Анализ надёжности между уровнем и стратегии многоцелевой оптимизации с адаптивными к краям для сетево-физического моделирования в интеллектуальном управлении CPS в сельском хозяйстве

Summary

Этот протокол представляет кросс-уровневую стратегию киберфизического моделирования и оптимизации для интеллектуального управления теплицами, позволяющую воспроизводимую оценку надёжности и экологической эффективности.

Abstract

Растущий спрос на продовольствие и климатические стрессы стимулируют внедрение умного сельского хозяйства, однако существующие кибер-физические системы (CPS) не обладают надёжной межуровневой интеграцией и гибкости в реальном времени, что ограничивает производительность в динамических условиях. Этот протокол направлен на обеспечение межуровневой стратегии киберфизического моделирования и оптимизации для интеллектуального парникового земледелия. Он демонстрирует потенциальную применимость для повышения надёжности и адаптивности сельскохозяйственных киберфизических систем. Подход интегрирует физический слой с моделью континуума почвы-растения-атмосфера и калибровкой ансамблевого фильтра Калмана (EnKF) для точного прогнозирования влажности почвы. Он включает сетевой слой, использующий мультипротоколное слияние с моделированием Stochastic Petri Net для оценки надёжности связи. Контрольный слой строится на стохастической гибридной системе для координации совместного принятия решений. Надёжность дополнительно оценивается с помощью функционально-временно-экологической индикаторной системы, в то время как оптимизация сочетает многоцелевое подкрепляющее обучение с ограничениями безопасности и байесовским мета-обучением для обеспечения быстрой адаптации во время смены культур. Развертывание на периферии обеспечивает надёжный контроль во время прерываний связи. Результаты выращивания томатов в теплице в Шоугуане, Китай, показывают воспроизводимые и стабильные показатели прогнозирования урожайности, эффективности использования воды и контроля задержки в сложных условиях. Эта методология обеспечивает практичный и воспроизводимый рабочий процесс для внедрения адаптивных и надёжных сельскохозяйственных киберфизических систем.

Introduction

Население мира быстро растёт, а доступность ресурсов сокращается, что меняет способы развития сельского хозяйства. Традиционные модели сельского хозяйства, где труд и материалы высоки, а зависимость от природных условий сильна, не могут обеспечить эффективность и устойчивость. В данном случае умное сельское хозяйство стало преобразующим подходом. Он позволяет достичь полного восприятия, принимать точные решения и интеллектуально управлять полем с помощью сочетания Интернета вещей, аналитики больших данных, искусственного интеллекта и пространственных информационных систем, что повышает эффективность использования ресурсов и способствует устойчивому сельскохозяйственному^{производству 1,2}.

Рынок умного сельского хозяйства растёт экспоненциально по всему миру, США развиваются в технологиях точного сельского хозяйства, Израиль — в области водосберегающего орошения, а Япония — в сфере умных^{парниковых систем.} В Китае^{национальный пятилетний} план развития сельскохозяйственной и сельской информатизации привёл к цифровой трансформации сельского хозяйства, что привело к прогрессу в цифровом селекции, интеллектуальной технике и масштабных проектах умного сельского^{хозяйства 4}. Интернет вещей (IoT) — это сеть подключённых устройств, приводящих в действие и датчики, которые собирают, обмениваются и обрабатывают данные. Тем не менее, несмотря на эти изменения, всё ещё существуют проблемы с покрытием IoT-сетей, точностью и надёжностью датчиков, обменом информацией между системами и доступом к междисциплинарному пониманию, что ограничивает масштабную реализацию ^5,6.

