目前农业物联网技术通常采用ZigBee、Bluetooth、Simplicti及有线等方式,但这些技术均面临通信距离短、功耗大和因通信协议而导致的终端数量饱和问题。基于蜂窝网络的NB-IoT窄带宽物联网技术,在同样带宽频段下,增益超过20 dB,覆盖面积可扩大100倍,形成深覆盖,海量连接的M2M体系,有长达10年的待机时间和良好的功耗控制及数据连接能力,正逐渐成为我国物联网发展技术的主流[1-3],通过NB-IoT与传感器的连接,将低成本、低功耗的移动终端分布于田野、山林、水下,为农业智能化物联网技术提供良好的保障[4]。
本研究设计了一套基于NB-IoT窄带宽物联网技术的温室温度智能调控系统,应用MSP430F149芯片与传感器技术,采集温室环境信息,通过NB-IoT技术直接实现无网关化,结合用户需求以及作物生长所需环境,采用Grubbs–均值滤波和模糊PID–分级控制方法对温室温度进行智能调控,为作物生长提供良好环境。
1 系统总体架构依据NB-IoT平台部署模式,基于NB-IoT的温室温度智能调控系统主要由NB-IoT采集终端、NB-IoT控制终端和云端智能调控系统构成(图1)。其中NB-IoT采集终端主要由超低功耗MSP430F149芯片、BC-95模组以及低功耗环境信息采集传感器构成;采集终端所获得的环境数据通过L2TP隧道技术构建与公共互联网完全隔离的虚拟专用网络,直接传输到NB-IoT基站,通过VPDN业务直接与云服务器进行数据交互,利用云端智能调控系统对温室系统的控制终端进行远程闭环控制;NB-IoT控制终端主要由三菱FX2N系列可编程逻辑控制器、BC-95模组以及MSP430F149芯片组成。云端智能调控系统主要负责环境数据的处理、存储、管理、分析、决策以及远程自动控制。
采集终端的硬件设计主要分为2个部分:NB-IoT主控板和通信模块的电路设计。主控板负责温室环境信息的采集,通信模块负责与NB-IoT基站的数据交互。
2.1.1 NB-IoT主控板的电路设计温室所处环境较特殊,高温以及潮湿都对会硬件电路造成信号干扰,为此NB-IoT主控板的电源芯片采用AMS1117,其工作属于完全的负反馈方式,在电源抑制上比开关电源性能更强,尤其在小信号处理电路上能取得不错的的效果,具有快速瞬态响应和良好的噪声抑制能力,且片内集成过热保护和过流保护模块,保证芯片和系统的可靠运行[5-7];使用SHT10、BH1750和MH-Z14分别获取温室环境内的温湿度、光照强度以及二氧化碳浓度[8-9]。主控板的电路设计框图如图2所示。
通信模块电路原理图如图3所示,通信模块采用NB-IoT系列中的BC95作为射频模组,与专用NB-IoT物联网卡进行数据交互,最后经由800 MHz射频天线将环境数据直接发送到NB-IoT基站。为确保有更好的电源供电性能,在靠近BC95的电源输入端并联有1个低ESR的100 μF钽电容,以及0.1 μF、100 pF、22 pF的滤波电容;在射频天线的电路设计中,对于PCB走线使用专业阻抗模拟计算工具对射频信号线进行50 Ω的阻抗控制,并且预留有π型匹配电路,能够更加方便地调节射频性能,确保了射频信号良好以及可靠。
采集终端在完成设备初始化后,MSP430F149芯片进入LPM3模式等待定时器唤醒,同时BC95模块在等待一段时间后分别进入IDLE和PSM模式,当定时时间到达后,MSP430F149芯片退出低功耗,采集温室环境信息发送给通信模块,再次进入LPM3模式,通信模块接收到数据后退出PSM模式,通过AT命令集将数据发送给NB-IoT基站。具体工作流程图如图4所示。
在现有成熟稳定的智能温室布局中,大部分采用“有线网络+PLC控制柜”对温室系统进行环境调控,保证温室控制机构的响应速度和稳定性,但其操作复杂,成本较高,需要网线或光纤、电缆线、交换机和串口服务器,且响应速度受系统网络影响,为此我们设计了一种“NB+窄带物联网+PLC控制柜”的控制终端,实现低成本、快速响应、无线化的控制终端,使得控制终端的成本降低了75%,平均响应时间基本与TCP/IP方式持平。使用多通道MAX232作为RS-232标准串口设计的单电源电平转换模块,在低功耗关断模式下可将功耗降至5 μW以内,并且该芯片电路设计简单且转换高效,通过串口通信与FX2N系列可编程逻辑控制器协同控制温室行程机构,实现温室环境的调节[10-11]。TTL信号转232信号电路如图5所示。
为满足控制机构的高效性和稳定性,控制终端需要周期访问云端智能调控系统,在行程命令处于执行结束或未更新状态下,进入低功耗状态,减少能耗。其工作流程如图6所示。
采集终端在温室内的不同位置,采集的数据存在差异;单一采集终端并不能保证数据的准确性;单一的数据来源并不具有代表性;数据传输过程中的异常丢包导致异常数据。为此,采用数据帧完整性校验以及多传感器融合算法,提高温室数据的准确度。
3.2 数据帧校验为去除异常丢包导致的异常数据,我们采用自定义数据帧校验方式,如表1所示,A~N的数据格式是16进制,在传输协议中,将数据位的最后1位(N)定义为校验位,通过数据帧前13位之和与0XFF进行与运算,并将运算后的值与校验位N比较是否相等,从而判断数据帧的准确性,若为异常数据,则直接剔除。
