基于WSN的温室温度分布式事件触发控制系统研究

李富强+郑宝周+豆根生+林爱英

摘 要： 在温室温度控制系统中，针对无线传感器网络的通信带宽及节点资源受限问题，提出分布式事件触发控制方案。在分布式事件触发机制下，各传感器节点基于自身信息，仅在系统有控制需求时发送状态采样值，有效地节约了系统资源。因为算法简单且能改善早熟收敛问题，采用基于混沌变异的粒子群算法计算最优控制量，仿真表明，分布式事件触发机制下节点数据发送率大大降低，系统仍能达到满意的控制效果。

关键词： 无线传感器网络； 分布式事件触发； 粒子群； 混沌变异

中图分类号： TN876.3?34； TP273.5 文献标识码： A 文章编号： 1004?373X（2015）15?0015?03

Research on distributed event?triggered control system based on

WSN for greenhouse temperature

LI Fuqiang1，2， ZHENG Baozhou1， DOU Gensheng1， LIN Aiying1

（1. College of Sciences， Henan Agricultural University， Zhengzhou 450002， China；

2. School of Mechatronic Engineering and Automation， Shanghai University， Shanghai 200072， China）

Abstract： In greenhouse temperature control system， since communication bandwidth and node resources in wireless sensor network （WSN） are constrained， a distributed event?triggered control scheme is proposed. In the scheme， each sensor node in combination with its own information transmits state sampling values only when system has control requirements， which saves system resources effectively. Particle swarm optimization （PSO） based on chaos variation was adopted to calculate optimum control quantity， which is simple and can improve premature convergence. Simulation results show that data transmission rate of sensor nodes is reduced greatly under distributed event?triggered control mechanism， but system still achieves satisfied control effect.

Keywords： wireless sensor network； distributed event?triggered； particle swarm； chaos variation

0 引 言

近年来，现代化温室发展迅速，其面积已超过350万公顷[1]。温室作物生产与大田作物生产的最大区别是温室中的小气候环境可以根据作物生长的需要进行实时控制。据统计，目前现代化温室的生产运行成本有50%用于环境调控，导致成本过髙。解决这一问题的关键技术之一是高效的温室环境调控，而温度控制是环境控制的重要组成部分。

目前，在温室温度控制系统方面已有很多研究，如：盛平等构建了基于ZigBee与3G技术的温室远程测控系统[2]，并采用改进的Smith算法构建专家系统进行温室环境精准调控。张荣标等针对无线传感网络节点温室环境中温湿度的强耦合特性[3]，提出了一种基于动态矩阵控制算法的自适应解耦方法。齐凯等建立了受控的自回归积分滑动平均模型[4]，并将预测控制算法引入温室温度环境控制系统中。张军等利用灰色补偿控制算法[5]，对温室温度控制系统中的不确定成分及干扰进行了预测，克服了常规控制算法控制效果对被控对象模型精确度及干扰精确量测的依赖。李永博等建立了基于CFD模型的温室温度多指标优化闭环控制系统[6]，并采用GA优化算法，通过循环迭代构建了温度系统的闭环形式，使得系统在多指标条件下达到最优。刘渊等设计了一种基于物联网的连栋蔬菜温棚环境监控系统[7]，并结合专家系统进行反馈调控。

以上研究的共同特点是控制系统采用时间触发模式，传感器周期采样并发送采样值，控制器周期更新控制率。当温室温度值波动不大时，时间触发模式将造成不必要的节点资源和网络带宽浪费。为了延长节点寿命并高效利用网络带宽，本文引入了分布式事件触发机制，传感器节点基于自身信息，仅在有控制需求时发送采样值，控制器仅在收到新采样信息时更新控制率。考虑到节点资源有限，选用算法简单且搜索效率高的改进粒子群算法进行控制率更新。

