基于NB

2024-03-08 22:49| 来源: 网络整理| 查看: 265

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。

图 1 基于NB-IoT的温室环境智能调控系统示意图 Figure 1 The diagram of greenhouse environment intelligent control system based on NB-IoT 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。

图 2 主控板设计框图 Figure 2 Design framework of the main control board 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。

图 3 通信模块原理图 Figure 3 Elementary diagram of communication module 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。

图 4 采集终端工作流程图 Figure 4 Collect terminal flow chart 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。

图 5 TTL信号转232信号电路 Figure 5 The circuit for transforming TTL signal to 232 signal 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。

图 6 控制终端工作流程图 Figure 6 Workflow chart of control terminal 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 Table 1 表 1 数据帧传输格式 Table 1 Transmission format of data frame 基地编号温室编号终端类型终端编号数据长度温度高位温度低位湿度高位湿度低位光强高位光强低位 CO2高位 CO2低位校验位 A B C D E F G H I J K L M N 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。

图 7 采集终端位置 Figure 7 Location of collected terminal 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) 图 8 模糊PID控制结构框图 Figure 8 Stuctural diagram of the fuzzy PID control block θin(t)、θ(t)分别为特定时间的设定温度值和测量值 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。

图 9 E或Ec、ΔKi、ΔKp以及ΔKd的隶属度函数 Figure 9 Membership functions of E or Ec, ΔKi, ΔKp and ΔKd NB、NM、NS、Z、PS、PM和PB分别表示程度为负大、负中、负小、零、正小、正中和正大

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 Table 2 表 2 ΔKp的模糊控制规则1) Table 2 Fuzzy control rules for ΔKp Ec E NB NM NS Z PS PM PB NB PB PB PM PM PS Z Z NM PB PB PM PM PS Z NS NS PM PM PM PS Z NS NS Z PM PM PS Z NS NM NM PS PS PS Z NS NS NM NM PM NS Z NS NM NM NM NB PB Z Z NM NM NM NB NB 　1) NB、NM、NS、Z、PS、PM 和 PB 分别表示程度为负大、负中、负小、零、正小、正中和正大表 2 ΔKp的模糊控制规则1) Table 2 Fuzzy control rules for ΔKp 图 10 PID参数自校正流程 Figure 10 Procedure of self-correction of PID parameters 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。

图 11 模糊PID与传统PID Figure 11 Fuzzy PID and traditional PID 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。

图 12 控制采集软件界面 Figure 12 Interface of the control and collection software

　　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 Table 3 表 3 多点温度测量值和融合值 Table 3 Multipoint temperature measurements and fusion values ℃ 指标组1 组2 组3 组4 组5 组6 组7 组8 测量值[1] 34.40 33.70 33.20 31.10 33.50 32.70 36.31 30.22 测量值[2] 34.40 33.20 33.20 31.10 33.60 32.70 36.33 30.22 测量值[3] 34.60 33.90 33.20 33.40 33.50 32.70 36.35 30.20 测量值[4] 34.40 33.80 33.20 31.10 33.50 32.60 36.34 30.20 测量值[5] 34.50 33.80 33.10 31.10 33.60 32.70 36.33 30.22 融合值 33.46 33.80 33.20 31.10 33.54 32.70 36.33 30.21 JR912数显温度计读数 33.30 33.50 33.10 31.40 33.40 32.40 36.50 30.40 相对误差/% –0.47 0.90 0.30 –0.64 0.95 0.93 0.45 0.62 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

【本文地址】

公司简介

联系我们