信息物理系统（cyber-physical system）时空建模方法及 在温室控制中的应用
<p>第 31 卷 第 15 期 农 业 工 程 学 报 Vol.31 No.15 2015 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug. 2015 183 信息物理系统（cyber-physical system ）时空建模方法及 在温室控制中的应用王浩云，刘佼佼，侯思宇，任守纲，徐焕良（南京农业大学信息科技学院，南京 210095） 摘 要： 传统农业采用人工方式对温室进行控制，但是随着现代农业的快速发展，这种人工投入大、精度低的控制方式已不能满足现代农业需要。该文基于分层有限状态机和事件晶格的概念，建立 3 层的信息物理系统模型，并提出一种基于分层有限状态机的信息物理系统时空建模方法，同时利用该建模方法开发了新的温室控制系统。该系统能够将物理层传感器感知到的温室物理环境数据通过物理-信息层汇聚节点融合后上报信息层决策节点得到决策信息，物理 信息层控制节点分析决策信息得到控制信息后下传物理层执行器进行控制。由于该系统模型考虑了各层状态机中事件的时空属性，能够将温室控制的正确率由传统基于物联网的温室控制方法的 80.20%提高到 87.20%，错误肯定率和错误否定率由 7.50%和 12.30%下降到 3.60%和 9.20%，保障温室环境满足作物生长对温度、湿度和光照的要求。 关键词：温室；智能控制；温度；湿度；太阳辐射；信息物理系统；事件晶格；分层有限状态机 doi：10.11975/j.issn.1002-6819.2015.15.025 中图分类号：TP393；S126 文献标志码：A 文章编号：1002-6819(2015)-15-0183-08 王浩云，刘佼佼，侯思宇，任守纲，徐焕良. 信息物理系统(cyber-physical system) 时空建模方法及在温室控制中的应用J. 农业工程学报，2015，31(15)：183190. doi ：10.11975/j.issn.1002-6819.2015.15.025 http:/www.tcsae.org Wang Haoyun, Liu Jiaojiao, Hou Siyu, Ren Shougang, Xu Huanliang. Cyber physical system spatio-temporal modeling method and its application in greenhouse controlJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(15): 183 190. (in Chinese with English abstract) doi ： 10.11975/j.issn.1002-6819.2015.15.025 http:/www.tcsae.org 0 引 言传统温室受到经济和科学技术水平限制普遍采用人工控制方式，需要投入大量的人工成本，且控制精度较低，最终会影响农作物的产量和质量，造成严重的经济损失。近年来，现代农业飞速发展，智能温室控制系统的概念被提出。智能温室控制系统使用配套设施和设备对温室内环境进行科学合理地自动化高精度调节，可以保证温室内作物的生长。 目前国内外温室控制系统主要有以下几种类型1： 1）基于单片机的控制系统：它使用传感器完成各环境因子的采集和变换工作，并将信号送入到单片机中，单片机将设定值与当前值进行比较，最后根据判断的结果来调节智能温室环境2。由于单片机的运算功能有限，该类控制系统只能对温室环境数据进行简单的处理，无法给出复杂的控制策略。 2）分布式智能计算机控制系统：它采收稿日期：2015-01-28 修订日期：2015-07-10 基金项目：江苏省农业“三新”工程项目（SXGC2013372， SXGC2014309）；中央高校基本科研业务费专项资金资助项目（KYZ201421 ） ；江苏省 2015年度普通高校研究生实践创新计划项目（SJLX15_0269 ） 作者简介：王浩云，男，安徽马鞍山人，博士，副教授，主要从事农业物联网和温室智能控制研究。南京 南京农业大学信息科技学院，210095。 Email：wanghynjau.edu.cn 通信作者：徐焕良，男，江苏盐城人，教授，博士生导师，主要从事农业物联网关键技术研究。南京 南京农业大学，210095。 Email：huanliangxunjau.edu.cn 。 用农业温室专家系统和多任务操作系统，实时地对温室环境因子进行监控和智能化的决策和调节3。 该类控制系统能够利用分布式计算机系统进行复杂的温室环境数据处理和智能控制，但成本较高。 3）基于单总线技术的控制系统：它采用了上位机+ 下位机的单总线技术控制模式，使用点对点通讯方式，下位机的所有信息必须全部的传到上位机中，再通过上位机发出控制命令给各执行机构4。 4）基于无线技术的温室控制系统：它主要由网络服务器、管理工作站和若干工作站组成，采用了客户机 /服务器的工作模式，使用无线网技术实现了对温室环境的实时控制5。该类系统较单总线系统部署更为灵活。5）基于编程控制器的温室控制系统：它主要由环境因子信息采集系统、下位机（编程控制器）、上位机（计算机）和输出执行机构所构成6。该类系统将远程控制和现场实施控制相结合，控制的实时性更好。上述 5 类温室控制系统基本实现了温室的自动控制，但由于系统未考虑感知信息和控制信息的时空属性，使得控制较为滞后，精度较低，能耗较高。 本文利用信息物理系统（cyber-physical system ， CPS）架构实现了对温室的智能控制。信息物理系统是在物联网技术的基础上通过 3C 技术（ computation ，communication， control）将物理对象、计算单元以及通讯网络进行高度集成，使得信息空间与物理世界可以互联互通7-8，并且它对数据的实时性有着严格要求，可以对时间和空间信息进行联合处理，灵活度高，因此可以很好农业工程学报（http:/www.tcsae.org ） 2015 年 184 地适应温室监控系统。本文借鉴事件晶格和分层有限状态机（hierarchical finite state machine ， HFSM）的概念，建立3 层的信息物理系统模型，并提出一种基于 HFSM 的 CPS时空建模方法，同时利用该建模方法开发了新的温室控制系统。该系统模型考虑了各层状态机中事件的时空属性，有效地提高了温室事件检测控制的正确率，保障温室环境满足作物生长对温度、湿度和光照的要求。 1 CPS 层次模型 Tan.Y 在文献 910中对 CPS 事件属性、事件发生的时间、地点进行建模，并将这种方法称为事件晶格。文中将 CPS 时空事件定义为,id id idtlV 的形式，其中 id代表事件；idt代表事件发生的时间；idl代表事件发生的地点；idV代表事件属性集。但上述研究中对 CPS 系统建模形式较为复杂，且没有考虑对 CPS 反馈控制过程的建模。传统的有限状态机用来描述系统中状态的转移，以及它们之间的转移关系11，而 HFSM 可把复杂的控制系统进行逐层分割 如果几种控制功能具有同样的控制对象，并使控制对象产生相似的动作行为，那么就把它定义为同层的有限状态机。 借鉴事件晶格和 HFSM 的概念，本文提出 3 层结构的CPS 模型：物理层、物理- 信息层以及信息层。 1）物理层：物理层中传感器微粒上面分布着若干传感器，利用传感器收集物理环境信息，利用执行器改变物理环境12； 2）物理- 信息层：物理- 信息层中汇聚节点 Sink 主要对不同传感器微粒上传的事件进行融合，控制节点对信息层产生的信息事件进行分析，得出控制事件后分配特定的执行器去执行控制事件13； 3）信息层：信息层中的决策节点收集不同汇聚节点传来的事件，并且将其汇总生成信息事件，然后再将其传给相应的控制节点1415。 本文所提的 CPS 3 层模型如图 1 所示。 注： sr代表传感器事件； phy代表物理事件； phy-cyb代表物理- 信息事件； cyb代表信息事件； con代表控制事件； HFSMphy是物理层状态机； HFSMphy-cyb和 HFSMcon是物理- 信息事件状态机；HFSMcyb是信息层的状态机。 Note: sris sensor event; phyis physical event; phy-cybis physical-cyber event; cybis cyber event; conis control event; HFSMphyis physical layers hierarchical finite state machine; HFSMphy-cyband HFSMcon are physical-cyber layers hierarchical finite state machines; HFSMcyb is cyber layers hierarchical finite state machine. 图 1 信息物理系统 3 层模型 Fig.1 Three-layer model of cyber-physical system 2 CPS 事件模型 CPS 三层模型中的事件流可分为信息汇聚流和决策控制流。信息汇聚流是指从下层收集事件并进行处理和融合，再将处理后的结果以事件的形式传递给上层；决策控制流则是指顶层形成的信息事件传给下层，最后指导底层去改变物理环境1617。本文将提出基于 HFSM 的CPS 时空建模方法，从信息汇聚流和决策控制流的方向对事件流中各层事件的定义，并且描述 HFSM 对分层事件的处理方式。 2.1 信息汇聚流 2.1.1 物理层 1）sr和 phy定义 定义传感器事件： (Type )( , )( , , )srsrididsrsrPMTSRtlV = （ 1） 式中：Vsr是传感器上的多维属性集12(, ,., )nsrsr sr sr srV ；nsr是传感器微粒上传感器的数目； (,)isrsriNin+0.5，可认为它是超时事件而不对其进行汇聚，直接丢弃该事件。传感器微粒 1 和传感器微粒 2 汇聚得到的 2 个物理事件被上传给汇聚节点 1。汇聚节点 1 的本地时间是 1.1，由于它们的延时均小于 tdelay，而且传感器微粒 1 和传感器微粒 2 都由汇聚节点 1 负责管理，因此 2 个物理事件可 以进一步汇聚。汇聚后得到的物理 - 信息事件为PC(3)(SK1)(1.1,GHouse1,(1,1,1)。之后汇聚节点 1 将数据发送给决策节点，此时决策节点的时间是 1.2，显然物理-信息事件的延时小于 tdelay，可以将其转换为信息事件。转换后的信息事件为 C(4)(DC)(1.1, GHouse1,(1,1,1)。决策节点将信息事件发出，控制节点 1 接收到信息事件后，发现自己的位置在信息事件的坐标范围内，则将这个事件接收下来，其余控制器节点将丢弃该事件。本试验场景中用 1 表示环境参数低于阈值， 0 表示大于等于阈值；控制决策中用 1 表示打开执行器， 0 表示不打开执行器。控制器节点处属性集和控制目标的对应关系分别为：(0,0,0) (0,0,0), (0,0,1) (0,0,1), (0,1,0) (0,1,0), (0,1,1) (0,1,1), (1,0,0) (1,0,0), (1,0,1) (1,0,1), (1,1,0) (1,1,0), (1,1,1) (1,1,1)。因此，控制节点 1 得到的控制事件为 Con(5)(Con1)(1.1,GHouse1,(1,1,1)。控制节点 1 将控制事件发送到物理层。加热器、加湿器和遮阳帘收到这个控制事件后，分别开始打开加热器、加湿器和将遮阳帘拉开。3.2 试验分析 本试验将以 2014 年 7 月 1 日苏州御亭农业产业园中的 3 连栋大棚为试验环境，利用美国 SPECTRUM 公司的自动气象站 Watchdog2900ET 对温室内外的温度、 湿度和太阳辐射进行测量，结果数据如表 1 所示。 3 个连栋大棚的阈值如表 2 所示，当外界环境参数低于阈值的时候，需要打开相应的执行器。传感器有 10%的误差，系统每隔 2 min 进行一次测量。本文将分别针对允许的延时时间、节点数目进行测试。同时还将用不考虑时间属性的传统基于物联网的温室控制方法与本文提出的方法进行对比试验。每组试验进行 5 次，共收集 180 个数据点，平均每次试验共收到 2 000 个控制事件。 表 1 夏季室外环境参数 Table 1 Summer environmental parameters 时间 Time 温度 Temperature/ 湿度 Humidity/% 太阳辐射Solar radiation/(W·m-2) 时间 Time 温度 Temperature/湿度 Humidity/%太阳辐射Solar radiation/(W·m-2)时间Time温度 Temperature/ 湿度 Humidity/%太阳辐射Solar radiation/(W·m-2)08:00 33.50 53.00 157.2758 11:00 39.00 35.50 546.819 14:00 40.00 34.00 650.064508:15 34.20 50.75 235.2857 11:15 38.75 35.00 585.6954 14:15 41.50 34.00 597.627608:30 35.00 48.5 312.3683 11:30 39.25 34.50 655.8004 14:30 42.50 30.00 560.898908:45 35.75 46.25 342.2399 11:45 40.25 34.00 525.7875 14:45 43.00 29.50 470.340809:00 36.20 44.00 262.5751 12:00 40.00 34.50 582.5088 15:00 42.25 31.00 360.722109:15 36.50 42.00 262.5751 12:15 40.50 34.00 335.8667 15:15 38.00 32.50 346.28509:30 37.00 41.50 216.8061 12:30 38.75 35.50 513.0411 15:30 35.00 34.00 331.847909:45 37.25 40.50 295.0783 12:45 40.75 32.50 677.6792 15:45 35.00 35.50 317.410810:00 38.00 39.50 379.2633 13:00 41.00 30.00 671.7333 16:00 31.00 37.00 302.973710:15 38.50 37.00 453.7705 13:15 42.75 31.50 658.987 16:15 29.00 38.50 288.536610:30 38.50 36.50 478.0476 13:30 43.25 32.00 672.3707 16:30 28.00 40.00 274.099510:45 39.25 37.75 503.5403 13:45 43.00 32.50 681.6946 16:45 25.00 41.50 259.6624注：试验日期 2014-07-01。 Note: Experimental date is July 1, 2014. 表 2 温室阈值 Table 2 Greenhouse threshold 温室 Greenhouse 温度阈值 Temperature threshold/ 湿度阈值 Humidity threshold/% 太阳辐射阈值 Solar radiation threshold/(W·m-2) 温 室 1 37.00 37.00 433.00温室 2 36.70 36.80 432.30温室 3 37.30 37.30 433.70本试验将验证算法中各参数对算法性能的影响，其中：正确事件是指在需要打开执行器时正确地打开了，或在不需要打执行器时没有打开执行器；错误肯定事件是指在不需要打开执行器的情况下，错误地将其打开了；错误否定事件是指在需要打开执行器时却没有打开19。 农业工程学报（http:/www.tcsae.org ） 2015 年 188 3.2.1 延时试验 本试验主要为了验证节点允许的最大延时对算法性能影响。事件平均传递速度在 1 到 3 min 内，节点允许的延时从 0 到 5 min 逐渐增加，节点部署如图 2 所示。不同延时下的正确率、错误肯定率和错误否定率如表 3 所示。 表 3 延时试验 Table 3 Time delay experiment 延时 Time delay/min 正确率 Accuracy/% 错误肯定率 False positive/% 错误否定率 False negative/% 0 51.50 48.50 0 1 60.00 38.60 1.40 2 86.20 4.50 9.30 3 87.20 3.40 9.40 4 86.70 3.80 9.50 5 85.80 3.90 10.30 从表 3 中可以看出，随着节点允许的最大时延从 0到 3 min 不断增加，正确率逐渐增加，这是因为随着允许的时延不断增加，可以正常到达的事件在增加，之后又开始减少，这是由于有部分超时事件被接收，导致错误操作。而错误肯定率逐步下降是由于接收到的超时事件在不断增加，因此原本不需要打开的执行器被错误地打开。错误否定率逐步上升是由于到达执行器的事件逐渐减少，导致原本应该打开的执行器不能正常打开。 3.2.2 节点数试验 本次试验主要为了验证节点数目对算法性能影响。节点允许的延时为 2 min、 平均传递时间在 1 到 3 min 内。一组传感器节点包括一个温度传感器、一个湿度传感器、一个光照传感器。本次试验共进行 4 次，节点组数分别有 3 组（温室 1、温室 2、温室 3 各有 1 组）、 4 组（温室 1 有 2 组，温室 2、温室 3 各有 1 组）、 5 组（温室 1、温室 2 各有 2 个，温室 3 有 1 组）、 6 组（温室 1、温室2、温室 3 各有 2 组）。试验结果如表 4 所示。 表 4 节点数试验 Table 4 Number of nodes experiment 节点组数 Number of nodes 正确率 Accuracy/% 错误肯定率 False positive/% 错误否定率 False negative/% 3 86.20 4.50 9.30 4 89.80 3.80 6.40 5 83.50 3.90 12.60 6 79.90 4.00 16.10 在试验中，传感器有 10%的精度误差，这个误差可能会导致事件检测错误，而多组传感器可以降低因传感器误差而导致的错误事件检测问题。由表 4 可以看出，当节点的的数目从 3 组增加到 4 组的时候，正确率上升，但是当节点数继续增加时候，正确率却在下降，这是由于决策节点需要处理的事件在增加，因此处理时间变长，导致超时事件增加，影响了正确率，同时决策节点的超负荷运转，也会导致其能耗加大，过早衰竭。由此可以看出，在实际应用中需要正确地控制节点的数目，不可认为节点数越多，精度就一定会越高。3.2.3 对比试验 本文将信息物理系统模型融入到温室控制系统中，并且充分考虑了事件的时间属性，过滤了部分超时事件，提高了精度。而目前基于物联网的温室控制系统20缺乏对事件时间属性的考虑。因此本文将设计试验，对比分析基于信息物理系统的温室控制和基于物联网的温室控制方法的性能。试验中，本文提出的方法允许的延时为2 min， 2 种方法的平均传递时间在 1 到 3 min 内。节点部署如图 2 所示。试验结果如表 5 所示。 表 5 温室控制方法对比试验 Table 5 Contrast test of greenhouse control methods 温室控制方法Greenhouse control method 正确率Accuracy/% 错误肯定率 False positive/% 错误否定率 False negative/% 信息物理系统 Cyber-physical systems87.20 3.60 9.20 传统物联网 Traditional Internet of Things 80.20 7.50 12.30 由表 5 可以看出，由于忽略掉了延时判断，传统基于物联网的温室控制系统中的执行器收到的超时报文数目在增加，会导致错误地打开执行器，因此控制正确率在递减，错误肯定率和错误否定率在逐渐增加。所以加入了延时判断之后，基于信息物理系统的温室控制可以过滤掉大部分的超时事件，避免了错误操作，提高了正确率，也避免了由于不当操作而导致的能源浪费，延长了节点的寿命。 4 结 论 1）基于分层有限状态机和事件晶格的概念，建立3 层的信息物理系统模型，提出一种基于分层有限状态机的信息物理系统时空建模方法，并利用该建模方法开发了新的温室控制系统。由于考虑了各层状态机中事件的时空属性，有效地提高了温室事件检测控制的正确率，保障温室环境满足作物生长对温度、湿度和光照的要求。 2）方法中节点允许的时延、节点的数目都会影响算法的性能，同时也可以看出加入延时判断的方法由于考虑到了由于网络或者节点故障而导致的丢包和报文阻塞，因此正确率较高。实际应用中，合理设置节点允许的时延、最大传递时间和节点的数目，可以保证检测控制精度，避免能源浪费，提高系统性能。 参 考 文 献 1 覃贵礼. 智能温室控制系统的研究与开发D. 南宁：广西大学，2012. Qin Guili. The Research and Development of Intelligence Greenhouse Control SystemD. Nanning: Guangxi University, 2012. (in Chinese with English abstract) 第 15 期 王浩云等：信息物理系统（cyber-physical system ）时空建模方法及在温室控制中的应用 189 2 陈教料，严海. 基于 STC89C58 单片机的温室控制系统设计J. 农机化研究，2009，31(11)：140144. Chen Jiaoliao, Yan Hai. Design of greenhouse control system based on STC89C58 MCUJ. Journal of Agricultural Mechanization Research, 2009, 31(11): 140 144. (in Chinese with English abstract) 3 傅仕杰. 基于 STM32 的分布式智能温室控制系统D. 太原：太原理工大学，2011. Fu Shijie. STM32-based Distributed Intelligent Greenhouse Control SystemD. Taiyuan: Taiyuan University of Technology, 2011. (in Chinese with English abstract) 4 李泉华. 基于 CAN 总线的温室控制系统研究D. 青岛：青岛科技大学，2009. Li Quanhua. The Study of Greenhouse Environment Control System based on Can BusD. Qingdao: Qingtao University of Science intelligent control; temperature; humidity; solar radiation; cyber-physical system; event lattice; hierarchical finite state machine</p>
个人主页