Optimale Regelung von Gewächshäusern mit tiefen neuronalen Netzen

Alapfogalmak

In dieser Arbeit wird ein zweistufiges Regelungskonzept für Gewächshäuser vorgestellt, bei dem eine obere Ebene geeignete Referenzverläufe für Zustände und Stellgrößen auf Basis von Wettervorhersagen generiert. Diese Referenzen werden in der unteren Ebene unter Verwendung nichtlinearer modellprädiktiver Regelung (NMPC) nachgeführt. Um NMPC anwenden zu können, ist ein Modell der Gewächshausynamik erforderlich. Die hohe Komplexität des zugrunde liegenden Modells führt jedoch zu einem hohen Rechenaufwand und langen Abtastzeiten. Als Lösung wird NMPC als Datengenerator verwendet, um die Nachführungsregelung mit tiefen neuronalen Netzen (DNN) zu lernen. Dadurch lässt sich der Rechenaufwand deutlich reduzieren.

Kivonat

In dieser Arbeit wird ein zweistufiges Regelungskonzept für Gewächshäuser vorgestellt. In der oberen Ebene wird mithilfe von Wettervorhersagen ein optimaler Referenzpfad für Zustände und Stellgrößen generiert, um die Produktionskosten zu minimieren und den Ertrag zu maximieren. In der unteren Ebene wird dieser Referenzpfad dann mit einer nichtlinearen modellprädiktiven Regelung (NMPC) nachgeführt, um Abweichungen aufgrund von Störungen auszuregeln.
Da die Berechnung der NMPC-Regelung sehr rechenintensiv ist, wird stattdessen ein tiefes neuronales Netz (DNN) verwendet, um die Nachführungsregelung zu approximieren. Dazu wird das NMPC-Verfahren zunächst als Datengenerator verwendet, um das DNN zu trainieren. Das trainierte DNN kann dann deutlich effizienter als die NMPC-Regelung auf eingebetteten Systemen implementiert werden.
Die Simulationsergebnisse zeigen, dass die DNN-basierte Regelung eine ähnliche Leistung wie die NMPC-Regelung erzielt, aber deutlich recheneffizienter ist. Insbesondere bei Unsicherheiten in den Störgrößen schneidet die DNN-Regelung sogar besser ab als die NMPC-Regelung.

Statisztikák

Die Biomasseerzeugung durch den approximativen DNN-Regler beträgt 1,2497 kg/m², während sie bei der NMPC-Regelung 1,2512 kg/m² beträgt.
Die durchschnittliche Ausführungszeit eines DNN-Reglers ist im Vergleich zur NMPC-Regelung um vier Größenordnungen schneller für eine PC-Ausführung.

Idézetek

"Verglichen mit der NMPC-Regelung ist die durchschnittliche Ausführungszeit eines DNN-Reglers um vier Größenordnungen schneller für eine PC-Ausführung."
"In Gegenwart von Unsicherheiten in den Störgrößen schneidet die DNN-Regelung sogar besser ab als die NMPC-Regelung."

Főbb Kivonatok

Deep Neural Network based Optimal Control of Greenhouses

by Kiran Kumar ... : arxiv.org 04-15-2024

https://arxiv.org/pdf/2311.04077.pdf

Mélyebb kérdések

Wie könnte man das vorgestellte Regelungskonzept auf andere Anwendungen in der Landwirtschaft oder im Gartenbau übertragen

Das vorgestellte Regelungskonzept für Gewächshäuser könnte auf verschiedene Anwendungen in der Landwirtschaft oder im Gartenbau übertragen werden, die ähnliche Anforderungen an die Regelung und Optimierung von Umgebungsbedingungen haben. Zum Beispiel könnte es auf den Anbau von anderen Pflanzenarten wie Salat, Gurken oder Kräutern angewendet werden. Ebenso könnte es für den Betrieb von vertikalen Indoor-Farmen genutzt werden, um optimale Wachstumsbedingungen für verschiedene Arten von Nutzpflanzen zu gewährleisten. Darüber hinaus könnte das Konzept auch auf die Regelung von Gewächshäusern für die Zucht von Zierpflanzen oder exotischen Pflanzenarten ausgeweitet werden.

Welche zusätzlichen Herausforderungen ergeben sich, wenn man das System nicht nur simulativ, sondern in der Praxis implementiert

Die Implementierung des Systems in der Praxis birgt zusätzliche Herausforderungen im Vergleich zur Simulation. Zu den Herausforderungen gehören die Integration von Sensoren und Aktuatoren in das physische Gewächshaus, die Echtzeitdatenerfassung und -verarbeitung, die Robustheit des Systems gegenüber Umgebungsstörungen und die Gewährleistung der Sicherheit von Mensch und Umwelt. Darüber hinaus müssen Aspekte wie die Skalierbarkeit des Systems, die Interoperabilität mit vorhandenen landwirtschaftlichen Betriebssystemen und die Wartbarkeit der Hardware und Software berücksichtigt werden. Die Kalibrierung und Validierung des Systems in realen Umgebungen ist ebenfalls entscheidend für den erfolgreichen Einsatz.

Inwiefern könnten Methoden des Reinforcement Learning die Leistung der DNN-basierten Regelung weiter verbessern

Methoden des Reinforcement Learning könnten die Leistung der DNN-basierten Regelung weiter verbessern, indem sie dem System ermöglichen, durch Interaktion mit der Umgebung zu lernen und sich anzupassen. Durch die Anwendung von Reinforcement Learning könnte das System autonom Optimierungsstrategien entwickeln, um die Regelung der Gewächshausumgebung zu verbessern. Dies könnte dazu beitragen, die Effizienz, den Energieverbrauch und die Ernteerträge weiter zu optimieren. Darüber hinaus könnte Reinforcement Learning dazu beitragen, das System an sich ändernde Umweltbedingungen anzupassen und robustere Regelungsstrategien zu entwickeln.