CN111726407B - 一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 - Google Patents
一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 Download PDFInfo
- Publication number
- CN111726407B CN111726407B CN202010552281.7A CN202010552281A CN111726407B CN 111726407 B CN111726407 B CN 111726407B CN 202010552281 A CN202010552281 A CN 202010552281A CN 111726407 B CN111726407 B CN 111726407B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- model
- sensing data
- fog
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000004364 calculation method Methods 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 33
- 230000001953 sensory effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000008635 plant growth Effects 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 15
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 230000012010 growth Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 62
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 14
- 229910002092 carbon dioxide Inorganic materials 0.000 description 7
- 239000001569 carbon dioxide Substances 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术，包括：步骤1、搭建传感网络，对植物工厂进行区域划分，将采集的传感数据上传至雾采集模块；步骤2、每台本地设备采集到传感数据之后，在本地通过轻量级的数据规模估计模型估计后续的数据规模来调整转发量，同时通过本地的自适应采样模型和自适应滤波模型对传感数据进行处理，最后通过转发设备按调整后的转发量向云服务器转发处理后的传感数据。本发明的有益效果是：本发明对名优花卉生长过程中传感器收集的环境参数数据，基于轻量级估计模型估计传输流量，并通过自适应采样及自适应滤波技术过滤传感数据流，利用雾计算实现适量有效的传感数据的实时监控。
Description
技术领域
本发明涉及基于雾计算模式的监控技术领域，尤其包括一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术；通过建立植物工厂环境下传感数据采集的低功耗近似估计模型、自适应采样模型以及自适应滤波模型，实现智能植物工厂环境下名优花卉及药用植物栽培的环境参数监控。
背景技术
随着现代生物技术、种植技术和物联网技术的发展，植物工厂使用保温、不透光的材料作为围护结构，严格控制与外界环境的气体交换，并采用人工光源为植物提供光照,使***内的能源与物质流动随着空气循环形成一个自循环再生***，不仅有利于提高室内二氧化碳浓度，促进光合作用从而缩短植物栽培周期，还能防止细菌和虫害进入室内使得产品清洁程度更高。与传统人工栽培方式相比，植物工厂精细化栽培不受外界影响且能精准控制，可进行高密度植物栽培，实现高品质植物的周年稳定生产。此外，植物工厂选址所受限制较小，可因地制宜在都市进行生产，减少物流环节汽车运输所带来的环境污染和储存问题。
名优花卉及药用植物进行工厂化精细栽培关键在于为不同植物品种的不同生长阶段提供生长所需的特殊环境，加速植物的生长以缩短栽培周期。因此，监控植物工厂的各种环境对象信息(如温度、光照、水分和土壤酸碱度等)是实现名优花卉及药用植物进行工厂化精细栽培的前提和核心。现有的面向名优花卉及药用植物精细化工厂栽培的监控技术大体上可分为两个步骤：1)各种环境传感器根据预先设定的频率采集相关信息，如温度、光照、水分和土壤酸碱度等；2)以4G、WiFi或Zigbee等无线传输方式将采集信息传输到后台监控中心。然而，植物工厂内各种环境传感器每天产生的数据量急增，而植物精细化工厂栽培则对环境信息监控技术的响应时间和安全性提出了更高的要求。现有面向植物工厂精细化栽培的监控技术虽然为各种环境感知数据处理提供了高效的计算平台，但是目前网络带宽的增长速度远远赶不上数据的增长速度，网络带宽成本的下降速度要比CPU和内存这些硬件资源成本的下降速度慢很多,同时复杂的网络环境让网络延迟很难有突破性提升。因此，现有面向名优花卉及药用植物精细化工厂栽培的监控技术需要解决网络带宽和延迟这两大瓶颈。
发明内容
本发明的目的是克服现有技术中的不足，提供一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术。
这种智能植物工厂环境下名优花卉及药用植物栽培工厂监控***，包括：植物工厂数据采集模块、雾采集模块、云存储模块和监视***可视化模块；所述植物工厂数据采集模块通过WiFi或蓝牙连接雾采集模块进行数据传输，所述雾采集模块上传数据至云存储模块，所述监视***可视化模块从云存储模块读取数据。
作为优选，所述植物工厂数据采集模块内设有传感器，所述传感器包括温度传感器、二氧化碳传感器和湿度传感器；所述雾采集模块用于进行数据规模估计、自适应采样和自适应滤波；所述云存储模块用于将数据上传云端和数据本地备份；所述监视***可视化模块用于进行环境数据可视化、植物生长可视化和营养液状况可视化。
这种智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，包括如下步骤：
步骤1、搭建传感网络，对植物工厂进行区域划分，为每个本地雾计算设备划分监控区域，植物工厂数据采集模块在每个区域部署若干本地设备进行温湿度、二氧化碳等传感数据的采集；将采集的传感数据上传至雾采集模块，如温湿度、二氧化碳和土壤酸碱度等；以待后续的转发；
步骤2、每台本地设备采集到传感数据之后，在本地通过轻量级的数据规模估计模型估计后续的数据规模来调整转发量，同时通过本地的自适应采样模型和自适应滤波模型对传感数据进行处理，最后通过转发设备按调整后的转发量向云服务器转发处理后的传感数据；
步骤2.1、依据传感数据规模通过概率指数加权移动平均值模型和趋势检测估计后续数据规模，在线更新概率指数加权移动平均值模型并量调整数据转发量:
在本地设备上部署轻量级的数据规模估计模型，利用特定环境监测设备过去一段时间的监测数据来预测其未来时刻的监测数据；将两个连续数据点vi和vi-1值之间的距离δi定义如下所示：
δi＝|vi-vi-1|
用距离δi更新传感数据流ρ(M)本地参考运行时间的变化，通过移动平均来计算当前传感数据流变化，表示为μi，将接下来的两个数据点的距离记为δi+1；两个连续值之间的距离表示传感数据流的变化；使用概率指数加权移动平均值模型进行监测传感数据的近似预测，引入加权因子(0<α<1)按指数变化模式降低较旧的传感数据的权重，如下式所示：
上式中，用δ1来初始化u1，后面迭代更新；虽然指数加权移动平均值模型更适合实际植物工厂的监测需求，但其对瞬态变化的响应是不稳定的，故不能总是假设只存在指数加权。具体而言，如果概率指数加权移动平均值模型在一个较长时间的稳定阶段之后遇到突然的峰值，并且这个突然的峰值之后又是一个稳定阶段，则概率指数加权移动平均值模型保留这个峰值；这将导致过高估计后续的δi，从而会影响近似数据规模估计模型的准确性；
步骤2.2、在本地设备上部署面向植物工厂精细化栽培监控的自适应采样模型，并依据传感数据规模计算置信度，与用户定义的不精确度对比后，调整采样周期并对传感数据采样；自适应采样的核心是基于植物工厂监测传感数据流的变化动态调整采样周期性Ti的过程，同时监测精度仍然满足用户给出的精确性要求；
此外，与仅基于阶跃函数(例如，Ti+1←Ti±Tstep，Tstep为置信区间半径)调整采样率的逐步技术相比；提出的自适应算法可以基于置信度对快速变化的度量流在合适范围[Tmin，Tmax]内进行高效响应；步骤2.3、在本地设备上部署面向植物工厂精细化栽培监控的自适应滤波模型，对经过采样的传感数据进行滤波：将滤波范围表示为R，如果值vi∈[vi-1-R,vi-1+R]，则过滤vi的当前数据点di；并根据Fano因子根据监测传感数据流变化动态调整滤波范围R，根据滤波结果调整采样周期；
步骤2.4、在本地设备上部署面向植物工厂精细化栽培监控的自适应转发模型，对经过采样或滤波的数据按数据规模估计模型估计得到的转发量进行转发，将数据传输至云服务器；
步骤3、云服务器接收并解析由本地设备转发的传感数据，将不同类型的传感数据保存至本地数据库，同时在设备上通过可视化图表显示植物生长状况数据或植物生长环境数据，向管理人员提供实时数据监控。
作为优选，所述步骤1中本地设备包括传感器。
作为优选，所述步骤2.1为了解决概率指数加权移动平均值模型遭遇一个突然的数据峰值变化的问题，概率指数加权移动平均值模型通过概率加权和趋势检测两个步骤进行解决，在每个本地设备部署概率指数加权移动平均值模型。不断地根据传感数据流对后续数据规模进行估计，在线更新模型并调整转发量；具体包括以下步骤：
步骤2.1.1、基于传感器数据利用概率指数加权方法计算后续的数据量变化：使用可变化的加权因子来适应数据突然的瞬态变化产生的影响：
上式中，u1为当前传感数据流变化，δi为两个连续数据点vi和vi-1值之间的距离；
为概率上可变化的加权因子，
Pi为第i次迭代的权重；
值是当前δi的概率；β是Pi的权重；α为加权因子，0<α<1；概率指数加权移动平均值模型的原理是当前δi对估计过程有概率为p的贡献。因此，将权重更新为1-βPi，以便在估计过程中考虑突然却对后续估计几乎没有影响的意外峰值，从而限制模型过高估计后续δi；如果意外峰值之后是传感数据流的持续变化，则随后的意外峰值会被赋予更大的p值，从而允许它们对估计过程产生更大影响；
步骤2.1.2、虽然概率指数加权移动平均值模型避免了模型对意外峰值的过度估计，但它没有考虑到向上和向下趋势的单调阶段，这往往会在估计过程中引入时间滞后效应。因此，使用Holt等人提出的模型来估算传感数据流变化中的单调增长或单调衰减：
上式中，xi为当前传感数据流；u1为当前传感数据流变化；δi为两个连续数据点vi和vi-1值之间的距离；ξ是[0,1]范围内的平滑权重，ξ的值接近1表示一种对近期趋势的偏好；为了初始化计算X1，将i的初值取2；估算过程中通过将概率指数加权移动平均值模型的移动平均值提高到适当的数值基数来减少滞后效应
步骤2.1.3、根据上述计算结果在每个本地设备部署数据规模估计模型，根据传感数据流对后续传感数据规模进行估计，在线更新概率指数加权移动平均值模型并调整数据转发量。
作为优选，所述步骤2.2具体包括如下步骤：
步骤2.2.1、根据当前采样周期Ti监测下一个数据点的估计采样周期Ti+1：如果负载减小则增加下一个数据点的估计采样周期Ti+1，如果负载增加则减小下一个数据点估计采样周期Ti+1；所述下一个数据点估计采样周期Ti+1增加或减小的幅度取决于置信度ci，表示自适应采样模型估计并且遵循传感数据流目前变化的置信度ci，当传感数据流置信度ci较大时，自适应采样模型采用更大的采样周期；
步骤2.2.2、在更新数据规模估计模型和计算传感数据流置信度ci后，将其与用户定义的不精确度γ进行比较，γ∈[0,1]；同时计算新的采样周期Ti+1：
上式中，λ为权重系数，ci为置信度；γ为不精确度，如果γ→0，上式将收敛到周期性采样方法；如果γ→1，即使无法做出可靠的估计，将每个采样间隔进行调整；因此，如果数据规模估计模型在某个置信区间内无法提供估计，则自适应采样模型将在下一个数据估计点di+1回滚到默认采样周期Tmin。
作为优选，所述步骤2.3具体包括如下步骤：
步骤2.3.1、在一段时间窗口上进行计算Fano因子：
上式中，σ2为方差，μ为均值，σi和μi都由数据规模估计模型提供的变化概率P加权计算得到；所述Fano因子表示为W，作为方差σ2与均值μ的比率；
步骤2.3.2、计算完Fi后，将错误方差σerr与用户提供的最大不精确度γ进行比较：如果Fi表示当前传感数据流未分散且σerr小于γ，则过滤范围变大，过滤掉附近的值，同时仍使数据整体保持在用户定义的精度需求中；如果Fi表示当前传感数据流过度分散，则缩短过滤范围或将其恢复为默认值并报告数据中的异常。
作为优选，所述步骤2.2.2中不精确参数γ用于设置灵敏度。
作为优选，所述步骤2.2中自适应采样模型的自适应采样方法的时间复杂性为常数时间，因为所有计算都基于预先收集的值，并且不需要整个传感数据流信息。
本发明的有益效果是：本发明对名优花卉生长过程中传感器收集的环境参数数据，基于轻量级估计模型估计传输流量，并通过自适应采样及自适应滤波技术过滤传感数据流，利用雾计算实现适量有效的传感数据的实时监控。
附图说明
图1为名优花卉及珍贵药用植物的精细化栽培工厂传感网络拓扑示意图；
图2为植物工厂雾计算监控技术的流程图；
图3为轻量级近似传感流数值估计模型的流程图；
图4为自适应采样及自适应过滤流程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明基于雾计算模式处理花卉及药材植物的传感器数据，将目前植物工厂监控***云端的计算、网络、存储能力向网络边缘延伸和扩展。
一、本发明的整体思想：
