CN114489200A - 一种温室大棚环境控制系统 - Google Patents
一种温室大棚环境控制系统 Download PDFInfo
- Publication number
- CN114489200A CN114489200A CN202210335229.5A CN202210335229A CN114489200A CN 114489200 A CN114489200 A CN 114489200A CN 202210335229 A CN202210335229 A CN 202210335229A CN 114489200 A CN114489200 A CN 114489200A
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- environment
- control
- parameters
- control unit
- 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.)
- Pending
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 39
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 54
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 27
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 22
- 210000002569 neuron Anatomy 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Greenhouses (AREA)
Abstract
本发明属于环境控制技术领域,具体涉及一种温室大棚环境控制系统,包括:环境采集单元、数据应用单元和电器控制单元,环境采集单元用于采集温室大棚外和温室大棚内的环境参数,数据应用单元包括设备状态预测模型,设备状态预测模型用于根据当前时刻的环境参数和控制参数预测下一时刻电器设备的控制参数,电器设备为设置在温室大棚中的电器设备,电器控制单元用于根据设备状态预测模型输出的控制参数控制电器设备的状态;环境采集单元包括室内传感器和室外传感器;电器设备包括湿帘、水泵、照明灯、风机、温度调节器、二氧化碳生成器、顶窗、内遮阳网和外遮阳网。本发明提高了控制的准确性和及时性。
Description
技术领域
本发明涉及环境控制技术领域,特别是涉及一种温室大棚环境控制系统。
背景技术
农业是中国的社会发展的基础;农业涉及到国家安全、社会稳定甚至国际关系等方方面面。东北三省作为农业大省,还是以传统的耕作方式为主,仅仅在播种、收割、施药、施肥等几个方面实现了机械化自动化,多数情况下凭借农民或技术人员的经验实施耕作环节,缺乏数据采集和分析手段,无法根据土地的实际情况,进行科学化处理。同时为了提高作物产量和收获时间,搭建温室大棚已经成为了非常普遍的现象,不过温室大棚还是以遮风挡雨,提高温度为主,管理粗犷,并不能完全发挥温室大棚的优势。
人工智能技术是21世纪科技发展的核心,对社会进步和经济发展有着不可估量的作用。深度学习作为近年来人工智能领域发展最快的技术,在计算机视觉、语音识别、自然语言处理等领域已经取得了非常好的应用效果。温室大棚智能控制方面的相关技术研究虽然已经有了大约50年历史,很多控制方法被提出,但是由于温室大棚系统是一个多输入、多输出、强耦合的复杂系统,目前温室大棚系统的智能控制技术的控制结果都不尽人意。
发明内容
本发明的目的是提供一种温室大棚环境控制系统,提高了控制的准确性和及时性。
为实现上述目的,本发明提供了如下方案:
一种温室大棚环境控制系统,包括:环境采集单元、数据应用单元和电器控制单元,所述环境采集单元用于采集温室大棚外和温室大棚内的环境参数,所述数据应用单元包括设备状态预测模型,所述设备状态预测模型用于根据当前时刻的环境参数和控制参数预测下一时刻电器设备的控制参数,所述电器设备为设置在温室大棚中的电器设备,所述电器控制单元用于根据所述设备状态预测模型输出的控制参数控制电器设备的状态;
所述环境采集单元包括室内传感器和室外传感器;所述室内传感器包括第一温湿度传感器、二氧化碳浓度传感器和光感器;所述室外传感器包括第二温湿度传感器和风速风向仪,所述环境参数包括室外温度、室外湿度、风速、风向、室内温度、室内湿度、二氧化碳浓度和光照强度;
