Розробка AI-системи керування теплицями: клімат, полив, освітлення
Ми розробляємо AI-системи, які автоматично керують кліматом, поливом та освітленням у промислових теплицях. На відміну від класичних контролерів, наші алгоритми адаптуються до змін погоди та стадії росту рослин. В основі Model Predictive Control та машинне навчання. Це дозволяє знизити витрати на опалення на 20–30%, а врожайність збільшити до 110 кг/м²/рік для томатів. Ми впровадили такі системи більш ніж на 20 об'єктах загальною площею понад 15 гектарів — і ділимося практичним досвідом.
Які проблеми вирішує AI в теплиці?
Традиційна автоматика стикається з обмеженнями: інерційність температури, відсутність прогнозу та розрізнене керування контурами. ПІД-регулятори розгойдують систему, витрачаючи зайву енергію. AI об'єднує керування кліматом, поливом та освітленням в єдину оптимізаційну задачу. Модель теплиці передбачає поведінку на 4 години вперед і на кожному кроці (15 хвилин) коригує уставки для HVAC, насосів та світильників.
Чому MPC ефективніший за ПІД-регулятор?
ПІД-регулятор реагує на поточне відхилення — він не знає, що через годину сонце сховається за хмари і температура впаде. MPC прогнозує збурення та заздалегідь змінює режими: наприклад, трохи підігріває теплицю перед холодною ніччю, щоб згладити піки. В результаті система не перемикається ривками, витрати тепла знижуються на 20–30%, а обладнання служить довше. Наші замовники підтверджують: після переходу на MPC платіж за газ зменшується на чверть без втрати врожаю.
Як працює MPC в теплиці?
Ми використовуємо Model Predictive Control з горизонтом передбачення 4 години. Модель теплиці включає теплообмін, вологообмін, динаміку CO2 та фотосинтез. Оптимізатор scipy.minimize вирішує задачу на кожному кроці, видаючи уставки для HVAC, насосів та світильників. Сенсорна мережа збирає дані кожні 10–20 метрів за кліматом, субстратом та освітленням. Зовнішня метеостанція дає прогноз натурального світла та температури.
Приклад реалізації MPC на Python:
import numpy as np from scipy.optimize import minimize class GreenhouseMPC: """ Model Predictive Control для клімату теплиці. Горизонт: 4 години, крок: 15 хвилин → 16 кроків """ def __init__(self, prediction_horizon=16, control_horizon=4): self.H_p = prediction_horizon self.H_c = control_horizon # Термодинамічна модель теплиці (спрощена) # dT/dt = (Q_heat + Q_solar - Q_ventilation - Q_loss) / C_thermal self.C_thermal = 2.5e6 # теплоємність повітря теплиці (Дж/°C) self.dt = 900 # 15 хвилин у секундах def predict_temperature(self, T_init, control_sequence, disturbances): """ T_init: початкова температура control_sequence: масив [heat_power_W, vent_rate_m3/s] на H_c кроків disturbances: прогноз [solar_radiation, outdoor_temp] на H_p кроків """ T = T_init trajectory = [T] for t in range(self.H_p): ctrl_idx = min(t, self.H_c - 1) Q_heat = control_sequence[ctrl_idx][0] vent_rate = control_sequence[ctrl_idx][1] Q_solar = disturbances[t][0] * 0.4 * 1000 # 40% трансмісії скла × площа T_outdoor = disturbances[t][1] Q_vent = vent_rate * 1200 * (T - T_outdoor) * 1.0 # cp_air × delta_T Q_loss = 50000 * (T - T_outdoor) # тепловтрати огородження dT = (Q_heat + Q_solar - Q_vent - Q_loss) / self.C_thermal * self.dt T = T + dT trajectory.append(T) return trajectory def optimize_control(self, current_state, setpoints, disturbance_forecast): """Оптимізація керування для наступного горизонту""" T_sp = setpoints['temperature'] CO2_sp = setpoints['co2'] def objective(u): u_matrix = u.reshape(self.H_c, 2) T_traj = self.predict_temperature( current_state['temperature'], u_matrix, disturbance_forecast ) # Штраф за відхилення від уставки + енергоспоживання tracking_error = sum((T - T_sp)**2 for T in T_traj) energy_cost = sum(u_matrix[:, 0]) # потужність опалення return tracking_error + 0.001 * energy_cost u0 = np.zeros(self.H_c * 2) bounds = [(0, 500000)] * self.H_c + [(0, 5)] * self.H_c # heat [W], vent [m3/s] result = minimize(objective, u0, method='SLSQP', bounds=bounds) return result.x.reshape(self.H_c, 2)[0] # застосувати тільки перший крок Що дає інтеграція AI з фертигацією?
Поживний розчин рециркулює. AI керує його складом за показниками EC, pH та іонному аналізу. ML-модель передбачає споживання елементів на стадію росту та заздалегідь поповнює розчин, не допускаючи дефіциту. Наприклад, у фазі цвітіння томату потрібно більше калію — система збільшує його частку за два тижні до очікуваного піку споживання. Це підвищує однорідність плодів та знижує ризик вершинної гнилі.
Чому AI ефективніший за класичну автоматику?
Після впровадження на об'єктах ми фіксуємо такі покращення:
| Показник | Конвенціональна | MPC + AI |
|---|---|---|
| Витрати тепла | базис | –20–30% |
| Витрати електроенергії (досвітка) | базис | –15–25% |
| Врожайність томату | 60–80 кг/м²/рік | 80–110 кг/м²/рік |
| Витрати води | базис | –30–40% |
| Однорідність продукції | 85% | 93–97% |
Ці цифри підтверджені на практиці: понад 5 років ми впроваджуємо AI в теплиці різного масштабу — від невеликих ферм до промислових комплексів. Гарантуємо стабільну роботу та адаптацію під конкретні культури.
Як AI оптимізує освітлення?
DLI-таргетування Daily Light Integral — сумарна кількість фотонів за день. Кожна культура має оптимальний DLI:
| Культура | DLI (mol/m²/day) |
|---|---|
| Томати | 20–30 |
| Салат | 14–16 |
| Полуниця | 12–15 |
| Огірок | 18–25 |
| Перець | 20–30 |
Алгоритм вранці запитує прогноз натурального освітлення та будує розклад LED-досвітки на день з урахуванням тарифів.
Спектральна оптимізація
Сучасні LED-світильники дозволяють керувати співвідношенням синього/червоного/far-red. Висока частка синього дає компактні рослини, far-red прискорює цвітіння. ML-модель підбирає спектр під фазу росту та цільові характеристики продукції.
Як AI керує поживним розчином?
Поживний розчин рециркулює. AI керує його складом за показниками EC, pH та іонному аналізу. ML-модель передбачає споживання елементів на стадію росту та заздалегідь поповнює розчин, не допускаючи дефіциту.
Типові помилки при впровадженні AI-системи
Ми стикалися з ситуаціями, коли замовники намагалися впровадити MPC без щільної мережі сенсорів — модель просто не могла точно симулювати теплицю. Мінімальна щільність — датчики клімату кожні 10 метрів і датчики субстрату кожні 20 метрів. Інша поширена помилка — ігнорування лагів виконавчих механізмів: байпасні клапани відкриваються за 30 секунд, а регулятор вважає їх миттєвими. Це призводить до перерегулювання. Нарешті, використання застарілих моделей фотосинтезу: без калібрування під конкретну культуру та гібрид результати сильно занижуються. Всі ці нюанси ми відпрацьовуємо на етапі аудиту та проектування.
Що входить в нашу роботу (під ключ)
- Аудит поточної теплиці та постановка цілей
- Проектування архітектури: вибір сенсорів, контролерів, шаф
- Розробка та калібрування моделей MPC для вашого об'єкта
- Налаштування алгоритмів освітлення та фертигації
- Інтеграція з існуючою SCADA через OPC-UA
- Встановлення датчиків та виконавчих пристроїв
- Навчання персоналу роботі з системою
- Технічна підтримка та доопрацювання після запуску
Термін розробки: 3–5 місяців для MPC-системи клімату + керування поливом та досвіткою. Точна вартість розраховується індивідуально після аудиту.
Як почати?
Зв'яжіться з нами для попереднього аудиту вашої теплиці — ми підготуємо пропозицію з оцінкою економічного ефекту та термінів впровадження. Замовте консультацію з AI-автоматизації вже сьогодні.