共查询到19条相似文献,搜索用时 218 毫秒
1.
2.
3.
为了实现草莓温室大棚内环境参数的远程智能监控,研究开发了一套基于Zigbee无线采集系统和组态软件的智能监控系统。系统以三维力控组态软件为上位机控制软件,通过Zigbee无线采集网关和Zigbee无线传感节点采集大棚内的环境参数,通过Modbus通讯协议实现上位机与基于Zigbee的数据采集发射模块之间的通讯,在上位机软件中实时显示温室的环境因子,并可以通过西门子200PLC对过程执行机构如风机、湿帘等进行实时控制,调节大棚内的环境参数。实验表明,该系统性价比高,鲁棒性好,提高了草莓大棚环境参数采集的稳定性和准确性,上位机组态界面形象直观,操作性好,改善了草莓生长环境。 相似文献
4.
设计开发了一套基于Zigbee无线网络的温室远程监控系统,通过无线网络实现了对温室内温湿度、土壤含水量和CO2浓度的监测与调控,以及温室顶模的开模闭膜远程控制。温室远程监控系统由温室数据采集控制器和温室远程监控软件组成。温室数据采集控制器可以实现本地手动、遥控器遥控和控制室远程无线控制一体化集成控制。温室远程监控软件将采集到的数据进行汇总、显示和记录,实现了温室设备的自动控制和远程遥控。整个系统操作简单,经济适用,并且布线方便。 相似文献
5.
6.
7.
8.
温室监控系统用于实时监测室内温度、湿度、CO2浓度等环境参数,以便做出相应调整,使作物处于最佳环境中生长。文章主要针对Zigbee技术为基础,以温室监控系统设计为中心,对系统整体设计和温室监控系统硬件设计等方面进行了分析,本系统可有效提高温室监控的便捷性。 相似文献
9.
基于微信平台的温室环境监测与温度预测系统 总被引:1,自引:0,他引:1
温室数据采集系统多采用数据采集端通过上位机管理数据或上传至数据服务器的方式进行温室环境监测和管理,该方式网络结构相对复杂,功耗较大。为解决上述问题,本文采用物联网、云服务、微信平台结合的方式,设计开发了基于微信平台的温室环境监测与温度预测系统。系统采用数据采集端直接通过WiFi/GPRS联接互联网访问云服务器的方式进行数据交互,手机移动端通过微信公众号访问云服务器获取数据服务。温度预测模型采用差分时间序列模型,解决温度预测过程中季节周期性的影响。通过对系统数据分析证明:系统有效实现了数据采集端的轻量化与可移动性,不仅能够对数据进行有效管理,且温度监测相对误差低于4.96%,温度预测相对误差低于3%,预测结果具有较高的精度,能够满足日常生产的需要。 相似文献
10.
11.
基于植株-环境交互的温室黄瓜虚拟生长模型研究 总被引:2,自引:0,他引:2
以温室黄瓜生长为例,对实验观测数据进行预处理并采用关联分析法获取植株-环境互作信息,依据作物发育动态理论模型建立了植株-环境的信息响应模型和信息反馈模型,再从植株生长的系统变化过程对相关模型进行耦合。运用规则化处理方法与面向对象技术建立植株拓扑演变模型与器官形态发生模型,并构建虚拟植物动态模型。实验表明,模型拟合度均达到95%以上,能较好地虚拟外部环境作用下的植物生长发育,为动态掌握和预测适宜植物生长的温室环境条件提供依据。 相似文献
12.
13.
针对基于无线传感器网络构建的温室环境监控系统的整体性能受时变传输延时、丢包、网络拥塞、延时抖动等不利网络属性的影响,提出一种采用事件驱动机制的反馈调度策略。该反馈调度策略以截止期错失率作为网络服务质量性能评价指标,针对传感器节点和汇聚节点间的数据传输,利用反馈控制技术在线调整各个传感器节点的采样周期,使传感器节点的带宽要求适应网络负载的动态变化,从而保证网络服务质量维持在一定水平;在此基础上,引入新型的事件驱动机制来降低反馈调度策略设计难度和资源消耗。实验表明,该事件驱动反馈调度策略合理、有效并实用。 相似文献
14.
构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO2浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。 相似文献
15.
基于WDNN的温室多特征数据融合方法研究 总被引:1,自引:0,他引:1
目前物联网监测产品在温室生产中大量应用产生海量数据,但现有用于温室数据融合算法对高维特征及混合特征(数据同时包含稀疏特征和连续特征)处理精度较低且泛化能力较弱,鲜有利用深度学习模型对温室数据进行顶层融合并提供准确的决策信息。本文提出了一种基于宽-深神经网络(Wide-deep neural network,WDNN)的两级温室环境数据融合算法。首先利用温室内多点多特征数据训练WDNN深度学习模型,输出形式为多点单特征,再将该输出数据按照少数服从多数原则进行融合,得到温室环境状态的整体评估结果。试验结果表明,该融合方法对预测集中混合特征的决策准确率达到98. 90%,融合特征类型的增加,可用于监测参数更多、环境更复杂的温室,将WDNN模型用于温室混合数据融合是可行有效的,在保证决策精度的同时丰富了可融合特征类别,进一步提升温室融合系统的智能化程度,对温室智能调控提供有效技术支撑。 相似文献
16.
17.
18.