Optimalizace automatizovaných systémů tvorby vnitřního prostředí pro pěstování rostlin

Abstract

Tato práce se zabývá technologií interiérového pěstování rostlin, analýzou a optimalizací parametrů ovlivňujících růst rostlin v uzavřeném prostředí, kde je pro optimalizaci řízení vytvořen model využívající učení neuronové sítě. Teoretická část práce poskytuje kontext a význam studovaného tématu. Zahrnuje historický vývoj alternativního pěstování rostlin, funkci rostlin v interiéru a detailní popis parametrů jako jsou teplota, pěstební medium, nebo světelné podmínky. V další části se pak práce zaměřuje na možnosti měření a kontrolu těchto parametrů s pomocí senzorů a akčních členů. Praktická část práce popisuje konstrukční řešení a technický stav systému. Metrorost. Po analýze technického stavu následuje kapitola věnovaná analýze dat, získaných právě měřením v prostředí Metrorost. Tato analýza poskytuje vhled do současného stavu systému a odhaluje oblasti pro zlepšení. V návaznosti na to jsou navrženy optimalizace systému. Pozornost je obzvlášť věnována optimalizaci řízení vytápění, která je realizována s pomocí neuronové sítě. Vytvořený model umožňuje pohled na chování systému v případě jiných regulačních podmínek, bez nutnosti zkoušet tyto podmínky přímo v provozu systému. Na závěr je právě tento model využit k simulaci chování na základě nově vytvořených podmínek. Výsledky tohoto chování jsou pak porovnány s výsledky, které máme ze skutečného provozu.

This thesis deals with the technology of indoor plant cultivation, the analysis, and optimization of parameters affecting plant growth in a closed environment, where a model utilizing neural network learning is created for optimization control. The theoretical part of the thesis provides context and significance of the studied topic. It includes the historical development of alternative plant cultivation, the function of plants indoors, and a detailed description of parameters such as temperature, growth medium, and light conditions. The next part focuses on the possibilities of measuring and controlling these parameters using sensors and actuators. The practical part of the thesis describes the design solution and the technical state of the Metrorost system. Following the analysis of the technical state, there is a chapter dedicated to the analysis of data obtained from measurements in the Metrorost environment. This analysis provides insight into the current state of the system and reveals areas for improvement. Subsequently, system optimizations are proposed. Special attention is given to the optimization of heating control, which is implemented using a neural network. The created model allows for an understanding of the system's behavior under different regulatory conditions without the need to test these conditions directly in the system's operation. Finally, this model is used to simulate behavior based on newly created conditions. The results of this behavior are then compared with the results from actual operation.