CN107678410A - 一种面向温室环境的智能控制方法、***与控制器 - Google Patents
一种面向温室环境的智能控制方法、***与控制器 Download PDFInfo
- Publication number
- CN107678410A CN107678410A CN201710923214.XA CN201710923214A CN107678410A CN 107678410 A CN107678410 A CN 107678410A CN 201710923214 A CN201710923214 A CN 201710923214A CN 107678410 A CN107678410 A CN 107678410A
- Authority
- CN
- China
- Prior art keywords
- data
- control
- greenhouse
- environmental variance
- environmental
- 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
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000007613 environmental effect Effects 0.000 claims abstract description 151
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000004891 communication Methods 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 9
- 230000009471 action Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000007935 neutral effect Effects 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 7
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000001569 carbon dioxide Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008635 plant growth Effects 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000790917 Dioxys <bee> Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010034703 Perseveration Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011079 streamline operation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/4186—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by protocol, e.g. MAP, TOP
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Greenhouses (AREA)
Abstract
本发明提供一种面向温室环境的智能控制方法、***与控制器,所述方法包括:S1,采用单因子控制方式,分别控制目标温室中多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求;S2,获取初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;S3,基于多因子控制过程相应多个环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据对应调节所述目标温室的相应环境变量数据。本发明操作简单、能够有效降低资源消耗和提高智能化水平,从而有效提高经济效益。
Description
技术领域
本发明涉及设施农业生产管理信息化技术领域,更具体地,涉及一种面向温室环境的智能控制方法、***与控制器。
背景技术
温室是利用玻璃、薄膜等材料搭建而形成的与外界隔离的空间,能够充分利用当地的自然环境条件。这种设施农业是通过内部建有的各项监控设施的有效工作,达到改善作物生长环境或创造出更佳室内气候环境的目的。温室是设施农业的重要组成部分,是现代化农业发展过程中的重要载体,也是我国现代化农业发展过程中最活跃的部分。
目前,温室控制主要有两种方式。一种以单因子控制为主,忽略环境因子之间的耦合关系,常见调控对象是温度或者光照,将温度或者光照控制在恒定的范围内,或者控制器直接控制执行机构来控制某个环境因子。这类控制器的核心一般是单片机或PLC,控制方式简单,一般需要连续动作或者保持24小时开启状态,对能源的消耗极大,该控制方法适用于对环境要求较高,且价格昂贵的作物。
另一种是通过建立智能***来进行环境控制,将执行机构和PC端远程连接起来,传感器采集到的数据实时发送到PC端,现场工作人员进行判断,控制执行机构动作。相比较于单因子控制器,该控制***有效地减少了能源耗费,同时实现了对多个执行机构的控制,但该***无法做到智能化控制,并且对减少人力成本没有帮助。另外,当PC端与温室的通讯出故障时,控制***无法进行自动调控。
综上,现有的温室环境控制方法,智能化水平较低,资源消耗大,总体经济效益不高。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种面向温室环境的智能控制方法、***与控制器,以达到有效简化操作流程、降低资源消耗和提高智能化水平,从而有效提高经济效益的目的。
第一方面,本发明提供一种面向温室环境的智能控制方法,包括:S1,采用单因子控制方式,分别控制目标温室中多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;S2,获取初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;S3,基于多因子控制过程相应多个环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据对应调节所述目标温室的相应环境变量数据。
其中,步骤S2中所述利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型的步骤进一步包括:以各所述环境变量实际数据为输入、对应各所述控制执行过程数据为输出,训练所述初始神经网络模型。
其中,所述多个环境变量数据进一步包括二氧化碳浓度、光照强度、温度和湿度;所述控制执行过程数据进一步包括,各所述环境变量实际数据达到预设值时,对应环境变量控制执行过程的持续时间。
进一步的,在所述S3的步骤之前,所述方法还包括:由远程控制终端获取所述给定期望环境数据。
其中,所述远程控制终端进一步包括:工控机、云端服务器或用户智能终端。
第二方面,本发明提供一种面向温室环境的智能控制***,包括:温室控制器、多变量环境调节执行机构和测量目标温室中多个环境变量实际数据的环境数据传感器,所述温室控制器分别与各所述环境数据传感器和各所述环境调节执行机构之间通信连接;所述温室控制器用于:采用单因子控制方式,分别控制所述多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;构建初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;以及,基于多因子控制过程相应环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据控制对应的环境调节执行机构调节所述目标温室的相应环境变量数据。
进一步的,所述***还包括:连接所述温室控制器的远程控制终端,所述远程控制终端用于获取并向所述温室控制器下发所述给定期望环境数据。
其中,所述温室控制器进一步包括无线通讯模块和/或有线通讯模块,所述远程控制终端进一步包括无线通讯模块和/或有线通讯模块,所述温室控制器与所述远程控制终端之间采用UDP协议进行通信;所述远程控制终端按设定下发时间间隔向所述温室控制器下发所述给定期望环境数据,所述给定期望环境数据包括各环境变量最优值和各环境变量范围值;所述温室控制器按设定上传时间间隔向所述远程控制终端上传所述多因子控制过程相应环境变量实际数据。
其中,所述温室控制器进一步还用于:当判定与所述远程控制终端通讯中断时,按最后一次接收的所述给定期望环境数据,自动控制所述目标温室的环境变量数据,并将所述多因子控制过程相应环境变量实际数据存入所述数据存储模块,直至与所述远程控制终端的通讯恢复,切换至多因子控制过程。
第三方面,本发明提供一种面向温室环境的智能控制器,包括:中央处理器以及与所述中央处理器分别通信连接的数据存储模块、通信模块、模拟/数字转换模块和继电器模块;所述模拟/数字转换模块连接测量目标温室中多个环境变量实际数据的环境数据传感器的输出端,所述继电器模块连接所述目标温室中各环境调节执行机构的输入端;所述数据存储模块用于存储面向温室环境的智能控制算法、环境变量实际数据、控制执行过程数据、多因子控制过程相应环境变量实际数据、给定期望环境数据和控制给定数据;所述中央处理器通过所述模拟/数字转换模块获取各所述环境变量实际数据,并用于:采用单因子控制方式,分别控制所述多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;构建初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;以及,基于所述多因子控制过程相应环境变量实际数据和所述给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并通过所述继电器模块将所述控制给定数据下发到对应的环境调节执行机构,调节所述目标温室的相应环境变量数据。
本发明提供的一种面向温室环境的智能控制方法、***与控制器,针对温室环境多因子耦合的非线性特性,采用基于神经网络算法构建多输入多输出控制模型,通过对温室内的环境参数(温度、湿度、CO2浓度和光照强度)进行实时自动检测,智能调节温室环境。另外,通过设置远程控制终端,可用于温室集群***控制,实现对万栋温室的管控,当单个温室控制器与远程控制终端之间的通讯中断时,温室控制器能够对温室进行自主控制。本发明操作简单、工作稳定可靠、实用性强,能够有效降低资源消耗和提高智能化水平,从而有效提高经济效益。
附图说明
图1为本发明实施例一种面向温室环境的智能控制方法的流程图;
图2为本发明实施例一种神经网络的训练处理过程流程图;
图3为本发明实施例一种面向温室环境的智能控制***的整体架构示意图;
图4为本发明实施例一种控制***整体架构示意图;
图5为本发明实施例一种温室集群控制组成架构示意图;
图6为本发明实施例一种网口通讯电路结构示意图;
图7为本发明实施例一种面向温室环境的智能控制器的结构框图;
图8为本发明实施例的一种智能控制器的整体结构示意图;
图9为本发明实施例一种智能控制器的AI接口电路图;
图10为本发明实施例一种智能控制器的可插拔式AI接口接线端子图;
图11为本发明实施例一种智能控制器的可插拔DO接口电路图;
图12为本发明实施例一种智能控制器的手动按钮连接电路图;
图13为本发明实施例一种智能控制器的蜂鸣器连接电路图;
图14为本发明实施例一种智能控制器的LCD接口电路图;
图15为本发明实施例一种智能温室控制器的运行界面截屏示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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的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。
作为本发明实施例的一个方面,本实施例提供一种面向温室环境的智能控制方法,参考图1,为本发明实施例一种面向温室环境的智能控制方法的流程图,包括:
S1,采用单因子控制方式,分别控制目标温室中多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据。
可以理解为,在控制器运行初始阶段,先不考虑目标温室中多个环境变量的耦合关系,分别以目标温室中各单个环境变量为控制目标,分别单独控制各环境变量数据。实时采集并记录控制过程中各环境变量实际数据,同时对应记录在该数据下达到控制要求的控制过程的控制执行过程数据。控制器运行初始阶段的界定范围为,从控制器开始投入运行,至数据采集次数达到设定需求的时间段。
其中可选的,所述多个环境变量数据进一步包括二氧化碳浓度、光照强度、温度和湿度;所述控制执行过程数据进一步包括,各所述环境变量实际数据达到预设值时,对应环境变量控制执行过程的持续时间。
可以理解为,温室环境是由多项环境参量共同组成的,各环境参量之间存在耦合关系,通过关联调整各环境参量数据,达到需要的温室环境条件。本实施例考虑温室环境的二氧化碳浓度、光照强度、温度和湿度参量,通过关联调整四个环境变量的数值达到需要的温室环境条件。
假设设定采集次数为N,在控制器运行初始阶段,温室控制器以单因子控制的方式工作,当某一个量或几个量超出预设范围的时候,温室控制器设定每个执行机构的动作时间ti=0,调控目标为对应量的最优值,当调控结束时,记录每个量对应的调控时间,该时间即为控制执行过程数据。
S2,获取初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型。
可以理解为,本步骤实现目标控制神经网络模型的建立和训练过程。在确定输入、输出变量信息,并根据输入、输出变量信息建立初始神经网络模型之后,初始神经网络模型需要一定的初始数据来进行训练,但是温室环境相对复杂,进行数据的采集和筛选比较困难。本实施例在控制器运行的初始阶段进行训练数据的采集和训练。
其中可选的,步骤S2中所述利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型的步骤进一步包括:以各所述环境变量实际数据为输入、对应各所述控制执行过程数据为输出,训练所述初始神经网络模型。
神经网络的输入和输出可以用两个一维向量表示,输入向量记为X=(x1,x1,K,xn),输出向量记为T=(t1,t1,K,tm)。其中x1、x2、...、xn分别为神经网络模型的n个输入变量,t1、t2、...、tn分别为神经网络模型的m个输出变量。
例如,对于上述步骤中的二氧化碳浓度、光照强度、温度和湿度参量,设神经网络的输入变量包括温室环境实际二氧化碳浓度、光照强度、温度和湿度参量,以及设定的二氧化碳浓度、光照强度和温度值;输出变量包括调节二氧化碳浓度执行机构的执行时间、调节光照强度执行机构的执行时间、调节温度执行机构的执行时间以及调节湿度执行机构的执行时间。则构建神经网络模型的输入向量为X=(x1,x1,K,x7),输出向量为T=(t1,t1,K,t4)。
每次调控结束,需要将相应的输入和输出进行归一化处理,本实施例采用sigmoid函数进行归一化处理,公式如下:
当训练样本采集量达到设定值后,根据图2所示的流程对初始神经网络模型进行训练,图2为本发明实施例一种神经网络的训练处理过程流程图,包括:对当前组训练样本进行归一化处理,并对归一化处理后的训练样本进行初始神经网络模型的神经网络算法计算;判断所有训练样本是否使用完毕,若是,则结束训练程序,否则选取下一组训练样本进行神经网络算法计算;进行前向计算并判断误差率是否满足设定阈值,若是,则判断所有训练样本是否使用完毕,否则进行反向传播,更新神经网络权值和阈值,继续进行前向计算,直至误差率达到设定阈值。
S3,基于多因子控制过程相应多个环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据对应调节所述目标温室的相应环境变量数据。
可以理解为,在根据上述步骤完成对训练样本数据的采集和对初始神经网络模型的训练之后,进入多因子控制过程。多因子控制过程中,先由环境数据传感器采集多因子控制过程的环境变量实际数据,并获取根据经验算法计算得到的给定期望环境数据,该给定期望环境数据可以包括温室环境最优值或参考范围等。
将多因子控制过程的环境变量实际数据和给定期望环境数据一起作为控制神经网络的输入变量,经控制神经网络模型耦合计算,获取控制温室环境数据的控制给定数据,该给定数据对应多个调节机构。然后控制对应的环境变量调节机构按照神经网络模型输出的控制给定数据进行温室环境变量的调节。
本发明实施例提供的一种面向温室环境的智能控制方法,针对温室环境多因子耦合的非线性特性,采用基于神经网络算法构建多输入多输出控制模型,通过对温室内的环境参数进行实时自动检测,智能调节温室环境。由于神经网络可以较好的模拟复杂环境,不用再计算环境因子之间复杂的耦合关系;执行机构不需要一直保持开启状态,操作简单、工作稳定可靠、能够有效降低资源消耗和提高智能化水平,从而有效提高经济效益。
进一步的,在所述S3的步骤之前,所述方法还包括:由远程控制终端获取所述给定期望环境数据。
可以理解为,在多因子控制过程中,温室控制器需要根据实际环境数据和给定期望环境数据进行神经网络算法计算,从而得到调节温室环境变量数据的控制量,即控制给定数据。通过控制对应的环境变量调节机构按控制给定数据动作,调整目标温室中的实际环境数据,使实际环境数据取值趋向给定环境数据。
其中的给定期望环境数据通常是根据温室中作物类型等因素计算获取,或根据经验获取的最适合目标温室内作物生长的数据,也可以是最佳的取值范围。通常温室内作物及作物生长条件不是固定不变的,因此温室控制器中的给定期望环境数据是需要实时更新的。
通过远程控制终端计算获取,或由通过人工根据经验设置输入远程控制终端,再由远程控制终端发送至温室控制器,供温室控制器对应调节目标温室环境变量数据。
同时,对于每一台远程控制终端,可以向多台温室控制器发送控制指令,实现对温室集群的集中管控。
在一个实施例中,所述远程控制终端进一步包括:工控机、云端服务器或用户智能终端。
可以理解为,给定期望环境数据可以通过附近工控机或者云端服务器或者用户持有的智能移动终端获取并发送给目标温室控制器。
本发明实施例提供的一种面向温室环境的智能控制方法,通过由远程控制终端不断更新温室内最优环境参数给定,能够使温室环境数据一直保持在适合作物生长的最佳范围,满足温室作物生长需求,产生更高经济效益,而且对于温室集群,可以实现对多栋温室的统一智能控制。
作为本发明实施例的另一个方面,本实施例提供一种面向温室环境的智能控制***,参考图3,为本发明实施例一种面向温室环境的智能控制***的整体架构示意图,包括:温室控制器1、多变量环境调节执行机构2和测量目标温室中多个环境变量实际数据的环境数据传感器3。
其中,温室控制器1分别与各环境数据传感器3和各环境调节执行机构2之间通信连接。温室控制器1用于:采用单因子控制方式,分别控制所述多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;构建初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;以及,基于多因子控制过程相应环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据控制对应的环境调节执行机构2调节所述目标温室的相应环境变量数据。
可以理解为,由***架构来看,控制***包括三个组成部分,即信息采集部分、控制器部分和执行机构部分,同时控制器部分与信息采集部分和执行机构部分分别通过通信部分实现通信连接。控制***整体架构图参考。
信息采集部分主要由环境数据传感器3组成,包括二氧化碳(CO2)传感器、温度传感器、湿度传感器和光照传感器等。温室环境的监测通过环境数据传感器3完成,环境数据传感器3实时监测温室环境参数,在设定的一定时间,环境数据传感器3进行一次数据发送。发送的数据为最近采集的一次数据,因为温室中有多个传感器节点,每个节点采集的数据都不相同,因此,控制器内部需要对数据进行处理,计算出一个确定的数值。
温室面积较大,仅仅依靠一组环境数据传感器3无法完成对整个温室环境的监控,因此,需要依据温室环境的结构,将温室分割成几块区域,每一块区域设置相同的传感器网络进行监控。
执行机构部分由环境调节执行机构2组成,执行机构用以根据温室控制器1的输出控制给定数据执行调整动作。环境调节执行机构2通过依次通过接触器和继电器连接温室控制器1。环境调节执行机构2通过接触器来驱动,驱动对象包括加热器、风机、CO2释放器、报警器、通风窗、保温被和光照设施等,温室控制器1的DO口通过控制继电器的通断和持续时间来控制环境调节执行机构2的电机动作。
控制器部分由温室控制器1构成,在温室控制器1运行初始阶段,先不考虑目标温室中多个环境变量的耦合关系,温室控制器1分别以目标温室中各单个环境变量为控制目标,分别单独控制各环境变量数据。
同时,温室控制器1实时采集并记录控制过程中各环境变量实际数据,并对应记录在该数据下达到控制要求的控制过程的控制执行过程数据。温室控制器1运行初始阶段的界定范围为,从温室控制器1开始投入运行,至数据采集次数达到设定需求的时间段。
温室控制器1还实现目标控制神经网络模型的建立和训练过程。在确定输入、输出变量信息,并根据输入、输出变量信息建立初始神经网络模型之后,温室控制器1需要对初始神经网络模型用一定的初始数据来进行训练,但是温室环境相对复杂,进行数据的采集和筛选比较困难。本实施例在温室控制器1运行的初始阶段进行训练数据的采集和训练。当训练样本采集量达到设定值后,温室控制器1对初始神经网络模型进行训练,获取需要的控制神经网络模型。
在神经网络模型训练好之后,温室控制器1转入智能控制阶段。当温室内的环境变化,超出预设的范围时,神经网络模型开始工作。开启定时器,并将定时器置0,此时,依据延时函数,将该数据装入函数中,该函数的执行时间,就是计算结果转化相应执行机构的持续时间。
在定时器执行前,DO口置1,继电器导通,执行机构动作。定时器定时结束,DO口置0,此时继电器不再导通。完成动作后,等待一段时间,再对传感器采集到的数据进行判断,判断温室环境是否符合预设要求,如果不符合,则继续进行调整。具体的导通流程参考图4,为本发明实施例一种控制***整体架构示意图。
本发明实施例提供的一种面向温室环境的智能控制***,针对温室环境多因子耦合的非线性特性,通过设置温室控制器1采用基于神经网络算法构建多输入多输出控制模型,对温室内的环境参数进行实时自动检测,智能调节温室环境。由于神经网络可以较好的模拟复杂环境,不用再计算环境因子之间复杂的耦合关系;执行机构不需要一直保持开启状态,操作简单、工作稳定可靠、能够有效降低资源消耗和提高智能化水平,从而有效提高经济效益。
进一步的,所述***还包括:连接所述温室控制器的远程控制终端,所述远程控制终端用于获取并向所述温室控制器下发所述给定期望环境数据。
可以理解为,本实施例的温室控制器1是面向远程控制终端的控制器,是温室集群控制***的面向每栋温室层的控制。远程控制终端可以采用本地工控机、远程云端服务器或者用户手持智能终端。远程控制终端根据温室中作物类型等因素计算获取给定期望环境数据,或根据经验获取的最适合目标温室内作物生长的数据,也可以是最佳的取值范围。之后远程控制终端将获取的定期望环境数据发送至温室控制器1,供温室控制器1对应调节目标温室环境变量数据。
另外,一个远程控制终端可同时控制多个温室控制器1,每个温室控制器1负责对应温室的具体控制,本实施例远程控制终端实现温室集群控制的组成架构参考图5,为本发明实施例一种温室集群控制组成架构示意图。远程控制终端下发控制指令,温室控制器1根据控制指令对温室的环境参数进行控制,并将实时监测的环境数据发送给远程控制终端。
本发明实施例提供的一种面向温室环境的智能控制***,通过设置远程控制终端,实现不断更新温室内最优环境参数给定,能够使温室环境数据一直保持在适合作物生长的最佳范围,满足温室作物生长需求,产生更高经济效益,而且对于温室集群,可以实现对多栋温室的统一智能控制。
其中可选的,所述温室控制器进一步包括无线通讯模块和/或有线通讯模块,所述远程控制终端进一步包括无线通讯模块和/或有线通讯模块,所述温室控制器与所述远程控制终端之间采用UDP协议进行通信;所述远程控制终端按设定下发时间间隔向所述温室控制器下发所述给定期望环境数据,所述给定期望环境数据包括各环境变量最优值和各环境变量范围值;所述温室控制器按设定上传时间间隔向所述远程控制终端上传所述多因子控制过程相应环境变量实际数据。
可以理解为,因为在温室集群控制中,一台远程控制终端与多个温室控制器1通信,为了保证通信效果和通信速率,采用UDP协议,温室控制器1与温室控制终端的通讯方式有两种选择,无线通讯或有线通讯。温室控制器1上设有网口,通过光纤与远程控制终端进行通讯。
同时,温室控制器1内部设有WIFI模块与4G模块,远程控制终端与温室控制器1通过4G/WIFI通信,即温室控制器1也可以通过无线的方式与远程控制终端进行通讯,能够有效扩展温室控制器的适用范围。
以网口通讯电路为例,参考图6,为本发明实施例一种网口通讯电路结构示意图,网口通讯电路的核心元器件为LAN8720A,网口电路将接收到的信息转换为串口信号,以串口形式发送到处理器中。
每隔一周,远程控制终端向温室控制器1下发一次控制指令,该指令包含两方面内容:温室环境参量的最优值x_best和参考范围值(xmin,xmax),温室控制器1的目标是将温室环境维持在预设的范围内。另外,温室控制器1每两小时进行一次数据上传,上传数据的内容为温室当前的环境信息。
本发明实施例提供的一种面向温室环境的智能控制***,通过对远程控制终端与温室控制器之间通信协议和通信方式的设计,能够保证通信效果和通信速率。
其中可选的,所述温室控制器进一步还用于:当判定与所述远程控制终端通讯中断时,按最后一次接收的所述给定期望环境数据,自动控制所述目标温室的环境变量数据,并将所述多因子控制过程相应环境变量实际数据存入所述数据存储模块,直至与所述远程控制终端的通讯恢复,切换至多因子控制过程。
可以理解为,温室控制器1和远程控制终端通过网络通讯,但温室控制器1和远程控制终端之间的通讯可能因为某些原因中断。在正常情况下,温室控制器1向远程控制终端发送数据,远程控制终端接收到数据后,给温室控制器1反馈接收完毕信号。在温室控制器1发送完数据后,等待接收完毕信号并开始计时。
当超出预设的时间后,温室控制器1再次发送数据,若还未收到反馈,则温室控制器1判定为与远程控制终端的通讯中断。此时,温室控制器1进行自动控制模式,将环境维持在最新设置的范围内,传感器采集到的数据不再发送,暂时保存在本地的数据库中。
当温室控制器1和远程控制终端的通信正常后,远程控制终端下发提取信号时,温室控制器1发送数据,等待接收完毕信号,在接收完毕后,清空存储的数据。此时,温室控制器1视为通信正常,接收远程控制终端的控制指令,并依据控制指令对温室进行控制。
本发明实施例提供的一种面向温室环境的智能控制***,通过设置温室控制器的自控制模式,能够保证在与远程控制终端的通信中断后,继续根据最新给定数据进行温室环境控制,能够有效避免***崩溃,带来经济损失。
作为本发明实施例的又一个方面,本实施例提供一种面向温室环境的智能控制器,参考图7,为本发明实施例一种面向温室环境的智能控制器的结构框图,包括:中央处理器101以及与中央处理器101分别通信连接的数据存储模块102、通信模块103、模拟/数字转换模块104和继电器模块105。
其中,模拟/数字转换模块104连接测量目标温室中多个环境变量实际数据的环境数据传感器的输出端,继电器模块105连接所述目标温室中各环境调节执行机构的输入端;数据存储模块102用于存储面向温室环境的智能控制算法、环境变量实际数据、控制执行过程数据、多因子控制过程环境变量实际数据、给定期望环境数据和控制给定数据。
中央处理器101通过模拟/数字转换模块104获取各所述环境变量实际数据,并用于:
采用单因子控制方式,分别控制所述多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;
构建初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;
以及,基于所述多因子控制过程相应环境变量实际数据和所述给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并通过所述继电器模块将所述控制给定数据下发到对应的环境调节执行机构,调节所述目标温室的相应环境变量数据。
可以理解为,控制器在执行温室控制的过程中,需要根据温室实际环境数据和给定期望数据计算控制给定,获取的控制给定需要相应的执行单元对应执行,同时需要对控制过程的数据进行存储。因此需要在控制器中设置相应的功能单元。具体包括:用来获取环境数据的模拟/数字转换模块104、用于控制算法计算的中央处理器101、用于传递控制给定数据的继电器模块105、用于存储控制过程数据的数据存储模块102和用于与相关设备通信的通信模块103。
在一个实施例中,中央处理器采用ARM处理器,在控制器上设置8个模拟输入(AI)接口和8个数字输出(DO)接口,参考图8,为本发明实施例的一种智能控制器的整体结构示意图,AI接口用于外接传感器,2个RS485串口以及WIFI模块用于外接其他传感器或者传感器节点,AI接口采集的数据通过内置的16位A/D转换模块进行转换,数据发送到中央处理器的GPIO端口,该端口设置为input。
在程序中进行传感器数据的读取设置,每隔30s,对8个连接AI口的GPIO口端口进行一次扫描,读取数据。RS485的通讯方式为串口通讯,在使用时,通过外接RS485扩展器,可以外接多个设备,单个RS485串口最多支持外接32个节点。WIFI模块也可以用于与传感器节点或传感器进行通讯,WIFI模块可以实时接收传感器数据,但不对数据进行保存,在温室控制器进行数据读取时才进行保存。
AI接口的接口设计电路如图9所示,图9为本发明实施例一种智能控制器的AI接口电路图。本实施例使用的A/D转换元件为AD7699,该元件有8个输入口,输入的值为传感器采集到的电压值,电压值和参考电压比较,依据此得到真正的输出值。
为了便于检修维护,在一个实施例中AI接口采用插拔式端子,端子的设计电路结构如图10所示,图10为本发明实施例一种智能控制器的可插拔式AI接口接线端子图。
本实施例在控制器上设置8个DO接口,以对应控制相应的环境调节执行机构。DO端口电压为5V,没有直接设置为外接的端子,每个DO端口外接一个继电器,DO端口置1时,继电器导通,此时继电器外接的端子导通。
环境调节执行机构功率较大,继电器的端子外接DC24转AC220继电器,通过控制该继电器导通,进而控制接触器的导通,最终驱动执行机构动作。另外为了便于检修维护,在一个实施例中,DO接口采用可插拔式结构,可插拔式结构DO端子接口的电路结构如图11所示,图11为本发明实施例一种智能控制器的可插拔式DO接口电路图。
在另一个实施例中,为了防止一些意外事故导致温室控制器不能正常工作,在控制器上加入了手动操作功能,手动操作可以直接控制温室内的执行机构。控制器的手动操作通过按钮完成,在控制器外壳上加设了按钮,手动操作按钮直接连接到继电器上,当按下操作按钮时,继电器直接导通,进而控制执行机构动作。按钮的电路结构如图12所示,图12为本发明实施例一种智能控制器的手动按钮连接电路图。
在又一个实施例中,为了防止温室中的执行机构反复动作,在控制器中,对每个环境控制参量设置了相应的调节范围。如果温室中的某个环境参数未达到最优值,但是在相应的范围内,控制器不会发出动作指令。
在又一个实施例中,考虑到控制器在自动调控时,可能出现因为执行机构的损坏或者传感器失灵导致控制器无法完成调控的情况,在控制器上设置报警时间。控制器的控制通过DO口完成,当一个DO口的控制完成后,设置监控时间t,在监控时间t内,如果该设备动作,即DO口出现电平变化,则开始对其进行监测。若DO口电平变化连续出现达到设定次数,如三次,则控制器停止动作,并向远程控制终端发送报警信息。
另外,还在控制器上设置报警灯,报警灯的触发受软件控制,在发生故障或错误后,管理报警灯与蜂鸣器的GPIO口置1,控制二者的三极管导通,报警灯发光,蜂鸣器持续动作。只有工作人员将控制器切换到手动模式后才会停止,蜂鸣器的控制电路如图13所示,图13为本发明实施例一种智能控制器的蜂鸣器连接电路图。报警灯的控制电路与蜂鸣器控制电路相同。
在又一个实施例中,设置控制器具有屏幕显示功能。通过在控制器中设置LCD显示屏,实现设置操作界面和信息展示界面。显示屏的硬件电路如图14所示,图14为本发明实施例一种智能控制器的LCD接口电路图。
LCD显示屏展示的内容包括查询控制记录、查询当前温室环境的状况、以及当前温室的理想环境状况等。参考图15,为本发明实施例一种智能温室控制器的运行界面截屏示意图,图中显示本发明实施例的控制器可以对温室环境的温度、湿度、光照度、二氧化碳浓度、土壤电导率和土壤含水量等输入量进行测量和显示,同时对顶部通风窗电机、底部通风窗电机、卷被电机、二氧化碳释放器、植物根部加温器、顶部通风窗关闭、底部通风窗关闭和卷被电机手机执行器进行监测和显示。
本发明实施例提供的一种面向温室环境的智能控制器,针对温室环境多因子耦合的非线性特性,采用基于神经网络算法构建多输入多输出控制模型,通过对温室内的环境参数进行实时自动检测,智能调节温室环境。操作简单、工作稳定可靠、能够有效降低资源消耗和提高智能化水平,从而有效提高经济效益。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种面向温室环境的智能控制方法,其特征在于,包括:
S1,采用单因子控制方式,分别控制目标温室中多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;
S2,获取初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;
S3,基于多因子控制过程相应多个环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据对应调节所述目标温室的相应环境变量数据。
2.根据权利要求1所述的方法,其特征在于,步骤S2中所述利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型的步骤进一步包括:
以各所述环境变量实际数据为输入、对应各所述控制执行过程数据为输出,训练所述初始神经网络模型。
3.根据权利要求1所述的方法,其特征在于:
所述多个环境变量数据进一步包括二氧化碳浓度、光照强度、温度和湿度;
所述控制执行过程数据进一步包括,各所述环境变量实际数据达到预设值时,对应环境变量控制执行过程的持续时间。
4.根据权利要求1至3中任一所述的方法,其特征在于,在所述S3的步骤之前,还包括:
由远程控制终端获取所述给定期望环境数据。
5.根据权利要求4所述的方法,其特征在于,所述远程控制终端进一步包括:
工控机、云端服务器或用户智能终端。
6.一种面向温室环境的智能控制***,其特征在于,包括:温室控制器、多变量环境调节执行机构和测量目标温室中多个环境变量实际数据的环境数据传感器,所述温室控制器分别与各所述环境数据传感器和各所述环境调节执行机构之间通信连接;
所述温室控制器用于:
采用单因子控制方式,分别控制所述多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;
构建初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;
以及,基于多因子控制过程相应环境变量实际数据和给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并基于所述控制给定数据控制对应的环境调节执行机构调节所述目标温室的相应环境变量数据。
7.根据权利要求6所述的***,其特征在于,还包括:连接所述温室控制器的远程控制终端,所述远程控制终端用于获取并向所述温室控制器下发所述给定期望环境数据。
8.根据权利要求7所述的***,其特征在于,所述温室控制器进一步包括无线通讯模块和/或有线通讯模块,所述远程控制终端进一步包括无线通讯模块和/或有线通讯模块,所述温室控制器与所述远程控制终端之间采用UDP协议进行通信;
所述远程控制终端按设定下发时间间隔向所述温室控制器下发所述给定期望环境数据,所述给定期望环境数据包括各环境变量最优值和各环境变量范围值;
所述温室控制器按设定上传时间间隔向所述远程控制终端上传所述多因子控制过程相应环境变量实际数据。
9.根据权利要求8所述的***,其特征在于,所述温室控制器进一步还用于:
当判定与所述远程控制终端通讯中断时,按最后一次接收的所述给定期望环境数据,自动控制所述目标温室的环境变量数据,并将所述多因子控制过程相应环境变量实际数据存入所述数据存储模块,直至与所述远程控制终端的通讯恢复,切换至多因子控制过程。
10.一种面向温室环境的智能控制器,其特征在于,包括:中央处理器以及与所述中央处理器分别通信连接的数据存储模块、通信模块、模拟/数字转换模块和继电器模块;
所述模拟/数字转换模块连接测量目标温室中多个环境变量实际数据的环境数据传感器的输出端,所述继电器模块连接所述目标温室中各环境调节执行机构的输入端;
所述数据存储模块用于存储面向温室环境的智能控制算法、环境变量实际数据、控制执行过程数据、多因子控制过程相应环境变量实际数据、给定期望环境数据和控制给定数据;
所述中央处理器通过所述模拟/数字转换模块获取各所述环境变量实际数据,并用于:
采用单因子控制方式,分别控制所述多个环境变量数据,并对应记录各环境变量实际数据和控制执行过程数据,直至记录次数达到设定需求,所述单因子控制方式是指分别以单个环境变量为控制目标,单独控制各所述环境变量数据;
构建初始神经网络模型,并利用各所述环境变量实际数据和所述控制执行过程数据,训练所述初始神经网络模型,获取控制神经网络模型;
以及,基于所述多因子控制过程相应环境变量实际数据和所述给定期望环境数据,利用所述控制神经网络模型,获取所述多因子控制过程的控制给定数据,并通过所述继电器模块将所述控制给定数据下发到对应的环境调节执行机构,调节所述目标温室的相应环境变量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923214.XA CN107678410A (zh) | 2017-09-30 | 2017-09-30 | 一种面向温室环境的智能控制方法、***与控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923214.XA CN107678410A (zh) | 2017-09-30 | 2017-09-30 | 一种面向温室环境的智能控制方法、***与控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107678410A true CN107678410A (zh) | 2018-02-09 |
Family
ID=61139639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710923214.XA Pending CN107678410A (zh) | 2017-09-30 | 2017-09-30 | 一种面向温室环境的智能控制方法、***与控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107678410A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及*** |
CN108762063A (zh) * | 2018-06-06 | 2018-11-06 | 吉林大学 | 一种日光温室湿帘风机循环通风降温***及其控制方法 |
CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉***及方法 |
CN109062296A (zh) * | 2018-08-27 | 2018-12-21 | 华夏易通国际物流有限公司 | 一种基于温湿度监控的粮食仓储方法 |
CN110400170A (zh) * | 2019-07-10 | 2019-11-01 | 北京耕智农业科技有限公司 | 一种基于用户反馈数据调整作物供应的方法及装置 |
CN111524023A (zh) * | 2020-04-07 | 2020-08-11 | 中国农业大学 | 温室调节方法及*** |
CN113093835A (zh) * | 2021-04-13 | 2021-07-09 | 广州中国科学院沈阳自动化研究所分所 | 基于边缘控制器的温室大棚控制***及方法 |
CN113534862A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 培养腔的气体浓度控制***以及方法 |
CN113867167A (zh) * | 2021-10-28 | 2021-12-31 | 中央***学院 | 一种基于人工神经网络的家居环境智能监控方法及*** |
CN114594813A (zh) * | 2020-12-07 | 2022-06-07 | 远东科技大学 | 多变量环境调控方法 |
CN114594814A (zh) * | 2022-03-07 | 2022-06-07 | 上海工程技术大学 | 一种基于人工智能的数字化控制装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103235620A (zh) * | 2013-04-19 | 2013-08-07 | 河北农业大学 | 基于全局变量预测模型的温室环境智能控制方法 |
CN203278890U (zh) * | 2013-04-17 | 2013-11-06 | 北京农学院 | 基于Linux的远程温室监控*** |
CN103605385A (zh) * | 2013-09-30 | 2014-02-26 | 中国农业大学 | 一种用于日光温室的co2气肥精细调控方法与装置 |
CN106814782A (zh) * | 2017-01-19 | 2017-06-09 | 深圳前海弘稼科技有限公司 | 一种调节温室环境的方法和服务器 |
-
2017
- 2017-09-30 CN CN201710923214.XA patent/CN107678410A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN203278890U (zh) * | 2013-04-17 | 2013-11-06 | 北京农学院 | 基于Linux的远程温室监控*** |
CN103235620A (zh) * | 2013-04-19 | 2013-08-07 | 河北农业大学 | 基于全局变量预测模型的温室环境智能控制方法 |
CN103605385A (zh) * | 2013-09-30 | 2014-02-26 | 中国农业大学 | 一种用于日光温室的co2气肥精细调控方法与装置 |
CN106814782A (zh) * | 2017-01-19 | 2017-06-09 | 深圳前海弘稼科技有限公司 | 一种调节温室环境的方法和服务器 |
Non-Patent Citations (2)
Title |
---|
BAICHENG LIU ET AL.: "Research on Greenhouse Climate Control Based on RBF Neural Networks", 《PROCEEDINGS OF 2013 CHINESE INTELLIGENT AUTOMATION CONFERENCE》 * |
刘鑫荣: "基于Internet和专家***的温室环境监控***的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及*** |
CN108762063B (zh) * | 2018-06-06 | 2020-01-24 | 吉林大学 | 一种日光温室湿帘风机循环通风降温***及其控制方法 |
CN108762063A (zh) * | 2018-06-06 | 2018-11-06 | 吉林大学 | 一种日光温室湿帘风机循环通风降温***及其控制方法 |
CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉***及方法 |
CN108781926B (zh) * | 2018-06-14 | 2021-10-22 | 江苏电子信息职业学院 | 基于神经网络预测的大棚灌溉***及方法 |
CN109062296A (zh) * | 2018-08-27 | 2018-12-21 | 华夏易通国际物流有限公司 | 一种基于温湿度监控的粮食仓储方法 |
CN110400170A (zh) * | 2019-07-10 | 2019-11-01 | 北京耕智农业科技有限公司 | 一种基于用户反馈数据调整作物供应的方法及装置 |
CN111524023A (zh) * | 2020-04-07 | 2020-08-11 | 中国农业大学 | 温室调节方法及*** |
CN114594813A (zh) * | 2020-12-07 | 2022-06-07 | 远东科技大学 | 多变量环境调控方法 |
CN114594813B (zh) * | 2020-12-07 | 2023-02-28 | 远东科技大学 | 多变量环境调控方法 |
CN113093835A (zh) * | 2021-04-13 | 2021-07-09 | 广州中国科学院沈阳自动化研究所分所 | 基于边缘控制器的温室大棚控制***及方法 |
CN113534862A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 培养腔的气体浓度控制***以及方法 |
CN113534862B (zh) * | 2021-07-09 | 2024-05-03 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 培养腔的气体浓度控制***以及方法 |
CN113867167A (zh) * | 2021-10-28 | 2021-12-31 | 中央***学院 | 一种基于人工神经网络的家居环境智能监控方法及*** |
CN114594814A (zh) * | 2022-03-07 | 2022-06-07 | 上海工程技术大学 | 一种基于人工智能的数字化控制装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107678410A (zh) | 一种面向温室环境的智能控制方法、***与控制器 | |
CN204731617U (zh) | 一种基于大棚种植有机植物的生命周期特性分析*** | |
CN105897901A (zh) | 一种基于物联网的全人工光型植物工厂智能监控*** | |
CN104731135A (zh) | 一种家庭农场的控制装置及方法 | |
CN205161283U (zh) | 一种智能种植机 | |
CN109976421A (zh) | 一种智能温室大棚控制***及使用方法 | |
CN203950191U (zh) | 一种基于移动设备的植物监控装置 | |
CN107608318A (zh) | 一种基于nb‑iot的智能家居控制*** | |
CN105159366B (zh) | 一种适于温室环境监控***的用户行为采集方法 | |
CN105068586A (zh) | 一种适用于多个烤烟房的温湿度远程监控*** | |
CN108901474A (zh) | 一种智能种植大棚及控制方法 | |
CN107861551A (zh) | 一种基于大数据的智能大棚*** | |
CN105116846A (zh) | 基于无线传感器网络的家蚕饲养室环境智能监控***及方法 | |
CN106768067A (zh) | 植物监测***及其使用方法 | |
CN212181332U (zh) | 温室监控*** | |
CN107577266A (zh) | 一种温室大棚智能控制装置 | |
CN111366271A (zh) | 基于蓝牙异构技术的白酒固态窖池智能温度监测*** | |
CN204925782U (zh) | 一种基于物联网技术的温室大棚智能控制*** | |
CN206671862U (zh) | 基于plc的温室环境因子智能控制装置 | |
Bai et al. | The remote monitoring system of vegetable greenhouse | |
CN208765759U (zh) | 基于物联网的农业节能远程监控*** | |
CN209359164U (zh) | 一种无线自动温室大棚卷膜通风*** | |
CN205450821U (zh) | 一种基于ZigBee和PLC的温室控制*** | |
CN110716598A (zh) | 一种基于物联网的智能温室控制和管理*** | |
CN216853283U (zh) | 一种食用菌栽培室环境控制装置 |
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: 20180209 |
|
RJ01 | Rejection of invention patent application after publication |