Кибер-физические системы (CPS) сельского хозяйства находятся в центре этого ландшафта, связывая восприятие окружающей среды с интеллектуальным^{управлением 7}. CPS объединяла вычислительные и физические процессы, связанные с датчиками, контроллерами и коммуникационными сетями. Тем не менее, существующие методы моделирования обычно основаны на независимости физического, сетевого и управляющего уровней, ограничивая взаимодействие слоев и снижая предсказательные способности при динамических^{возмущениях 8}. Существующие оценки надёжности также подчёркивают функциональные и временные аспекты, тогда как экологическая надёжность, такая как эффективность использования воды и ограничения по солёности почвы, остаётся недостаточно^{изученной 9}. Кроме того, многие стратегии оптимизации опираются на офлайн-обучение, что приводит к задержкам в выводах по краям и сложностях адаптации к быстрым изменениям окружающей среды или культур¹⁰.

Мониторинг парников на основе сенсоров набирает популярность, но по-прежнему сталкивается с многочисленными трудностями, мешающими более широкому принятию. Масштабируемость и надёжность системы ограничены высокими затратами на развертывание и неравномерным качеством датчиков. Методы моделирования, используемые в мониторинге теплиц на основе сенсоров, основаны на предпосылке стабильных экологических условий, последовательных моделей роста культур и надёжной передачи информации через коммуникационные сети. Однако эти предположения неверны во многих условиях, возникающих внутри теплиц. Эти ограничения указывают на необходимость разработать и реализовать структуру, способную справляться с непостоянными шумными показаниями от датчиков, колебаниями питания датчиков во время работы и периодами потери связи без ущерба для качества производительности или возможности реализации.

Для устранения этих ограничений этот протокол вводит воспроизводимый кросс-уровневый процесс моделирования и оптимизации, интегрирующий физические, сетевые и управляющие процессы в единую структуру. Физический слой использует модель континуума почвы-растения-атмосфера с калибровкой фильтра ансамбля Калмана для точного прогнозирования влажности^{почвы 11}. Сетевой уровень использует мультипротоколное слияние с использованием модели Stochastic Petri Net для измерения надёжности коммуникации. На уровне управления стохастическая гибридная система позволяет совместно принимать решения на разных уровнях. Функционально-временно-экологическая индексная система используется для измерения надёжности, многоцелевое глубокое подкрепляющее обучение — для оптимизации этой системы, с соблюдением ограничений безопасности и байесовским мета-обучением, которое позволяет быстро адаптироваться к переключению культур. Edge-intelligent развертывание также обеспечивает устойчивость системы к прерываниям во время коммуникации. Объединяя эти элементы, протокол предлагает систематический и воспроизводимый способ повышения стабильности и гибкости приложений CPS в умном^{фермерстве 12}.

Этот протокол подходит для средних и крупных тепличных сред (800–1500 м²) с различными беспроводными сенсорными сетями для мониторинга почвы, микроклимата и CO₂. Для обеспечения управления в реальном времени рекомендуется минимальное разрешение выборки 5 минут, при этом для многоузлового развертывания (>200 узлов) необходима связь LoRa/NB-IoT. Этот рабочий процесс демонстрируется для производства томатов в теплицах, но его можно применять и к культурам, таким как огурец, перец и листовые овощи, путём перенастройки параметров и мета-обучения.

Протокол основан на последовательном рабочем цикле, где физическое моделирование определяет влажность почвы, сетевой слой определяет стабильность передачи данных, а слои управления + оптимизации формируют политику орошения и удобрений, обеспечивающие экологическую и операционную стабильность. Рисунок 1 показывает предложенный кросс-уровневый рабочий процесс киберфизической системы.

Protocol

Отмечается, что в этом протоколе не проводятся эксперименты на людях или позвоночных животных. В случае будущих исследований с участием человека или биологических образцов это должно быть одобрено соответствующим институциональным экспертным советом, а номер одобрения должен быть зафиксирован до внедрения.

1. Подготовка площадки и оборудования

ПРИМЕЧАНИЕ: Этот этап создаёт стандартизированную сенсорную сеть, которая предоставляет точную и синхронизированную информацию об окружающей среде для последующего физического моделирования и управления.