本发明主要解决以下问题：如何解决植物工厂名优花卉及药用植物精细化栽培环境参数监控面临的网络带宽和延迟瓶颈，为此本发明提出基于雾计算模式的植物工厂监控技术。该技术一方面在本地进行数据处理，使得数据预处理的计算时间更短且所需带宽更少，从而降低了对监控***对网络的需求。应用雾计算模式的监控***本地端，需要有选择地对传感数据进行筛选、采样、滤波与转发。传感数据经过上述处理传输到云服务器端，所需要的存储空间更小，也能更方便地进行数据的监控可视化。
二、实施例
实施例1
一种智能植物工厂环境下名优花卉及药用植物栽培工厂监控***，包括：植物工厂数据采集模块、雾采集模块、云存储模块和监视***可视化模块；所述植物工厂数据采集模块通过WiFi或蓝牙连接雾采集模块进行数据传输，所述雾采集模块上传数据至云存储模块，所述监视***可视化模块从云存储模块读取数据。所述植物工厂数据采集模块内设有传感器，所述传感器包括温度传感器、二氧化碳传感器和湿度传感器；所述雾采集模块用于进行数据规模估计、自适应采样和自适应滤波；所述云存储模块用于将数据上传云端和数据本地备份；所述监视***可视化模块用于进行环境数据可视化、植物生长可视化和营养液状况可视化。
实施例2
本发明所述的智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术包括以下步骤，如图1所示：
A、对植物工厂进行区域划分，在每个区域部署若干本地设备进行温湿度、二氧化碳等传感数据的采集:
步骤A包括以下步骤:
搭建传感网络，根据雾计算模块的监控策略采集相关信息，如温湿度、二氧化碳和土壤酸碱度等。为每个本地雾计算设备划分监控区域，监控区域所有传感器采集的相关数据传输至本地设备以待后续的转发。
B、每台本地设备采集到传感数据之后，在本地通过轻量级的数据规模估计模型估计后续的数据规模以调整转发量，同时通过本地的自适应采样、滤波模型对传感数据进行自适应滤波，最后通过转发设备以调整后的转发量向云服务器转发处理后的传感数据,如图2所示：
步骤B包括以下步骤:
B11、在本地设备上部署轻量级的传感数据规模估计模型，利用特定环境监测设备过去一段时间的监测数据来预测其未来时刻的监测数据。
将两个连续数据点vi和vi-1值之间的距离δi定义如下所示：
δi＝|vi-vi-1|
距离δi用于更新传感数据流ρ(M)本地参考运行时间的变化，通过移动平均来计算当前传感数据流变化，表示为μi。将接下来的两个数据点的距离记为δi+1。直观地，两个连续值之间的距离表示传感数据流的变化。使用指数加权移动平均值模型进行监测传感数据的近似预测，引入加权因子(0<α<1)以指数变化模式降低较旧的传感数据的权重，如下式所示：
上式中，用δ1来初始化u1，后面迭代更新。虽然指数加权移动平均值模型更适合实际植物工厂的监测需求，但其对瞬态变化的响应是不稳定的，故不能总是假设只存在指数加权。具体而言，如果指数加权移动平均值模型在一个较长时间的稳定阶段之后遇到突然的峰值，并且如果这个突然的峰值之后又是一个稳定阶段，则模型会保留这个峰值。这将导致过高估计后续的δi，从而会影响近似估计模型的准确性。
为了解决上述模型遭遇一个突然的数据峰值变化的问题，模型通过概率加权和趋势检测两个步骤进行解决，在每个本地设备部署模型。不断地根据传感数据流对后续数据规模进行估计，在线更新模型并调整转发量。步骤B11具体包括下面三个步骤：
B111、使用可变化的加权因子以适应数据突然的瞬态变化产生的影响，如下所示：
概率指数加权移动平均值模型引入了概率上可变化的加权因子
在上式中，Pi为第i次迭代的权重，
值是当前δi的概率，遵循传感数据流变化的建模分布，β是Pi的权重。概率指数加权移动平均值模型的原理是当前δi对估计过程有概率为p的贡献。因此，将权重更新为1-βPi，以便在估计过程中考虑突然却对后续估计几乎没有影响的“意外”峰值，从而限制模型过高估计后续δi。如果“意外”峰值之后是传感数据流的持续变化，则随后的“意外”峰值会被赋予更大的p值，从而允许它们对估计过程产生更大影响。
B112、虽然概率指数加权移动平均值模型避免了模型对意外峰值的过度估计，但它没有考虑到向上和向下趋势的单调阶段，这往往会在估计过程中引入时间滞后效应。因此，使用Holt等人提出的模型估计度量流变化中的单调增长/衰减，如下式所示：
其中ξ是[0,1]范围内的平滑权重，其中值接近1表示一种对近期趋势的偏好。i的初值取2是为了初始化计算X1，因此，估算过程中通过将概率指数加权移动平均值模型的移动平均值提高到适当的数值基数来减少滞后效应
B113、综合上述两个步骤，在每个本地设备部署模型。不断地根据传感数据流对后续数据规模进行估计，在线更新模型并调整转发量。
B12、在本地设备上部署面向植物工厂精细化栽培监控的自适应采样模型，对传感数据进行采样并调整采样周期，如图3所示。自适应采样的核心是基于植物工厂监测传感数据流的变化动态调整采样周期性Ti的过程，同时监测精度仍然满足用户给出的精确性要求。
监测下一个数据点的估计采样周期Ti+1取决于当前采样周期Ti，如果负载减小则增加下一个数据点的估计采样周期，如果负载增加则反过来减小下一个数据点估计采样周期。需要增加或者减少的幅度取决于置信度ci，表示模型估计并且遵循度量流目前变化的置信度。当传感数据流估计模型比较“自信”(置信度ci较大)时，自适应采样将采用更大的采样周期。因此，与仅基于数据点值vi调整采样率的阈值采样技术相比，所提出的自适应采样同时考虑传感数据流变化情况和模型估计的置信度。
在更新估计模型和计算估计置信度后，将其与可接受的用户定义的不精确度(记为γ)进行比较。不精确参数(γ∈[0,1])用于设置灵敏度，同时计算新的采样周期Ti+1，如下所示：
上式中，λ为权重系数，如果γ→0，上式将会收敛到周期性采样方法。反过来，如果γ→1，即使无法做出可靠的估计每个采样间隔也会产生调整。因此，如果传感流数据估计模型不能在某个置信区间内提供估计，则自适应采样算法将在下一个数据估计点di+1回滚到默认采样周期Tmin。此外，与仅基于阶跃函数(例如，Ti+1←Ti±Tstep)调整采样率的逐步技术相比，Tstep为置信区间半径；提出的自适应算法可以基于置信度对快速变化的度量流在合适范围[Tmin，Tmax]内进行高效响应。
所提出的自适应采样方法的时间复杂性是常数时间的，因为所有计算都基于预先收集的值，并且不需要整个传感数据流信息。不精确度γ是在估计过程中是自行定义的唯一参数。
B13、在本地设备上部署面向植物工厂精细化栽培监控的自适应滤波模型，对经过采样的传感数据进行滤波，并根据滤波结果调整采样周期，如图4所示。植物工厂监测传感数据流过滤是当连续数据点值小于一个范围时抑制数据点的过程，将抑制范围表示为R。因此，如果vi∈[vi-1-R,vi-1+R]，则过滤值vi的当前数据点di。但是，这需要用户先前已知道数据点值分布，并且这一分布不会改变，否则无法保证任何值都将被过滤。
通过自适应滤波技术，根据监测传感数据流变化动态调整滤波范围R，同时仍然满足用户定义的精度要求。过滤范围R取决于监测传感流数据的变化，此时仅有小部分数据需要进行精度限制，基于先前过滤的数据点的数量逐步调整R。
利用Fano因子显示与监测传感数据流的当前变化相关的变化程度。Fano因子(F≥0)与分散指数一样，是概率分布的离差的归一化度量，用于量化一组数据点与统计模型相比是否聚类(F<1)或分散。Fano因子在一段时间窗口上进行计算，表示为W，作为方差σ2与均值μ的比率，如下式所示：
上式的方差σ2和均值μ不需要额外的计算，因为σi和μi都由传感数据流估计模型提供的变化概率P加权计算得到；同时也不需要使用数据点窗口，因为σi和μi都根据先前的值通过加权来相应地调整每个数据点的贡献。直观地，当σi减小时，Fano因子Fi跟随变化，表明数据流规模的降低。计算完Fi后，将σerr(错误方差)与用户提供的最大可容忍不精确度进行比较，表示为γ。如果Fi表示传感数据流未分散且σerr小于γ，则过滤范围变大，尝试过滤掉附近的值，同时仍使数据整体保持在用户定义的精度需求中。否则，如果Fi说明当前传感数据流过度分散，则缩短过滤范围或将其恢复为默认值并报告数据中的异常。
与自适应采样一样，自适应滤波算法具有O(1)的时间和空间复杂度，因为Ri+1是从其先前值计算的，而μi，σi和σerr是运行时估计模型由前所述的输出。
B14、在本地设备上部署面向植物工厂精细化栽培监控的自适应转发模型，对经过采样、滤波的传感数据根据传感数据规模估计模型估计得到的转发量进行转发，将数据传输至云服务器。通过雾计算的模式，转发过程需要的带宽更少从而降低了对网络的需求。
C、云服务器接收并储存传感数据，同时在设备上显示如植物生长状况数据、植物生长环境数据等重要数据，向管理人员提供实时的数据监控:
步骤C包括以下步骤:
通过云服务器接收并解析由本地设备转发的植物工厂传感数据，将不同类型的传感数据保存至本地数据库。
通过合适的可视化图表，实时展示植物工厂的各种传感数据信息。
三、实验结论：
可以看出本***能够通过传感器采集的数据规模对后续数据规模进行估计从而调整转发量，并根据当前的数据进行自适应的采样、滤波，从而向云服务器转发规模适量的、噪声小的传感器数据。云服务器在进行数据存储的同时，也能够实现实时的植物生长状况数据、植物生长环境数据的显示。这样，培育人员在远程监控的情况下，也可以实现对温室环境较准确的了解，而且方法具有普适性，可以推广应用到多种作物上。
Claims (7)
1.一种智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，监控***包括：植物工厂数据采集模块、雾采集模块、云存储模块和监视***可视化模块；所述植物工厂数据采集模块通过WiFi或蓝牙连接雾采集模块进行数据传输，所述雾采集模块上传数据至云存储模块，所述监视***可视化模块从云存储模块读取数据；其特征在于，雾计算监控技术包括如下步骤：
步骤1、搭建传感网络，对植物工厂进行区域划分，为每个本地雾计算设备划分监控区域，植物工厂数据采集模块在每个区域部署若干本地设备进行传感数据的采集；将采集的传感数据上传至雾采集模块；
步骤2、每台本地设备采集到传感数据之后，在本地通过轻量级的数据规模估计模型估计后续的数据规模来调整转发量，同时通过本地的自适应采样模型和自适应滤波模型对传感数据进行处理，最后通过转发设备按调整后的转发量向云服务器转发处理后的传感数据；
步骤2.1、依据传感数据规模通过概率指数加权移动平均值模型和趋势检测估计后续数据规模，在线更新概率指数加权移动平均值模型并量调整数据转发量:
在本地设备上部署轻量级的数据规模估计模型，利用特定环境监测设备过去一段时间的监测数据来预测其未来时刻的监测数据；将两个连续数据点vi和vi-1值之间的距离δi定义如下所示：
δi＝|vi-vi-1|
用距离δi更新传感数据流ρ(M)本地参考运行时间的变化，通过移动平均来计算当前传感数据流变化，表示为μi，将接下来的两个数据点的距离记为δi+1；使用概率指数加权移动平均值模型进行监测传感数据的近似预测，引入加权因子(0<α<1)按指数变化模式降低传感数据的权重，如下式所示：
上式中，用δ1来初始化u1；
步骤2.2、在本地设备上部署面向植物工厂精细化栽培监控的自适应采样模型，并依据传感数据规模计算置信度，与用户定义的不精确度对比后，调整采样周期并对传感数据采样；
步骤2.3、在本地设备上部署面向植物工厂精细化栽培监控的自适应滤波模型，对经过采样的传感数据进行滤波：将滤波范围表示为R，如果值vi∈[vi-1-R,vi-1+R]，则过滤vi的当前数据点di；并根据Fano因子根据监测传感数据流变化动态调整滤波范围R，根据滤波结果调整采样周期；
步骤2.4、在本地设备上部署面向植物工厂精细化栽培监控的自适应转发模型，对经过采样或滤波的数据按数据规模估计模型估计得到的转发量进行转发，将数据传输至云服务器；
步骤3、云服务器接收并解析由本地设备转发的传感数据，将不同类型的传感数据保存至本地数据库，同时在设备上通过可视化图表显示植物生长状况数据或植物生长环境数据，向管理人员提供实时数据监控。
2.根据权利要求1所述智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，其特征在于：所述步骤1中本地设备包括传感器。
3.根据权利要求1所述智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，其特征在于，所述步骤2.1具体包括以下步骤：
步骤2.1.1、基于传感器数据利用概率指数加权方法计算后续的数据量变化：使用加权因子来适应数据突然的瞬态变化产生的影响：
上式中，u1为当前传感数据流变化，δi为两个连续数据点vi和vi-1值之间的距离；
为加权因子，
Pi为第i次迭代的权重；
值是当前δi的概率；β是Pi的权重；α为加权因子，0<α<1；将权重更新为1-βPi；
步骤2.1.2、使用Holt提出的模型来估算传感数据流变化中的单调增长或单调衰减：
上式中，xi为当前传感数据流；u1为当前传感数据流变化；δi为两个连续数据点vi和vi-1值之间的距离；ξ是[0,1]范围内的平滑权重；将i的初值取2；
步骤2.1.3、根据上述计算结果在每个本地设备部署数据规模估计模型，根据传感数据流对后续传感数据规模进行估计，在线更新概率指数加权移动平均值模型并调整数据转发量。
4.根据权利要求1所述智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，其特征在于，所述步骤2.2具体包括如下步骤：
步骤2.2.1、根据当前采样周期Ti监测下一个数据点的估计采样周期Ti+1：如果负载减小则增加下一个数据点的估计采样周期Ti+1，如果负载增加则减小下一个数据点估计采样周期Ti+1；所述下一个数据点估计采样周期Ti+1增加或减小的幅度取决于置信度ci，当传感数据流置信度ci较大时，自适应采样模型采用更大的采样周期；
步骤2.2.2、在更新数据规模估计模型和计算传感数据流置信度ci后，将其与用户定义的不精确度γ进行比较，γ∈[0,1]；同时计算新的采样周期Ti+1：
上式中，λ为权重系数，ci为置信度；γ为不精确度，如果γ→0，上式将收敛到周期性采样方法；如果γ→1，将每个采样间隔进行调整；如果数据规模估计模型在某个置信区间内无法提供估计，则自适应采样模型将在下一个数据估计点di+1回滚到默认采样周期Tmin。
5.根据权利要求1所述智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，其特征在于，所述步骤2.3具体包括如下步骤：
步骤2.3.1、在一段时间窗口上进行计算Fano因子：
上式中，σ2为方差，μ为均值，σi和μi都由数据规模估计模型提供的变化概率P加权计算得到；所述Fano因子表示为W，作为方差σ2与均值μ的比率；
步骤2.3.2、计算完Fi后，将错误方差σerr与用户提供的最大不精确度γ进行比较：如果Fi表示当前传感数据流未分散且σerr小于γ，则过滤范围变大，过滤掉附近的值；如果Fi表示当前传感数据流过度分散，则缩短过滤范围或将其恢复为默认值并报告数据中的异常。
6.根据权利要求4所述智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，其特征在于：所述步骤2.2.2中不精确参数γ用于设置灵敏度。
7.根据权利要求1所述智能植物工厂环境下名优花卉及药用植物栽培工厂监控***的雾计算监控技术，其特征在于：所述步骤2.2中自适应采样模型的自适应采样方法的时间复杂性为常数时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010552281.7A CN111726407B (zh) | 2020-06-17 | 2020-06-17 | 一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010552281.7A CN111726407B (zh) | 2020-06-17 | 2020-06-17 | 一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111726407A CN111726407A (zh) | 2020-09-29 |
| CN111726407B true CN111726407B (zh) | 2022-08-02 |
Family
ID=72567002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010552281.7A Active CN111726407B (zh) | 2020-06-17 | 2020-06-17 | 一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111726407B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112527829B (zh) * | 2020-12-17 | 2022-05-10 | 浙江经贸职业技术学院 | 基于物联网的工业数据传输与可视化*** |
| CN114913029B (zh) * | 2022-04-29 | 2023-05-02 | 云铂(宁夏)科技有限公司 | 一种基于物联网的智能农业监控平台 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170048308A1 (en) * | 2015-08-13 | 2017-02-16 | Saad Bin Qaisar | System and Apparatus for Network Conscious Edge to Cloud Sensing, Analytics, Actuation and Virtualization |
| CN105610944B (zh) * | 2015-12-29 | 2019-03-05 | 北京物联远信息技术有限公司 | 一种面向物联网的雾计算架构 |
| CN106647514A (zh) * | 2016-12-28 | 2017-05-10 | 安徽工程大学 | 一种对水泥企业碳排放实时在线监测管理*** |
| CN107172166B (zh) * | 2017-05-27 | 2021-03-23 | 电子科技大学 | 面向工业智能化服务的云雾计算*** |
| CN108198439B (zh) * | 2018-01-24 | 2021-05-14 | 浪潮集团有限公司 | 一种基于雾计算的城市智能交通控制方法 |
| CN109862011B (zh) * | 2019-02-01 | 2021-03-30 | 华南理工大学 | 一种基于雾计算的物联网环境实时监测*** |
-
2020
- 2020-06-17 CN CN202010552281.7A patent/CN111726407B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| "Maximum Data-Resolution Efficiency for Fog-Computing Supported Spatial Big Data Processing in Disaster Scenarios";JunBo Wang;《 IEEE Transactions on Parallel and Distributed Systems 》;20190130;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111726407A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Reliable data fusion of hierarchical wireless sensor networks with asynchronous measurement for greenhouse monitoring | |
| CN111726407B (zh) | 一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 | |
| Choudhary et al. | Autonomous crop irrigation system using artificial intelligence | |
| McCarthy et al. | Advanced process control of irrigation: the current state and an analysis to aid future development | |
| CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测*** | |
| CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN114911831A (zh) | 一种基于Flink流式计算和深度学习的农业实时预警方法及*** | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警*** | |
| CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和*** | |
| CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及*** | |
| Ali et al. | Time-series prediction for sensing in smart greenhouses | |
| 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 | |
| CA3196136A1 (en) | Advanced crop manager for crops stress mitigation | |
| CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
| US20200019858A1 (en) | Optimization of cyber-physical systems | |
| CN116957141A (zh) | 一种基于Transformer模型的智能灌溉预测方法及*** | |
| CN114206109A (zh) | 信息处理装置及方法 | |
| CN114626010A (zh) | 一种基于CatBoost的灌溉量计算方法及*** | |
| WO2020255678A1 (ja) | 情報処理装置及び方法 | |
| Agyeman et al. | LSTM-based model predictive control with discrete inputs for irrigation scheduling | |
| Chen et al. | Theoretical Exploration of Irrigation Control for Stem Water Potential through Model Predictive Control | |
| Poczęta et al. | Monitoring and prediction of time series based on fuzzy cognitive maps with multi-step gradient methods | |
| KR20200084407A (ko) | 뉴럴 네트워크 기반의 양액 제어 시스템 및 방법 | |
| JP7437061B2 (ja) | 生育環境予測装置、生育環境制御システムおよび生育環境予測方法 | |
| Huang et al. | A Deep Learning-Based Model for Edible Mushroom Greenhouse Prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |