基于LoRa與模糊控制的溫室環境調控系統設計

李揚 王建春 吳華瑞 孫想

摘要：針對北方日光溫室普遍配備的電動卷簾設計了基于LoRa與模糊控制的溫室環境調控系統。系統采用STM32作為微控制器，配置限位開關確保卷簾運行安全，通過LoRa和4G-LTE實現與服務器的通信和交互，采集溫度、濕度、光照度等環境數據，運用模糊控制算法對風口開合寬度進行自動調節，使用卷簾覆蓋風口方式實現對溫室環境的調節。農戶可以使用現場旋鈕或遠程APP/WEB控制設備的運轉，也可以通過設置規則達到批量自動控制設備的效果。本系統實現了日光溫室卷簾的自動控制，使用卷簾對上風口開口寬度進行調整，進而調控溫度，實際運行結果表明，該系統可以有效保證卷簾的安全運行，延長光照時長。上風口不覆蓋卷膜情況下，夜間溫度無明顯差別，日間溫度波動更小，減輕了勞動強度，改善了溫室環境管控效果，可以為日光溫室現代化、智能化改造提供一種快速改造方式，提升設施農業信息化水平。

關鍵詞：日光溫室;LoRa;模糊控制算法;環境調控;限位保護

中圖分類號： S625.5? 文獻標志碼： A

文章編號：1002-1302（2021）20-0210-07

收稿日期：2021-08-01

基金項目：天津市企業科技特派員項目（編號：20YDTPJC00200）;天津市蔬菜現代農業產業技術體系項目（編號：ITTVRS2021021）;天津市農業科學院青年科研人員創新研究與實驗項目（編號：2021005）。

作者簡介：李 揚（1982—），女，天津人，碩士，助理研究員，主要從事農業信息化與人工智能研究。E-mail：liyang_taas@126.com。

通信作者：王建春，碩士，研究員，主要從事農業信息化研究。E-mail：wangmiao115@126.com。

研究表明，溫室環境優化調控方法和技術能有效改善溫室作物的生產條件，提高光能資源的利用效率，從而實現溫室作物的高產、高效、優質生產[1-5]，而物聯網技術、自動控制技術的發展，為便捷化、遠程溫室環境調控奠定了技術基礎[6-8]。目前國外關于物聯網的農業生產控制系統研究已經較為成熟[9]，但由于我國小規模農業生產為主的現狀，相應技術難以推廣應用。現階段國內設施溫室環境調控系統研究主要使用ZigBee（紫蜂，一種短距離無線傳輸技術）和4G通信技術，結合空氣溫度、土壤濕度等數據，對灌溉、卷膜、風機、補光燈等設備進行控制，控制設備種類雖然比較豐富，但整體成本偏高，難以大規模應用。事實上我國北方日光溫室通常僅配備卷簾電機，風口卷膜以掛繩拉拽或機械搖臂開啟為主，農戶憑水銀溫度計和經驗判斷，人工對卷簾、卷膜進行控制，生產管理較為粗放。

針對目前溫室生產現狀及主流溫室配置，本研究設計了一種基于遠距離無線電（long range radio，LoRa）與模糊控制的溫室環境調控系統。系統結合LoRa和4G-LTE技術通過對設施溫室卷簾電機增加控制設備并配置限位保護，實現卷簾電機的遠程、安全運行，并以環境數據為基礎，結合模糊控制模型，使用卷簾壓風口的方式完成日光溫室的溫度調節，系統同時支持策略綁定功能，在連片溫室區域可以只部署少量傳感器，批量操控全部園區溫室，達到節省成本、統一操作的效果。通過試驗對比，該系統調控效果較好，可以滿足日常農業生產需求。

1 系統總體設計方案

該系統主要對日光溫室卷簾進行控制，通過傳感器完成現場環境數據采集，由LoRa模塊將數據匯聚至網關，再由網關通過4G-LTE模塊將數據上傳至服務器，服務器經過模糊控制算法的綜合判斷決策，下發控制指令進行設備控制，外部通過行程開關告知下位機進行限位保護。具體結構如圖1所示。系統整體由下位機和服務器端2個部分組成。其中，下位機包括節點和網關，兩者之間通過LoRa進行通信，主要由通信模塊、環境采集模塊、限位保護模塊和設備控制模塊組成，網關主要負責匯聚節點數據并連接服務器;服務器端包括數據處理、設備控制和決策分析3個模塊。

2 下位機設計

下位機微控制器（MCU）選擇意法半導體公司（ST）的STM32F103RCT6芯片，其接口豐富，操作簡單，搭配實時時鐘模塊（RTC）用于本地控制。節點采用RS485與傳感器進行數據通信，通過繼電器和交流接觸器完成卷簾的控制和行程開關狀態的信號接收，負責將采集到的多路傳感器數據按照自定義規范形成文本數據并由LoRa發送給網關。網關通過LoRa匯聚多個節點的數據并使用4G-LTE將數據發送給服務器，同時接收服務器發回的控制指令，并告知節點進行設備控制。節點程序流程如圖2所示。