所述电器设备包括湿帘、水泵、照明灯、风机、温度调节器、二氧化碳生成器、顶窗、内遮阳网和外遮阳网,所述水泵为所述湿帘提供水分;所述外遮阳网设置在所述温室大棚的外侧,所述湿帘、水泵、照明灯、风机、温度调节器和二氧化碳生成器均设置在所述温室大棚内,所述顶窗设置在所述温室大棚的上方。
可选地,所述设备状态预测模型采用的网络结构包括输入层、隐藏层和输出层;所述输入层用于对输入数据进行Min-Max标准化,所述隐藏层包括依次连接的采用DCLSTM搭建的循环神经网络、前馈神经网络和ReLU激活函数层。
可选地,所述设备状态预测模型为采用Adam优化算法根据数据集进行网络模型训练获得的,所述数据集为时间序列,所述时间序列中元素包括环境参数和控制参数,所述控制参数为控制电器设备状态的参数,所述电器设备状态包括电器设备的开关状态。
可选地,所述电器控制单元包括控制柜,所述控制柜包括卷帘控制单元、水泵控制单元、照明控制单元、风机控制单元、升温控制单元和二氧化碳发生器控制单元,所述卷帘控制单元用于控制所述湿帘,所述水泵控制单元用于控制所述水泵,所述照明控制单元用于控制所述照明灯,所述风机控制单元用于控制所述风机,所述升温控制单元用于控制所述温度调节器,所述二氧化碳发生器控制单元用于控制所述二氧化碳生成器。
可选地,所述环境采集单元每隔五分钟采集一次环境参数。
可选地,所述数据应用单元还包括数据接收服务器,所述数据接收服务器用于接收所述环境采集单元采集的环境参数并存储到数据库中。
可选地,所述数据接收服务器与所述环境采集单元之间通过RS-485通信传输数据。
可选地,所述数据应用单元还包括监控电脑,所述监控电脑用于显示所述环境采集单元采集的环境参数和当前电器设备的控制参数。
可选地,所述湿帘与所述风机面对面安装,所述湿帘与所述风机分别安装在温室大棚的两端。
可选地,所述顶窗全开时开口高度为0.4m。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种温室大棚环境控制系统,获取温室大棚外和温室大棚内的环境参数,提高了环境参数的全面性,通过输入设备状态预测模型的环境参数和控制参数,预测下一时刻的环境参数和控制参数,通过预测模型输出的控制参数控制电器设备的状态,提高了电器设备控制的准确性和及时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种温室大棚环境控制系统结构示意图;
图2为本发明温室大棚结构示意图;
图3为本发明一种温室大棚环境控制系统的电力结构示意图;
图4为本发明设备状态预测模型的控制算法原理示意图;
图5为本发明DCLSTM中的神经元随机连接结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种温室大棚环境控制系统,提高了控制的准确性和及时性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种温室大棚环境控制系统结构示意图,如图1所示,一种温室大棚环境控制系统,包括:环境采集单元101、数据应用单元102和电器控制单元103,环境采集单元101用于采集温室大棚外和温室大棚内的环境参数,数据应用单元102包括设备状态预测模型,设备状态预测模型用于根据当前时刻的环境参数和控制参数预测下一时刻电器设备的控制参数,电器设备为设置在温室大棚中的电器设备,电器控制单元103用于根据设备状态预测模型输出的控制参数控制电器设备的状态。
电器控制单元103位于温室大棚的室内。
环境采集单元101包括室内传感器和室外传感器;室内传感器包括第一温湿度传感器、二氧化碳浓度传感器、光感器和第一摄像头;室外传感器包括第二温湿度传感器、风速风向仪和第二摄像头,环境参数包括室外温度、室外湿度、风速、风向、室内温度、室内湿度、二氧化碳浓度和光照强度。
室外传感器对温室外的温湿度、风速和风向进行监测,室内传感器对温室内温湿度、二氧化碳浓度和光照强度进行监测。
本发明中室内是指温室大棚的室内,室外是指温室大棚的室外。
数据接收服务器与环境采集单元101之间通过RS-485通信传输数据。
数据应用单元102还包括数据接收服务器,数据接收服务器用于接收环境采集单元101采集的环境参数并存储到数据库中。
环境采集单元101每隔五分钟采集一次环境参数,采集到的数据由环境采集单元101通过2.4G无线通信保存于控制柜中,控制柜通过485通信发送给数据接收服务器,数据接收服务器存入数据库中,如图3所示。
如图2所示,电器设备包括湿帘、水泵、照明灯、风机、温度调节器、二氧化碳生成器、顶窗(放风口)、内遮阳网、外遮阳网和外保暖被,水泵为湿帘提供水分;外遮阳网设置在温室大棚的外侧,湿帘、水泵、照明灯、风机、温度调节器和二氧化碳生成器均设置在温室大棚内,顶窗设置在温室大棚的上方。
湿帘与风机面对面安装,湿帘与风机分别安装在温室大棚的两端。
顶窗是温室大棚内外气体交换、流动的设备,通过顶窗能够降低温度、湿度和提高CO2浓度,顶窗的开启方式为电动,通过开设顶窗实现自然通风的功能,顶窗全开时开口高度为0.4m,当温室内温度与室外温度相差较大时,高度差会产生空气对流,实现通风的效果;风机的作用是依靠外力强制进行温室内外气体交换,具有通风效率高,便于控制的优点。另外,湿帘与风机面对面安装,通过水泵为湿帘提供水分,使用风机的抽取效果能达到增加空气湿度与降低温度的效果;外遮阳网用来遮挡阳光实现降低温度和降低光照强度的作用,内遮阳网起到保温的作用;根据大棚的大小以及传感器的类别性能来决定安装的方式;控制柜和个人监控电脑安装在监控室。
各电器设备根据实际需要设置数量。
电器控制单元103包括控制柜,控制柜包括卷帘控制单元、水泵控制单元、照明控制单元、风机控制单元、升温控制单元和二氧化碳发生器控制单元,卷帘控制单元用于控制湿帘,水泵控制单元用于控制水泵,照明控制单元用于控制照明灯,风机控制单元用于控制风机,升温控制单元用于控制温度调节器,二氧化碳发生器控制单元用于控制二氧化碳生成器。
电器设备通过控制柜来进行控制,控制柜每隔十分钟采集一次设备状态数据,并各设备状态数据将通过控制柜上传数据接收服务器存入数据库中。
数据应用单元102还包括监控电脑,监控电脑用于显示环境采集单元101采集的环境参数和当前电器设备的控制参数。
如图4所示,设备状态预测模型采用的网络结构包括输入层、隐藏层和输出层;输入层用于对输入数据进行Min-Max标准化,隐藏层包括依次连接的采用改进的LSTM(DCLSTM)搭建的循环神经网络、前馈神经网络和ReLU激活函数层。
传统的LSTM以及它的一些变体基本上遵循经典的模式,即存储器中的神经元之间的连接都是存在的,没有改变网络中的神经连接。大棚环境因子数据量大且短时间内变化缓慢,并且被控设备的开关状态具有离散的特点。所以,利用传统的LSTM模型来训练大棚数据不仅需要大量的参数并且容易造成网络过拟合。因此设备状态预测模型采用DCLSTM(Dropout Connect LSTM),调整输入层和功能层之间神经元的连接概率,显著提高了训练的性能和效率。
LSTM存储块用φ(v,p g [j→k])表示,其中v表示一组神经元,v={};v glk 表示g网络的l层的第k个神经元:g代表输入门、输出门、遗忘门和输入激活构成的网络,i表示输入门,o表示输出门,f表示遗忘门,z表示输入激活;n l 代表l层的神经元个数;p g [j→k]代表神经元v g1k 与v g2k 之间连接的概率。
使用上面的定义,可以通过用一组神经元初始化来改变LSTM存储块内的神经元连接,作为Ψ(v, p g [j→k] )的实现,这组神经元以随机的方式存在且他们的连接性为p g [j →k]。在DCLSTM模型中建立神经元连接的策略是当p g [j→k]³T时,存在e g [j→k]。e g [j→k]代表g网络中节点j到k的连接;T是连接阈值。
DCLSTM存储器块中的神经元随机连接结构图如图5所示,图5中φ表示LSTM存储块,A ‹t›表示当前状态的输入激活。DCLSTM细胞的前向计算公式为:
式中:i ‹t›、f ‹t›、o ‹t›分别表示DCLSTM细胞的输入门、遗忘门和输出门,t表示时间。W xi表示第一权重系数,W xf表示第二权重系数,W xo表示第三权重系数,W xc表示第四权重系数,W hi表示第五权重系数,W hf表示第六权重系数,W ho表示第七权重系数,W hc表示第八权重系数,b i为第一偏置项,b f 为第二偏置项,b o为第三偏置项,σ表示sigmoid函数,用于控制输出,范围为[0,1]。c ‹t›表示细胞的激活向量,h ‹t›表示当前时刻的隐藏状态,h ‹t-1›表示上个时刻(t-1时刻)的隐藏状态,x ‹t›表示当前时刻的输入。
由于DCLSTM只改变了输入层与功能层之间神经元的连接概率,所以经过LSTM改进模型的前向计算与传统的LSTM前向计算公式等价。
输入层用于对输入数据进行Min-Max标准化,具体包括:使输入的特征点数据落在[0,1]区间,Min-Max标准化的公式为:
其中,Y(x)表示标准化后的数据,x表示输入的特征点数据,X表示输入数据的数据集。
输出层用于输出预测结果。网络预测采用迭代的方法逐点预测。
循环神经网络为采用多个DCLSTM单元进行循环连接。因为前馈神经网络具有良好的不同属性间的空间表达能力,循环神经网络具有良好的时序表达能力。本发明设备状态预测模型的网络结构比单纯使用循环神经网络能更好的挖掘大棚数据之间的信息,进而达到预期的预测效果。
设备状态预测模型为采用Adam优化算法根据数据集进行网络模型训练获得的,数据集为时间序列,时间序列中元素包括环境参数和控制参数,控制参数为控制电器设备状态的参数,电器设备状态包括电器设备的开关状态。
设备状态预测网络过Adam优化方法更新网络的权重使网络的损失最小,且以最快的速度达到最小值,为了避免过拟合问题,采用L2正则化方法对网络进行正则化,训练好的设备状态预测网络为设备状态预测模型。
设备状态预测模型(决策器)由多个运算单元组成,运算单元是小型电脑树莓派,操作系统为Linux;运算单元的作用通过LAN与控制柜相连,利用深度学习模型的训练结果结合当前温室内外环境变量和控制状态来预测下个时刻要做出的控制动作,传送给电器控制单元103执行。
设备状态预测模型为针对环境因子变化缓慢、数据量大和被控设备的开关状态离散的问题而提出的预测模型,设备状态预测模型为基于改进LSTM结构来构建环境因子和被控设备开关状态的预测模型。
本发明一种温室大棚环境控制系统的环境自动控制包括以下步骤:
步骤1:将训练好的设备状态预测模型的model.ckpt文件移植到运算单元上。
步骤2:通过控制柜从室内传感器、室外传感器以及电器设备读取环境参数和控制参数,包括温室外气象数据温度、湿度、风力的信息,大棚环境变量温度、湿度、二氧化碳浓度和光照强度的信息等,环境参数和控制参数通过LAN传输至运算单元(数据应用单元102)。
步骤3:控制柜采集到的数据集(环境参数和控制参数),可能会由于人为因素、传感器故障、系统故障等原因,导致采集到的数据集出现缺损值、奇异值、离散值等问题,将采集到的数据集进行数据清洗和数据标准化等处理后输入设备状态预测模型。
步骤4、设备状态预测模型根据输入的环境参数和控制参数对下个时刻的环境参数的值和控制参数进行预测,把预测结果反馈给控制柜进而控制电器设备,预测结果包括大棚控制设备湿帘—水泵系统、二氧化碳生成器、风机、外遮阳网、内遮阳网、顶窗、补光灯(照明灯)的开关状态。
数据应用单元102不但可以通过设备状态预测模型对大棚环境进行智能控制,还可以实现大棚环境实时监测、对数据集进行统计分析、进行用户友好的可视化分析,帮助用户及时、准确地了解大棚环境变化规律,结合自己的专业知识更加合理的制定作物培养方案。
一种温室大棚环境控制系统启动后从控制柜读取传来的环境参数和控制参数,将其输入到设备状态预测模型,使用训练好的预测模型预测出下个时刻的环境参数的值和控制状态(控制参数),随后发送给控制柜驱动相关电器设备;此后不断从控制柜读取数据循环预测,直至整个系统关闭。
本发明一种温室大棚环境控制系统的硬件部分主要包括通过ZigBee技术进行无线通信;软件部分包括android应用程序开发环境和运行环境,将系统集成到智能手机或平板电脑,通过android系统可用的服务端NanoHTTPD技术实现android系统的网络服务器。
服务端软件功能:传感器数据采集、传输协议指定、自动控制模块、通信模块、传感器设置模块等功能。客户端软件功能:用户登录、注册、找回密码、服务端IP设置、传感器度数显示、传感器实时数据图表显示、历史数据显示、手动控制、传感器阀值设置、通信模块。
设备状态预测模型的网络的输入部分的数据集(原始环境变量数据序列)表示为T n=(x 1,x 2,…,x t,…,x n),式中
x t={T t,H t,F t,Tem t,Hum t,Co t,Sun t,WC t,CG t,FG t,ESN t,ISN t,TW t,LT t}。
T t、H t和F t分别为t时刻的温室外温度、湿度和风力的信息。
Tem t、Hum t、Co t和Sun t分别为t时刻的温室内温度、湿度、二氧化碳浓度和光照强度的值。
WC t、CG t、FG t、ESN t、ISN t、TW t和LT t分别为t时刻的湿帘─水泵系统、二氧化碳生成器、风机、外遮阳网、内遮阳网、顶窗、补光灯的开关状态(0为关,1为开)。从T n中划分训练集T tr和测试集T te:
T tr=(x 1,x 2,…,x m);
T te=(x m+1,x m+2,…,x n);
1≤m≤0,n∈N;
N表示样本总数量。
采用Min-Max标准化方法对数据中环境变量数据进行预处理,预处理的训练集T tr’、测试集T te’可表示为:
T tr’=(x 1’,x 2’,…,x m’);