1. Определите местоположение теплицы, введя GPS-координаты в программное обеспечение мониторинга. Выберите виды культур из предоставленной библиотеки культур и установите экологические цели (температура: 20-28 °C, относительная влажность: 50%-70%).
2. Запишите размеры теплицы, системы вентиляции и конфигурацию затенения.
3. Синхронизировать все устройства с единым тактовым часом с помощью протокола сетевого времени (NTP)¹³.
4. Установите датчики влажности, температуры, влажности, освещения и_CO2 в соответствии с спецификациями производителя.
   1. Установите 60 беспроводных датчиков влажности и температуры почвы (точность ±2%), 10 датчиков влажности и_CO2 (± точность 30 ppm CO₂ ), а также 4 мультиспектральных датчика света. Используйте сетчатое расстояние 6 м x 5 м для размещения почвенных датчиков на глубинах 10, 20 и 30 см. В зависимости от функции, все датчики используют трансиверы LoRa и модули NB-IoT для беспроводной связи. Синхронизировать шлюз и метеорологические датчики с помощью NTP для достижения точности временной метки ±1 с.
5. Установите фиксированные датчики на заданных глубинах и положениях, чтобы убедиться, что измерение правильно.
6. Установите частоту дискретизации данных на 5 миль в час и включите выравнивание временных меток на шлюзе.
7. Зарегистрируйте все сенсорные узлы с уникальными идентификаторами и проверьте связь между шлюзами. Проведите 24-часовой тестовый запуск для оценки потери пакетов и смещения тактового сигнала.
8. Ведите базовый журнал, чтобы использовать его в будущем. Таблица 1 представляет конфигурацию и параметры для этапов моделирования.

2. Моделирование физических слоёв (континуум почвы — растения — атмосферы (SPAC) и ансамбль фильтра Калмана (EnKF))

ПРИМЕЧАНИЕ: Эта фаза приближает взаимодействия почвы, растений и атмосферы для получения правильных оценок влажности почвы, используемых для управления орошением.

1. Подготовьте входные данные в модели SPAC, потому что для неё требуется следующее: текстура почвы, ёмкость полей, распределение корней, метеорологические факторы и индекс площади листьев кроны.
2. Все входные наборы данных были передискретированы в единый 5-минутный временной индекс в Python 3.10 с помощью функции Pandas resample('5min').mean(). Недостающие значения были вычислены с помощью CubicSpline от SciPy, а пробелы >5 минут восстанавливались путём распространения прогнозов модели SPAC через фазу прогнозирования EnKF. Флаги неопределённости сохранялись для анализа надёжности.
   1. Заполнить недостающие значения с помощью интерполяции кубических^{сплайнов 14}. Реконструируйте более длинные промежутки (> 5 мин) с помощью фазы прогнозирования EnKF на основе влажности почвы и метеорологического прогноза. Отмечайте все восстановленные значения для отслеживания неопределённости.
3. Установите уравнение Ричардса для моделирования ненасыщенного потока воды.
    
   Где — скорость изменения объемного содержания воды θ (^м3) по времени t, h — напор давления (см), а K(θ) — гидравлическая проводимость. Оператор ∇ указывает пространственный градиент, а выражение (∇h+1) — общий гидравлический градиент.
4. Оценить гидравлические параметры почвы с помощью модели ван Генухтена:
   
