KR20180024171A - 온실의 구동기의 파라미터를 결정하는 서버 및 방법 - Google Patents
온실의 구동기의 파라미터를 결정하는 서버 및 방법 Download PDFInfo
- Publication number
- KR20180024171A KR20180024171A KR1020160109842A KR20160109842A KR20180024171A KR 20180024171 A KR20180024171 A KR 20180024171A KR 1020160109842 A KR1020160109842 A KR 1020160109842A KR 20160109842 A KR20160109842 A KR 20160109842A KR 20180024171 A KR20180024171 A KR 20180024171A
- Authority
- KR
- South Korea
- Prior art keywords
- greenhouse
- parameter
- driver
- model
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Greenhouses (AREA)
Abstract
온실의 구동기의 파라미터를 결정하는 서버는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 온실 데이터 수집부, 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 온실 모델링부 및 온실 모델로부터 구동기의 파라미터를 도출하는 파라미터 추출부를 포함하고, 파라미터는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다.
Description
본 발명은 온실의 구동기의 파라미터를 결정하는 서버 및 방법에 관한 것이다.
시설 재배는 온실의 환경 조절로 노지에서는 재배가 어려운 시기에 노지보다 좋은 환경 조건을 만들어 고품질의 작물을 생산하는 농업이다. 온실은 유리 온실, 비닐 온실, 태양광 병용형, 인공광 이용 식물 공장 등 다양한 형태로 구현되고 있다.
시설 재배에서는 작물의 생산성 향상, 고품질의 작물을 수확하기 위해 정밀한 복합 환경을 조성할 필요가 있다. 종래의 온실의 복합 환경 제어 기술은 온실에서 센서, 구동기 및 제어기가 연결되어 환경 제어를 수행하고 제어기와 중앙 시스템이 연결되어 온실 제어 상황을 모니터링하는 방식을 사용한다.
종래의 온실 제어 시스템에 따르면, 온실 제어에 영향을 줄 수 있는 외부 조건, 예컨대, 지역별 기후, 온실 구조 등의 변화가 다양한 경우, 최적화된 온실 제어가 어렵다.
또한, 종래의 온실 제어 시스템에 따르면 비례 제어 파라미터 값이 고정되어 있거나, 비례 제어 파라미터 값을 농가주가 직접 변경하여야 하는 문제점이 있다. 또한, 국내 대부분의 농가는 고령화로 접어들면서, 노인들이 온실 제어 시스템의 비례 제어 파라미터 값을 직접 설정하여 온실 제어 시스템을 다루는 데는 많은 어려움이 있다.
선행 기술인 한국공개특허 제2015-0069580호에는 사용자단말로부터 선택작물에 대한 작물의 육성활동정보를 수신하고, 사용자가 구매한 선택작물의 재배에 필요한 아이템 및 수신한 육성활동정보에 따라 선택 작물의 육성상태를 연산하고, 외부서버로부터 환경통계 정보를 수신하여 환경통계정보에 따라 선택작물의 육성상태를 조정하여 생성된 육성결과를 사용자 단말로 전송하는 구성이 개시되어 있다.
온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하고, 생성한 온실 모델로부터 온실의 구동기의 파라미터를 도출하고자 한다. 또한, 도출한 구동기의 파라미터를 이용하여 온실의 각 구동기에 대한 비례 제어 파라미터를 결정하고자 한다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 온실의 구동기의 파라미터를 결정하는 서버는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 온실 데이터 수집부; 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 온실 모델링부; 및 상기 온실 모델로부터 구동기의 파라미터를 도출하는 파라미터 추출부를 포함하고, 상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다.
일예에 있어서, 상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 파라미터 전송부를 더 포함하고, 상기 온실 데이터 수집부는 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집할 수 있다.
일예에 있어서, 상기 파라미터는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값 중 적어도 하나를 포함할 수 있다.
일예에 있어서, 상기 온실 모델링부는 상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실을 모델링하는 플랜트 모델링부; 상기 환경 정보에 기초하여 상기 가상 온실의 환경을 모델링하는 센서 모델링부; 및 상기 구동기 정보에 기초하여 각 구동기를 모델링하는 컨트롤 모델링부를 포함할 수 있다.
일예에 있어서, 상기 파라미터 추출부는 전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출할 수 있다. 상기 파라미터 추출부는 상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 평가 범위 결정부; 및 상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정하고, 각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 파라미터 세트 결정부를 포함할 수 있다.
일예에 있어서, 상기 파라미터 세트 결정부는 상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 비례 제어 파라미터 결정부; 및 상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하고, 상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 입력 파라미터 세트 평가부를 포함할 수 있다.
일예에 있어서, 상기 설정 정보는 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값이고, 상기 환경 정보는 상기 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나를 포함할 수 있다.
일예에 있어서, 상기 구동기 정보는 상기 온실의 각 구동기의 설치 정보 및 각 구동기의 사용 이력을 포함할 수 있다.
일예에 있어서, 상기 인공 신경망을 이용한 온실 모델은 리벤버그-마카드 역전파(levenberg-marquardt backpropagation) 알고리즘에 기초하여 생성될 수 있다.
본 발명의 제 2 측면에 따른 온실 제어 시스템은 온실의 환경 정보 및 구동기 정보를 모니터링하는 센서부; 설정 정보, 상기 환경 정보 및 상기 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버로 전송하는 전송부; 상기 파라미터 결정 서버에 의해 결정된 파라미터 세트를 수신하는 수신부; 및 상기 수신한 파라미터 세트에 기초하여 각 구동기를 제어하는 제어부를 포함하고, 상기 수신한 파라미터 세트는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고, 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출될 수 있다.
일예에 있어서, 상기 각 구동기의 제어를 위한 기본 설정 값 및 상기 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 고급 설정 값을 저장하는 데이터베이스를 더 포함할 수 있다. 상기 데이터베이스는 상기 수신한 파라미터 세트로 상기 고급 설정 값을 업데이트할 수 있다.
본 발명의 제 3 측면에 따른 온실의 구동기의 파라미터를 결정하는 방법은 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 단계; 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 단계; 및 상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계를 포함하고, 상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다.
일예에 있어서, 상기 온실 모델을 생성하는 단계는 상기 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 상기 온실 모델을 생성할 수 있다.
일예에 있어서, 상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 단계를 더 포함하고, 상기 온실 데이터를 수집하는 단계는, 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집할 수 있다.
일예에 있어서, 상기 온실 모델은 상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실이 모델링된 플랜트 모델, 상기 환경 정보에 기초하여 상기 가상 온실의 환경이 모델링된 센서 모델 및 상기 구동기 정보에 기초하여 각 구동기가 모델링된 컨트롤 모델을 포함할 수 있다.
일예에 있어서, 상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는 전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출할 수 있다. 상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는 상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 단계; 상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정하는 단계; 및 각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 단계를 포함할 수 있다.
일예에 있어서, 상기 최적의 파라미터 세트를 결정하는 단계는 상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 단계; 및 상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하는 단계; 및 상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 단계를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 고정된 비례 제어 파라미터의 도출이 아닌, 온실 데이터에 따라 가변적으로 적응되는 비례 제어 파라미터를 결정함으로써 온실의 구동기 제어에 대한 정확성을 높일 수 있다. 또한, 온실 제어 시스템으로부터 수집된 온실 데이터를 통해 온실 모델을 생성하기 때문에 온실의 환경 변화를 예측할 수 있다. 또한, 온실의 크기, 재질 구조에 상관없이 전역 탐색법을 이용하여 계절별로 또는 온실별로 최적의 구동기의 파라미터를 도출하고, 도출된 파라미터를 온실 모델을 통해 시뮬레이션하여 최적의 파라미터 세트를 결정할 수 있어 실제 온실에서의 실험 대비 시간과 비용을 절감할 수 있다. 또한, 최적의 비례 제어 파라미터를 이용하여 온실의 구동기를 제어하기 때문에 작물 재배를 위한 최적의 재배 환경을 제공할 수 있고, 온실 제어 시스템의 조작 숙련도, 작물 재배 기술의 편차를 최소화할 수 있고, 균일한 품질의 작물 생산량을 최대화할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 온실 구동기의 파라미터 결정 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른, 도 1에 도시된 파라미터 결정 서버의 블록도이다.
도 3a 및 3b는 본 발명의 일 실시예에 따른, 인공 신경망을 이용한 온실 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른, 구동기의 파라미터를 도출하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른, 도 1에 도시된 온실 제어 시스템의 블록도이다.
도 6은 본 발명의 일 실시예에 따른, 파라미터 결정 서버에서 온실의 구동기의 파라미터를 결정하는 방법을 나타낸 동작 흐름도이다.
도 7은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 온실의 구동기를 제어하는 방법을 나타낸 동작 흐름도이다.
도 8은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 각 구동기의 파라미터를 설정하기 위한 제어 시스템을 예시적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른, 도 1에 도시된 파라미터 결정 서버의 블록도이다.
도 3a 및 3b는 본 발명의 일 실시예에 따른, 인공 신경망을 이용한 온실 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른, 구동기의 파라미터를 도출하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른, 도 1에 도시된 온실 제어 시스템의 블록도이다.
도 6은 본 발명의 일 실시예에 따른, 파라미터 결정 서버에서 온실의 구동기의 파라미터를 결정하는 방법을 나타낸 동작 흐름도이다.
도 7은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 온실의 구동기를 제어하는 방법을 나타낸 동작 흐름도이다.
도 8은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 각 구동기의 파라미터를 설정하기 위한 제어 시스템을 예시적으로 도시한 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하, 첨부된 구성도 또는 처리 흐름도를 참고하여, 본 발명의 실시를 위한 구체적인 내용을 설명하도록 한다.
도 8은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 각 구동기의 파라미터를 설정하기 위한 제어 시스템을 예시적으로 도시한 도면이다.
도 8을 참조하면, 제어 시스템은 각 구동기의 파라미터를 설정하기 위해 각 구동기를 선택하기 위한 구동기 선택 영역(800)을 포함할 수 있다. 또한, 제어 시스템은 각 구동기의 기본 설정 값을 입력하기 위한 기본 설정 입력 영역(810) 및 고급 설정 값을 입력하기 위한 고급 설정 입력 영역(820)을 제공할 수 있다.
예를 들면, 기본 설정 값은 작동 시간, 작동 조건, 상대 시간, 풍향창 최소 위치, 풍향창 최대 위치, 반풍향 최소 위치, 반풍향 최대 위치를 포함할 수 있다. 각 구동기는 기본 설정 값에 따라 동작하게 된다. 또한, 고급 설정 값은 천창 작동 온도폭, 작동 1회 열림값, 대기 시간 온도 차, 작동 대기 시간 최소, 작동 대기 시간 최대, 이중창 작동 온도 폭, 풍향창 최소 P밴드, 풍향창 최대 P밴드, 반풍향 최소 P밴드, 반풍향 최대 P밴드, 외부 최저 온도, 외부 최대 온도 등을 포함할 수 있다. 이러한 고급 설정 값은 각 구동기의 사양, 계절 온실의 환경 등에 따라 다르게 설정되는 것이 바람직하다.
고급 설정 값은 후술할 각 구동기의 파라미터로서, 각 구동기의 비례 제어 파라미터를 결정하기 위한 값일 수 있다. 고급 설정 값에 따라 각 구동기의 비례 제어 파라미터가 결정되고, 비례 제어 파라미터에 따라 각 구동기가 동작하게 된다.
하지만, 대부분의 농가주는 이러한 고급 설정 값에 대한 이해가 부족하여, 고급 설정 값을 초기값으로 고정하여 온실을 운영하고 있는 실정이다.
본 발명에 따르면, 각 구동기의 파라미터로서, 각 구동기의 비례 제어 파라미터를 결정하기 위한 값(고급 설정 값)을 결정하여 온실에 제공함으로써, 온실 운영을 도울 수 있다.
도 1은 본 발명의 일 실시예에 따른, 온실 구동기의 파라미터 결정 시스템의 구성도이다.
도 1을 참조하면, 온실 구동기의 파라미터 결정 시스템은 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)을 포함할 수 있다. 다만, 이러한 도 1의 온실 구동기의 파라미터 결정 시스템은 본 발명의 일 실시예에 불과하므로 도 1을 통해 본 발명이 한정 해석되는 것은 아니며, 본 발명의 다양한 실시예들에 따라 도 1과 다르게 구성될 수도 있다.
일반적으로, 도 1의 온실 구동기의 파라미터 결정 시스템의 각 구성요소들은 네트워크(120)를 통해 연결된다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(network)의 일례에는 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 3G, 4G, 5G 등이 포함되나 이에 한정되지는 않는다.
파라미터 결정 서버(100)는 복수의 온실 제어 시스템(110)로부터 각 온실의 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집할 수 있다.
파라미터 결정 서버(100)는 복수의 온실 제어 시스템(110)로부터 수신된 각 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 온실 제어 시스템 (110) 별로 생성할 수 있다.
파라미터 결정 서버(100)는 온실 제어 시스템(110) 별로 생성된 온실 모델 각각으로부터 각 온실 제어 시스템(110)의 각 구동기의 파라미터를 도출하고, 도출된 각 구동기의 파라미터를 각 온실 제어 시스템(110)에게 전송할 수 있다.
복수의 온실 제어 시스템(110) 각각은 복수의 센서와 복수의 구동기로 구성되어 있고, 복수의 센서를 통해 온실의 내부 환경 정보를 측정하고, 복수의 구동기를 통해 온실의 내부 환경을 조절할 수 있다. 예를 들면, 복수의 센서는 온실 내 온도를 측정하는 온도 센서, 습도를 측정하는 습도 센서, 광량을 측정하는 광센서 등을 포함할 수 있다. 구동기는 온실 내 다양한 환경을 조절할 수 있는 다양한 종류의 구동기로 구성될 수 있다. 예를 들면, 구동기는 온실에서 재배하는 작물에 양액을 제공하는 양액기, 온실 내 난방을 수행하는 난방기, 온실 외부로부터의 빛을 차단하는데 사용되는 커튼 구동기, 천창 및 측창 등을 포함할 수 있다.
복수의 온실 제어 시스템(110)은 온실의 환경 정보 및 온실 제어 시스템(110)에 설치된 각 구동기의 구동기 정보를 모니터링하고, 온실 데이터(설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함)를 파라미터 결정 서버(100)에게 전송할 수 있다.
복수의 온실 제어 시스템(110)은 파라미터 결정 서버(100)에 의해 결정된 파라미터 세트를 수신하고, 수신한 파라미터 세트에 기초하여 각 구동기를 제어할 수 있다.
이하에서는 도 1의 온실 구동기의 파라미터 결정 시스템의 각 구성요소의 동작에 대해 보다 구체적으로 설명한다. 도 2는 본 발명의 일 실시예에 따른, 도 1에 도시된 파라미터 결정 서버(100)의 블록도이다.
도 2를 참조하면, 파라미터 결정 서버(100)는 온실 데이터 수집부(200), 온실 모델링부(210), 파라미터 추출부(220) 및 파라미터 전송부(230)를 포함할 수 있다. 여기서, 온실 모델링부(210)는 플랜트 모델링부(212), 센서 모델링부(214) 및 컨트롤 모델링부(216)를 포함하고, 파라미터 추출부(220)는 평가 범위 결정부(222) 및 파라미터 세트 결정부(224)를 포함하고, 파라미터 세트 결정부(224)는 비례 제어 파라미터 결정부(226) 및 입력 파라미터 세트 평가부(228)을 포함할 수 있다. 다만, 도 2에 도시된 파라미터 결정 서버(100)는 본 발명의 하나의 구현 예에 불과하며, 도 2에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다.
온실 데이터 수집부(200)는 온실 제어 시스템(111)로부터 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집할 수 있다. 여기서, 설정 정보는 예를 들면, 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값일 수 있다. 환경 정보는 예를 들면, 온실의 속성(온실 유형, 크기, 재질 등), 온실 내부 및 외부 정보 등을 포함할 수 있다. 환경 정보는 예를 들면, 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나를 포함할 수 있다. 구동기 정보는 예를 들면, 온실의 각 구동기(예컨대, 커튼, 유동팬, 배기팬, 보온덮개, 관수, 천창 및 측창 등)의 설치 정보(구동기 보유, 종류, 위치에 대한 정보) 및 각 구동기의 사용 이력(시간별 구동기의 온오프 정보)을 포함할 수 있다.
예를 들면, 온실 데이터 수집부(200)는 온실 제어 시스템(111)에 설치된 복수의 센서에 의해 측정되는 환경 정보를 센서 노드를 통해 수집할 수 있다. 환경 정보는 온도 센서에 의해 측정된 온실의 내/외부 온도, 습도 센서에 의해 측정된 온실 습도, 풍속 센서에 의해 측정된 풍속 및 풍향 등을 포함할 수 있다.
온실 데이터 수집부(200)는 온실 제어 시스템(111)으로부터 온실 데이터를 실시간으로 수집할 수 있다.
온실 모델링부(210)는 온실 데이터에 기초하여 인공 신경망을 이용하여 복수의 온실 모델을 생성할 수 있다. 온실 모델링부(210)는 예를 들어, 리벤버그-마카드 역전파(levenberg-marquardt backpropagation) 알고리즘에 기초하여 인공 신경망을 이용한 온실 모델을 생성할 수 있다.
도 3a를 참조하면, 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 조정하여 학습하는 통계적 학습 알고리즘이다. 이러한 인공 신경망은 훈련 데이터를 통해 학습된 속성에 기초하여 예측 모델을 생성할 수 있다.
도 3b를 참조하면, 파라미터 결정 서버(100)는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터(310)를 입력으로 하는 인공 신경망(320)을 이용한 온실 모델(330)을 생성할 수 있다. 예를 들면, 파라미터 결정 서버(100)는 온실의 천창 각도, 외부 온도, 광량, 풍속 등을 인공 신경망의 입력 파라미터로 사용함으로써 온실의 내부 온도에 대한 온실 모델(330)을 생성할 수 있다.
온실 모델링부(210)는 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 복수의 온실 모델(예컨대, 가상 온실의 모델, 가상 온실의 환경 모델, 구동기 모델)을 생성할 수 있다.
구체적으로, 플랜트 모델링부(212)는 설정 정보 및 구동기 정보에 기초하여 가상 온실을 모델링할 수 있다.
플랜트 모델링부(212)는 적어도 하나의 설정 정보 및 구동기 정보를 인공 신경망 알고리즘의 입력 값으로 하여 온실의 온도, 습도, 이산화탄소(CO2)의 증감분을 출력으로 하는 가상 온실의 모델링을 수행할 수 있다.
예를 들면, 플랜트 모델링부(212)는 비선형 모델의 학습 알고리즘을 이용하여 온실의 온도, 습도, 이산화탄소(CO2)에 대한 가상 온실의 모델링을 수행할 수 있다. 여기서, 온실 온도, 온실 습도, 온실 이산화탄소는 온실의 구조, 크기, 재료, 외부 환경에 따라 다양한 형태를 가지므로 일정한 함수식으로 표현하기 불가능하다. 따라서, 플랜트 모델링부(212)는 비선형 모델을 나타내기 위한 학습 알고리즘인 인공 신경망 알고리즘을 적용하여 온실 온도, 온실 습도, 온실 이산화탄소 및 구동기 정보에 기초한 가상 온실의 모델링을 수행할 수 있다.
센서 모델링부(214)는 환경 정보에 기초하여 가상 온실의 환경을 모델링할 수 있다. 센서 모델링부(214)는 적어도 하나의 환경 정보를 인공 신경망 알고리즘의 입력 값으로 하여 환경 정보의 출력값에 대응하는 가상 온실의 환경을 모델링할 수 있다.
컨트롤 모델링부(216)는 구동기 정보에 기초하여 각 구동기를 모델링할 수 있다. 컨트롤 모델링부(216)는 복수의 구동기 각각에 대하여 구동기 정보를 인공 신경망 알고리즘의 입력 값으로 하여 각 구동기 정보의 출력값에 대응하는 각각의 구동기 모델링을 수행할 수 있다.
파라미터 추출부(220)는 온실 모델로부터 구동기의 파라미터를 도출할 수 있다. 여기서, 파라미터는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값으로 온실의 설정 정보, 환경 정보 및 구동기 정보에 따라 가변되는 값일 수 있다. 이러한, 파라미터에는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값 중 적어도 하나가 포함될 수 있다.
예를 들면, 파라미터 추출부(220)는 구동기로서 천창에 대하여, 천창을 제어하는 구동기의 비례 제어 파라미터의 결정을 위한 값으로서, 천창의 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값을 도출할 수 있다.
한편, 기존의 비례 제어 파라미터를 결정하기 위한 구동기의 파라미터는 기설정된 값으로 고정되어 있어서 관리자가 목표 온도를 설정하더라도 목표 온도에 대한 최적화된 온실 제어를 하기 어려웠다. 따라서, 파라미터 추출부(220)는 온실별로 온실을 정밀하게 제어하기 위해, 구동기의 복수의 파라미터(비례 제어 파라미터의 결정을 위한 값)를 전역 탐색법에 기초하여 도출할 수 있다.
도 4a 및 4b는 본 발명의 일 실시예에 따른, 구동기의 파라미터를 도출하는 방법을 설명하기 위한 도면이다.
도 4a 및 도 4b를 참조하면, 평가 범위 결정부(222)는 복수의 파라미터(400) 각각의 평가 범위(410)를 결정하고, 평가 범위(410)를 복수의 구간(420)으로 분할할 수 있다. 여기서, 복수의 파라미터(400)는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값을 포함할 수 있다. 예를 들면, 평가 범위 결정부(222)는 계절에 기초하여 최대 P-밴드 온도값에 대한 평가 범위를 18~22도로 결정하고, 최대 P-밴드 온도값에 대한 평가 범위를 5개의 구간(제 1 구간은 18도, 제 2 구간은 19도, 제 3 구간은 20도, 제 4 구간은 21도, 제 5 구간은 22도)으로 분할할 수 있다. 다른 예로, 최소 P-밴드 온도값에 대한 평가 범위가 4~6도인 경우, 평가 범위 결정부(222)는 최소 P-밴드 온도값에 대한 평가 범위를 3개의 구간(제 1 구간은 4도, 제 2 구간은 5도, 제 3 구간은 6도)으로 분할할 수 있다.
파라미터 세트 결정부(224)는 복수의 파라미터(400) 별로 각 구간에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트(440)를 결정할 수 있다. 파라미터 세트 결정부(224)는 복수의 파라미터(400) 별로 각 구간에 해당하는 모든 파라미터 값을 조합하여 가능한 모든 입력 파라미터 세트(400)를 추출할 수 있다.
예를 들면, 파라미터 세트 결정부(224)는 제 1 차 입력 파라미터 세트로서 (최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값, 최소 풍속 한계값) = (18도, 23도, 1m/s, 4도, 17도, 0m/s)를 결정하고, 제 2 차 입력 파라미터 세트로서 (최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값, 최소 풍속 한계값) = (19도, 23도, 1m/s, 4도, 17도, 0m/s)를 결정할 수 있다.
파라미터 세트 결정부(224)는 결정된 복수의 입력 파라미터 세트(440)를 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트(430)를 결정할 수 있다.
예를 들어, 비례 제어 파라미터 결정부(226)는 각 입력 파라미터 세트(440)에 기초하여 각 구동기의 비례 제어 파라미터를 결정할 수 있다.
입력 파라미터 세트 평가부(228)는 온실 모델에 비례 제어 파라미터를 적용하여(즉, 컨트롤 모델링부(216)를 통해 각 구동기에 해당 비례 제어 파라미터를 적용함) 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하고, 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 최적의 파라미터 세트(430)를 결정할 수 있다.
다시 도 2를 참조하면, 파라미터 전송부(230)는 온실의 온실 제어 시스템(111)으로 파라미터를 전송할 수 있다.
한편, 당업자라면, 온실 데이터 수집부(200), 온실 모델링부(210), 플랜트 모델링부(212), 센서 모델링부(214), 컨트롤 모델링부(216), 파라미터 추출부(220), 평가 범위 결정부(222), 파라미터 세트 결정부(224), 비례 제어 파라미터 결정부(226) 입력 파라미터 세트 평가부(228) 및 파라미터 전송부(230) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다.
도 5는 본 발명의 일 실시예에 따른, 도 1에 도시된 온실 제어 시스템(111)의 블록도이다.
도 5를 참조하면, 온실 제어 시스템(111)은 센서부(500), 전송부(510), 수신부(520), 제어부(530) 및 데이터베이스(540)를 포함할 수 있다. 다만, 도 5에 도시된 온실 제어 시스템(111)은 본 발명의 하나의 구현 예에 불과하며, 도 5에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다.
센서부(500)는 온실의 환경 정보 및 구동기 정보를 모니터링할 수 있다. 여기서, 환경 정보는 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나이고, 구동기 정보는 온실의 각 구동기의 설치 정보 및 각 구동기의 사용 이력을 포함할 수 있다. 예를 들면, 센서부(500)는 온실 제어 시스템(111)에 설치된 복수의 센서를 통해 온실의 환경 정보 및 구동기 정보를 모니터링할 수 있다.
전송부(510)는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버(100)로 전송할 수 있다. 여기서, 설정 정보는 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값일 수 있다.
수신부(520)는 파라미터 결정 서버(100)에 의해 결정된 파라미터 세트를 수신할 수 있다. 여기서, 파라미터 세트는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고, 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출된 것일 수 있다.
제어부(530)는 수신한 파라미터 세트에 기초하여 각 구동기를 제어할 수 있다. 예를 들어, 제어부(530)는 수신한 파라미터 세트에 기초하여 각 구동기의 비례 제어를 결정하고, 결정된 비례 제어에 기초하여 각 구동기를 제어할 수 있다.
데이터베이스(540)는 각 구동기의 제어를 위한 기본 설정 값(810) 및 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 고급 설정 값(820)을 저장할 수 있다.
데이터베이스(540)는 수신한 파라미터 세트로 고급 설정 값(820)을 업데이트할 수 있다. 예를 들어, 제어부(530)는 고급 설정 값(820)에 기초하여 각 구동기의 비례 제어를 결정하고, 결정된 비례 제어에 기초하여 각 구동기를 제어할 수 있다.
데이터베이스(540)는 온실 제어 시스템(111) 내부의 각 구성요소들 간에 입력 및 출력되는 데이터를 저장하고, 온실 제어 시스템(111)과 온실 제어 시스템(111) 외부의 구성요소들간에 입력 및 출력되는 데이터를 저장한다. 이러한 데이터베이스부(540)의 일 예에는 온실 제어 시스템(111) 내부 또는 외부에 존재하는 ROM(Read Only Memory), RAM(Random Access Memory), 플래쉬메모리 및 메모리카드 등이 포함된다.
한편, 당업자라면, 센서부(500), 전송부(510), 수신부(520), 제어부(530) 및 데이터베이스(540) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다.
도 6은 본 발명의 일 실시예에 따른, 파라미터 결정 서버(100)에서 온실의 구동기의 파라미터를 결정하는 방법을 나타낸 동작 흐름도이다.
도 6에 도시된 실시예에 따른 구동기의 파라미터 결정 방법은 도 1 내지 도 5에 도시된 실시예에 따른 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 5의 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에 관하여 기술된 내용은 도 6에 도시된 실시예에 따른 구동기의 파라미터 결정 방법에도 적용될 수 있다.
도 6을 참조하면, 단계 S601에서 파라미터 결정 서버(100)는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집할 수 있다.
단계 S603에서 파라미터 결정 서버(100)는 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성할 수 있다. 여기서, 온실 모델은 설정 정보 및 구동기 정보에 기초하여 가상 온실이 모델링된 플랜트 모델, 환경 정보에 기초하여 가상 온실의 환경이 모델링된 센서 모델 및 구동기 정보에 기초하여 각 구동기가 모델링된 컨트롤 모델을 포함할 수 있다.
단계 S605에서 파라미터 결정 서버(100)는 온실 모델로부터 구동기의 파라미터를 도출할 수 있다. 여기서, 파라미터는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다.
도 6에는 도시되지 않았으나, 단계 S605 이후에 파라미터 결정 서버(100)는 온실의 온실 제어 시스템(111)으로 파라미터를 전송할 수 있다.
도 6에는 도시되지 않았으나, 단계 S603에서 파라미터 결정 서버(100)는 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 온실 모델을 생성할 수 있다.
도 6에는 도시되지 않았으나, 단계 S601에서 파라미터 결정 서버(100)는 온실 데이터를 온실 제어 시스템(111)으로부터 수집할 수 있다.
도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 전역 탐색법에 기초하여 구동기의 복수의 파라미터를 도출할 수 있다.
도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 복수의 파라미터 각각의 평가 범위를 결정하고, 평가 범위를 복수의 구간으로 분할하고, 복수의 파라미터의 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정할 수 있다.
도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 결정된 복수의 입력 파라미터 세트를 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정할 수 있다.
도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 각 입력 파라미터 세트에 기초하여 각 구동기의 비례 제어 파라미터를 결정하고, 온실 모델에 비례 제어 파라미터를 적용하여 각 입력 파라미터 세트의 평균 제곱근 오차를 결정하고, 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 최적의 파라미터 세트를 결정할 수 있다.
상술한 설명에서, 단계 S601 내지 S605는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 7은 본 발명의 일 실시예에 따른, 온실 제어 시스템(111)에서 온실의 구동기를 제어하는 방법을 나타낸 동작 흐름도이다.
도 7에 도시된 실시예에 따른 구동기 제어 방법은 도 1 내지 도 6에 도시된 실시예에 따른 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 6의 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에 관하여 기술된 내용은 도 7에 도시된 실시예에 따른 구동기 제어 방법에도 적용될 수 있다.
도 7을 참조하면, 단계 S701에서 온실 제어 시스템(111)은 온실의 환경 정보 및 구동기 정보를 모니터링할 수 있다.
단계 S703에서 온실 제어 시스템(111)은 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버(100)에게 전송할 수 있다.
단계 S705에서 온실 제어 시스템(111)은 파라미터 결정 서버(100)에 의해 결정된 파라미터 세트를 수신할 수 있다. 여기서, 수신한 파라미터 세트는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고, 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출될 수 있다.
단계 S707에서 온실 제어 시스템(111)은 수신한 파라미터 세트에 기초하여 각 구동기를 제어할 수 있다.
상술한 설명에서, 단계 S701 내지 S707은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 파라미터 결정 서버
110: 복수의 온실 제어 시스템
200: 온실 데이터 수집부
210: 온실 모델링부
212: 플랜트 모델링부
214: 센서 모델링부
216: 컨트롤 모델링부
220: 파라미터 추출부
222: 평가 범위 결정부
224: 파라미터 세트 결정부
226: 비례 제어 파라미터 결정부
228: 입력 파라미터 세트 평가부
230: 파라미터 전송부
500: 센서부
510: 전송부
520: 수신부
530: 제어부
540: 데이터베이스
110: 복수의 온실 제어 시스템
200: 온실 데이터 수집부
210: 온실 모델링부
212: 플랜트 모델링부
214: 센서 모델링부
216: 컨트롤 모델링부
220: 파라미터 추출부
222: 평가 범위 결정부
224: 파라미터 세트 결정부
226: 비례 제어 파라미터 결정부
228: 입력 파라미터 세트 평가부
230: 파라미터 전송부
500: 센서부
510: 전송부
520: 수신부
530: 제어부
540: 데이터베이스
Claims (20)
- 온실의 구동기의 파라미터를 결정하는 서버에 있어서,
설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 온실 데이터 수집부;
상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 온실 모델링부; 및
상기 온실 모델로부터 구동기의 파라미터를 도출하는 파라미터 추출부
를 포함하고,
상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값인 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 파라미터 전송부를 더 포함하고,
상기 온실 데이터 수집부는 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집하는 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 파라미터는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값 중 적어도 하나를 포함하는 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 온실 모델링부는
상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실을 모델링하는 플랜트 모델링부;
상기 환경 정보에 기초하여 상기 가상 온실의 환경을 모델링하는 센서 모델링부; 및
상기 구동기 정보에 기초하여 각 구동기를 모델링하는 컨트롤 모델링부
를 포함하는 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 파라미터 추출부는 전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출하는 것인, 파라미터 결정 서버.
- 제 5 항에 있어서,
상기 파라미터 추출부는
상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 평가 범위 결정부; 및
상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정하고, 각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 파라미터 세트 결정부
를 포함하는 것인, 파라미터 결정 서버.
- 제 6 항에 있어서,
상기 파라미터 세트 결정부는
상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 비례 제어 파라미터 결정부; 및
상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하고, 상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 입력 파라미터 세트 평가부
를 포함하는 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 설정 정보는 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값이고,
상기 환경 정보는 상기 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나인 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 구동기 정보는 상기 온실의 각 구동기의 설치 정보 및 각 구동기의 사용 이력을 포함하는 것인, 파라미터 결정 서버.
- 제 1 항에 있어서,
상기 인공 신경망을 이용한 온실 모델은 리벤버그-마카드 역전파(levenberg-marquardt backpropagation) 알고리즘에 기초한 것인, 파라미터 결정 서버.
- 온실 제어 시스템에 있어서,
온실의 환경 정보 및 구동기 정보를 모니터링하는 센서부;
설정 정보, 상기 환경 정보 및 상기 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버로 전송하는 전송부;
상기 파라미터 결정 서버에 의해 결정된 파라미터 세트를 수신하는 수신부; 및
상기 수신한 파라미터 세트에 기초하여 각 구동기를 제어하는 제어부
를 포함하고,
상기 수신한 파라미터 세트는,
상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고,
상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출된 것인, 온실 제어 시스템.
- 제 11 항에 있어서,
상기 각 구동기의 제어를 위한 기본 설정 값 및 상기 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 고급 설정 값을 저장하는 데이터베이스
를 더 포함하는 것인, 온실 제어 시스템.
- 제 12 항에 있어서,
상기 데이터베이스는 상기 수신한 파라미터 세트로 상기 고급 설정 값을 업데이트하는 것인, 온실 제어 시스템.
- 온실의 구동기의 파라미터를 결정하는 방법에 있어서,
설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 단계;
상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 단계; 및
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계
를 포함하고,
상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값인 것인, 파라미터 결정 방법.
- 제 14 항에 있어서,
상기 온실 모델을 생성하는 단계는
상기 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 상기 온실 모델을 생성하는 것인, 파라미터 결정 방법.
- 제 14 항에 있어서,
상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 단계를 더 포함하고,
상기 온실 데이터를 수집하는 단계는, 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집하는 것인, 파라미터 결정 방법.
- 제 14 항에 있어서,
상기 온실 모델은 상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실이 모델링된 플랜트 모델, 상기 환경 정보에 기초하여 상기 가상 온실의 환경이 모델링된 센서 모델 및 상기 구동기 정보에 기초하여 각 구동기가 모델링된 컨트롤 모델을 포함하는 것인, 파라미터 결정 방법.
- 제 14 항에 있어서,
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는,
전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출하는 것인, 파라미터 결정 방법.
- 제 18 항에 있어서,
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는,
상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 단계;
상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정하는 단계; 및
각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 단계
를 포함하는 것인, 파라미터 결정 방법.
- 제 19 항에 있어서,
상기 최적의 파라미터 세트를 결정하는 단계는,
상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 단계; 및
상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하는 단계; 및
상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 단계
를 포함하는 것인, 파라미터 결정 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160109842A KR101959886B1 (ko) | 2016-08-29 | 2016-08-29 | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160109842A KR101959886B1 (ko) | 2016-08-29 | 2016-08-29 | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180024171A true KR20180024171A (ko) | 2018-03-08 |
| KR101959886B1 KR101959886B1 (ko) | 2019-03-19 |
Family
ID=61726089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160109842A KR101959886B1 (ko) | 2016-08-29 | 2016-08-29 | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101959886B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057836A (ko) * | 2018-11-15 | 2020-05-27 | 한국과학기술연구원 | 온실의 다중창 제어장치 및 그 제어방법 |
| KR102264227B1 (ko) * | 2020-12-17 | 2021-06-11 | 주식회사 다함 | 스마트 온실 정밀 제어 시스템 |
| KR20210090394A (ko) * | 2020-01-10 | 2021-07-20 | (주)알파랩에이아이 | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140077720A (ko) * | 2012-12-14 | 2014-06-24 | 한국전자통신연구원 | 학습 기반 온실 제어 방법 및 제어 시스템 |
| KR20140143272A (ko) * | 2013-06-05 | 2014-12-16 | 순천대학교 산학협력단 | 시설재배 최적 생장 환경 제공 시스템 및 그 방법 |
| KR20150072616A (ko) * | 2013-12-20 | 2015-06-30 | 한국전자통신연구원 | 적응적 온실 제어방법 |
-
2016
- 2016-08-29 KR KR1020160109842A patent/KR101959886B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140077720A (ko) * | 2012-12-14 | 2014-06-24 | 한국전자통신연구원 | 학습 기반 온실 제어 방법 및 제어 시스템 |
| KR20140143272A (ko) * | 2013-06-05 | 2014-12-16 | 순천대학교 산학협력단 | 시설재배 최적 생장 환경 제공 시스템 및 그 방법 |
| KR20150072616A (ko) * | 2013-12-20 | 2015-06-30 | 한국전자통신연구원 | 적응적 온실 제어방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057836A (ko) * | 2018-11-15 | 2020-05-27 | 한국과학기술연구원 | 온실의 다중창 제어장치 및 그 제어방법 |
| KR20210090394A (ko) * | 2020-01-10 | 2021-07-20 | (주)알파랩에이아이 | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 |
| KR102264227B1 (ko) * | 2020-12-17 | 2021-06-11 | 주식회사 다함 | 스마트 온실 정밀 제어 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101959886B1 (ko) | 2019-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10349584B2 (en) | System and method for plant monitoring | |
| KR101811640B1 (ko) | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 | |
| KR20170028721A (ko) | 온실의 제어기의 파라미터 및 온실 환경을 제어하는 시스템 | |
| Sun et al. | Reinforcement learning control for water-efficient agricultural irrigation | |
| KR102267180B1 (ko) | 공조시스템 및 그 제어 방법 | |
| Hongkang et al. | Recurrent neural network model for prediction of microclimate in solar greenhouse | |
| Martinović et al. | Greenhouse microclimatic environment controlled by a mobile measuring station | |
| US20220248616A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
| KR101959886B1 (ko) | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 | |
| KR20130049567A (ko) | 작물 관측 장치 및 그 방법 | |
| KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
| KR102380989B1 (ko) | 스마트팜에서 재배되는 작물에 대한 생육 레시피 정보를 제공하는 스마트팜 제어장치 및 이의 동작방법 | |
| CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
| CN105446142A (zh) | 一种温室co2气肥增施方法、装置及系统 | |
| Medina-Ruíz et al. | Mathematical modeling on tomato plants: A review | |
| WO2023086221A1 (en) | Simulation and automated control of physical systems | |
| KR102377963B1 (ko) | 육묘장 관리 시스템 및 방법 | |
| KR102387765B1 (ko) | 작물의 생육량 예측 방법 및 장치 | |
| KR20180029381A (ko) | 시설원예 환경 제어 장치 및 방법 | |
| CN117252344A (zh) | 培育设施的适宜度评估方法、装置、电子设备和存储介质 | |
| KR20200057836A (ko) | 온실의 다중창 제어장치 및 그 제어방법 | |
| KR20220026508A (ko) | 스마트 온실 농업환경의 네트워크 이상 감지 시스템 및 그 방법 | |
| CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
| Ferreira et al. | Evolutionary multiobjective design of radial basis function networks for greenhouse environmental control | |
| Bontsema et al. | On-line estimation of the transpiration in greenhouse horticulture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |