农业温室大棚智能自动化控制外文翻译资料

 2022-12-11 20:04:32

外文原文

Agricultural greenhouses greenhouse intelligent automatic control

Available online 10 February 2012

Abstract

The problem of determining the trajectories to controlgreenhouse crop growth has traditionally been solved by using constrained optimization or applying artificial intelligence techniques. The economic profit has been used as the main criterion in most research on optimization to obtain adequate climatic control setpoints for the crop growth. This paper addresses the problem of greenhouse crop growth through a hierarchical control architecture governed by a high-level multiobjective optimization approach, where the solution to this problem is to find reference trajectories for diurnal and nocturnal temperatures (climate-related setpoints) and electrical conductivity (fertirrigation-related setpoints). The objectives are to maximize profit, fruit quality, and water-use efficiency, these being currently fostered by international rules. Illustrative results selected from those obtained in an industrial greenhouse during the last eight years are shown and described.

Keywords：

Agriculture; Hierarchical systems; Process control; Optimization methods; Yield optimization

1. Introduction

Modern agriculture is nowadays subject to regulations in terms of quality and environmental impact and thus it is a field where the application of automatic control techniques has increased a lot during the last few years ( [Farkas, 2005], [King and Sigrimis, 2000], [Sigrimis et al., 2001], [Sigrimis and King, 1999] and [Van Straten et al., 2010]). The greenhouse production agrosystem is a complex of physical, chemical and biological processes, taking place simultaneously, reacting with different response times and patterns to environmental factors, and characterized by many interactions (Challa amp; van Straten, 1993), which must be controlled in order to obtain the best results for the grower. Crop growth is the most important process and is mainly influenced by surrounding environmental climatic variables (Photosynthetically Active Radiation — PAR, temperature, humidity, and CO2 concentration of the inside air), the amount of water and fertilizers supplied by irrigation, pests and diseases, and culture labors such as pruning and pesticide treatments among others. A greenhouse is ideal for crop growing since it constitutes a closed environment in which climatic and fertirrigation variables can be controlled. Climate and fertirrigation are two independent systems with different control problems and objectives. Empirically, the water and nutrient requirements of the different crop species are known and, in fact, the first automated systems were those that control these variables. On the other hand, the market price fluctuations and the environment rules to improve the water-use efficiency or reduce the fertilizer residues in the soil (such as the nitrate contents) are other aspects to be taken into account. Therefore, the optimal production process in a greenhouse agrosystem may be summarized as the problem to reaching the following objectives: an optimal crop growth (a bigger production with a better quality), reduction of the associate costs (mainly fuel, electricity, and fertilizers), reduction of residues (mainly pesticides and ions in soil), and the improvement of the water use efficiency. Many approaches have already been applied to this problem, for instance, dealing with the management of greenhouse climate in the optimal control field, e.g. Challa and van Straten (1993), Seginer and Sher (1993), Van Straten et al. (2010), Tantau (1993), or those based on artificial intelligence techniques ( [Farkas, 2003], [Herrero et al., 2008], [Martin-Clouaire et al., 1996] and [Morimoto and Hashimoto, 2000]).

The greenhouse production agrosystem has been commonly dealt with using a hierarchical control architecture ( [Challa and van Straten, 1993], Rodriacute;guez et al., 2003, [Rodriacute;guez et al., 2008] and [Tantau, 1993]), where the system is supposed to be divided into different time scales and the control system is divided into different layers to reach the optimal crop growth: a low-level layer for climate control and water and fertilizer supply (time scale of minutes), a medium-layer to control the crop growth (with a time scale of days), and a high-level layer related to market issues (time scale of months) (Rodriacute;guez et al., 2003, [Rodriacute;guez et al., 2008] and [Tantau, 1993]). However, most research on greenhouse optimal control only considers one objective in the optimization problem, mainly focused only on increasing the grower income ( [Challa and van Straten, 1993], Rodriacute;guez et al., 2003, [Rodriacute;guez et al., 2008] and [Tantau, 1993]), only minimizing the CO2 supply (van Henten amp; Bontsema, 2009), or including the thermal integral in the control decision maker (Kornera amp; Van Straten, 2008). Recently, new contributions in the optimal climate control of greenhouse crops have been published (Ioslovich, Gutman, amp; Linker, 2009) where a scheme of a seasonal optimal control policy determination based on the Hamilton–Jacobi–Bellman formalism was obtained, showing promising simulation results. On the other hand, there is only one work in literature combining more than one objective, specifically the temperature and fertilization control problems (Ioslovich amp; Seginer, 2002). However, in this work, the long-term weather predictions during the growing stage are considered constant (which can lead to a high level of uncertainty in the optimization problem). It is supposed that the temperature and nitrate profiles resulting from the optimization process are always reached (which it is not always ensured since there is a strong dependence on the current weather conditions), the water supply is not considered an objective (this being an important issue such as discussed in this paper), and only numerical examples are provided. Thu

剩余内容已隐藏，支付完成后下载完整资料

外文资料翻译译文

农业温室大棚智能自动化控制

摘要：

传统上通过使用约束优化或应用人工智能技术来解决确定控制温室作物生长的轨迹的问题。 经济利润已被用作大多数优化研究的主要标准，以获得作物生长的适当气候控制设定点。本文讨论了通过分层控制体系结构由一个高层次的多目标优化方法，要解决这个问题是要找到白天和夜间温度（气候相关的设定值）和电导率的参考轨迹管辖的温室作物生长的问题（灌溉的相关设定值）。目标是最大化利润，水果质量和用水效率，这些目前正在培育的国际规则。在过去8年来，获得在工业温室的选择说明结果显示和描述。

关键词：

农业;分层系统;过程控制;优化方法;产量优化

1.介绍

现代农业是时下在质量和环境影响方面的规定，因此，它是一个自动控制技术的应用已在过去几年增加了很多（[法卡斯，2005和Sigrimis，2000] [Sigrimis等，2001]，[Sigrimis和King，1999]和[Van Straten等,2010]）。温室生产农业系统的是一个复杂的物理，化学和生物过程，同时发生，反应不同的响应时间和环境因素的模式，特点是许多相互作用（Challa及Straten，1993年），必须以控制种植者获得最好的结果。作物生长过程是最重要的，主要是由周围环境的气候变量（光合有效辐射PAR - ，温度，湿度，和内空气中的二氧化碳浓度）的影响，水和化肥，灌溉，虫害和疾病提供的金额，如修剪和处理他人之间的农药和文化的劳动力。温室是理想的增长，因为它构成一个封闭的环境，气候和施肥变量在可控制的作物。气候和施肥是两个独立的系统不同的控制问题和目标。经验上，不同的作物品种的水分和养分的要求是已知的，事实上，自动化系统控制这些变量。另一方面，市场价格波动的影响和环境的规则，以提高水的利用效率，减少化肥残留在土壤中（如硝酸盐含量）是考虑到其他方面。因此，最优在温室农业系统的生产过程可概括为达到以下目标的问题：优化作物生长（与质量更好，更大的生产），减少成本（主要是燃料，电力，化肥）副减少残留（主要是农药和土壤中的离子），水分利用效率的提高。许多方法已经被应用到这个问题，例如，与温室气候管理中的最优控制领域，如处理（1993）challa和van Straten的Seginer和Sher（1993年），van Straten等。 （2010），Tantau（1993），或基于人工智能技术（[Farkas，2003]，[Herrero等，2008]，[Martin - Clouaire等，1996]和[Morimoto and Hashimoto，2000年] ）。

温室生产农业系统的处理采用分层控制结构（[Challa 和van Straten]的，1993年，Rodriguez等人，2003年，Rodriacute;guez等人，2008年已被普遍]和[1993]）Tantau，该系统应该被划分成不同的时间尺度和控制系统被划分成不同的层次，以达到最佳作物生长的气候控制和水和肥料供应低级层（分钟时间尺度），中等层控制作物生长（用了两天的时间尺度），和一个高层次的层相关的市场问题（几个月时间尺度）（2008年Rodriguez等人，2003年，Rodriacute;guez等,]和[Tantau，1993年的]）。然而，大多数温室最优控制的研究只考虑一个目标，在优化问题，主要是只增加种植者的收入（[Challa和Van Straten的，1993年，Rodriguez等人，2003，Rodriguez等人，2008年集中[1993]），Tantau，只有最大限度地减少二氧化碳的供应量（Van Henten及Bontsema的，2009年），或包括在控制决策者“（Kornera范Straten，2008年）的热的积分。最近已作出新的贡献，在温室作物的最佳气候控制（Ioslovich，古特曼，及连接器，2009年）计划获得一个季节性的最优控制策略基础上的Hamilton-Jacobi-贝尔曼形式主义的决心，显示出有前途的模拟结果。另一方面，只有一个一个以上的目标，特别是控制温度和施肥问题（Ioslovich Seginer，2002年）相结合的文学作品。然而，在这项工作中，被认为是在成长阶段的长期天气预测不变（这可能会导致高层次的优化问题的不确定性）。它应该从优化过程中所产生的温度和硝酸型材总是达成（它并不总是保证，因为对当前的天气条件下是有很强的依赖性），供水不考虑客观（这是一个重要的发出如本文所讨论的），只提供了数值例子。因此，有没有成文的贡献相结合的主要目标（利润最大化，水果作物的品质，水分利用效率）在相同的优化问题，另一方面，他们大多是基于仿真结果或短的时间实验。因此，本文提出了一种新的方法，结合不同的目标，温室作物优化问题，采用多目标（MO）的嵌入式技术在分层控制方案。这个层次的计划是由不同层次的短期和长期天气预报工具被用来改善优化过程的预测，温室气候模拟器也包括在内，以确保将达到设定值型材在温室的本地控制器。此外，这种方法已被证实在工业温室番茄作物的最后8年期间。该方法适用于在欧洲南部，在温室生产无CO2浓缩和优质的产品的需求与日俱增的暖冬气候条件。提出的一个著名的番茄作物模型的修改后的版本，这是用来与温室作物生产动态过程中的决策变量。最后，请注意，从一个角度考虑，该框架已在模块化和层次化的方式设计方法，它是直接使用这种方法，其他园艺作物，其他纬度地区，以及包括其他型号或目标函数优化过程（例如，包括额外的变量相关的生长作物，如二氧化碳，或考虑相关的节能和/或植物病害防治的目标）。

本文组织如下：第二节介绍了配方基于MO优化方法的问题。在第3节所述建议的层次结构。第4节显示了有代表性的成果，获得了一个真正的温室和总结发言结论。

2.莫优化作物生产

找到一个决策变量满足约束和优化向量，其元素代表（布拉斯科，雷罗，桑切斯和马丁内斯，2007年）目标函数的载体，可以被定义为一个莫优化问题。竞争措施或目标性能特点的问题被认为是作为MO优化问题，其中n目标姬（P）中的变量的向量Pisin;P的同时最小化（或最大化）（刘，杨，Whidborne，2003）（1）令人满意的米不等式约束，和J平等的限制

问题往往没有最佳的解决方案，同时优化所有目标，但它有一个称为帕累托最优集（刘等，2003），其中一个妥协的解决方案，可以选择从欠佳或不占主导地位的替代解决方案的一个决策过程。在温室作物的管理，可以制定不同的标准，如物理产量，作物品质，产品质量，生产过程中的时间，或生产成本和风险。这些标准往往会引起争议的气候和fertirrigation要求，有或明或暗地要解决所谓的战术水平，种植者有几个相互冲突的目标，使决定。解决这个莫优化过程中，Pisin;P，，是目前和未来的最佳日间和夜间温度的参考轨迹，XTA，电导率，XEC，其余的作物周期。也就是说，那里是一个矢量沿着优化间隔内的空气温度，是沿着优化区间的电导率（EC）的载体。请注意，植物生长的PAR辐射（周日条件）的影响下，进行光合作用的过程。此外，通过光合作用，温度影响食糖生产的速度，从而辐射和温度平衡的方式，较高的辐射水平相当于一个较高的温度。所以，昼夜条件下是必要的温度保持在一个较高的水平。在夜间条件下，植物是不活跃（作物不长），所以它是没有必要维持这么高的温度。出于这个原因，两个温度设定值通常被认为是：白天和夜间（罗德里格斯等人，2008）。有必要强调，虽然在连续时间的工艺优化，解决了在离散的时间间隔为优化地平线，NF（K）（这个地平线是可变的，代表直到农业赛季结束时的剩余时间间隔） 。因此，解决载体和获得，其中k是当前的离散时刻。

请注意，建议的优化问题，温室作物生产模型以估计通过不同的算法步骤内气候的行为和作物生长，并涉及不同的功能目标的决策变量是必需的。温室内小气候的动态行为是一种物理过程的组合，涉及能量转移（辐射热）和质量平衡（水汽通量和CO2浓度）。另一方面，作物生长和产量的主要依靠，在其他条件，如灌溉和肥料，在温室内的温度，辐射的PAR，二氧化碳的浓度。因此，无论是气候条件和作物生长的相互影响，其动态行为，可以通过不同的时间尺度特征。因此，在作物生长对环境的响应可以由两个动态模型描述，代表他们的动态相关的时间尺度，可以通过（法卡斯，2005]，[拉米雷斯，阿里亚斯表示由两个微分方程系统等人，2004年，罗德里格斯和Berenguel，2002年和罗德里格斯等人。，2002）

XCL = XCL（t）是一个温室气候状态变量（主要是里面的空气温度和湿度，二氧化碳浓度，票面辐射，地表温度，盖温度，车间温度）N1-维向量，XGR = XGR（T ）N2作物生长状态变量维向量或叶子表面的土壤面积，总代表所有的植物成分，根，茎的干物质（主要节点上主要的茎，叶面积指数（LAI），叶，花和水果不含水，果实干物质不含水的水果量，成熟的果实干物质或成熟的果实干物质积累），U = U（t）是输入变量的m维矢量（自然在这项工作中的通风口和加热系统），D = D（T）是O-维向量干扰（外界温度和湿度，风速和风向，外辐射和雨水），V =（T）是一个Q系统变量的向量维（蒸腾，凝结，和其他进程），C是一个系统常数R-维向量，t为时间，XCL，我和XGR，我是在最初的时间Ti已知的状态，整箱整箱（T）是一个非线性函数，基于质量和传热结余，FGR = FGR（T）是一种非线性的功能的基础上的植物基本生理过程。

为地中海地区，已经开发使用的物理定律的线性和非线性模型。深解释这些模型中可以找到拉米雷斯 - 阿里亚斯bull;罗德里格斯Berenguel，费尔南德斯（2004）（水模型），拉米雷斯阿里亚斯等。 （2004年）（生长模型），罗德里格斯等人。 （2002）（气候模型），Rodriguez和Berenguel（2002）（型号齐全）。这些模型过于复杂，在这里要详细，但主要的增长模型方程，将在以下各节描述问题的目标和最终MO优化问题的解释。这些方程将用来显示不同的目标作为决策变量的优化问题（目前和未来的温度和欧共体设定值）的函数（成本函数）表示。2.1从新鲜水果的销售收入的区别和关联到他们的生产成本计算利润。

（2）VPR（t）是产量估计从市场销售价格，XFFP（t）是从作物生长模型（如2.1.1节所述）获得的新鲜水果生产，压控振荡器（T）所产生的费用由供热，电力，化肥，水（从市场和模型的估计和测量装置 - 见2.1.2节），t是时间，TI是作物周期的起始时间，th是最新的收获时间，种植者选择。请注意，在实践中，番茄作物在生长季节多收获。出于这个原因，次代表最新式的收获时间。 （4）另一种方法是考虑未来的收获时间（TN）在成本函数和优化过程中重新启动，再一次收获前已经产生。两种选择是有效的多重收获。收入取决于对番茄果实的价格（$ KG-1，euro;公斤-1），收获日期，并在每面单位产量鲜重（M-2公斤）。价格政策需要市场模型或历史数据，这是一个非常困难的预测问题。下面的小节描述的新鲜水果生产，XFFP（T），过程中的成本如何，压控振荡器（T），可估计和决策变量有关。

2.1.1新鲜的水果生产

作为第一个近似的新鲜水果生产，XFFP，可估计的线性关系，XFFP≃F1（WM）= CfMWM，成熟的果实干重与不同的价值观，为春季和秋季（请注意，时间依赖性被删除空间的原因，在这一节），CFM是新鲜和干物质之间的转换因子，西医是成熟的果实干重。这个函数假设，作物生长在最佳条件下，发展质量好足够的水。不过，也有一些地区，如地中海的水质量差或缺乏水可以提供给植物非最佳营养解散。因此，必须是新鲜的水果生产的计算电导率的影响调制，F2，温室空气中的水汽压亏缺（XEC），F3（VPD）的，和作物蒸腾，F4（ET），在以下列方式

（3）XFFP = F1（WM），F2（XEC）F3（VPD），F4（ET），

F2（XEC）（Magaacute;n，莫雷诺MECA，Caacute;novas的的2004年）（6）

关于功能F3（VPD），（Doorenbos卡萨姆，1979年）和F4（ET）（穆赫兰，Fusell，埃德蒙森，Basahm，麦基，2001年），变量的VPD（T）和ET（T），可估计的基础上湿度和太阳辐射。因此，这些功能可以被视为其未来的价值，以及用于预测地平线，将估计基础上的短期天气预报，包括在分层控制体系结构（见3.1节）的干扰。

为F4中西医估计中，Tomgro模型已被用于（琼斯，1991]和[琼斯等人，1999]）。这种模式已被修改原始模型（原始模型没有考虑器官的老化，也不如叶（梅子）或水果（收获）植物材料的处置的弊端，作者不执行分区之间的植物不同器官的总干物质），包括额外的变数，如水果干和鲜重（拉米雷斯 - 阿里亚斯等人，2004年）。因此，西医的计算公式为（7）

FD开始的速度发展，对每天的温度（℃）和WF的果实干重，获得如下成果（8）其中，GR（XTA）的净地上增长率（根据光合作用和呼吸作用过程）（拉米雷斯 - 阿里亚斯等，2004），alpha;F是最大的分配系数的新的增长点，以水果，FF是修改分区的功能水果与日平均气温，是营养生长和开花结果之间的过渡系数mu;，N是节点的数量，NFF的是单株节点的数量时，出现的第一个成果，FR是根据水果的分布函数修改在昼夜作业（）的平均温度。可估计为节点，N（9）

其中牛是一个经验系数，表明节点出镜率和FN的温度是一个分段线性函数（拉米雷斯 - 阿里亚斯等，2004）。

2.1.2成本估算

成本，压控振荡器（T），通常包括加热（燃料成本），电力，化肥，水。估计这些成本可以通过以下方式： 其中Hhea（T）是供热系统的油耗，EEE（T）是供热系统所消耗的电能，偏西（T）是供水（见式（12）），FSF（T）提供的化肥，Vfcos（T），Vecos（T），Vwcos（T），Vfcos（t）为燃料，电力，水和肥料的成本，分别。由于上述评论的，成本可估计从市场的的消耗fungibles从能量和质量的稳定状态和测量装置结余估计。请注意，通风系统的电力消耗是微不足道的。估计

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[27429]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章