| 使用圖形化系統設計開發新奇的便攜式智能溫室 | |
| 作者：NI-美國國家儀器有限公司 | |
|
產品：cRIO-9014, NI 9265, NI 9215, USB-6211, LabVIEW 挑戰：創建一個智能系統來實現便攜式溫室的原型，以治理包括供電及施肥在內的所有資源，控制環境變量以獲得最佳收獲，并利用綠色工程技術將系統損耗降低到最少。 解決方案: 利用一個基于人工智能(AI)架構的控制器來丈量溫室的傳感器并控制溫室的執行機構，這一控制器使用了NI USB-6211 數據采集（DAQ）模塊作為硬件接口，并利用NI cRIO-9014實時控制器來監測風力發電設備與光電電池的供電狀況。整個系統在LabVIEW專業版開發環境下編程實現。 "便攜式智能型溫室的主要部件是基于AI（人工智能)的智能型核心控制器。我們使用了LabVIEW來開發核心控制器，并利用了本校于 2008 年開發的LabVIEW下的智能控制工具包(Intelligent Control Toolkit for LabVIEW)。"
無土種植法的優點還有很多，它無需使用農機，所以不會導致土壤污染，也沒有水土流失的風險。由于不使用化學農藥，并且整個過程幾乎完全自動化，還能夠有效地節約資源。這種集約式的生產方式很適合在城市使用。 我們利用智能系統和綠色工程技術設計了一個全新的便攜式智能型溫室原型，實現了對供電與施肥等所有資源的同時治理，能夠控制環境變量以獲得最佳收獲，并將系統損耗下降到最低。智能溫室采用了無土種植法，使用方便，且極具靈活性，可被放置于餐廳或城市住家中。 此溫室具有兩種主要特點：首先，傳統的溫室一般無法放置于建筑物或家中，而便攜式溫室的主要目的就是要能放置在傳統溫室無法進駐之處。其次，這是一個智能溫室，所有會影響生長的變量與因果反應都被納進考慮，系統會根據這些數據進行分析并產生響應。 使用這座便攜式智能型溫室會帶來很多益處，如：非無土種植法專家也能操縱；建立溫室的初期本錢可以大幅降低；我們可以選擇單獨種植不同的作物，例如蕃茄、辣椒與生菜等。一些新生代的溫室系統已經決定采用我們的便攜式智能溫室作為主要平臺，例如，位于墨西哥莫雷洛斯州 (Morelos) 奎納瓦卡市 (Cuernavaca) 的一處占地 1200平方米的溫室。 便攜式智能型溫室簡介 溫室的結構被分為三部分：耕種區，供電系統和智能控制系統。作物被種植于耕種區，里面有養分槽、輸送系統與一個用于控制耕種區溫度的水槽。我們將智能控制系統中的所有傳感器與執行機構都放置在耕種區中，并在耕種區外圍覆蓋了密封的塑料膜。 供電系統是便攜式智能型溫室的第二個重要部件。這里，我們采用了一個供電電路為所有的電力、電子裝置供電。為了開發可持續使用的溫室，我們運用了綠色工程的技術，采用了一個400W風力渦輪發電機與一塊60W光電電池，即時在環境狀況不佳時，天天也可為系統提供 3.3 kWh的電力。這一系統包括了變頻器與蓄電池。 第三個部件是智能控制系統，我們可以將之細分為傳感器與執行機構組、供電用開關控制器、智能型核心控制器，以及硬件接口電路。 智能溫室的監控 溫室的幾項變量會影響作物的數目與質量。便攜式智能型溫室可以控制養料的用量、光照強度、溫度以及耕種區內的濕度，另一個重要的變量則是供電控制。我們使用一組傳感器來偵測變量，一組執行機構來進行控制。 NI USB-6211 M系列多功能DAQ模塊可以采集光照強度、溫度、濕度和養料等變量并產生信號。我們同時還使用了擁有128 MB DRAM、2 GB硬盤的cRIO-9014 實時控制器， NI 9265模擬輸出模塊與 NI 9215模擬輸進模塊，以監控供電系統。最后，我們對智能型核心控制器中的數據進行處理，計算出公道的響應并輸出，以對整個系統實現控制。 智能型核心控制器 便攜式智能型溫室的主要組件是基于AI技術的智能型核心控制器。控制器是由數個模糊控制器(Fuzzy control)和類神經網絡(Neural network)所組成的，模糊控制器會控制光照強度并治理養料，而類神經網絡則用于開發溫度、濕度和供電等控制器。在開發核心控制器時，我們還采用了本校于2008年開發的LabVIEW下的智能控制工具包(Intelligent Control Toolkit for LabVIEW)，這一工具包正在專利申請中。 我們用模糊控制器來控制光照強度并治理養料。智能型核心控制器需要丈量濕度、光照強度與溫度的值。我們針對每輸進端子的三個隸屬函數(Membership function)提出27條模糊規則(Fuzzy rule)，以取得公道響應。這些規則參考了農業專家的意見、書籍、研究論文與實驗數據。在提出每個輸進端子的隸屬函數后，我們也針對光照強度與養料治理的輸出隸屬函數提出報告。 我們使用類神經網絡開發了溫度、濕度和供電控制器。使用USB-6211來測定溫室內外的溫度，以獲得實驗數據。為了采用動態類神經網絡建構系統模型，我們使用了2880個樣本與后向傳播練習 (Backpropagation training)表達式，找出系統的溫度類神經模型。然后我們執行了模糊控制及經典的比例-積分-微分(PID)控制。最后，我們以動態類神經網絡構建了整個控制器模型，這是由于使用經典 PID只能用于單個設定點，但是這一控制器卻可以用于所有的設定點。 我們利用三種不同的知識庫（真實數據、發電機和光伏電池系統的神經模型以及數學方程式），以動態類神經網絡建構了電源控制器模型。我們根據輻射和風速變量與供電量的比較值，按照和室內溫度溫室模型一樣的方式建構發電機和光伏電池的神經模型。控制器通過猜測最大供電，在兩個電源系統之間切換。(end) |