   Где K_s — насыщенная гидравлическая проводимость, S_e (θ-θ_r )/(θ_s -θ_r) — эффективное насыщение θ_s и θ_x насыщенное и остаточное содержание воды. l — параметр поровой связности, m и n, а — параметры формы, связанные с ( с n>1). обозначает эффективную насыщенность, увеличенную до параметра поровой связности L. Основываясь на эффективной насыщенности S_e, термин гидравлической функции ван Генухтена описывает нелинейное поведение и параметр формы удержания воды в почве.
5. Сопоставьте уравнение Ричардса с моделью фотосинтеза Фаркуара. Интегрировать транспирационную модель Пенмана-Монтита для учёта влияния света, температуры и_CO2.
6. Инициализация априоров параметров и векторов состояний для EnKF.
   ПРИМЕЧАНИЕ: EnKF — это метод ассимиляции данных Монте-Карло, который обновляет оценки влажности почвы, интегрируя прогнозы модели с наблюдениями в реальном времени с датчиками и статистически оценивая ковариацию^{ошибок 15}.
7. Запускайте циклы прогнозирования и обновления EnKF, пока ошибка среднего квадрата (RMSE) при прогнозах влажности почвы не опустится ниже 2%, или не достигнет максимума 50 итераций.
8. Архивировать все калиброванные параметры для последующего анализа. На рисунке 2 показана кривая стабилизации влажности почвы, полученная после калибровки SPAC-EnKF.
9. Выполните процедуру численного моделирования для SPAC-EnKF. Используйте MATLAB R2023b для вычисления SPAC-EnKF. Установите временной шаг Δt = 300 с, размер ансамбля N = 100, а переменные состояния θ, h и K(θ) — их начальные значения. Используйте решатель уравнений Ричардса для проведения фазы прогноза и применяйте наблюдательные данные о влажности почвы для фазы обновления. Пока не достигнет порога сходимости RMSE < 2%, повторяйте циклы прогноза-обновления.

3. Моделирование сетевого уровня (гетерогенная сеть и стохастическая сеть Петри (SPN))

ПРИМЕЧАНИЕ: В этом разделе оценивается надёжность коммуникаций для обеспечения своевременной и непрерывной доставки данных для принятия решений по контролю.

1. Развернуть гетерогенные коммуникационные модули, включая LoRa для дальних метеорологических данных, NB-IoT для почвенных датчиков и 5G для высокочастотных фенотипных камер.
   1. Распределять дальнобойные метеорологические данные с низкой полосой пропускания (ветер, радиация, осадки) модулям LoRa. Включить модули NB-IoT для узлов почвенных датчиков, требующих умеренной пропускной способности и низкой энергопотребления. Включите высокочастотное фенотипирование данных камеры с помощью модулей 5G NR для высокоскоростной передачи видео. Подключите к каждому узлу связи edge-шлюз на базе Raspberry Pi, поддерживающий многопротоколное управление.
2. Настройте систему так, чтобы поддерживать более 200 узлов на шлюз с частотой дискретизации 5 минут.
3. Непрерывно фиксируйте индикатор силы принятого сигнала (RSSI), отношение сигнал/шум (SNR) и состояние батареи. Вычисляйте скорость приёма пакетов с интервалом в 5 минут.
4. Если обнаружено аномальное приём, проверьте выравнивание антенны и наличие возможных источников помех. Определить и решить модель надёжности связи стохастической сети Петри (SPN)
   1. Реализуйте SPN с использованием Mobius 2.0. Определите три места: нормальный (>95% приём), задержка (80-95%) и прерывание (<80%). Настройте скорости перехода λ_nd, λ_di и_{λ в} зависимости от SNR и оставшейся энергии батареи:
      
   2. Вычислите стационарное распределение с помощью линейного баланса πQ = 0, чтобы получить вероятность прерывания связи P_int = π_{прерыва}.
5. Определим модель SPN с тремя состояниями связи: N нормального (>95% приёма), задержки D (80-95%) и прерывания I (<80%). Q обозначает порождающую матрицу цепи Маркова с непрерывным временем.
   
   Переходы состояний регулируются параметрами скорости λ_X→Y, где X,Y∈ {N,D,I}. Чтобы каждая строка Q равна нулю, каждый диагональный элемент является отрицательной суммой исходящих скоростей перехода из этого состояния.
6. Оценивайте скорость перехода на основе SNR и оставшихся энергетических метрик с использованием.
   
