挑战: 创建一个智能系统来实现便携式温室的原型，以管理包括供电及施肥在内的所有资源，控制环境变量以获得收成，并利用绿色工程技术将系统损耗降低到少。

　　解决方案: 利用一个基于人工智能(AI)架构的控制器来测量温室的传感器并控制温室的执行机构，这一控制器使用了NI USB-6211 数据采集（DAQ）模块作为硬件接口，并利用NI cRIO-9014实时控制器来监测风力发电设备与光电电池的供电状况。整个系统在LabVIEW版开发环境下编程实现。

　　无土种植技术是一种无需使用泥土，只利用空气和营养水雾种植植物的方法。采用这种方法可以替代传统种植方法，并不受干旱或洪涝等恶劣天气环境的影响，确保农作物的质和量不会减少或降低。所以在某些作物由于气候环境等原因而不能被种植在某处时，就可以采用无土种植技术。除此之外，采用无土种植技术之后，作物无需花费精力来扩展根茎，就能够将更多能量用于提高产物的质量，例如作物的大小，味道或者营养价值。然而这种技术需要大量投入与人员的训练，在初期，这些投入是相当巨大的。

　　无土种植法的优点还有很多，它无需使用农机，所以不会导致土壤污染，也没有水土流失的风险。由于不使用化学农药，并且整个过程几乎完全自动化，还能够有效地节约资源。这种集约式的生产方式很适合在城市使用。

　　我们利用智能系统和绿色工程技术设计了一个全新的便携式智能型温室原型，实现了对供电与施肥等所有资源的同时管理，能够控制环境变量以获得收成，并将系统损耗下降到。智能温室采用了无土种植法，使用方便，且极具灵活性，可被放置于餐厅或城市住家中。

　　此温室具有两种主要特点：首先，传统的温室一般无法放置于建筑物或家中，而便携式温室的主要目的就是要能放置在传统温室无法进驻之处。其次，这是一个智能温室，所有会影响生长的变量与因果反应都被纳入考虑，系统会根据这些数据进行分析并产生响应。

　　使用这座便携式智能型温室会带来许多益处，如：非无土种植法也能操作；建立温室的初期成本可以大幅降低；我们可以选择单独种植不同的作物，例如蕃茄、辣椒与生菜等。一些新生代的温室系统已经决定采用我们的便携式智能温室作为主要平台，例如，位于墨西哥莫雷洛斯州 (Morelos) 奎纳瓦卡市 (Cuernavaca) 的一处占地 1200平方米的温室。

　　便携式智能型温室简介

　　温室的结构被分为三部分：耕种区，供电系统和智能控制系统。作物被种植于耕种区，里面有养分槽、输送系统与一个用于控制耕种区温度的水槽。我们将智能控制系统中的所有传感器与执行机构都放置在耕种区中，并在耕种区外围覆盖了密封的塑料膜。

　　供电系统是便携式智能型温室的第二个重要部件。这里，我们采用了一个供电电路为所有的电力、电子装置供电。为了开发可持续使用的温室，我们运用了绿色工程的技术，采用了一个400W风力涡轮发电机与一块60W光电电池，即时在环境状况不佳时，每天也可为系统提供 3.3 kWh的电力。这一系统包括了变频器与蓄电池。

　　第三个部件是智能控制系统，我们可以将之细分为传感器与执行机构组、供电用开关控制器、智能型控制器，以及硬件接口电路。

　　智能温室的监控温室的几项变量会影响作物的数量与质量。便携式智能型温室可以控制养料的用量、光照强度、温度以及耕种区内的湿度，另一个重要的变量则是供电控制。我们使用一组传感器来侦测变量，一组执行机构来进行控制。

　　NI USB-6211 M系列多功能DAQ模块可以采集光照强度、温度、湿度和养料等变量并产生信号。我们同时还使用了拥有128 MB DRAM、2 GB硬盘的cRIO-9014 实时控制器， NI 9265模拟输出模块与 NI 9215模拟输入模块，以监控供电系统。，我们对智能型控制器中的数据进行处理，计算出合理的响应并输出，以对整个系统实现控制。

　　智能型控制器

　　便携式智能型温室的主要组件是基于AI技术的智能型控制器。控制器是由数个模糊控制器(Fuzzy control)和类神经网络(Neural network)所组成的，模糊控制器会控制光照强度并管理养料，而类神经网络则用于开发温度、湿度和供电等控制器。在开发控制器时，我们还采用了本校于2008年开发的LabVIEW下的智能控制工具包(Intelligent Control Toolkit for LabVIEW)，这一工具包正在申请中。

　　我们用模糊控制器来控制光照强度并管理养料。智能型控制器需要测量湿度、光照强度与温度的值。我们针对每输入端子的三个隶属函数(Membership function)提出27条模糊规则(Fuzzy rule)，以取得合理响应。这些规则参考了农业的意见、书籍、研究论文与实验数据。在提出每个输入端子的隶属函数后，我们也针对光照强度与养料管理的输出隶属函数提出。

　　我们使用类神经网络开发了温度、湿度和供电控制器。使用USB-6211来测定温室内外的温度，以获得实验数据。为了采用动态类神经网络建构系统模型，我们使用了2880个样本与后向传播训练 (Backpropagation training)表达式，找出系统的温度类神经模型。然后我们执行了模糊控制及经典的比例-积分-微分(PID)控制。，我们以动态类神经网络构建了整个控制器模型，这是由于使用经典 PID只能用于单个设定点，但是这一控制器却可以用于所有的设定点。

　　我们利用三种不同的知识库（真实数据、发电机和光伏电池系统的神经模型以及数学方程式），以动态类神经网络建构了电源控制器模型。我们根据辐射和风速变量与供电量的比较值，按照和室内温度温室模型一样的方式建构发电机和光伏电池的神经模型。控制器通过预测供电，在两个电源系统之间切换。