CN107318534B - 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 - Google Patents
一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 Download PDFInfo
- Publication number
- CN107318534B CN107318534B CN201710547670.9A CN201710547670A CN107318534B CN 107318534 B CN107318534 B CN 107318534B CN 201710547670 A CN201710547670 A CN 201710547670A CN 107318534 B CN107318534 B CN 107318534B
- Authority
- CN
- China
- Prior art keywords
- temperature
- control
- roller shutter
- illumination
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/22—Shades or blinds for greenhouses, or the like
- A01G9/227—Shades or blinds for greenhouses, or the like rolled up during non-use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Greenhouses (AREA)
Abstract
一种具有温度预测功能的日光温室卷帘机智能控温方法与系统,根据作物的光合需光情况,把室内温度作为一个输入量导入时序分析法小波神经网络温度预测模型中,得到温度的精准预测值;把该预测模型嵌入到卷帘机智能控制系统的控制平台中,将预测值同温室内作物适宜生长的温度阈值比较,由具有人机交互功能的的控制平台进行决策并发送相应的控制指令给控制节点,由后者实现对卷帘机的控制。本系统在保证经济效益的前提下提高了室内作物处在适宜的温度条件下的光照时间,并代替用户根据经验手动控制卷帘机,不仅在增长了作物光合作用时间、保证了产量的同时,大大提高了卷帘机控制的自动化程度,而且还减少了卷帘机过卷事故的发生。
Description
技术领域
本发明属于农业智能化技术领域,涉及对温室温度的提前控制,特别涉及一种具有温度预测功能的日光温室卷帘机智能控温方法和系统。
背景技术
温室在冬季需要保温设备使室内温度保持在适宜作物生长的范围。日光温室因其生产用途,考虑到经济投入成本,只能在冬季夜晚温度过低时通过将卷帘棉被覆盖在棚顶实现保温蓄热的功能。卷帘棉被由卷帘机进行卷帘和放帘作业,在生产过程中,大多数由农户根据经验判断开棚和关棚时间,手动控制卷帘电机作业,并不能合理地根据大棚内作物适宜生长的温度、光照范围进行控制,且操作不当容易造成卷帘机过卷使棉被从棚顶掉落造成经济损失。
考虑到日光温室的生产性目的和低成本需求,发明了一种具有温度预测功能的卷帘机智能控温系统。其中具有温度预测功能的算法模型可以预测10min后大棚内的温度值,通过对预测温度、当前光照强度值和棚内作物适宜生长的温度、光照强度阈值的判断,决定开棚和关棚时间,代替了农户根据经验进行开棚关棚作业。可以结合不同作物在生长中的温度和光照强度需求,合理确定开关棚时间,通过提前开棚和延时关棚,尽可能延长作物光照时间,促进作物生长积累。一方面有效防止了人工操作不当使卷帘机过卷的问题;另一方面实现自动开关棚的功能,减少劳动力投入。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种具有温度预测功能的日光温室卷帘机智能控温方法和系统,针对生产型日光温室卷帘机控制的实际应用需求,为实现对卷帘的提前控制,选用小波神经网络的时间序列分析算法构建了温室内短期温度预测模型,采用ZigBee无线传感技术设计了温室内外环境监测及卷帘机控制系统,并利用红外对射限位技术有效防止卷帘机过卷,以便达到在适宜温度范围内尽可能延长日光温室的光照时间,加快作物的营养积累速度的目的。
