基于NB-IoT的温室温度智能调控系统设计与实现

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。 2 系统硬件设计 2.1 NB-IoT采集终端硬件设计 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。 2.1.2 通信模块的电路设计 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。 2.1.3 NB-IoT采集终端的工作流程 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。 2.2 NB-IoT控制终端硬件设计 2.2.1 NB-IoT控制终端硬件设计 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。 2.2.2 NB-IoT控制终端的工作流程 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。 3 数据处理 3.1 传感器异常数据的来源 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。 表 1 数据帧传输格式 Table 1 Transmission format of data frame 3.3 多传感器融合算法 3.3.1 Grubbs准则 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 $\left[ {{\theta _1},{\theta _2},\cdots,{\theta _n}} \right]$ ，并假设此序列已按数值从小到大排序，即 ${\theta _1} \text{≤} {\theta _2} \text{≤} $ $ \cdots \text{≤} {\theta _n}$ ， $\sigma '$ 为 $\theta $ 的标准差，则 $\overline \theta = \frac{1}{n}\sum\limits_{i = 1}^n {{\theta _i}} ,$ (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 ${g_0}(n,a)$ 。 $P[{g_i} \text{≥} $ ${g_0}(n,a)] = a$ 即为小概率事件，在 ${\theta _i}(i = 1,2,3,...,n)$ 服从正态分布时不应出现。若满足 ${g_i} \text{≥} {g_0}(n,a)$ ，则认为统计量gi的分布存在显著差异, 对应的 ${\theta _i}$ 含有疏失误差, 即 ${\theta _i}$ 为可疑温度值, 应当剔除；若 ${g_i} < {g_0}(n,a)$ ，则认为对应的 ${\theta _i}$ 没有疏失误差值, 保留 ${\theta _i}$ 。最终得到处理过后的温度数据序列 $\left[ {{\theta _1}',{\theta _2}',...,{\theta _m}'} \right]$ ( $m \text{≤} n$ )。 3.3.2 均值滤波 对温度数据序列 $\left[ {{\theta _1}',{\theta _2}',\cdots,{\theta _m}'} \right]$ 进行均值滤波, 得到融合值(Data)： ${\rm Data} = (\sum\limits_{i = 1}^m {{\theta _i}} ')/m\text{。}$ (4) 采集终端在温室的安装位置如图7所示。 4 机构控制 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 ${\theta _{\rm in}}(t)$ 与测量值 $\theta (t)$ 之间的偏差E和偏差变化率Ec的不同，基于前一次的比例、积分和微分参数( $K_{\rm p}^{\prime}$ 、 $ K_{\rm i}^{\prime}$ 和 $K_{\rm d}^{\prime}$ )，对比例、积分和微分参数(Kp、Ki和Kd)进行在线自整定，结合专家控制经验建立 $ {\varDelta}K_{\rm p}$ 、 ${\varDelta}K_{\rm i}$ 和 $ {\varDelta}K_{\rm d}$ 与E和Ec间的自整定函数关系，使得系统在不同情况下对Kp、Ki和Kd不断地修改和调整，改善了被控系统的动态和稳态性能、提高其抗干扰能力[15-16]，PID控制器的输出如式5所示，模糊PID控制结构框图如图8所示。 $\left\{ \begin{array}{l}{K_{\rm p}} = {K_{\rm p}}' + {\varDelta} {K_{\rm p}}\\{K_{\rm i}} = {K_{\rm i}}' + {\varDelta} {K_{\rm i}}\\{K_{\rm d}} = {K_{\rm d}}' + {\varDelta} {K_{\rm d}}\end{array} \right.\!\!\!\!\text{。}$ (5) 4.2 模糊化设计 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， ${\varDelta}K_{\rm p}$ 、ΔKi和ΔKd作为模糊控制器的输出变量，根据工程经验将E、Ec、 $ {\varDelta}K_{\rm p}$ 、ΔKi和ΔKd的模糊子集都定义为[NB(负大)、NM(负中)、NS(负小)、Z(零)、PS(正小)、PM(正中)、PB(正大)]，其中E和Ec的论域设定为[–6, 6]，ΔKp、ΔKi、ΔKd分别为[–0.3, 0.3]、[–0.06, 0.06]、[–3, 3]，系统参数的隶属度函数设定如图9所示。 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。 表 2 ΔKp的模糊控制规则1) Table 2 Fuzzy control rules for ΔKp 4.3 模糊仿真 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。 4.4 控制采集软件设计 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。 表 3 多点温度测量值和融合值 Table 3 Multipoint temperature measurements and fusion values 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 ℃)。 6 结论 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。