一种农产品养殖环境控制方法、装置及物联网系统

本发明涉及农产品养殖，具体涉及一种农产品养殖环境控制方法、装置及物联网系统。

背景技术：

1、农产品养殖环境，例如温度、湿度、光照，会影响农产品的产量和质量。目前，主要通过传感器对环境参数进行监测，然后人工操作环境调节设备，或是将传感器与环境调节设备进行关联，作简单的pid调节，传感器测量数据直接作为pid控制器输入，存在控制精度差的问题。现有的监控调节手段在应对个体式、小规模农产品养殖时，效果尚可。然而，农产品养殖当前正往规模化、精细化、信息化、智能化方向发展，同时物联网的兴起使之成为支撑智慧农产品养殖的重要手段。现有的监控调节手段显然无法满足此需求。

技术实现思路

1、发明目的：本发明的目的是提供一种能够在农产品规模化养殖中对养殖环境进行自动精确调节的控制方法、装置及物联网系统。

2、技术方案：本发明所述的农产品养殖环境控制方法，包括：

3、获取多个温度传感器输出、多个湿度传感器输出和多个光照度传感器输出；

4、构建农产品养殖环境控制模型：

5、所述农产品养殖环境控制模型包括模糊小波神经网络模型-esn神经网络模型1-4、农产品养殖调节器1-3、ssa的esn神经网络模型1-3和农产品信号模块1-3，其中农产品信号模块用于融合多个测量参数，多个温度传感器输出作为农产品信号模块1的对应输入，多个湿度传感器输出作为农产品信号模块2的对应输入，多个光照度传感器输出作为农产品信号模块3的对应输入；

6、温度设定值作为模糊小波神经网络模型-esn神经网络模型1的对应输入，模糊小波神经网络模型-esn神经网络模型1输出作为农产品养殖调节器1的温度控制值，农产品养殖调节器1输出与模糊小波神经网络模型-esn神经网络模型2输出的温度扰动量的差和差的变化率作为ssa的esn神经网络模型1的对应输入，ssa的esn神经网络模型1输出分别作为ssa的esn神经网络模型2的对应输入、ssa的esn神经网络模型3的对应输入、模糊小波神经网络模型-esn神经网络模型2的对应输入和温度控制设备输入；

7、光照度设定值作为ssa的esn神经网络模型2的对应输入，湿度设定值作为ssa的esn神经网络模型3的对应输入，ssa的esn神经网络模型2输出与模糊小波神经网络模型-esn神经网络模型4输出的光照度控制增量的累加和作为农产品养殖调节器2的光照度控制值，农产品养殖调节器2输出分别作为模糊小波神经网络模型-esn神经网络模型2的对应输入、模糊小波神经网络模型-esn神经网络模型4的对应输入和光照设备输入，ssa的esn神经网络模型3输出与模糊小波神经网络模型-esn神经网络模型4输出的湿度控制增量的累加和作为农产品养殖调节器3的湿度控制值，农产品养殖调节器3输出分别作为模糊小波神经网络模型-esn神经网络模型2的对应输入、模糊小波神经网络模型-esn神经网络模型4的对应输入和加湿设备输入；

8、农产品信号模块1、农产品信号模块2和农产品信号模块3的输出分别作为模糊小波神经网络模型-esn神经网络模型3的对应输入，模糊小波神经网络模型-esn神经网络模型3输出的温度预测值分别作为模糊小波神经网络模型-esn神经网络模型2的对应输入和农产品养殖调节器1的温度反馈值，模糊小波神经网络模型-esn神经网络模型3输出的光照度预测值分别作为模糊小波神经网络模型-esn神经网络模型1的对应输入和农产品养殖调节器2的光照度反馈值，模糊小波神经网络模型-esn神经网络模型3输出的湿度预测值分别作为模糊小波神经网络模型-esn神经网络模型1的对应输入和农产品养殖调节器3的湿度反馈值。

9、进一步地，农产品信号模块包括aann自联想神经网络模型-ssa的esn神经网络模型1-n和ssa的模糊小波神经网络模型，多个参数传感器输出分别全部作为多个aann自联想神经网络模型-ssa的esn神经网络模型的对应输入，各aann自联想神经网络模型-ssa的esn神经网络模型输出分别作为ssa的模糊小波神经网络模型的对应输入，ssa的模糊小波神经网络模型输出作为测量参数融合值。

10、进一步地，农产品养殖调节器包括arima模型、ssa的esn神经网络模型1-2和esn神经网络模型-pid控制器1-3；参数控制值作为arima模型的输入，参数反馈值作为ssa的esn神经网络模型2的对应输入，参数控制值与arima模型输出的差和差的变化率作为ssa的esn神经网络模型1的对应输入，ssa的esn神经网络模型1输出与esn神经网络模型-pid控制器1输出的差和差的变化率作为esn神经网络模型-pid控制器2的对应输入，esn神经网络模型-pid控制器2输出与ssa的esn神经网络模型2输出的差和差的变化率分别作为esn神经网络模型-pid控制器3的对应输入，esn神经网络模型-pid控制器3输出作为esn神经网络模型2的对应输入，参数反馈值与arima模型输出的差和差的变化率作为esn神经网络模型-pid控制器1的对应输入，esn神经网络模型-pid控制器3输出作为农产品养殖调节器输出。

