30256

ابزارهاي پشتيباني تصميم براي پايش و تصميم گيري بهينه محيط هاي ريزاقليمي گلخانه هاي هوشمند

دكتري تخصصي (PhD)

مهندسي مكانيك- ساخت و توليد

1398

1402/9/21

نوروز نوري

محمد رياحي

پرديس دانشگاهي - دانشكده مهندسي مكانيك

آب و هواي گلخانه اي (GH) يك سيستم پويا پيچيده است كه براي دستيابي به حداكثر رشد گياه با حداقل مصرف انرژي نياز به بهينه سازي دقيق دارد. انرژي مورد استفاده توسط محرك هاي گلخانه اي اثر غيرمستقيم اما مضري بر سود دارد. در سيستم‌هاي چند ورودي/چند خروجي، كنترل‌كننده‌هاي متعارف Proportional-Integral-Dirivative (PID) قادر به تعيين نقاط تنظيم مورد نظر براي ريزاقليم گلخانه نيستند. در اين پايان نامه، يك رويكرد نوآورانه براي نظارت بر ريزاقليم گلخانه پيشنهاد شده است، واحد كنترل هدايت (GCU)، كه از فناوري هوش مصنوعي براي بهينه‌سازي نقاط تنظيم كنترل‌كننده‌هاي PID براي بهره‌وري انرژي استفاده مي‌كند. سيستم پيشنهادي دو مرحله را طي مي كند. اولين مورد از بهينه سازي چند هدفه (MOO) براي به حداقل رساندن مصرف انرژي گلخانه اي بر اساس نقاط تنظيم بهينه توليد شده با استفاده از الگوريتم ژنتيك مرتب سازي غير غالب (NSGA-II) استفاده مي كند. از GCU براي ارائه دو نقطه تنظيم بهينه اصلي براي كنترل‌كننده‌هاي PID استفاده شد: دماي داخلي و رطوبت نسبي داخلي. نتايج نشان مي‌دهد كه سيستم پيشنهادي با شناسايي نقاط تنظيم بهينه كنترل‌كننده‌هاي PID و در عين حال صرفه‌جويي در مصرف انرژي، اهداف پايان‌نامه را برآورده مي‌كند. بنابراين ميانگين كاهش انرژي، بيش از حد و زمان ته نشيني براي يك روز زمستاني به ترتيب 25.93، 10.94 و 11.29 درصد بود. مرحله دوم MOO را با رويكرد يادگيري ماشيني جايگزين مي كند - شبكه عصبي تابع پايه شعاعي (RBFNN). پس از آموزش و تست آفلاين RBFNN بر روي داده هاي توليد شده در مرحله اول، براي يافتن نقاط تنظيم بهينه براي كنترل كننده هاي PID استفاده شد. سيستم پيشنهادي تشخيص خوبي از نقاط تنظيم بهينه را نشان داد و راندمان انرژي سيستم GH را در بيش از 25٪ حفظ كرد، بيش از حد در كمتر از 10٪ و زمان ته نشيني 11.27٪ را با ميانگين RMSE 0.069 و 0.090 در آموزش و آزمايش براي RBFNN نشان داد. به ترتيب. سيستم پيشنهادي با شناسايي نقاط تنظيم بهينه كنترل‌كننده‌هاي PID و در عين حال صرفه‌جويي در مصرف انرژي، اهداف پايان‌نامه را برآورده كرد و همچنين مي‌تواند در سيستم‌هاي پيچيده ديگر مانند ساختمان‌هاي صنعتي، مسكوني و مرغداري‌ها كه به بيش از يك مرحله بهينه‌سازي نياز دارند، اعمال شود.

1402/10/04

A Decision Support Tools for the Optimal Monitoring and Decision Making of the Microclimate Environments of Intelligent Greenhouses

12/11/2024 12:00:00 AM

The greenhouse (GH) climate is a complex dynamic system that requires careful optimization to achieve maximum plant growth with minimum energy consumption. The energy used by greenhouse actuators has an indirect but detrimental effect on profits. In multi-input/multi-output systems, conventional Proportional-Integral-Derivative (PID) controllers are unable to determine the desired setpoints for the greenhouse microclimate. In this thesis, an innovative approach to monitoring the greenhouse microclimate is proposed, the Guidance Control Unit (GCU), which uses artificial intelligence technology to optimizes the setpoints of PID controllers for energy efficiency. The proposed system goes through two stages. The first uses Multi-Objective Optimization (MOO) to minimize greenhouse energy consumption based on optimal setpoints generated using the non-dominating sorting genetic algorithm (NSGA-II). The GCU was utilized to provide two main optimal setpoints for the PID controllers: indoor temperature and indoor relative humidity. The results indicate that the proposed system fulfilled the objectives of the thesis by detecting the optimal setpoints of PID controllers while saving energy. Therefore, the average energy reduction, overshoot, and settling time for a winter day were 25.93%, 10.94%, and 11.29%, respectively. The second stage replaces the MOO with a machine-learning approach - the Radial Basis Function Neural Network (RBFNN). After training and testing the RBFNN offline on the generated data by the first stage, it was used to find the optimal setpoints for the PID controllers. The proposed system showed good detection of the optimal setpoints and maintained the GH system’s energy efficiency at over %25, the overshoot at less 10% and settling time showed 11.27% with an average RMSE of 0.069 and 0.090 in training and testing for the RBFNN, respectively. The proposed system fulfilled the thesis’s objectives by detection the optimal setpoints of PID controllers while saving energy and can also be applied to other complex systems, such as industrial buildings, residential, and poultry farms, that require more than one optimization step.

گلخانه هوشمند , بهينه سازي MO , كنترل هدايت

Intelligent greenhouse , MO Optimization , Guidance Control

Heidar Abood

Dr. Norooz Noori