CN113748893A - 一种基于智能育秧控制系统的执行机构工作时间预测方法 - Google Patents

一种基于智能育秧控制系统的执行机构工作时间预测方法 Download PDF

Info

Publication number
CN113748893A
CN113748893A CN202110880914.1A CN202110880914A CN113748893A CN 113748893 A CN113748893 A CN 113748893A CN 202110880914 A CN202110880914 A CN 202110880914A CN 113748893 A CN113748893 A CN 113748893A
Authority
CN
China
Prior art keywords
working time
seedling raising
greenhouse
control system
intelligent
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.)
Withdrawn
Application number
CN202110880914.1A
Other languages
English (en)
Inventor
冯祥
严方
刘晓宇
蒋其友
谢黎伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Polytechnic College of Agriculture and Forestry
Original Assignee
Jiangsu Polytechnic College of Agriculture and Forestry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Polytechnic College of Agriculture and Forestry filed Critical Jiangsu Polytechnic College of Agriculture and Forestry
Priority to CN202110880914.1A priority Critical patent/CN113748893A/zh
Publication of CN113748893A publication Critical patent/CN113748893A/zh
Withdrawn legal-status Critical Current

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
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • 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
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/246—Air-conditioning systems
    • 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
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/247—Watering arrangements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Greenhouses (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明公开了一种基于智能育秧控制系统的执行机构工作时间预测方法，构建智能育秧控制系统；采集训练样本数据，并对样本数据进行归一化处理；采用支持矢量回归方法，构建执行机构工作时间预测模型；并对模型进行训练，得到训练模型参数；利用训练模型中的参数，预测雾化降温、喷淋和风机的持续工作时间；执行机构按预测工作时间执行完相应操作后，如果棚内空气温度仍然高于秧苗不同生长周期温度警戒门限或苗床湿度仍然低于秧苗不同生长周期湿度警戒门限，重新启动执行机构。本发明在启动育秧现场执行机构前，提前预测雾化电磁阀、喷淋电磁阀和风机等执行机构的持续工作时间，在保证秧苗正常生长的前提下，提高了育秧过程中水电等资源的利用效率。

Description

一种基于智能育秧控制系统的执行机构工作时间预测方法
技术领域
本发明属于智能育秧领域，具体涉及一种基于智能育秧控制系统的执行机构工作时间预测方法。
背景技术
水稻在我国种植面积广，是重要的粮食作物。为了满足规模化、机械化种植对水稻秧苗品质、数量的要求，规模化、集中式育秧模式在全国得到了大力推广。但传统的育秧管理模式不能适应集中式育秧模式的要求，随着劳动力资源、自然资源短缺等矛盾日益凸显，探索集中式育秧过程的智能化管理方法、减少育秧过程中人力需求、提高水电等自然资源的利用率等问题的解决方案是十分必要的。
秧苗的整个生长过程包括三个不同生长周期：发芽期、幼苗前期、三叶期，三个不同生长周期对棚内空气温度和苗床湿度的要求各不相同，棚内气温过高或苗床湿度过低均会对秧苗造成不可逆的损害。在保证秧苗正常生长的前提下，为了尽可能提高育秧过程中水电等资源的利用效率、减少人力需求，本发明综合采用物联网、云计算和机器学习等技术，构建了一个规模化集中式育秧智能控制系统，实现对育秧大棚内温度和育秧苗床湿度的控制。该方法以育秧现场的环境信息为基础，采用云计算和机器学习等技术，根据秧苗三个不同生长周期对棚内气温和苗床湿度的不同要求，智能控制增压泵、电磁阀(雾化或喷淋)、风机等执行机构工作，为秧苗整个生长过程提供适宜的环境条件。执行机构的启动时间、工作时长对水电等资源的利用率具有重要影响，目前育秧大棚内执行机构的启动时间和工作时长的确定方法主要有两种：一是管理人员依靠感觉、凭经验确定；二是预设固定工作时间。这两种方法存在随意性大、对环境适应能力差等缺点，要么会造成水电资源浪费，要么对秧苗生长产生不利影响。本发明采用支持矢量回归(SVR)方法，在启动执行机构工作前，根据育秧现场实时环境信息和秧苗的生长周期，提前预测相关执行机构持续工作时间，在保证秧苗生长不受影响的前提下，可以提高育秧过程中水、电力资源的利用效率。
发明内容
发明目的：为科学育苗，本发明提供一种智能育秧控制系统及方法，提高规模化大棚育秧过程中水电等资源的利用效率、减少人力需求，实现对育秧大棚内空气温度和育秧苗床湿度的智能化控制，为秧苗生长提供适宜的环境条件。
技术方案如下：本发明提供一种基于智能育秧控制系统的执行机构工作时间预测方法，具体包括以下步骤：
(1)构建智能育秧控制系统；所述智能育秧控制系统包括育秧现场物联网系统、育秧云平台、用户应用系统；所述育秧现场物联网系统包括环境传感器、执行机构、本地控制及显示单元；所述执行机构包括增压泵、雾化和喷淋电磁阀和风机；所述环境传感器和执行机构通过I/O口与ESP32通信；
(2)采用支持矢量回归方法，构建执行机构工作时间预测模型；
(3)训练执行机构工作时间预测模型：对预先采集样本数据进行归一化处理，训练预测模型，得到模型参数；
(4)预测执行机构工作时间；根据育秧现场采集的实时数据集X，并进行归一化处理，利用训练模型中的参数，预测雾化降温、喷淋和风机的持续工作时间；
(5)执行机构按预测工作时间执行完相应操作后，如果棚内空气温度仍然高于秧苗不同生长周期温度警戒门限或苗床湿度仍然低于秧苗不同生长周期湿度警戒门限，重新启动执行机构。
进一步地，步骤(1)所述环境传感器包括棚外气象站、棚内温度传感器、湿度传感器、光照传感器、管道压力传感器。
进一步地，步骤(1)所述育秧云平台实现对环境传感器及执行机构全生命周期可视化管理、环境传感器及执行机构故障监测与维护、育秧现场数据解析、数据流转、智能决策、消息分发、安全及授权。
进一步地，步骤(1)所述用户应用系统，查看育秧现场数据、环境传感器及执行机构工作状况、调整及显示增压泵工作参数、选择“自动”或“手动”现场环境控制模式；在“手动”模式下，现场执行机构根据管理者的指令开启或关闭；在“自动”模式下，执行机构根据“智能决策”模块的指令工作；所述传感器和执行机构均有相应的TSL模型；所述TSL模型包括物理实体的特性、服务和事件，对物理实体可进行添加/删除、连接/断开等操作；当现场数据传到云平台后，解析数据可以传到“智能决策”模块供决策使用，也可以流转到服务器中进行存储。
进一步地，所述步骤(2)实现过程如下：
秧苗三个生长周期各采集20组样本对，共计60组样本对；(Xi,Yi)(i＝1,2…,60)表示第i组样本对，其中，Xi包括：大棚外、大棚内气温Tout,Tin；大棚外、大棚内空气湿度Hout,Hin；大棚外、大棚内光照Lout,Lin；苗床湿度Ms；大棚外风速Vout；供水管管道压力Fp；Yi包括雾化持续时间ta、喷淋持续时间ts和风机持续工作时间tf；Xi、Yi分别表示为：
Xi＝[Tout(i),Tin(i),Hout(i),Hin(i),Lout(i),Lin(i),Ms(i),Vout(i),Fp(i)]
Yi＝[ta(i),ts(i),tf(i)]；
对Xi中的数据作归一化处理：
Figure BDA0003191978020000031
进一步地，步骤(3)执行机构工作时间预测模型为：
Figure BDA0003191978020000032
其中，n是支持矢量数，b是偏置量，αi,
Figure BDA0003191978020000033
是拉格朗日因子；
Figure BDA0003191978020000034
采用高斯核函数：
Figure BDA0003191978020000035
其中，
Figure BDA0003191978020000036
为归一化数据,其形式为
Figure BDA0003191978020000037
Figure BDA0003191978020000038
为大棚外、大棚内气温的归一化值；
Figure BDA0003191978020000039
为大棚外、大棚内空气湿度的归一化值；
Figure BDA00031919780200000310
为大棚外、大棚内光照的归一化值；
Figure BDA00031919780200000311
为苗床湿度的归一化值；
Figure BDA00031919780200000312
为大棚外风速的归一化值；
Figure BDA00031919780200000313
为供水管管道压力的归一化值。
进一步地，步骤(4)所述预测雾化电磁阀、喷淋电磁阀和风机的持续工作时间为：
Figure BDA00031919780200000314
其中，αi,
Figure BDA00031919780200000315
是拉格朗日因子，b是偏置量，Y＝[ta,ts,tf]为预测的执行机构工作时间，包括雾化持续时间ta、喷淋持续时间ts和风机持续工作时间tf；增压泵的工作时间取雾化电磁阀、喷淋电磁阀预测工作时间的最大值。
进一步地，步骤(5)所述重新启动执行机构的时间为步骤(4)所述的预测执行机构工作时间的1/5。
进一步地，步骤(5)所述的秧苗不同生长周期温度警戒门限分别为发芽期28.2℃、幼苗前期25.7℃、三叶期21.6℃。
进一步地，步骤(5)所述的秧苗不同生长周期湿度警戒门限分别为发芽期40％、幼苗前期69％、三叶期83％。
有益效果：与现有技术相比，本发明的有益效果：1、本发明采用“雾化+通风”降温模式避免育秧大棚内部高温，采用“喷淋”增湿模式保证适宜的秧苗苗床湿度；根据育秧大棚内外气温、空气湿度、光照、棚外风速、苗床湿度、管道压力等信息，采用支持矢量回归SVR方法，在启动育秧现场执行机构前，提前预测雾化电磁阀、喷淋电磁阀和风机等执行机构的持续工作时间，在保证秧苗正常生长的前提下，提高了育秧过程中水电等资源的利用效率；2、本发明提高规模化大棚育秧过程中水电等资源的利用效率、减少人力需求，实现对育秧大棚内空气温度和育秧苗床湿度的智能化控制，为秧苗生长提供适宜的环境条件。
附图说明
图1为智能育秧控制系统示意图；
图2为基于SVR的执行机构工作时间预测流程图。
具体实施方式
下面将结合附图对本发明作进一步详细说明。
为了提高规模化大棚育秧过程中水电等资源的利用效率、减少人力需求，本发明构建了一种基于智能育秧控制系统的执行机构工作时间预测方法，实现对育秧大棚内空气温度和育秧苗床湿度的智能化控制，为秧苗生长提供适宜的环境条件。本发明采用“雾化+通风”降温模式避免育秧大棚内部高温，采用“喷淋”增湿模式保证适宜的秧苗苗床湿度。该控制系统根据育秧大棚内外气温、空气湿度、光照、棚外风速、苗床湿度、管道压力等信息，采用支持矢量回归SVR(Support Vector Regression)方法，在启动育秧现场执行机构前，提前预测雾化电磁阀、喷淋电磁阀和风机等执行机构的持续工作时间，在保证秧苗正常生长的前提下，提高了育秧过程中水电等资源的利用效率。具体包括以下步骤：
步骤1：构建智能育秧控制系统，如图1所示，包括育秧现场物联网系统、育秧云平台、用户应用系统。
育秧现场物联网系统主要由各种环境传感器、执行机构、本地控制及显示系统组成，传感器包括棚外气象站、棚内温度传感器、湿度传感器、光照传感器、管道压力传感器；执行机构包括增压泵、电磁阀(雾化、喷淋)和风机；本地控制及显示系统的核心器件是ESP32，传感器和执行机构通过I/O口与ESP32通信。传感器状态、执行机构运行状况、环境数据、增压泵工作参数等信息可以在本地液晶显示器上显示。育秧现场与云平台之间通过WIFI连接方式通信，采用MQTT(Message Queuing Telemetry Transport)协议。
育秧云平台主要功能包括对育秧现场传感器及执行机构全生命周期可视化管理、传感器及执行机构故障监测与维护、育秧现场数据解析、数据流转、智能决策、消息分发、安全及授权等。为了便于对育秧现场传感器及执行机构等物理实体的管理，每个传感器、执行机构在育秧云平台上均有相应的TSL(Thing Specification Language)模型，TSL模型包括物理实体的特性、服务和事件，对物理实体可进行添加/删除、连接/断开等操作。当现场数据传到云平台后，解析数据可以传到“智能决策”模块供决策使用，也可以流转到服务器中进行存储。
用户应用系统，管理者可以通过手机APP或者电脑查看育秧现场数据、传感器及执行机构工作状况、调整及显示增压泵工作参数、选择“自动”或“手动”现场环境控制模式等。在“手动”模式下，现场执行机构根据管理者的指令开启或关闭；在“自动”模式下，执行机构根据“智能决策”模块的指令工作。
步骤2：采集训练样本数据，并对样本数据进行归一化处理。
秧苗三个生长周期各采集20组样本对，共计60组样本对。(Xi,Yi)(i＝1,2,…,60)表示第i组样本对，其中Xi包括：大棚外、大棚内气温Tout,Tin，大棚外、大棚内空气湿度Hout,Hin，大棚外、大棚内光照Lout,Lin，苗床湿度Ms，大棚外风速Vout，供水管管道压力Fp。Yi包括雾化持续时间ta、喷淋持续时间ts和风机持续工作时间tf。因此Xi、Yi可以分别表示为：
Xi＝[Tout(i),Tin(i),Hout(i),Hin(i),Lout(i),Lin(i),Ms(i),Vout(i),Fp(i)]
Yi＝[ta(i),ts(i),tf(i)]
为了便于数据处理，需要对采集样本进行归一化处理，把数据归一到[-1,1]范围内，这里仅以大棚外气温Tin为例说明数据归一化方法，其余数据归一化处理与大棚外气温类似。采集的第i组样本对中的大棚外气温Tin(i)的归一化方法为：
Figure BDA0003191978020000061
Tin(min),Tin(max)分别表示60个样本组中最低气温大棚外和最高大棚外气温；对Xi中的其余数据做类似的处理后，归一化数据集表示为：
Figure BDA0003191978020000062
步骤3：采用支持矢量回归(SVR)方法，构建执行机构工作时间预测模型；并对模型进行训练，得到训练模型参数。
利用60组归一化数据集，在多维空间中训练SVR模型，用函数f逼近训练样本集，函数f的形式为：
Figure BDA0003191978020000063
其中，n是支持矢量数，b是偏置量，αi,
Figure BDA0003191978020000064
是拉格朗日因子，这些参数均可通过训练得到。
Figure BDA0003191978020000065
采用高斯核函数：
Figure BDA0003191978020000066
Figure BDA0003191978020000067
为归一化数据，其形式为
Figure BDA0003191978020000068
Figure BDA0003191978020000069
为大棚外、大棚内气温的归一化值；
Figure BDA00031919780200000610
为大棚外、大棚内空气湿度的归一化值；
Figure BDA00031919780200000611
为大棚外、大棚内光照的归一化值；
Figure BDA00031919780200000612
为苗床湿度的归一化值；
Figure BDA00031919780200000613
为大棚外风速的归一化值；
Figure BDA00031919780200000614
为供水管管道压力的归一化值。
步骤4：预测执行机构工作时间；根据育秧现场采集的实时数据集X，并进行归一化处理，利用训练模型中的参数，预测雾化降温时间(控制增压泵和雾化电磁阀工作时间)、风机工作时间和喷淋时间(控制增压泵和喷淋电磁阀工作时间)。
首先将育秧现场采集的实时数据集X进行归一化处理，然后利用式(2)训练模型中的参数，预测雾化电磁阀、喷淋电磁阀和风机的持续工作时间，即：
Figure BDA0003191978020000071
其中，Y＝[ta,ts,tf]为预测的执行机构工作时间，包括雾化持续时间ta、喷淋持续时间ts和风机持续工作时间tf；增压泵的工作时间取雾化电磁阀、喷淋电磁阀预测工作时间的最大值。
影响执行机构持续工作时间因素包括棚外温度、湿度(相对)、光照、风速、棚内温度、苗床湿度、棚内光照、供水管管道压力等。在“自动”模式下，执行机构什么时间启动、启动后持续工作时间是由“智能决策”模块根据现场环境数据确定的。“智能决策”模块的功能有两个：一是在保证秧苗正常生长的前提下，以提高水电资源利用效率为目标，预测相关执行机构启动后的持续工作时间；二是当棚内空气温度高于或苗床湿度低于相应警戒门限时，见表1，及时启动育秧现场相关执行机构工作。
表1水稻秧苗适宜生长条件及警戒门限
Figure BDA0003191978020000072
步骤5：执行机构按预测工作时间执行完相应操作后，如果棚内空气温度仍然高于秧苗不同生长周期温度警戒门限或苗床湿度仍然低于秧苗不同生长周期湿度警戒门限，重新启动相关执行机构。重新启动执行机构的时间为预测执行机构工作时间的1/5。

Claims (10)

1.一种基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，包括以下步骤：
(1)构建智能育秧控制系统；所述智能育秧控制系统包括育秧现场物联网系统、育秧云平台、用户应用系统；所述育秧现场物联网系统包括环境传感器、执行机构、本地控制及显示单元；所述执行机构包括增压泵、雾化、喷淋电磁阀和风机；所述环境传感器和执行机构通过I/O口与ESP32通信；
(2)采集训练样本数据，并对样本数据进行归一化处理；
(3)采用支持矢量回归方法，构建执行机构工作时间预测模型；并对模型进行训练，得到训练模型参数；
(4)预测执行机构工作时间：根据育秧现场采集的实时数据集X，并进行归一化处理，利用训练模型中的参数，预测雾化降温、喷淋和风机的持续工作时间；
(5)执行机构按预测工作时间执行完相应操作后，如果棚内空气温度仍然高于秧苗不同生长周期温度警戒门限或苗床湿度仍然低于秧苗不同生长周期湿度警戒门限，重新启动执行机构。
2.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(1)所述环境传感器包括棚外气象站、棚内温度传感器、湿度传感器、光照传感器、管道压力传感器。
3.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(1)所述育秧云平台实现对环境传感器及执行机构全生命周期可视化管理、环境传感器及执行机构故障监测与维护、育秧现场数据解析、数据流转、智能决策、消息分发、安全及授权。
4.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(1)所述用户应用系统，查看育秧现场数据、环境传感器及执行机构工作状况、调整及显示增压泵工作参数、选择“自动”或“手动”现场环境控制模式；在“手动”模式下，现场执行机构根据管理者的指令开启或关闭；在“自动”模式下，执行机构根据“智能决策”模块的指令工作；所述传感器和执行机构均有相应的TSL模型；所述TSL模型包括物理实体的特性、服务和事件，对物理实体可进行添加/删除、连接/断开等操作；当现场数据传到云平台后，解析数据可以传到“智能决策”模块供决策使用，也可以流转到服务器中进行存储。
5.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，所述步骤(2)实现过程如下：
秧苗三个生长周期各采集20组样本对，共计60组样本对；(Xi,Yi)(i＝1,2…,60)表示第i组样本对，其中，Xi包括：大棚外、大棚内气温Tout,Tin；大棚外、大棚内空气湿度Hout,Hin；大棚外、大棚内光照Lout,Lin；苗床湿度Ms；大棚外风速Vout；供水管管道压力Fp；Yi包括雾化持续时间ta、喷淋持续时间ts和风机持续工作时间tf；Xi、Yi分别表示为：
Xi＝[Tout(i),Tin(i),Hout(i),Hin(i),Lout(i),Lin(i),Ms(i),Vout(i),Fp(i)]
Yi＝[ta(i),ts(i),tf(i)]；
对Xi中的数据作归一化处理：
Figure FDA0003191978010000021
6.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(3)执行机构工作时间预测模型为：
Figure FDA0003191978010000022
其中，n是支持矢量数，b是偏置量，αi,
Figure FDA00031919780100000213
是拉格朗日因子；
Figure FDA0003191978010000023
采用高斯核函数：
Figure FDA0003191978010000024
其中，
Figure FDA0003191978010000025
为归一化数据,其形式为
Figure FDA0003191978010000026
Figure FDA0003191978010000027
为大棚外、大棚内气温的归一化值；
Figure FDA0003191978010000028
为大棚外、大棚内空气湿度的归一化值；
Figure FDA0003191978010000029
为大棚外、大棚内光照的归一化值；
Figure FDA00031919780100000210
为苗床湿度的归一化值；
Figure FDA00031919780100000211
为大棚外风速的归一化值；
Figure FDA00031919780100000212
为供水管管道压力的归一化值。
7.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(4)所述预测雾化电磁阀、喷淋电磁阀和风机的持续工作时间为：
Figure FDA0003191978010000031
其中，αi,
Figure FDA0003191978010000032
是拉格朗日因子，b是偏置量，Y＝[ta,ts,tf]为预测的执行机构工作时间，包括雾化持续时间ta、喷淋持续时间ts和风机持续工作时间tf；增压泵的工作时间取雾化电磁阀、喷淋电磁阀预测工作时间的最大值。
8.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(5)所述重新启动执行机构的时间为步骤(4)所述的预测执行机构工作时间的1/5。
9.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(5)所述的秧苗不同生长周期温度警戒门限分别为发芽期28.2℃、幼苗前期25.7℃、三叶期21.6℃。
10.根据权利要求1所述的基于智能育秧控制系统的执行机构工作时间预测方法，其特征在于，步骤(5)所述的秧苗不同生长周期湿度警戒门限分别为发芽期40％、幼苗前期69％、三叶期83％。
CN202110880914.1A 2021-08-02 2021-08-02 一种基于智能育秧控制系统的执行机构工作时间预测方法 Withdrawn CN113748893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110880914.1A CN113748893A (zh) 2021-08-02 2021-08-02 一种基于智能育秧控制系统的执行机构工作时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110880914.1A CN113748893A (zh) 2021-08-02 2021-08-02 一种基于智能育秧控制系统的执行机构工作时间预测方法