11、本发明所述的农产品养殖环境控制装置，包括存储器和处理器，所述的存储器中存储有计算机程序，当所述的计算机程序被处理器执行时，实现所述的农产品养殖环境控制方法。

12、本发明所述的农产品养殖环境控制物联网系统，包括农产品信息感知层、农产品信息网络层、农产品养殖应用层，农产品信息感知层包括农产品信息采集端1-n和农产品养殖控制设备端1-n，农产品信息感知层用于采集农产品养殖信息和执行由农产品养殖应用层下发的信息采集与养殖设备控制指令；农产品信息网络层实现农产品信息感知层与农产品养殖应用层之间的双向通信；农产品养殖应用层用于监管农产品养殖信息及养殖设备的状态。

13、进一步地，农产品信息采集端均衡布置在农产品养殖环境中，采集农产品养殖环境信息、农产品生长信息和农产品视频信息。

14、进一步地，农产品信息采集端包括农产品生长信息传感器、二氧化碳浓度传感器、温度传感器、湿度传感器、水分传感器、ph值传感器、有害气体浓度传感器、光照度传感器、摄像头、lora通信模块、rfid模块和stm32微处理器，各传感器分别通过对应的调理电路连接stm32微处理器，摄像头、lora通信模块和rfid模块分别连接stm32微处理器；农产品信息采集端采集农产品养殖过程信息通过lora通信模块上传至农产品养殖监控协调器。

15、进一步地，农产品养殖控制设备端包括stm32微处理器，以及分别与stm32微处理器相连接的风机设备、光照设备、温度控制设备、水泵、湿度控制设备、滴灌设备、喷灌设备、co2发生器和lora通信模块，农产品养殖控制设备端通过lora通信模块与农产品养殖监控协调器之间进行信息交互。

16、进一步地，农产品养殖监控协调器包括stm32微处理器，以及分别与stm32微处理器相连接的lora通信模块和nb-iot模块，通过lora通信模块建成自组织通信网络实现农产品信息采集端、农产品养殖控制设备端和农产品养殖监控协调器之间数据交互，农产品养殖监控协调器通过nb-iot模块实现与农产品养殖云服务器之间的双向数据交互。

17、进一步地，农产品养殖应用层包括农产品养殖云服务器和农产品养殖人机交互端，农产品养殖人机交互端采用pc端或app端应用，可视化操作界面监视和管理养殖信息；农产品养殖人机交互端主要功能包括农产品通信参数设置、农产品数据分析与农产品数据管理、农产品数据预警，实现农产品养殖参数监管、产品养殖历史数据查询、产品养殖数据分析、产品养殖数据报警、人员管理、数据采集与养殖设备控制指令下发和养殖日志。

18、有益效果：本发明与现有技术相比，具有如下显著优点：

19、(1)本发明针对影响农产品养殖过程的参数检测存在噪声问题与控制过程的低控制精确度问题，鉴于模糊小波神经网络模型具有良好的学习性及其很强的模式识别能力以及小波对含噪信号有很好的去噪能力，将模糊小波神经网络模型用于对农产品养殖过程的参数进行测量，从而实现对农产品养殖过程的参数实时在线监测，通过模糊小波神经网络模型对农产品养殖过程的参数测量结果与实际的相比较，此方法的有效性好，可行性高。

20、(2)本发明模糊小波神经网络模型收敛快、鲁棒性好、快速跟踪和稳定性。由于利用了影响农产品养殖过程实测参数样本的暂态信息，所以测量结果受农产品养殖过程的实测参数样本影响较小。利用模糊小波神经网络模自学习的特点，可以根据农产品养殖过程实测参数样本的实际情况，产生不同的样本进行训练，以适应农产品养殖过程不同实测参数的要求，实现快速精确测量农产品养殖过程值。

21、(3)本发明esn神经网络模型将网络隐层设计成一个具有很多神经元组成的稀疏网络，通过调整网络内部权值的特性达到记忆数据的功能，其内部的动态储备池包含了大量稀疏连接的神经元，蕴含系统的运行状态，并具有短期记忆功能，通过预设esn神经网络模型内部连接权值矩阵的谱半径来保证储备池内部递归网络的稳定性，提高了预测农产品养殖参数的稳定性和精确度。

22、(4)本发明esn神经网络模型当前时刻储备池状态对前一时刻农产品养殖参数状态具有继承性，对esn神经网络模型输入农产品养殖历史数据具有短暂的记忆特性，研究结果表明具备历史记忆性的esn神经网络模型具有较好的预测农产品养殖参数效果。esn神经网络具备高精度、高准确率、高时效性和稳定性的特点，可作为一种快速有效预测esn神经网络模型输入农产品养殖参数的手段；esn神经网络模型作为一种新型动态递归神经网络，采用了线性回归的方法建立模型，规避了传统神经网络收敛速度慢和易陷入局部最小的问题，简化了训练过程的复杂程度，实现了精确预测农产品养殖参数的目的。

23、(5)农产品养殖调节器包括arima模型、ssa的esn神经网络模型和esn神经网络模型-pid控制器，esn神经网络模型-pid控制器1、esn神经网络模型-pid控制器2和esn神经网络模型-pid控制器3实现农产品养殖参数的趋势控制、波动控制和预测控制，三个控制相结合，相互作用、相互影响和相互补充，提高控制农产品养殖参数的快速性、精确性、鲁棒性和可靠性。