2.1 通信模塊

節點與網關之間使用LoRa通信，下位機與服務器之間使用4G-LTE進行通信。LoRa具有低功耗支持遠距離傳輸的特點[10-11]，在無障礙情況下通信距離可達15 km，有效解決了ZigBee傳輸距離較短的問題，可以在規模化農業園區進行部署。而LoRa模組價格僅為4G模組的1/4，當批量部署時，通過網關將一定數量無線節點連接起來，統一通過4G-LTE模塊發送至服務器端，可以有效降低設備成本。

2.2 環境采集模塊

環境傳感器數據作為整個環境調控系統的判斷依據，需要及時準確地反映環境變化[7]。本系統使用RS485接口進行傳感器數據與MCU的通信，傳感器采用賽通科技的溫濕度光照度三合一傳感器、土壤溫濕度傳感器和CO2傳感器。其中，溫度精度±0.5 ℃，測量范圍-40～80 ℃，分辨率 0.1 ℃;濕度測量精度±3%RH，測量范圍0～100%RH，分辨率0.1%RH;光照度精度±5%，測量范圍0～65 535 lx，分辨率1 lx。節點可以支持多路傳感器的接入，共同輔助服務器決策。

2.3 限位保護模塊

本系統在溫室側墻上部和下部分別設置2組限位保護模塊，其中一組連接MCU，通過MCU觸發控制設備停止，稱為軟限位（SL1、SL2），另一組連接控制設備中的繼電器，直接觸發控制設備停止，稱為硬限位（HL1、HL2）。硬限位是為了保障設備在MCU或軟限位出現故障時的第二重保護。為保證設備有效運行，硬限位安裝位置的觸發時間會略晚于軟限位安裝位置。而限位SL3則用來告知服務器風口下沿位置，便于卷簾進行上風口覆蓋控制時判斷使用。限位保護模塊安裝位置如圖3所示。

2.4 設備控制模塊

目前日光溫室的卷簾機普遍使用380 V交流供電，為強電設備，在控制方面需要通過MCU的I/O口輸出高低電平結合繼電器、交流接觸器，來控制卷簾電機的正轉、反轉和停止，卷簾電機控制模塊電路見圖4。設備控制包括手動控制和策略控制2種模式。

2.4.1 手動控制模式

手動控制主要用于農戶現場根據溫室情況手動調節卷簾位置。系統設計有本地、智能切換旋鈕，避免本地與遠程同時發送反向控制信號造成的設備損壞。手動控制模塊及箱體內部結構如圖5所示。

2.4.2 策略控制模式

策略控制模式將服務器下發的控制策略存儲在MCU的flash中，可以根據實時溫度、濕度、光照度或時間進行設備控制，可以作為無網絡情況下的補充，最多可以設置10個調控規則。

3 服務器端設計

服務器端通過網絡收集下位機上傳的數據，通過決策分析確定執行操作后再下發給下位機;也可通過WEB或APP前端接收用戶控制指令下發給下位機執行。服務器端數據處理均通過數據庫進行交互，相應流程見圖6。

3.1 數據處理模塊

服務器通過TCP/IP協議與下位機進行通信，對每一個請求建立連接，負責執行數據的收取和指令的下發。采集到的傳感器數據存入數據庫中，通過WEB前臺或APP進行實時數據查詢和歷史數據統計分析，如圖7所示。

3.2 設備控制模塊

遠程設備控制模塊除了控制卷簾電機正轉、反轉、停止外，還可以疊加執行時間限制，控制設備運轉時長，從而達到1條指令對設備運轉位置微調的效果，通過試驗設備遠程控制響應時長小于1 s，控制界面如圖8所示。

3.3 決策分析模塊

3.3.1 聯動控制

決策分析模塊可以實現1個園區對多個溫室的遠程統一控制，節省傳感器成本。在園區內選取不同溫室部署1～2組傳感器，使用統一策略進行綁定控制。以圖9為例，在園區內選取下位機1和下位機5部署2組傳感器，調控執行綁定下位機1～5，服務器通過算法綜合判斷2組傳感器的溫度、濕度、光照度，確定執行策略，同時通知到下位機1～5，實現少量傳感器部署，批量控制的效果。

3.3.2 決策模型

不同作物在不同生理期對溫度的要求不同，本研究以天津1月份草莓田間生產為例進行探討，此階段草莓莖葉生長和開花坐果同時進行，是溫室草莓管理較為困難、關鍵的時期。白天控制溫度為18～25 ℃，濕度保持在60%以下，降濕要以先保溫為原則[12]。早晨卷起卷簾后不急于放風，等溫度逐步上升后再打開風口，一般溫度超過28 ℃時打開風口進行放風降溫，下午降低到 20 ℃ 時要逐漸關閉風口。由于溫度滯后性強、非線性的特征，難以確定準確的數學模型[13]，所以采用模糊控制的方法[7，14-17]，當卷簾處于SL3和SL1之間時，對卷簾覆蓋上風口幅度進行控制，溫度模糊控制流程如圖10所示。

