高架綠植智能灌溉系統(tǒng)架構(gòu)及智能模型研究

李文波，葛為偉，袁新球，劉良旭*

（1.寧波市政工程建設(shè)集團(tuán)股份有限公司，浙江 寧波；2.寧波市產(chǎn)城生態(tài)建設(shè)集團(tuán)有限公司，浙江 寧波；3.寧波工程學(xué)院，浙江 寧波）

隨著物聯(lián)網(wǎng)和智能化等技術(shù)的發(fā)展，研發(fā)適用于高架環(huán)境綠植灌溉的智能灌溉解決方案的條件已經(jīng)逐漸成熟。本研究引用物聯(lián)網(wǎng)技術(shù)解決電磁閥控制系統(tǒng)的孤島現(xiàn)場(chǎng)，引入深度學(xué)習(xí)框架預(yù)測(cè)每個(gè)路段的最低需水量，實(shí)現(xiàn)定時(shí)按需灌溉。

人工神經(jīng)網(wǎng)絡(luò)算法在各智能領(lǐng)域都有著不可或缺的地位，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的需水量預(yù)測(cè)模型被廣泛應(yīng)用到智能灌溉系統(tǒng)中，隨著各種預(yù)測(cè)模型的應(yīng)用使得灌溉系統(tǒng)變得越來(lái)越智能化[1]。孟瑋[2]等人使用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)蘋果的需水量進(jìn)行了相關(guān)預(yù)測(cè)，但徑向基神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的依賴性較高，在數(shù)據(jù)不足夠充分的時(shí)候該神經(jīng)網(wǎng)絡(luò)將無(wú)法工作。張明岳[3]等人設(shè)計(jì)了一種基于改進(jìn)的 Elman 神經(jīng)網(wǎng)絡(luò)和模糊控制的智能灌溉系統(tǒng)，利用Elman 神經(jīng)網(wǎng)絡(luò)對(duì)作物蒸發(fā)蒸騰量即作物需水量進(jìn)行了相關(guān)預(yù)測(cè)研究。

1 高架綠植智能灌溉框架

按照系統(tǒng)功能，整個(gè)系統(tǒng)分為現(xiàn)場(chǎng)控制、物聯(lián)網(wǎng)管理、智能業(yè)務(wù)處理和預(yù)警四大模塊組成，見(jiàn)圖1。

圖1 高架綠植智能灌溉系統(tǒng)架構(gòu)

1.1 現(xiàn)場(chǎng)控制模塊

現(xiàn)場(chǎng)控制模塊采用物聯(lián)網(wǎng)邊緣控制中心架構(gòu)設(shè)計(jì)，每個(gè)現(xiàn)場(chǎng)控制模塊包括一個(gè)主要功能、包括接收云服務(wù)器的控制命令、上傳現(xiàn)場(chǎng)環(huán)境狀態(tài)和報(bào)警、在網(wǎng)絡(luò)不通時(shí)按照本地存儲(chǔ)模式實(shí)現(xiàn)灌溉等。

1.2 物聯(lián)網(wǎng)管理模塊

物聯(lián)網(wǎng)設(shè)備管理子系統(tǒng)實(shí)現(xiàn)對(duì)高架綠植灌溉遠(yuǎn)程設(shè)備和傳感器的統(tǒng)一管理和配置。由于高架灌溉需要管理成千上萬(wàn)個(gè)現(xiàn)場(chǎng)控制系統(tǒng)，為了便于統(tǒng)一實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)設(shè)備的管理，系統(tǒng)還提供了分組管理和控制模式管理。分組管理就是將相同控制方式的設(shè)備分成一組。灌溉模式則是實(shí)現(xiàn)設(shè)定常用灌溉模式，例如圖2是灌溉模式的管理界面。圖3 顯示了添加一個(gè)灌溉模式的界面。

圖2 灌溉模式管理

圖3 灌溉模式添加界面

1.3 智慧業(yè)務(wù)模塊

智慧業(yè)務(wù)模塊包括灌溉數(shù)據(jù)的管理、現(xiàn)場(chǎng)控制點(diǎn)的管理、天氣預(yù)報(bào)數(shù)據(jù)的管理和智能灌溉模型管理四個(gè)部分。