为处理因传感器或设备异常而产生的异常数据,我们采用Grubbs准则,对同类型多传感器异常数据进行剔除,保证数据的准确性[12-13]。假设传感器测得的温度数据序列为
$\overline \theta = \frac{1}{n}\sum\limits_{i = 1}^n {{\theta _i}} ,$ | (1) |
$\sigma ' = \sqrt {\frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{({\theta _i} - \overline \theta )}^2}} },$ | (2) |
根据顺序统计原理找出格罗贝斯统计量(gi)的确切分布:
${g_i} = \frac{{{\theta _i} - \overline \theta }}{{\sigma '}},$ | (3) |
给定显著水平a后(一般取a=0.05或0.01),用查表法找出格罗贝斯统计量的临界值
对温度数据序列
${\rm Data} = (\sum\limits_{i = 1}^m {{\theta _i}} ')/m\text{。}$ | (4) |
采集终端在温室的安装位置如图7所示。
在现阶段的温室智能控制中,大多采用常规的PID控制,这种方法控制简单,便于实现,然而温室是一个非线性、时变、时延大、多变量耦合的复杂对象,采用固定参数的常规PID控制这样的对象,参数整定较为困难,且参数不能随系统的变化而变化,很难实现最佳控制[14],并且在现有温室框架中,主流控制设备为风机、湿帘、环流风机、补光灯等,几乎没有控制对象可以接收模拟量的输出控制。为此,本研究结合模糊响应与分级控制,以达到控制温室环境的目的。
4.1 模糊PID控制器模糊PID在常规的PID控制中采用模糊推理思想,根据设定温度值
$\left\{ \begin{array}{l}{K_{\rm p}} = {K_{\rm p}}' + {\varDelta} {K_{\rm p}}\\{K_{\rm i}} = {K_{\rm i}}' + {\varDelta} {K_{\rm i}}\\{K_{\rm d}} = {K_{\rm d}}' + {\varDelta} {K_{\rm d}}\end{array} \right.\!\!\!\!\text{。}$ | (5) |
模糊推理输入和输出的都是精确量,而本身是模糊量,这就需要在算法实现过程中实现精确量的模糊化、模糊决策和解模糊化。模糊设计主要包含2个方面:一个是模糊量的个数,另一个是模糊量隶属函数的设计。
本系统选用E和Ec作为模糊控制器的输入,
总结工程设计人员的技术知识和实际操作经验以及ΔKp、ΔKi、ΔKd参数间的相互作用及影响,据此建立ΔKp、ΔKi、ΔKd模糊控制规则表,以ΔKp为例,如表2所示,本系统采用平均最大隶属度法进行解模糊,在系统运行过程中控制系统通过对模糊逻辑结果的分析、查表、计算等,完成PID参数的自动校正,并进行分级运算控制,工作流程如图10所示。
温室模糊控制系统是个多输入多输出系统,输入变量有当前温度偏差以及温度偏差变化率,输出为△Kp、△Ki和△Kd,根据余欢乐等[17]建立的温室温度控制模型,近似将其看成具有扰动参与的一阶惯性时滞环节,在matlab中搭建模糊PID控制系统和常规的PID控制系统,根据图11仿真曲线对比和分析两者的性能差异。模糊PID比普通PID的超调量减少了74.6%、上升时间增加了53.4%、达到峰值时间增加了31.3%,模糊PID具有超调量小,鲁棒性高的优势。
以安全、稳定的面向对象语言C#作为软件系统设计基础,通过UDP通信协议以及多线程操作机制设计出一套集终端数据存储、曲线展示、报表分析、规则控制、参数设置为一体的云端智能调控系统。软件界面如图12所示。
用户设定采集终端上传环境信息的周期和室温上下限,通过Grubbs–均值滤波以及模糊PID–分级控制算法智能调节温室内环境,并通过数据曲线以及报表分析判断系统调节性能,利用历史数据对作物生长环境进行相关科学性研究。
5 系统测试 5.1 多传感器融合滤波算法的实现通过Grubbs–均值滤波算法对同温室温度数据进行融合处理,得到表3所示的结果。分别以组1以及组4进行数据解析。
组1:Ti=34.46,Vi=[–0.06, –0.06, 0.14, –0.06, 0.04] ,σ1=0.089 44,g0×σ1=0.149 36;
组4:Ti=31.56,Vi=[–0.46, –0.46, 1.84, –0.46, –0.46] ,σ1=1.028 59,g0×σ1=1.717 74,
式中,Ti为算术平均值,Vi为剩余误差,0<i<6,σ1为近似误差, 通过查表得g0(5, 0.05)=1.67。
组1中没有可疑值需要剔除,组4中33.40为可疑值,需要剔除,将剔除后的数据进行均值计算求得组1和组4中的融合值分别为33.46和31.10,融合值与JR912测得的温度数值相对差为0~1.03%,符合农业大棚的温度精度要求。
5.2 模糊PID–分级控制效果的实现设置室温28 ℃,温室温度控制效果如图13所示,系统到达稳定状态耗时12.96 min,温度为26~30 ℃,最大相对误差不超7.14%,平均相对误差为3.57%(±1.0 ℃)。