Publications (1)

Publication Number Publication Date
CN113748893A true CN113748893A (zh) 2021-12-07

Family

ID=78788386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110880914.1A Withdrawn CN113748893A (zh) 2021-08-02 2021-08-02 一种基于智能育秧控制系统的执行机构工作时间预测方法

Country Status (1)

Country Link
CN (1) CN113748893A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114467607A (zh) * 2022-02-08 2022-05-13 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114467607A (zh) * 2022-02-08 2022-05-13 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法
CN114467607B (zh) * 2022-02-08 2023-01-24 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法

Similar Documents

Publication Publication Date Title
CN100553443C (zh) 密闭式完全利用人工光的环境控制型植物工厂
CN103907571B (zh) 一种基于物联网的蚕室催青控制方法及系统
CN108388291A (zh) 一种温室集群环境调控方法与系统
WO2023142884A1 (zh) 一种智能大棚控制系统与方法
CN105444356A (zh) 一种中央空调系统的能效优化智能控制系统及其控制方法
CN109883005A (zh) 航站楼末端空调设备智能控制系统、方法、介质和设备
CN112413831A (zh) 一种中央空调节能控制系统及方法
CN205692080U (zh) 基于物联网的养殖环境监测控制系统
CN114326882B (zh) 适用于楼房养猪的环境控制方法及系统
CN110244626A (zh) 基于强化学习的多用户水产养殖自动调控系统及方法
CN109952948A (zh) 一种基于物联网的远程可视化智能灌溉系统
CN105867495A (zh) 一种以时间参数远程控制工厂化食用菌出菇系统及其方法
CN104515271A (zh) 中央空调冷冻站系统的节能优化控制系统及其控制方法
CN203276003U (zh) 基于物联网的蚕室监控系统
CN113748893A (zh) 一种基于智能育秧控制系统的执行机构工作时间预测方法
CN204595656U (zh) 育鸡室辅助控制系统
CN115686095A (zh) 一种智能楼宇节能综合控制方法和装置
CN115081220A (zh) 一种高能效中央空调系统调节方法及其系统
CN213069619U (zh) 一种基于物联网的绿化区域管控系统
CN113535233A (zh) 用于暖通云边协同的人工智能系统
CN104216445A (zh) 一种用于大棚花卉的自动灌溉控制系统及其控制方法
CN205481245U (zh) 一种互联网智能换热机组
CN205121386U (zh) 一种基于物联网的智能农业系统
CN202104094U (zh) 一种用于植物培育的计算机管理控制系统
CN112130608A (zh) 一种智慧大棚系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211207

WW01 Invention patent application withdrawn after publication