以實時溫度與理想溫度差值（E）和差值變化率（EC）為輸入量，風口開合寬度（U）作為輸出量。其中，溫度差值E的物理論域為[-6，6]，模糊語言變量分7個等級，記為{NB，NM，NS，ZE，PS，PM，PB}。溫度差值變化率（EC）的物理論域為[-4，4]，模糊語言變量分5個等級，記為{NB，NS，ZE，PS，PB}。風口開合寬度（U）按照全關、1/4開、半開、3/4開、全開分為5個等級，記為{NB，NS，ZE，PS，PB}。模糊規則采用if-then語句，控制規則見表1，Matlab實現見圖11。

4 試驗設計與分析

為驗證本研究設計系統的可靠性，于2021年1月在天津市鼎牛農業科技園（117°23′E、37°32′N）進行日光溫室卷簾環境調控系統試驗，溫室設置有卷簾和卷膜2種裝置，分別控制卷簾和上下風口，本研究內容僅涉及上風口，因此下風口由農戶操控，試驗期間采用統一操作。選取室外環境相近的6 d開展對比試驗，其中3 d由農戶按照日常生產規律進行卷簾、卷膜開合控制，3d上卷膜調整到打開狀態，由系統根據策略進行卷簾控制。控制效果對比見圖12。從對比圖中可以看出，使用卷簾覆蓋上風口控制與人工控制在夜間溫度差別不大，在日間系統控制的溫度波動更小。同時由于溫室采用系統批量遠程控制，設置當時間大于預設時間時統一啟動，整體日照時間較人工操控狀態延長30 min左右，設備遠程控制響應時長小于1 s。

5 小結

本研究設計的系統采用LoRa和4G-LTE通信技術采集日光溫室內溫度、濕度和光照度，并通過溫度模糊控制實現溫室環境調控，結合限位開關有效解決了設備運行安全問題。日光溫室草莓生產環境驗證試驗結果表明，該系統穩定可靠，可以通過卷簾代替上卷膜對溫室環境進行批量管控，節省了上卷膜的設備成本，有效提升了勞動生產率。

參考文獻：

[1]毛罕平，晉 春，陳 勇. 溫室環境控制方法研究進展分析與展望[J]. 農業機械學報，2018，49（2）：1-13.

[2]McCartney L，Lefsrud M.Protected agriculture in extreme environments：a review of controlled environment agriculture in tropical，arid，polar，and urban locations[J]. Applied Engineering in Agriculture，2018，34（2）：455-473.

[3]邢希君，宋建成，吝伶艷，等. 設施農業溫室大棚智能控制技術的現狀與展望[J]. 江蘇農業科學，2017，45（21）：10-15.

[4]高浩天，朱森林，常 歌，等. 基于農業物聯網的智能溫室系統架構與實現[J]. 農機化研究，2018，40（1）：183-188.

[5]單慧勇，李晨陽，張程皓，等. 有限二氧化碳資源條件下的溫室光氣耦合優化調控模型[J]. 江蘇農業學報，2021，37（2）：471-479.

[6]李道亮，楊 昊. 農業物聯網技術研究進展與發展趨勢分析[J]. 農業機械學報，2018，49（1）：1-20.

[7]Hou Y C，Li A G，Li Y E，et al. Analysis of microclimate characteristics in solar greenhouses under natural ventilation[J]. Building Simulation，2021，14（6）：1811-1821.

[8]Wu H R，Li Q X，Zhu H J，et al. Directional sensor placement in vegetable greenhouse for maximizing target coverage without occlusion[J]. Wireless Networks，2020，26（6）：4677-4687.

[9]Ferentinos K P，Katsoulas N，Tzounis A，et al. Wireless sensor networks for greenhouse climate and plant condition assessment[J]. Biosystems Engineering，2017，153：70-81.

[10]史東旭，高德民，薛 衛，等. 基于物聯網和大數據驅動的農業病蟲害監測技術[J]. 南京農業大學學報，2019，42（5）：967-974.

[11]姚引娣，王 磊，花靜云，等. 基于B/S架構的LoRa遠程溫室監測系統[J]. 傳感器與微系統，2021，40（1）：78-80，84.

[12]宗 靜，齊長紅. 草莓生產精細管理十二個月[M]. 北京：中國農業出版社，2018：71-72.

[13]李興澤，王福平. 基于物聯網的農業大棚智能管控系統[J]. 江蘇農業科學，2018，46（1）：181-183.

[14]王 超，孫文旭，馬曉靜，等. 基于模糊控制的HVPE生長設備溫度控制系統[J]. 工程設計學報，2020，27（6）：765-770.

[15]陳 星. 基于模糊神經網絡PID控制的花茶烘焙溫控系統設計[J]. 食品與機械，2020，36（9）：131-137.

[16]杜太行，鄒軍軍，孫曙光，等. 設施蔬菜智能灌溉控制系統的設計[J]. 節水灌溉，2020（2）：92-95.

[17]Chen Z L，Zhao C J，Wu H R，et al. A Water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization t-s fuzzy neural network[J]. KSII Transactions on Internet and Information Systems，2019，13（6）：2925-2948.