随着人工智能技术的发展,人工智能算法在实现复杂系统自适应控制上表现出独特的优势。在农业方面,国家大力发展“智慧农业”,以实现农业强国发展的目标。运用人工智能算法实现农业温室系统的自适应控制是“智慧农业”的重要体现,对温室农业发展具有重大意义。本系统结合山西地区气候特点,根据温室农作物生长需求,设计了一套集环境参数采集、算法决策和系统控制于一体的温室控制系统。整个系统主要完成了以下3部分内容:1)决策算法的研究;2)控制决策的设计;3)系统软硬件的实现。在决策算法的研究方面,考虑到温室系统的非线性、时变等特点,本文分析了具有训练速度快、受初始化影响小、泛化能力强等特点的完全在线序贯极限学习机(FOS-ELM)算法。结合该算法的全程在线学习能力,通过在线预测被控对象模型以实现系统的自适应控制。由于理论上应用FOS-ELM算法设计的控制器仅仅根据系统的期望输出决策下一时刻系统的输入,从而忽略了外界扰动对控制器决策的影响,所以提出了增量补偿的FOS-ELM算法设计控制器的方法。考虑到模糊控制算法在温室系统控制上的有效性,设计了相应的模糊控制器用于温室系统的控制。在控制决策设计方面,本研究采用增量补偿的FOS-ELM算法设计了温室系统主控制器,采用模糊控制算法设计了温室系统的辅助控制器。辅助控制器主要为主控制器的在线训练提供样本,训练主控制器达到控制要求后,温室系统的控制主要由主控制器完成控制,其它情况下采用辅助控制器完成温室的主要控制。保证了系统控制的有效性和自适应性。在系统软硬件实现方面,本系统主要由上位机管理系统、下位机控制器和温室的采集与控制节点三部分构成。上位机主要完成人机交互功能的实现,具体包括温室各传感器和执行机构的数据与状态显示、基本参数设置、数据的处理和决策以及通信部分的配置。上位机的决策模块采用增量补偿的FOS-ELM算法和模糊控制算法来设计。下位机控制器主要用于温室系统的实时环境参数显示、温室执行机构的控制和超限报警等功能。实验结果表明,在温湿度控制误差为±2℃和±3%时,主控制器通过学习可以达到控制误差的要求,充分表明了决策算法在实际应用中的有效性和可行性。而且增量补偿的FOS-ELM算法设计的控制器具备设计简单、学习速度快、泛化性强等特点,结合良好的人机交互界面和稳定的硬件控制单元,系统能够满足温室控制的需求,实现了温室自适应控制的目的,有效降低了对专家系统的依赖,提高了系统的稳定性,对温室自适应控制系统的推广具有重要意义。