差[3]。在接近作物区域，温度逐渐趋于降低，处于一个较为平缓的温度范围。在湿帘入口处有一个明显的温度梯度变化，说明湿帘对进风口处有一定的降温作用，但作用范围较为有限，随着温室长度的增加降温效果越来越差，降温时还是需要增加一些喷淋设备进行降温辅助。对比图7与图10可以发现，湿帘风机的降温效果更为显著，但两者的流场分布都较为均匀，都满足作物的正常生长。

图10 湿帘风机通风条件下温室纵截面温度场与速度场仿真图Fig.10 Simulation diagram of longitudinal section temperature field and velocity field of greenhouse under condition of wet curtain fan ventilation

试验温室在X值为5和10 m的风机轴线位置处温度和速度分布云图如图11所示。由图11中可以看出，速度场在经过作物区域时有一个明显的下降，风机和湿帘作为流场的出入口，风速有一个明显的增大，整个试验温室内部流场分布较为均匀。沿X轴方向上两截面的温度变化基本一致，但在Y轴方向上，由于外界辐射的影响，有着较大的温度梯度变化，作物区域的平均温度32.3 ℃，与外界环境相差近5 ℃，能够满足作物生长的环境需要。

图11 湿帘风机通风条件下温室横截面温度场与速度场仿真图Fig.11 Simulation diagram of temperature field and velocity field of greenhouse cross-section under condition of wet curtain fan ventilation

试验温室在Y值为2和4 m处两层传感器测点分布平面处速度分布云图如图12所示。由图12中可以看出，在两个平面上速度场变化基本一致，风速流向均匀。由于湿帘高度的限制，在Y=2 m处的入口速度偏高一些，受作物冠层高度影响，风速逐渐降低，在接近风机处速度再次上升，相比较而言，Y=4 m处的速度流向更为均匀。

图12 传感器节点布置层面速度场仿真图Fig.12 Simulation diagram of velocity field at sensor node layout level

4 温室内故障传感器精准检测

4.1 基于温室内部场域预测的传感器故障节点检测

温室智能化管理的首要前提就是获得准确的温室内环境数据，在试验温室中布置大量的传感器节点形成无线传感器网络完成内环境的监测。由于温室内恶劣的环境条件(高温、高湿等)，温室中节点位置的传感器极易出现故障，而传感器位置布置较为复杂，往往不能够及时地对故障传感器进行排查诊断，容易造成一定的作物损耗和能量浪费，所以需要一种简易方便、适用性强的方法对温室故障传感器进行筛查。

目前，故障传感器诊断大致可分为基于解析模型的方法、基于信号处理的方法和基于知识的方法，本文所利用的是一种基于模型的方法[3]。利用已经建立好的温室模型，当环境处于稳定状态下，对传感器节点位置根据室外实际参数条件，对温室内部流场进行分析，结合传感器的实际读数，找出传感器节点的异常位置。

作物生长需要一个较为稳定的周边环境，相比较自然条件，温室更能满足作物生长的环境需要。对于处在一定生长期的作物，温室所提供的环境往往是变化不大的，此时温室的内流场也处于一个较为稳定的状态，可以通过已经构建好的温室模型，根据环境实际参数条件，对温室内部场域进行分析，得到传感器节点位置的温度值与速度值[19]。根据空间相似性理论，只需获得一个传感器数据，就可以对与它相邻的传感器节点数据进行预测[20]。通过将预测的传感器数据与传感器实际读数进行比较，若实际数据处于误差范围内，就可以默认该传感器节点没有问题，若出现较大误差，就可以判断该传感器节点出现异常，需要对该节点做进一步的诊断。

4.2 基于LEBDF算法的传感器故障节点识别

现有的传感器网络故障节点检测算法大致可分基于多数投票策略、基于加权策略、基于中值策略和基于分簇4种。在传感器节点获取温室数据时，温室处于稳定状态下，温室内环境参数变化幅度很小，可以默认传感器真值在短时间内基本不变[21]。此时，温室中无线传感器网络采集的数据往往具有空间相关性，即相邻的传感器节点具有相同或相近的测量值，算法利用无线传感器网络节点数据具有空间相关性，而各个节点处的故障是无关的这一特点对无线传感器故障节点进行检测。

综合考虑温室环境条件、传感器能量消耗、算法检测的准确性和适用范围，最后选择LEBDF算法对传感器故障节点进行判断。因为在温室环境下，布置的传感器节点故障率不高，选用该方法具有较高的检测精确率和较低的误判率，不仅有很强的适应性而且节点的耗能也较低，适合对温室环境下的故障传感器进行进一步的筛选，具体方法如下。

(9)

计算节点Pi与其领域节点的差值di

di=|xi-medi|

(10)

令D={d1，d2， …，dk}，若di的值为极值点，则说明节点Pi为故障节点，节点状态由下式判断

(11)

(12)

(13)

将集合D标准化

(14)

若|yi|≥θ，则认为Pi是故障节点，此处θ≥1是一个预先设定的值。

5 结论

(1)通过对昆明地区连栋玻璃温室夏季高温环境下不同通风方式导致室内空气流场变化分布进行了数值模拟，同时利用传感器和风速仪对室内温度和速度变化进行测试。经过对比分析，建立的CFD温室模型在不同通风方式下，室内温度与速度的分布变化趋势与实际测试结果基本一致，温度平均误差值1.2 ℃，速度平均误差8%，表明建立的CFD温室模型是有效的，能够准确地模拟温室内环境分布，利用Fluent对不同通风方式下温室内部场域的变化情况是合理的。

(2)在试验中不同通风方式下，速度场均能保持一个较为稳定的状态，没有明显的速度梯度，但温度场受到太阳辐射和热浮力的影响，在顶部和壁面处均存在明显的温度梯度，为保持温度场域的均匀性，实际生产时需合理配套使用遮阳帘和换流风机，可以为温室内控制系统的运行方式提供决策。

(3)提出通过Fluent仿真，当温室内流场达到稳定状态后，得到温室内部场域的分布变化情况，对传感器节点位置的温度值和速度值做出预测，结合传感器实际读数得到节点异常位置，再利用LEBDF算法对故障节点做进一步的筛查，能够及时对传感器故障节点位置作出判断。该方法适用性强，能耗低，在温室环境下有较高的检测准确率和较低的误判率，减少因为传感器故障带来的能耗损失，为保障温室智能管理系统的稳定运行提供了准确的数据支持。