T te’=(x m+1,x m+2,…,x n);
1≤t≤m,t∈N,x t’表示x t进行Min-Max标准化后的值。
为了适应隐藏层输入的特点,构建短时间输入序列也叫滑动窗口输入,通过滑动窗口长度来确定输入时间序列的长度。设滑动窗口长度取值为L,则设备状态预测模型输入为:
X={X 1,X 2,…,X m-L};
X t={x t’,x t+1’,…,x m+L-1’};
1≤t≤m-L,t∈N;
将X输入隐藏层,经过隐藏层的输出为:
P=(P 1,P 2,…,P m-L);
P t =LSTM(x t,c <t-1> ,h <t-1> );
其中,c <t-1> 和h <t-1> 分别为上个时刻(t-1时刻)的细胞状态和隐藏层状态。
本发明公开了一种温室大棚环境控制系统,克服了现有大棚环境控制系统中人工检测和控制不及时、不准确等不足的问题,本发明一种温室大棚环境控制系统为基于农业物联网和人工智能方法的大棚环境监测和控制系统,能够实现设备状态实时检测、大数据统计分析、数据可视化的数据流程,以及实现环境监控数据预警。
本发明的有益效果:
(1)温室大棚的室内传感器和室外传感器,同时采集大棚内外环境数据,实现大棚中一个环境参数的多点监测,信息采集全面。
有时候会出现大棚不同区域环境参数不同的现象,比如环境温度,在春秋季节昼夜温差较大,通常在大棚边缘的温度会低于中心区域的温度,记录不同区域的环境信息差别,有助于更加科学的管理大棚,同时也能环境条件与作物生长之间的关系。
(2)基于深度学习预测模型对大棚环境进行智能控制,克服了人为控制带来的操作及时、操作错误等缺点。
在深度学习模型中加入正则化优化来改进网络的收敛速度和预测效果,针对深度学习模型用作温室大棚的环境因子和控制设备的预测时可以提升实践应用效果。
(3)数据采集器与电器设备由控制柜集成控制,减少了控制模块的数量,节约成本,简化安装拆卸步骤,可以重复使用。
(4)本发明采用无线数据传输,比传统方式更加灵活便捷,同时避免了数据传输布线对温室大棚环境造成破坏。
(5)本发明不仅可以实现大棚环境实时监测,还能对大棚环境数据进行统计分析、以可视化图表的形式呈现给用户,帮助用户及时、准确地了解大棚环境变化规律,更加合理的制定作物培养方案。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种温室大棚环境控制系统,其特征在于,包括:环境采集单元、数据应用单元和电器控制单元,所述环境采集单元用于采集温室大棚外和温室大棚内的环境参数,所述数据应用单元包括设备状态预测模型,所述设备状态预测模型用于根据当前时刻的环境参数和控制参数预测下一时刻电器设备的控制参数,所述电器设备为设置在温室大棚中的电器设备,所述电器控制单元用于根据所述设备状态预测模型输出的控制参数控制电器设备的状态;
所述环境采集单元包括室内传感器和室外传感器;所述室内传感器包括第一温湿度传感器、二氧化碳浓度传感器和光感器;所述室外传感器包括第二温湿度传感器和风速风向仪,所述环境参数包括室外温度、室外湿度、风速、风向、室内温度、室内湿度、二氧化碳浓度和光照强度;
所述电器设备包括湿帘、水泵、照明灯、风机、温度调节器、二氧化碳生成器、顶窗、内遮阳网和外遮阳网,所述水泵为所述湿帘提供水分;所述外遮阳网设置在所述温室大棚的外侧,所述湿帘、水泵、照明灯、风机、温度调节器和二氧化碳生成器均设置在所述温室大棚内,所述顶窗设置在所述温室大棚的上方。
2.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述设备状态预测模型采用的网络结构包括输入层、隐藏层和输出层;所述输入层用于对输入数据进行Min-Max标准化,所述隐藏层包括依次连接的采用DCLSTM搭建的循环神经网络、前馈神经网络和ReLU激活函数层。
3.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述设备状态预测模型为采用Adam优化算法根据数据集进行网络模型训练获得的,所述数据集为时间序列,所述时间序列中元素包括环境参数和控制参数,所述控制参数为控制电器设备状态的参数,所述电器设备状态包括电器设备的开关状态。
4.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述电器控制单元包括控制柜,所述控制柜包括卷帘控制单元、水泵控制单元、照明控制单元、风机控制单元、升温控制单元和二氧化碳发生器控制单元,所述卷帘控制单元用于控制所述湿帘,所述水泵控制单元用于控制所述水泵,所述照明控制单元用于控制所述照明灯,所述风机控制单元用于控制所述风机,所述升温控制单元用于控制所述温度调节器,所述二氧化碳发生器控制单元用于控制所述二氧化碳生成器。
5.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述环境采集单元每隔五分钟采集一次环境参数。
6.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述数据应用单元还包括数据接收服务器,所述数据接收服务器用于接收所述环境采集单元采集的环境参数并存储到数据库中。
7.根据权利要求6所述的温室大棚环境控制系统,其特征在于,所述数据接收服务器与所述环境采集单元之间通过RS-485通信传输数据。
8.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述数据应用单元还包括监控电脑,所述监控电脑用于显示所述环境采集单元采集的环境参数和当前电器设备的控制参数。
9.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述湿帘与所述风机面对面安装,所述湿帘与所述风机分别安装在温室大棚的两端。
10.根据权利要求1所述的温室大棚环境控制系统,其特征在于,所述顶窗全开时开口高度为0.4m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335229.5A CN114489200A (zh) | 2022-04-01 | 2022-04-01 | 一种温室大棚环境控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335229.5A CN114489200A (zh) | 2022-04-01 | 2022-04-01 | 一种温室大棚环境控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114489200A true CN114489200A (zh) | 2022-05-13 |
Family
ID=81489162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210335229.5A Pending CN114489200A (zh) | 2022-04-01 | 2022-04-01 | 一种温室大棚环境控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114489200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115686110A (zh) * | 2023-01-07 | 2023-02-03 | 广州市农业科学研究院 | 温室大棚智能控制方法、系统、监控装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701845A (zh) * | 2013-07-16 | 2014-04-02 | 廊坊市大华夏神农信息技术有限公司 | 基于云计算的温室群物联网监测预警控制云服务系统及其方法 |
CN105513591A (zh) * | 2015-12-21 | 2016-04-20 | 百度在线网络技术(北京)有限公司 | 用lstm循环神经网络模型进行语音识别的方法和装置 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN112949628A (zh) * | 2021-02-07 | 2021-06-11 | 中国科学院计算技术研究所 | 一种基于嵌入-混合的轨迹数据增强及轨迹识别方法 |
CN113110655A (zh) * | 2021-04-19 | 2021-07-13 | 宁波弘讯软件开发有限公司 | 一种农产品智能监测方法和系统 |
CN113361744A (zh) * | 2021-04-26 | 2021-09-07 | 华北电力大学 | 一种基于lstm算法的室内温度预测方法 |
-
2022
- 2022-04-01 CN CN202210335229.5A patent/CN114489200A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701845A (zh) * | 2013-07-16 | 2014-04-02 | 廊坊市大华夏神农信息技术有限公司 | 基于云计算的温室群物联网监测预警控制云服务系统及其方法 |
CN105513591A (zh) * | 2015-12-21 | 2016-04-20 | 百度在线网络技术(北京)有限公司 | 用lstm循环神经网络模型进行语音识别的方法和装置 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN112949628A (zh) * | 2021-02-07 | 2021-06-11 | 中国科学院计算技术研究所 | 一种基于嵌入-混合的轨迹数据增强及轨迹识别方法 |
CN113110655A (zh) * | 2021-04-19 | 2021-07-13 | 宁波弘讯软件开发有限公司 | 一种农产品智能监测方法和系统 |
CN113361744A (zh) * | 2021-04-26 | 2021-09-07 | 华北电力大学 | 一种基于lstm算法的室内温度预测方法 |
Non-Patent Citations (2)
Title |
---|
赵全明等: "基于CNN-GRU的菇房多点温湿度预测方法研究", 《农业机械学报》 * |
陈亮等: "基于LSTM的大棚环境变量预测", 《沈阳理工大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115686110A (zh) * | 2023-01-07 | 2023-02-03 | 广州市农业科学研究院 | 温室大棚智能控制方法、系统、监控装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
CN107704966A (zh) | 一种基于天气大数据的能源负荷预测系统及方法 | |
CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN107290481B (zh) | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 | |
CN106371318B (zh) | 基于合作博弈的设施环境多目标优化控制方法 | |
CN106509969A (zh) | 一种基于云平台的在线智能化烤烟系统及烘烤工艺 | |
CN108710947A (zh) | 一种基于lstm的智能家居机器学习系统设计方法 | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
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 | |
CN111553806B (zh) | 基于低功耗传感器和Boost模型的自适应作物管理系统及方法 | |
CN107861551A (zh) | 一种基于大数据的智能大棚系统 | |
CN115907366A (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
CN107037728A (zh) | 基于多目标灰色粒子群算法的温室环境优化控制方法 | |
US20230144498A1 (en) | Simulation and automated control of physical systems | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN115796040A (zh) | 一种基于小样本的设施温室温度预测方法 | |
CN112527037A (zh) | 一种具有环境因子预测功能的温室环境调控方法和系统 | |
CN110332686A (zh) | 一种楼宇能耗控制节能系统及其方法 | |
CN114489200A (zh) | 一种温室大棚环境控制系统 | |
CN114997508A (zh) | 基于多能互补的大棚用电优化方法及系统 | |
CN114115394A (zh) | 一种烟叶智能烘烤控制系统及方法 | |
Liu | Smart greenhouse monitoring and controlling based on NodeMCU | |
CN115047821A (zh) | 一种生猪养殖环境智能监测系统及其评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |
|
RJ01 | Rejection of invention patent application after publication |