歷史灌溉數(shù)據(jù)是每個(gè)灌溉控制點(diǎn)采集的花箱土壤濕度、溫度、光照等歷史數(shù)據(jù)，圖4 顯示了該模塊保存的某個(gè)控制點(diǎn)的濕度和溫度變化曲線。從圖4 中可以發(fā)現(xiàn)，由于花箱土壤以沙土為主，濕度越高，其濕度下降速度越快。因此，過(guò)渡灌溉除了造成水資源浪費(fèi)之外并沒(méi)有任何作用。而且過(guò)渡灌溉會(huì)導(dǎo)致灌溉時(shí)間變長(zhǎng)，從而造成更大的水資源浪費(fèi)。

圖4 花箱土壤濕度變化曲線

在日常業(yè)務(wù)中，工作人員對(duì)灌溉設(shè)備的管理以控制點(diǎn)為單位。因此，控制點(diǎn)管理就是以控制點(diǎn)為單位對(duì)物聯(lián)網(wǎng)設(shè)備進(jìn)行管理，方便工作人員的管理和報(bào)警處理。

1.4 報(bào)警模塊

高架綠植灌溉系統(tǒng)控制成千上萬(wàn)個(gè)電磁閥。為了有效對(duì)電磁閥狀態(tài)進(jìn)行管理，本系統(tǒng)設(shè)計(jì)了基于微信公眾號(hào)和小程序相結(jié)合的灌溉報(bào)警子系統(tǒng)。公眾號(hào)實(shí)現(xiàn)物聯(lián)網(wǎng)設(shè)備實(shí)時(shí)預(yù)警反饋，運(yùn)維人員只要關(guān)注公眾號(hào)，就可以實(shí)時(shí)接收灌溉系統(tǒng)的預(yù)警和狀態(tài)反饋。小程序則是實(shí)現(xiàn)所有故障和報(bào)警信息的管理和處理流程，使得相關(guān)管理人員可以根據(jù)預(yù)警的位置和設(shè)備信息，實(shí)時(shí)掌控每個(gè)傳感器、控制器的運(yùn)行狀態(tài)，避免出現(xiàn)電磁閥故障而導(dǎo)致大面積綠植枯死。

2 智能需水預(yù)測(cè)模型

2.1 Transformer 框架

Transformer 是一個(gè)具有編碼器-解碼器結(jié)構(gòu)的最具競(jìng)爭(zhēng)力的神經(jīng)序列模型。與LSTM 或RNN 不同，Transformer 不是使用遞歸和卷積，而是利用輸入嵌入中添加的位置編碼來(lái)對(duì)序列信息進(jìn)行建模。Transformer 整體架構(gòu)為左右兩個(gè)部分，左側(cè)為Encoder，右側(cè)為Decoder。Encoder 與Decoder 各自都堆疊了N 層。

2.2 基于Transformer 的需水量預(yù)測(cè)模型

為了實(shí)現(xiàn)對(duì)每個(gè)電磁閥控制路段的花箱實(shí)現(xiàn)按需灌溉。系統(tǒng)引入Transformer 框架構(gòu)建需水量預(yù)測(cè)模型，該模型分成兩步實(shí)現(xiàn)，第一步，利用路段環(huán)境數(shù)據(jù)和未來(lái)天氣預(yù)報(bào)數(shù)據(jù)，使用基于Transformer 的預(yù)測(cè)模型預(yù)測(cè)下一次灌溉時(shí)路段的花箱濕度。第二步，根據(jù)每個(gè)花箱的濕度以及環(huán)境因素，使用基于Transformer模型預(yù)測(cè)使得下一次濕度不低于濕度閾值的花箱濕度，從而設(shè)置本次灌溉時(shí)花箱土壤濕度需要達(dá)到的目標(biāo)值。

（1） 位置編碼

無(wú)論是花箱溫濕度和花箱環(huán)境參數(shù)、還是天氣預(yù)報(bào)信息都是按天為單位的時(shí)間序列數(shù)據(jù)。為了進(jìn)一步提取時(shí)間序列的位置信息，筆者采用時(shí)間戳編碼方式，將數(shù)據(jù)的當(dāng)前時(shí)間戳與灌溉周期開(kāi)始時(shí)間戳之間相對(duì)距離編碼成自注意力機(jī)制相關(guān)性的一種重要因素，以體現(xiàn)數(shù)據(jù)的順序特征。

（2） 編碼器-解碼器框架

Transformer 由masked self-attention 模塊、編碼器-解碼器模塊和前饋神經(jīng)網(wǎng)絡(luò)三個(gè)模塊組成。按照GPT2 的decoder-only Transformer 思想，編碼器輸入是一個(gè)每次目標(biāo)向右移動(dòng)一個(gè)位置的花箱濕度時(shí)間序列。例如，假設(shè)有x1，x2，x3，x4，x5，x6等六個(gè)需要預(yù)測(cè)的花箱濕度時(shí)間序列數(shù)據(jù)（見(jiàn)圖5），按照時(shí)間序列預(yù)測(cè)思想，編碼器中，輸入為x100000 對(duì)應(yīng)預(yù)測(cè)輸出為0x2’0000, 當(dāng)輸入是x1x20000 時(shí)，對(duì)應(yīng)的預(yù)測(cè)為00x3’000。

圖5 時(shí)間序列預(yù)測(cè)過(guò)程

（3） 訓(xùn)練階段中改進(jìn)的教師強(qiáng)制

使用教師強(qiáng)制的模型學(xué)習(xí)能力很強(qiáng)，因?yàn)轭A(yù)測(cè)錯(cuò)誤會(huì)被實(shí)時(shí)糾正，使得下一個(gè)預(yù)測(cè)更加準(zhǔn)確。但它的缺點(diǎn)也是明顯的。模型每次的預(yù)測(cè)錯(cuò)誤都會(huì)被忽略，這意味著這些錯(cuò)誤不會(huì)對(duì)損失產(chǎn)生影響，即模型僅是學(xué)習(xí)如何預(yù)測(cè)下一個(gè)步長(zhǎng)的輸出。另一方面，在預(yù)測(cè)階段，模型必然需要預(yù)測(cè)更長(zhǎng)的步長(zhǎng)，不能再依賴頻繁的修正。

為了彌補(bǔ)訓(xùn)練和預(yù)測(cè)之間的差距，模型需要慢慢學(xué)習(xí)糾正這類錯(cuò)誤。本項(xiàng)目采用逐漸為模型提供上一次預(yù)測(cè)結(jié)果代替真實(shí)值作為模型輸入。開(kāi)始選擇真實(shí)值的高概率開(kāi)始，即采用教師強(qiáng)制盡快穩(wěn)定模型，并隨著模型的成熟，逐漸收斂到純粹從模型輸出中采用，以實(shí)現(xiàn)模擬預(yù)測(cè)任務(wù)。

（4） 基于需水量預(yù)測(cè)的智能模型

筆者訓(xùn)練的預(yù)測(cè)模型旨在利用采集的歷史數(shù)據(jù)環(huán)境數(shù)據(jù)和花箱土壤溫濕度的時(shí)間序列數(shù)據(jù)、天氣預(yù)報(bào)的氣象數(shù)據(jù)，訓(xùn)練花箱在環(huán)境數(shù)據(jù)下的花箱濕度變化預(yù)測(cè)模型。由于本項(xiàng)目實(shí)驗(yàn)環(huán)境從搭建到數(shù)據(jù)采集共6 個(gè)月，去除無(wú)效數(shù)據(jù)后生成訓(xùn)練樣本160 個(gè)。經(jīng)過(guò)訓(xùn)練得到模型。模型經(jīng)過(guò)后續(xù)生成的測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果基本滿足實(shí)際變化。

3 結(jié)論

針對(duì)現(xiàn)有高架綠植環(huán)境，設(shè)計(jì)了針對(duì)高架綠植環(huán)境的智能灌溉系統(tǒng)，設(shè)計(jì)的高架綠植智能灌溉系統(tǒng)，解決當(dāng)前高架綠植灌溉運(yùn)維存在的灌溉模式調(diào)整復(fù)雜等問(wèn)題。

（1） 系統(tǒng)極大降低了運(yùn)維人員設(shè)置和巡檢的工作量，提高了工作效率。

（2） 本系統(tǒng)實(shí)現(xiàn)了電磁閥故障的主動(dòng)識(shí)別，降低了大面積綠植死亡的可能性，從而減少了綠植死亡帶來(lái)的巨大更換工作量。