   где E — нормализованная остаточная энергия (0-1), а SNR — наблюдаемое отношение сигнал/шум в децибелах. k_XY — это константа масштабирования для скорости перехода между состоянием X и Y, тогда как k_s регулирует крутость отклика, зависящего от SNR. Порог SNR для перехода X→Y равен _{SNR XY}. Низкий уровень батареи увеличивает вероятность перехода, как это зафиксировано в c_XY и _{p XY}.  ∈_XY — это небольшая базовая скорость, обеспечивающая ненулевую вероятность переходов. Логистическая функция, регулирующая чувствительность SNR, заключается в
   
   Где σ(u) обозначает логистическую сигмоидную функцию, а экспоненциальный член ^e-u определяет скорость перехода функции между 0 и 1.
7. Решите распределение в стационарном состоянии, чтобы получить вероятность прерывания. Определите, что α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D. Вероятность прерывания в стационарном состоянии равно:
   
   где π_I показывает долгосрочную (стационарную) вероятность того, что система останется в прерванном состоянии. Шесть скоростей перехода между тремя состояниями представлены параметрами α, β, γ, δ, ε и ζ. Знаменатель показывает общий баланс потока по всем переходам, тогда как числитель компилирует все эффективные переходные пути, ведущие к состоянию прерывания. Стационарный шанс прерывания связи при указанной структуре скорости определяется полученным значением. Таблица 2 показывает процедурные переходы потоков данных между слоями моделирования в предлагаемом CPS.

4. Моделирование управляющего уровня (MPC внутри SHS)

ПРИМЕЧАНИЕ: Этот процесс максимально использует альтернативу орошения и удобрений, а также учитывает вопросы коммуникации.

1. Постройте систему прогнозного контроля модели (MPC) с целью оптимизации урожайности культур по окончании 24 часов. Реализуйте планирование орошения на основе модели прогнозного контроля (MPC). Реализуйте MPC в библиотеке Python 3.10 / CasADi. Определите горизонт прогноза Hp = 24 шага, управляющий горизонт Hc = 6 и управляющий вход u(t) (поток орошения). Функция оптимизации затрат:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   используя решатель IPOPT с ограничениями 0 ≤ u(t) ≤ 6 мм/ч.
2. Определите переменные, принимающие решения относительно процессов орошения и удобрений.
3. Используйте ограничивающие меры для диапазона влажности почвы, проводимости корневой зоны и контроля задержки.
4. Добавьте вероятности прерывания сети в решатель MPC по временной неопределенности.
5. Используйте мягкое ограничение в функции расчета стоимости с помощью весов. Q (вход)= 0,5-1,0; Q (выход) = 0,3-0,7. Настраивайте веса в зависимости от предварительных тестов настройки, чтобы гарантировать предсказательную стабильность MPC.
6. Когда происходит потеря пакетов, прогнозируйте влажность почвы на 1 час с помощью модели SPAC и рассчитывайте компенсационное орошение.
7. Синхронизируйте управление сразу после восстановления связи, чтобы избежать дублирования действий.
8. Объединить непрерывную физическую систему, дискретную сетевую систему и управляющие действия в модель перехода Stochastic Hybrid System (SHS).

5. Количественная оценка надёжности

ПРИМЕЧАНИЕ: Для оценки устойчивости систем в ответ на возмущения в этой части оценивается как функциональная, так и временная и экологическая надёжность.

1. Использовались три индикатора надёжности: (1) функциональная надёжность, количественно измеряемая ошибкой прогнозирования урожайности (E_γ, %) и RMSE оценки влажности почвы; (2) временная надёжность, измеряемая сквозной задержкой управления (L_e₋_e, s); и (3) экологической надёжности, оцениваемой с использованием эффективности использования воды (WUE, g·kg⁻¹) и пропорции по времени, когда электрическая проводимость корневой зоны превышает порог безопасности (T_ec>2,5dS/m, %).
2. Постройте стохастическую игровую модель, в которую участвуют три агента: сенсор (минимизирующий вероятность отказа), злоумышленник (максимизирующий вероятность отказа) и окружающая среда (добавление случайных возмущений) в модель.
3. Определите функции выигрыша и решите равновесия Нэша для определения границ надёжности. Проведите глобальный анализ чувствительности с использованием индексов Sobol для ранжирования вклада^{параметров 16}.
4. Вклад параметров был количественно оценён с помощью среднего значения абсолютных элементарных эффектов (ЭЭ, индекс чувствительности Морриса), рассчитанных на основе возмущенных траекторий выборки, и совместной оценки с дисперсией ЭЭ для фиксации силы взаимодействия и нелинейности; параметры с наибольшим средним|EE| и повышенная дисперсия EE были выявлены как доминирующие участники и выбраны для последующего оптимизирования.

6. Стратегия оптимизации

ПРИМЕЧАНИЕ: Эта часть максимизирует решения по контролю для достижения оптимальной продуктивности, затрат и экологической стабильности, а также быстрой адаптации при смене культур.

1. Укажите пространство состояний, включающее индекс площади листьев, оценочную влажность почвы SPAC–EnKF и задержку управления, зафиксированную на контроллере края.
2. Установите пространство действия, определив количество орошения, скорость удобрения и частоту отбора пробы датчика как дискретные и ограниченные управляющие действия, реализуемые на контроллере края.
3. Постройте многоцелевую вознаграждающую функцию, интегрируя надёжность, экономические затраты и экологические показатели с помощью взвешенной оптимизации.
4. Наблюдайте парето-оптимальные политики с использованием алгоритма NSGA-III (Таблица 3).
5. Обеспечьте ограничения безопасности с функциями контроля барьеров (CBFs), обеспечивая нижние границы влажности почвы в корневой зоне и верхние границы солёности почвы для предотвращения засухи и соляного стресса.
6. Задать условие устойчивости Ляпунова, определив положительно определённую функцию Ляпунова на векторе состояния роста и принуждая её производную по времени быть отрицательно определённой в безопасных рабочих пределах.
7. Используйте байесовское мета-обучение для быстрого обновления параметров при смене культур.
   ПРИМЕЧАНИЕ: После этого этапа рабочий процесс можно приостановить для проверки обновлений модели офлайн. Продолжите с загрузкой последней контрольной точки.
8. Адаптируйтесь к последним 7 дням и найдите время на повторную тренировку менее 5 минут. Обучайте модель сжатого усиления, применяя обрезку и квантование после обучения, затем тонко настройте её на периферийном устройстве, используя локально собранные данные взаимодействия.
9. Используйте механизм понижения при возникновении сбоев в коммуникации, чтобы задержка управления оставалась ниже 30 секунд. Синхронизируйте облака резюме с восстановлением связи.

Results

Влажность почвы и SNR оказывают наибольшее положительное влияние SHapley Additive exPlanations (SHAP) на решения о орошении, согласно сводному графику SHAP (рисунок 3). Высокая задержка направляет политику в сторону консервативных запасных вариантов, демонстрируя соответствие архитектуре управления, ориентированной на надежность. Таблица 4 содержит операционные инструкции и детали конфигурации вычислительных модулей

Экспериментальная устан...

Discussion

Экспериментальные данные показывают, что предлагаемая структура CPS и стратегии оптимизации превосходят по трём измерениям: надёжность, безопасность и вычислительная эффективность. Моделирование межуровневого взаимодействия успешно преодолевает историческое разделение между физическими и сетевыми представлениями. Интегрировав SPAC и SPN в единую структуру SHS, система снизила ошибку прогнозирования выхода на 32,7% и сократила задержки на 45% при экстремально высоких температурах. Огранич...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Мультиспектральная камера	MicaSense	RedEdge-MX	Фиксирует отражение кроны для оценки LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Edge-устройство для локального вывода ИИ
Датчик влажности почвы	Устройства Decagon	EC-5	Измеряет объемное содержание воды в почве
Метеостанция	Кэмпбелл Сайентифик	CR300	Рекорды температуры, влажности и осадков