为了实现上述目的,本发明采用的技术方案是:
一种具有温度预测功能的日光温室卷帘机智能控温方法,包括如下步骤:
步骤1:根据温室内作物的温度变化情况,建立具有针对性的基于时序分析法的小波神经网络温度预测模型;
步骤2:监测包含温室内若干特征点的空气温度T和室外的光照强度L在内的信息;
步骤3:根据监测到的室内温度T和室外光照L,对温室内的下一阶段的温度进行预测,如果预测温度大于作物光合作用最小温度阈值且室外光照大于最小光照阈值则打开卷帘棉被,即早上尽早开卷帘棉被使作物的光合作用时间提前,如果预测温度小于作物光合作用最小温度阈值且光照小于最小光照阈值则关闭卷帘棉被,即晚上推迟关闭卷帘棉被时间以延长作物光合时间。
所述步骤1中,首先进行预实验,对日光温室进行监测,获取实验温室内的温度变化情况,将数据分为训练集和测试集,比例分别为86%和14%,进行小波神经算法的分析,利用时序分析法对室内温度进行预测,采用的小波神经网络结构为4—6—1:输入层有4个节点,表示预测时间节点前4个时间点的温度;隐含层为6个节点;输出层为1个节点,即输出下一时刻的预测温度,数据集分为测试集和验证集,学习率为0.01,学习概率为0.001,学习步数为100,通过对温度表征点进行训练测试,最终得到温室的温度预测模型。
所述基于时序分析法的小波神经网络温度预测模型调用mymorlet函数,公式为:
其中t为当前时刻温度,y为下一时刻的预测温度。
所述步骤1中,温度预测模型中的温度随着时间的变化而变化,需要对时间和温度进行归一化处理,而不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以实现不同数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。可采用min-max标准化(Min-Max Normalization)对温度值和时间值进行归一化之后,作为基于小波神经网络的时序分析法的原始数据进行数据分析,最后再对预测值进行反归一处理。
所述步骤1中,温度预测模型需要通过分析预测值和实际值之间的误差来进行验证,可使用MATLAB中的cftool工具箱对预测值和实际值的误差进行拟合分析,得到温度预测值的最大误差值为1.6℃,最小误差为0℃,拟合公式为:
y=0.9872x-0.1702,SSE=3.607;R-square=0.9971;
Adjusted R-square=0.9971;RMSE=0.164.
分析各拟合参数可知该模型预测效果较好,满足系统的设计要求。
所述步骤1中,针对不同的作物在不同的生长时期、以及不同的生长状态分别对应不同的温度预测模型,每种温度预测模型由相应作物在相应的生长时期及相同的生长状态下进行各自的预实验,再根据前述方法获取模型,这样才能保证所需的模型的预测精度在要求的范围内。
本发明还提供了具有温度预测功能的日光温室卷帘机智能控温系统,主要包括空气温度传感器、光照传感器、单片机、无线信号传输模块、继电器、人机交互平台等模块,可以概述为如下三部分:
监测节点:设计有温度和光照传感器电路、5V和12V电源电路、CC2530无线通信电路。对温室内多点温度和室外光照进行实时监测,并无线发送给控制节点;
控制节点:设计有5V电源电路、CC2530无线通信电路、继电器驱动电路、TTL串口电路、红外对射限位开关电路。接收监测节点发来的监测信息,并通过串口上发给控制平台,根据从串口接收到控制平台下发的控制指令,驱动继电器实现对卷帘机开关棚的控制;
控制平台:将步科Kinco公司生产的ET070工控屏作为控制平台,平台内嵌入有所述的温度预测模型。根据接收到的监测信息,通过内部嵌套的温度预测模型得到下一时刻的温度预测值,在控制程序中,将预测温度、实时光照与作物适宜生长温度阈值和光照阈值进行比较,并做出相应的控制策略:
(1)如果预测温度值大于最小温度阈值,并且室外实时光照值大于最小光照阈值,则表明当前时刻室外光照已经满足作物的光合作用所需的光照,并且打开卷帘棉被后的室内温度能够满足作物的生长需求,不会给作物的生长带来影响,即可以立即打开卷帘棉被,增长作物光合作用时间,即发出开棚指令,控制节点接收到来自控制平台的命令后发出控制信号,通过继电器控制卷帘机的电机进行开棚操作。