1 分布式事件触发控制系统

基于事件触发机制的温度网络控制系统如图1所示。首先，传感器节点周期采样温度值，事件触发器判断触发条件，若满足触发条件，则通过无线传感器网络发送当前采样值至执行器节点；否则，丢弃当前采样值，不进行发送。当执行器节点接收到新的采样信息时，内嵌的控制器立即更新控制率，并通过零阶保持器发送至执行器，执行器输出更新后作用于对象上。

图1 基于事件触发的温度网络控制系统

对象连续时间动态模型为：

[xt=Axt+But] （1）

式中：[xt，ut=fxt]分别是状态向量及控制向量；[A∈Rns×ns， B∈Rns×na]，[ns]和[na]分别为传感器节点及执行器节点数目。

设传感器采样周期为[T，]采样时间序列为[Ss=][T，2T，3T，…，ksT，…，ks∈N]。若触发条件满足则发送当前采样值，触发时间序列[7]记为[St=t1，t2，t3，…，tk，…]，显然[St?Ss。]

为了保证闭环控制系统输入状态稳定，选择触发条件为[8]：

[eTtΩet>σxTtΩxt， t∈tk，tk+1] （2）

式中：[0<σ<1]为阈值系数；[Ω]为正定对称矩阵。误差向量为：

[et=xtk-xt， t∈tk，tk+1] （3）

则对象模型（1）中的控制量可以表示为：

[ut=fxtk=fxt+et， t∈tk，tk+1] （4）

若要判断触发条件（2），需要每个传感器与其他传感器周期通信以获取全局状态信息，这将造成不必要的节点能量及通信带宽浪费。为了使传感器能够仅利用自身节点信息进行触发条件判断，本文采用分布式触发条件如下：

定义集合[θi i=0nsθi=0，θi∈R，]且当[Ω]为单位阵时，触发条件（2）可以描述为：

[et2>σxt2? i=1nseit2-σxit2>i=1nsθi] （5）

式中：[·] 代表欧式范数，所以，得到以下推导：

[∧i=1nseit2-σxit2>θi? et2>σxt2] （6）

由上可知，[eit2>σxit2+θi]可以作为分布式事件触发条件，则第[i]个传感器触发时刻可以表示为：

[tik+1=tik+minmTeitk+mT2>σxitk+mT2+θi] （7）

在大规模连栋温室中，系统控制目标是将不同位置的温度控制到设定值[x*=x*1，x*2，…，x*nsT]上，即寻找最优控制量使得以下控制目标函数值最小：

[min： Jt?1nsx*-xt] （8）

2 混沌变异PSO算法

PSO是1995年由Kennedy和Eberhart提出的模仿鸟群觅食行为的群智能算法。在PSO中，每个解是给定搜索空间的一个粒子，每个粒子有自己的位置和速度。在群进化过程中，每个粒子通过自己和群体经验改变速度，进而改变位置，直到粒子群收敛到最优解[9]。

粒子群的迭代公式如下：

[vid=wvid+c1r1pPbestid-pid+c2r2pGbestgd-pid] （9）

[pid=pid+vid] （10）

式中：[vid]和[pid]代表第[i]个粒子的第[d]个分量的速度和位置，[i=1，2，…，Ni，][d=1，2，…，Nd，][Ni]表示粒子群中的粒子数目，[Nd]表示搜索空间的维数；[r1]和[r2]是[0，1]区间内的随机数；[c1]和[c2]是加速因子；[pPbestid]是第[i]个粒子经历的最优位置；[pGbestgd]是粒子群经历的最优位置。

为了提高粒子群的多样性和全局寻优性能，基于混沌的遍历性、随机性和规律性，根据替换概率[P，]一定数量的粒子将被随机替换为混沌变异粒子，混沌变异粒子定义如下：

[pid=γ?cn?pGbestgd， i=1，2，…，Ni×P] （11）

式中：[γ]是常系数，用来指定映射后的搜索空间。很明显，如果[γ]取值较大，则映射搜索空间较大。混沌系统[cn]由经典的Logistic映射产生：

[cn+1=μcn1-cn ， n=0，1，2，…] （12）

式中：[cn]是[0，1]内的混沌变量；[μ]是[0，4]内取值的Logistic参数，其值常被设定为4。

3 数值仿真

为了重点说明分布式事件触发机制，以具有两个传感器和两个执行器的WSAN为例，即[ns=na=2]。混沌变异PSO参数为：[c1=c2=2]，[w=0.8]，[Ni=50]，[Nd=2]，[P=0.08]，[γ=0.8]。触发条件中，[Ω]为单位阵，阈值[σ=0.75，][θi=0]。设两个对象的初始温度值为[14 ℃ 12 ℃]，目标设定值为[16 ℃ 16 ℃]，对象动态方程为：

[xt=3.65003.65xt+8.75027.3514.22ut] （13）

以传感器节点[s1]为例，其他传感器节点类似。图2描绘了触发条件中[e1t2]和[σx1t2]的变化曲线，误差变化曲线一直保持在阈值曲线下方。在触发时刻[tk]，测量误差[e1tk=x1tk-x1tk=0]，然后[e1t]根据式（3）变化，直到下次触发又被重置为0，从而保证了[e1t2≤σx1t2]及整个系统输入状态的稳定性。

图2 触发条件变化图

定义采样值发送率为：

[ρ=发送次数Nt采样次数Ns×100%] （14）

显然，在周期触发模式中，每次采样值均需要发送，[ρ=]100%。而在事件触发模式下，触发时间信息如图3所示，横坐标描述了触发时刻，纵坐标描述了当前触发时刻与上次触发时刻之间的时间间隔，显然具有非周期触发特征。两个传感器总采样次数分别为39次，传感器[s1]触发次数为16次，发送率[ρ1=][41]%；传感器[s2]触发次数为12次，发送率[ρ2=]31%。显然，与时间触发模式比较，事件触发模式下采样值发送率显著降低。

图3 触发时间图

图4描述了两个对象的动态响应过程，0.15 s后两状态均收敛到设定值16 ℃。说明分布式事件触发模式下，虽然采样值发送率显著下降了，但闭环系统仍然能够收敛到控制目标。

图4 对象动态响应曲线

4 结 论

为了节约网络资源并延长网络寿命，同时考虑单个传感器节点难于获取全局状态信息因素，本文引入了分布式事件触发机制，仿真表明两传感器的采样值发送率分别为41%和31%，显著降低了数据发送量。因为算法简单且能改善早熟收敛问题，本文采用了基于混沌变异的PSO算法更新控制量。最后，在分布式事件触发机制下，虽然数据发送率显著降低了，但控制系统仍然能够达到设定控制目标。

参考文献

[1] 李中华，王国占，齐飞.我国设施农业发展现状及发展思路[J].中国农机化，2012（1）：7?10.

[2] 盛平，郭洋洋，李萍萍.基于ZigBee和3G技术的设施农业智能测控系统[J].农业机械学报，2012，43（12）：229?233.

[3] 张荣标，褚夫环，黄贤林，等.WSN节点温室环境试验系统的预测解耦控制[J].农业机械学报，2012，43（1）：192?196.

[4] 齐凯，陈一飞.温室温度环境的隐式广义预测自校正控制研究[J].沈阳农业大学学报，2013，44（3）：337?340.

[5] 张军，张侃谕.温室温度控制系统不确定性与干扰的灰色预测补偿算法[J].农业工程学报，2013，29（10）：225?233.

[6] 李永博，孙国祥，楼恩平，等.基于CFD模型的温室温度多指标GA优化控制[J].农业机械学报，2013，44（3）：186?191.

[7] 刘渊，王瑞智，杨泽林.基于物联网的连栋蔬菜温棚环境监测系统设计[J].农机化研究，2014（1）：121?126.

[8] MAZO M， TABUADA P. Decentralized event?triggered control over wireless sensor/actuator networks [J]. IEEE Transactions on Automatic Control， 2011， 56（10）： 2456?2461

[9] 刘爱军，杨育，李斐，等.混沌模拟退火粒子群优化算法研究及应用[J].浙江大学学报：工学版，2013，47（10）：1722?1730.