传统的环境监测系统都需要用网关汇聚采集终端的数据,并通过网络等有线方式控制温室执行机构,且采用移植和抗干扰性较差的传统PID来调节温室环境。
本研究主要以NB-IoT技术在农业温室领域的应用研究以及温度方面的调节测试为主,设计了一套以NB-IoT窄带宽物联网技术为基础的智能控制系统,集多传感器融合滤波、模糊PID–分级控制、报表分析为一体的云端智能监控平台。试验结果表明,该系统将采集温度数值的相对误差缩小为1.1%,温度控制平均相对误差缩小为±1 ℃,符合温室环境采集控制的要求,可为温室智能控制提供良好的技术支撑。
[1] |
黄文超. NB-IoT低速率窄带物联网通信技术现状及发展趋势[J]. 电子测试, 2017(6): 29. (0) |
[2] |
WANG Y P E, LIN X, ADHIKARY A, et al. A primer on 3GPP narrowband internet of things[J]. IEEE Commun Mag, 2017, 55(3): 117-123. DOI:10.1109/MCOM.2017.1600510CM (0) |
[3] |
ADHIKARY A, LIN X, WANG Y P E. Performance evaluation of NB-IoT coverage[C]// IEEE. 2017 IEEE 86th vehicular technology conference. Toronto: IEEE, 2017: 1-5.
(0) |
[4] |
曲井致. NB-IoT低速率窄带物联网通信技术现状及发展趋势[J]. 科技创新与应用, 2016(31): 115. (0) |
[5] |
李春玉. 密闭环境空气质量监测系统[D]. 哈尔滨: 哈尔滨理工大学, 2016.
(0) |
[6] |
张宏, 沈明霞, 陆明洲, 等. 穿戴式猪用心电监测系统设计[J]. 南京农业大学学报, 2016, 39(5): 872-879. DOI:10.7685/jnau.201511035 (0) |
[7] |
郑晓庆, 杨日杰, 杨立永, 等. 多路输出DC-DC电路设计[J]. 国外电子测量技术, 2012, 31(9): 31-33. (0) |
[8] |
HE J, XU L, WANG P, et al. A high precise E-nose for daily indoor air quality monitoring in living environment[J]. Integration, 2016, 58: 286-294. (0) |
[9] |
DENG H B, ZHANG L. Design on ZigBee wireless sensor network node[J]. Key Eng Mater, 2011, 474/475/476: 283-286. (0) |
[10] |
熊本海, 蒋林树, 杨亮, 等. 奶牛饲喂自动机电控制系统的设计与试验[J]. 农业工程学报, 2017, 33(7): 157-163. DOI:10.11975/j.issn.1002-6819.2017.07.020 (0) |
[11] |
SU B, MA X. Water level sensor based on a new design structure for irrigation water measurement[J]. Ifac Proceedings Volumes, 2010, 43(26): 39-44. DOI:10.3182/20101206-3-JP-3009.00006 (0) |
[12] |
刘叶玲, 朱艳伟. 加权数据融合算法及其应用举例[J]. 西安科技大学学报, 2005, 25(2): 253-255. (0) |
[13] |
袁明月, 鸿雁, 杨志, 等. 基于Grubbs准则的小波阈值改进研究[J]. 人民长江, 2014(14): 69-71. DOI:10.3969/j.issn.1001-4179.2014.14.023 (0) |
[14] |
涂川川, 朱凤武, 李铁. BP神经网络PID控制器在温室温度控制中的研究[J]. 中国农机化学报, 2012(2): 151-154. (0) |
[15] |
韦庆志. 基于ARM的模糊PID温度控制系统的研究[D].镇江: 江苏大学, 2010.
(0) |
[16] |
KUMAR A, KUMAR V. A novel interval type-2 fractional order fuzzy PID controller: Design, performance evaluation, and its optimal time domain tuning[J]. Isa T, 2017, 68: 251-275. DOI:10.1016/j.isatra.2017.03.022 (0) |
[17] |
余欢乐, 方永锋. 基于模糊自整定PID的温室温度控制系统设计及仿真[J]. 江苏农业科学, 2016, 44(12): 383-386. (0) |