(2)如果预测值小于最小温度阈值,且室外光照值小于最小光照阈值,则表明在当前时刻室外光照已经很微弱,不足以满足作物的光合作用,并且达到一个临界状态,即若不在此刻关闭卷帘棉被,可能会使室内温度低于作物生长的最小值,可能对作物带来危害,即此刻为最晚关棚时间,可以保证作物不受影响的情况下获得尽可能长的光照时间,以延长光合作用时间;则控制平台发出关棚指令,控制节点接收到来自控制平台的命令后发出控制信号,通过继电器控制卷帘机的电机进行关棚操作。
控制平台同时具有人机交互功能,提供了2种控制模式:自动和手动模式,这两种模式以按钮的方式在人机交互平台上进行操作。界面简单易懂,使操作更加简单方便,控制方式更加安全高效。手动模式中有开棚、关棚和紧急停止3个动作,分别代表了打开卷帘棉被、关闭卷帘棉被以及停止动作,紧急停止按钮的优先级最大,即防止发生意外,而紧急停止一切操作。
所述控制平台发送给控制节点的指令延时到达,控制卷帘机不同的动作,以防止卷帘机过卷造成事故发生。但此种方式在手动控制时并不适用,仍然需要人为判断,从而相应地增加了危险性,为了防止人为因素造成操作失误,可以添加限位开关来代替人为判断,当卷帘棉被的开启或关闭程度达到预定位置时恰好触碰到限位开关,即动作停止,提高了安全性。
与现有技术相比,本发明在保证经济效益的前提下提高了室内作物处在适宜的温度条件下的光照时间,并代替用户根据经验手动控制卷帘机,不仅在增长了作物光合作用时间、保证了产量的同时,大大提高了卷帘机控制的自动化程度,而且还减少了卷帘机过卷事故的发生。
附图说明
图1是系统软件控制流程图。
图2是小波神经网络算法流程图。
图3是小波神经网络拓扑结构图。
图4是本发明的整体系统功能图。
具体实施方式
下面结合附图和实施过程详细说明本发明的实施方式。
如图1所示,本发明一种具有温度预测功能的日光温室卷帘机智能控温方法,针对温度控制具有大滞后特点,采用提前预测、提前控制的思想,根据温室内作物的温度变化情况,选用小波神经网络的时序分析算法建立温度预测模型。通过在室内布置9个监测节点获取室内温度数据,在室外放置1个监测节点获取室外光照强度数据。试验使用DS18B20温度传感器和QY-150B光照强度传感器对温度和光照进行信息采集,采集的数据每10min上传到服务器网站并在网站中保存用于后期数据处理。试验连续进行5天,通过试验获取数据后,形成720组环境因子样本集,每组包含9个室内不同位置的温度值和1个室外光照值,取每组数据的平均值作为一个训练样本代入小波神经网络中进行训练。如图2所示,本温度预测模型选用的小波神经网络拓扑结构为4-6-1:输入层有4个输入值,代表预测时间节点前4个时刻的温度值;输出层代表下一时刻预测的温度值。其网络拓扑结构如图3所示。
图中,x1,x2,……,xn代表网络输入变量,y1,y2,……,yn代表网络输出变量,Wji和Wlj代表网络权值。
当输入变量样本为xi(i=1,2,……,n)时,隐层输出的公式(1)为:
式中,h(i)代表第i个隐层节点的输出值,Wji代表网络输入层至隐层的关系权值;bi代表小波基函数hi的平移参数,ai代表小波基函数hi的伸缩参数;hi代表小波基函数。
本文使用Morlet母小波基函数来作为神经网络的小波基函数,函数公式为:
输出层预测值的公式(3)为:
式中,Wlj代表隐层至输出层的关系权值,h(i)为隐层第i个节点的输出值;l代表隐层的节点数目;m代表输出层的节点数目。通过700次训练后确定网络权值和小波基函数变量值从而得到本发明需要的温度预测模型。
将前4天的温度训练样本反复训练700次,最终得到日光温室的温度预测模型,实现根据日光温室室内前40min中的4个时刻的温度值预测出10min后时刻温度值的功能。
将通过该预测模型得到的温度预测值和实际值进行对比,对比分析预测值与实际值之间的误差:本系统的温度预测绝对误差最大值为1.6℃,最小值为0。使用MATLAB中的cftool工具箱对预测值和实际值的误差进行拟合,拟合公式:y=0.9872x-0.1702,SSE=3.607;R-square=0.9971。从预测结果可以看出,该温度预测模型能够较为准确的预测下时刻日光温室室内温度,网络预测值接近实际值,分析各误差参数可知该模型预测效果良好。
如图4所示,在本发明一种具有温度预测功能的日光温室卷帘机智能控温系统中,包括监测节点、控制节点和控制平台3部分。监测节点负责对日光温室进行数据采集和传输,由电源模块、核心处理模块、传感器模块和调试模块组成。控制节点负责环境因子数据的接收与上传,控制卷帘机电机动作,分为控制模块、串口模块、电源模块、调试模块和核心处理模块。核心处理模块负责数据的无线接收与处理,控制模块完成对卷帘机电机正转、反转和停转控制。串口模块通过RS232串口电路将传感器采集的环境因子信息发送至控制平台工控屏处,并等待接收控制平台下发的控制指令。
在核心处理模块的设计中,本发明使用CC2530芯片作为监测节点和控制节点的核心处理器。CC2530在监测节点中P0.4接光照采集电路,P0.1接温度采集电路,P1.0接电源显示灯,P1.1接组网指示灯,P0.2接数据发送端,P0.3接数据接收端。CC2530在控制节点中P2.1接上限位开关,P1.0接电源显示灯,P1.3接组网指示灯,P0.2接数据发送端,P0.3接数据接收端,另选13个I/O口接13个继电器电路。
在电源模块的设计中,由于CC2530芯片需要3.3V电压供电,温度传感器DS18B20需要5V电压供电,光照传感器需要12V电压供电,为满足各个模块的用电需求,电源模块采用一体化供电模式,将12V电压降为5V和3.3V供各个模块使用。
在传感器模块的设计中,选用温度传感器DS18B20设计温度检测电路,选用光照度传感器QY-150B设计光照采集电路。
在调试模块的设计中,通过在电路板上焊接2*5pin的插针接CC2530TX、RX端即可实现JTAG与CC2530芯片之间的数据连接,完成数据的下载与调试。
在控制模块的设计中,由继电器电路实现控制功能,继电器型号选用松乐继电器SRD-24VDC-SL-C,可使5V弱电信号控制供电电压在5~24V的电气设备。本系统在2530芯片和继电器电路之间加入型号为TLP521-2的光耦,可有效延长继电器使用寿命。考虑到备用开关和后期拓展控制设备的需求,共设计13路继电器电路。
在串口模块的设计中,工控屏接口为RS232串口,选用max2323电平转换芯片实现CC2530和工控屏之间的串口通信。
选用步科ET070作为系统的控制平台,在初始编译界面中将ET070和Kinco PLC系列元件的COM口通过串口连接。然后调用Kinco提供的PLC元件库,对人机交互界面进行绘制,绘制过程如下:
使用数值显示元件绘制4个显示窗口,用来显示实时温度、光照强度、历史温度和预测温度。将窗口地址定义为后台串口程序读取温度、光照强度、存储历史温度和预测温度值的寄存器地址。当工控屏接收数据样本后,相应的环境因子数据就能在界面中显示。
使用位状态切换开关绘制4个虚拟按钮,分别对应自动控制、手动控制和强制停止3种控制模式。并在开关旁绘制4个位状态指示灯,开关闭合时点亮,断开时熄灭,以此表示开关的工作状态。
在人机交互界面中,可显示日光温室室内实时温度、光照强度,10min前的历史温度和10min后的预测温度,对温室环境参数提供直观监测数据,方便管理者记录。界面中设置了自动控制、手动控制和紧急停止3种控制方式。点击自动控制按钮,系统将根据后台的阈值判断程序下发控制指令,无需人为干预,自动控制卷帘机的开关棚过程。管理者还可以通过点击手动模式中的开棚和关棚按钮人为控制卷帘机动作。紧急停止按钮可强制停止卷帘机动作,预防安全事故的发生。将3种控制模式设置相应优先级,具体为紧急停止>手动控制>自动控制,该设计可保障系统的安全性并提高系统控制的智能性,且人机交互界面友好,管理者在阅读系统使用说明书之后可熟练操作。
通过阈值判断将预测温度、实时光照同作物适宜生长的温度、光照阈值进行比较,由判断结果作为控制指令下达的依据。本系统的控制指令对应日光温室卷帘机操作中的早上开棚和晚上关棚两种情景。阈值判断与控制条件如下:
(1)早晨,当预测温度>作物生长最低温度且实时光照>作物生长最低光照时,控制平台下发卷帘机开棚的控制指令。
(2)傍晚,当预测温度<作物生长最低温度且实时光照<作物生长最低光照时,控制平台下发卷帘机关棚的控制指令。
发明了一种具有温度预测功能的日光温室卷帘机智能控温方法和系统,系统整体由基于小波神经网络时间序列预测算法的温度预测模型、监测节点、控制节点及控制平台4部分构成。以下是对各部分发明内容的总结概括:
(1)温度预测模型实现对温室室内10min后温度的预测。制定试验方案,在温室室内不同位置布置9个监测节点,每隔10min采集1次室内的温度信息,并在室外布置1个监测节点采集光照信息。采集到的环境因子信息会被上传到网站服务器中,提取出温度和光照数据,将9个温度值的平均温度作为温度训练样本,在Matlab中采用小波神经网络的时间序列预测算法,选取4-6-1的网络拓扑结构,设置4个输入节点,6个隐层节点,1个输出节点。其中输入节点为前3个历史时刻和当前时刻的平均温度,输出节点为10min后的预测温度。将5天的监测数据共720组温度样本代入网络中连续训练700次,确定小波神经网络的权值和小波基函数中变量值后最终得到系统的温度预测模型。
(2)监测节点实现对温室室内温度和室外光照的信息采集,并通过无线上传至控制节点。节点设计包括对电源模块、核心处理模块和传感器模块的电路设计。使用AltiumDesigner完成整个硬件部分的原理图和PCB设计。传感器模块负责温度和光照强度的采集,核心处理模块模块负责将采集信息打包成固定格式和数据上传。
(3)控制节点实现对采集数据的接收、与控制平台的串口通信和继电器控制的功能。设计思路同监测节点一致。包括对控制模块串口模块、电源模块和核心处理模块的设计。控制节点无线接收到温度、光照采集信息之后,通过RS232串口线将数据发送至工控屏,工控屏中写有算法模型,通过算法预测出下一时刻温度值,判断是否达到温度控制动作点,然后将控制指令通过串口传输至控制节点,由控制节点CC2530外接继电器电路的端口置相应电平从而实现控制卷帘机的开启与闭合。
(4)控制平台提供人机交互界面,并通过后台软件实现人机交互界面的功能。使用Kinco HMIware组态编辑软件对工控屏人机交互界面进行编译,使用数值显示元件绘制4个显示窗口,用来显示实时温度、光照强度、历史温度和预测温度。使用位状态切换开关绘制4个虚拟按钮,分别对应自动控制、手动控制和强制停止3种控制模式。后台软件设计由串口通信程序,模型预测程序,阈值判断与控制程序实现。其中串口通信程序负责读取温度和光照值并存储在工控屏寄存器中;模型预测程序负责将温度预测模型转变为代码,然后提取前30min的3个历史温度和实时温度代入到公式得出10min后的预测温度,并将预测c温度存储在寄存器中;阈值判断与控制程序负责将预测温度、实时光照与作物生长温度、光照阈值进行比较判断,大于阈值时下发开棚控制指令,小于阈值时下发关棚控制指令。
Claims (9)
1.一种具有温度预测功能的日光温室卷帘机智能控温方法,其特征在于,包括如下步骤:
步骤1:根据温室内作物的温度变化情况,建立具有针对性的基于时序分析法的小波神经网络温度预测模型;
首先进行预实验,对日光温室进行监测,在室内布置9个监测节点获取室内温度数据,获取实验温室内的温度变化情况,在室外放置1个监测节点获取室外光照强度数据,将数据分为训练集和测试集,比例分别为86%和14%,进行小波神经算法的分析,利用时序分析法对室内温度进行预测,采用的小波神经网络结构为4—6—1:输入层有4个节点,表示预测时间节点前4个时间点的温度;隐含层为6个节点;输出层为1个节点,即输出下一时刻的预测温度,数据集分为测试集和验证集,学习率为0.01,学习概率为0.001,学习步数为100,通过对温度表征点进行训练测试,最终得到温室的温度预测模型;
步骤2:监测包含温室内若干特征点的空气温度T和室外的光照强度L在内的信息;
步骤3:根据监测到的室内温度T和室外光照L,对温室内的10min后的温度进行预测,如果预测温度大于作物光合作用最小温度阈值且室外光照大于最小光照阈值则打开卷帘棉被,即早上尽早开卷帘棉被使作物的光合作用时间提前,如果预测温度小于作物光合作用最小温度阈值且光照小于最小光照阈值则关闭卷帘棉被,即晚上推迟关闭卷帘棉被时间以延长作物光合时间。
3.根据权利要求1所述具有温度预测功能的日光温室卷帘机智能控温方法,其特征在于,所述步骤1中,采用min-max标准化(Min-Max Normalization)对温度值和时间值进行归一化之后,作为基于小波神经网络的时序分析法的原始数据进行数据分析,最后再对预测值进行反归一处理。
4.根据权利要求1所述具有温度预测功能的日光温室卷帘机智能控温方法,其特征在于,所述步骤1中,使用MATLAB中的cftool工具箱对预测值和实际值的误差进行拟合分析,得到温度预测值的最大误差值为1.6℃,最小误差为0℃,拟合公式为:
y=0.9872x-0.1702,SSE=3.607;R-square=0.9971;
Adjusted R-square=0.9971;RMSE=0.164。
5.根据权利要求1所述具有温度预测功能的日光温室卷帘机智能控温方法,其特征在于,所述步骤1中,针对不同的作物在不同的生长时期、以及不同的生长状态分别对应不同的温度预测模型,每种温度预测模型由相应作物在相应的生长时期及相应的生长状态下进行各自的预实验。
6.一种用于实现权利要求1所述的具有温度预测功能的日光温室卷帘机智能控温方法的卷帘机智能控温系统,其特征在于,包括:
监测节点:对温室内多点温度和室外光照进行实时监测,并无线发送给控制节点;
控制节点:接收监测节点发来的监测信息,并通过串口上发给控制平台,根据从串口接收到控制平台下发的控制指令,驱动继电器实现对卷帘机开关卷帘棉被的控制;
控制平台:根据接收到的监测信息,通过内部嵌套的温度预测模型得到下一时刻的温度预测值,在控制程序中,将预测温度、实时光照与作物适宜生长温度阈值和光照阈值进行比较,并做出相应的控制策略:
(1)如果预测温度值大于最小温度阈值,并且室外实时光照值大于最小光照阈值,则表明当前时刻室外光照已经满足作物的光合作用所需的光照,即发出打开卷帘棉被指令,控制节点接收到来自控制平台的命令后发出控制信号,通过继电器控制卷帘机的电机进行打开卷帘棉被操作;
(2)如果预测温度值小于最小温度阈值,且室外光照值小于最小光照阈值,则表明在当前时刻室外光照已经很微弱,不足以满足作物的光合作用,即发出关闭卷帘棉被指令,控制节点接收到来自控制平台的命令后发出控制信号,通过继电器控制卷帘机的电机进行关闭卷帘棉被操作。
7.根据权利要求6所述卷帘机智能控温系统,其特征在于,
所述监测节点包括温度和光照传感器电路、5V和12V电源电路以及CC2530无线通信电路;
所述控制节点包括5V电源电路、CC2530无线通信电路、继电器驱动电路、TTL串口电路以及红外对射限位开关电路;
所述控制平台采用步科Kinco公司生产的ET070工控屏,平台内嵌有基于时序分析法的小波神经网络温度预测模型。
8.根据权利要求6所述卷帘机智能控温系统,其特征在于,所述控制平台中具有手动模式和自动模式供选择使用,手动模式中有开卷帘棉被、关卷帘棉被和紧急停止3个动作,分别代表了打开卷帘棉被、关闭卷帘棉被以及停止动作,紧急停止按钮的优先级最大,即防止发生意外,而紧急停止一切操作。
9.根据权利要求6所述卷帘机智能控温系统,其特征在于,所述控制平台发送给控制节点的指令延时到达,以防止卷帘机过卷造成事故发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547670.9A CN107318534B (zh) | 2017-07-06 | 2017-07-06 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547670.9A CN107318534B (zh) | 2017-07-06 | 2017-07-06 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107318534A CN107318534A (zh) | 2017-11-07 |
CN107318534B true CN107318534B (zh) | 2020-12-15 |
Family
ID=60196529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710547670.9A Active CN107318534B (zh) | 2017-07-06 | 2017-07-06 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107318534B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803576A (zh) * | 2018-07-24 | 2018-11-13 | 广东工业大学 | 一种温控系统的故障预警方法及相关装置 |
CN110874104B (zh) * | 2018-08-30 | 2021-07-30 | 广东生益科技股份有限公司 | 镜面钢板温度的在线控制方法、装置和系统 |
CN110069032B (zh) * | 2019-04-19 | 2021-04-23 | 淮阴工学院 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
CN110160585A (zh) * | 2019-05-24 | 2019-08-23 | 北京立群建筑科学研究院 | 环境检测方法、装置、设备及存储介质 |
CN110377961B (zh) * | 2019-06-25 | 2023-04-28 | 北京百度网讯科技有限公司 | 作物生长环境控制方法、装置、计算机设备及存储介质 |
CN110268891A (zh) * | 2019-07-19 | 2019-09-24 | 西北农林科技大学 | 一种基于低温胁迫的卷帘机智能控制方法 |
CN110471337A (zh) * | 2019-08-06 | 2019-11-19 | 西北农林科技大学 | 一种基于低功耗窄带网的日光温室卷帘机智能监控系统与方法 |
CN112418517B (zh) * | 2020-11-20 | 2023-09-26 | 杭州电子科技大学 | 一种用于冻害短临预警的预测方法 |
CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
CN114706436A (zh) * | 2021-11-18 | 2022-07-05 | 北京市燃气集团有限责任公司 | 适用于lng薄膜罐施工过程的送风系统、温湿度控制系统及方法 |
CN117426750A (zh) * | 2023-12-21 | 2024-01-23 | 中科(安徽)智慧健康创新研究院有限公司 | 一种连续体温监测预警系统及其使用方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201289596Y (zh) * | 2008-11-13 | 2009-08-12 | 宁夏大学 | 用于日光温室群体卷闭帘的智能控制系统 |
CN102902203A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
CN202904310U (zh) * | 2012-10-17 | 2013-04-24 | 宁夏大学 | 用于日光温室卷闭帘及防风固膜的智能控制系统 |
CN103576589A (zh) * | 2013-10-24 | 2014-02-12 | 西北农林科技大学 | 基于多传感器信息融合技术的智能大棚卷帘控制系统 |
CN105204546A (zh) * | 2015-08-10 | 2015-12-30 | 西北农林科技大学 | 一种基于光温耦合的日光温室卷帘机控制方法与系统 |
CN106774527A (zh) * | 2016-12-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 大棚温度控制方法及系统 |
CN106912325A (zh) * | 2017-03-13 | 2017-07-04 | 山东农业大学 | 一种基于智能预测的日光温室大棚卷帘通风系统和控制方法 |
-
2017
- 2017-07-06 CN CN201710547670.9A patent/CN107318534B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201289596Y (zh) * | 2008-11-13 | 2009-08-12 | 宁夏大学 | 用于日光温室群体卷闭帘的智能控制系统 |
CN102902203A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
CN202904310U (zh) * | 2012-10-17 | 2013-04-24 | 宁夏大学 | 用于日光温室卷闭帘及防风固膜的智能控制系统 |
CN103576589A (zh) * | 2013-10-24 | 2014-02-12 | 西北农林科技大学 | 基于多传感器信息融合技术的智能大棚卷帘控制系统 |
CN105204546A (zh) * | 2015-08-10 | 2015-12-30 | 西北农林科技大学 | 一种基于光温耦合的日光温室卷帘机控制方法与系统 |
CN106774527A (zh) * | 2016-12-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 大棚温度控制方法及系统 |
CN106912325A (zh) * | 2017-03-13 | 2017-07-04 | 山东农业大学 | 一种基于智能预测的日光温室大棚卷帘通风系统和控制方法 |
Non-Patent Citations (1)
Title |
---|
半滑舌鳎工厂化育苗水温预测模型研究;刘杰;《中国优秀硕士学位论文全文数据库 农业科技辑》;20150115;D052-175 * |
Also Published As
Publication number | Publication date |
---|---|
CN107318534A (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107318534B (zh) | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 | |
CN102354206B (zh) | 物联网环境下基于数据融合的空调故障诊断系统及方法 | |
CN103118465B (zh) | 一种室内灯光强度的控制系统及其控制方法 | |
CN203520208U (zh) | 一种种植、养殖环境控制器 | |
CN105204546B (zh) | 一种基于光温耦合的日光温室卷帘机控制方法与系统 | |
CN201953288U (zh) | 智能百叶窗 | |
CN107678410A (zh) | 一种面向温室环境的智能控制方法、系统与控制器 | |
CN104181887A (zh) | 一种用于温室的物联网智能控制系统及方法 | |
CN108534325A (zh) | 室内外环境参数自动监控调节装置及应用其的无人便利店 | |
CN113359486A (zh) | 一种基于神经网络算法调控的智能窗户系统及调节方法 | |
CN110471301A (zh) | 一种基于用户行为的智能家居服务推荐系统及方法 | |
CN102721145A (zh) | 一种室内空调和照明控制器及其控制方法 | |
CN109298684A (zh) | 一种基于云平台的远程智能植保监控管理系统 | |
CN201194078Y (zh) | 基于单片机的温室控制装置 | |
CN115047821A (zh) | 一种生猪养殖环境智能监测系统及其评价方法 | |
CN212181332U (zh) | 温室监控系统 | |
CN113535233B (zh) | 用于暖通云边协同的人工智能系统 | |
CN201289596Y (zh) | 用于日光温室群体卷闭帘的智能控制系统 | |
CN202494915U (zh) | 一种温室环境监控系统 | |
CN115442405A (zh) | 一种智慧农业生产管理服务系统 | |
CN114365649A (zh) | 一种智慧温室大棚环境监测控制系统 | |
CN114489200A (zh) | 一种温室大棚环境控制系统 | |
CN117634217B (zh) | 基于数字孪生的建筑物智能化管理系统及方法 | |
CN1561676A (zh) | 温室环境智能控制器及控制方法 | |
Bai et al. | The remote monitoring system of vegetable greenhouse |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |