植物工厂人工光照(Plant Factory with Artificial Lighting, PFAL)可靠性低成本冗余子系统的设计与实现

《Agriculture》：Design and Implementation of Low-Cost Redundant Subsystems for PFAL Reliability

　　

随着人工光照植物工厂(Plant Factory with Artificial Lighting, PFAL)对物联网(Internet of Things, IoT)技术依赖程度的加深，实时监测与控制环境及作业变量成为常态。虽然基于IoT的架构能实现精确资源管理与产量优化，但PFAL系统仍极易受组件失效、传感器故障、通信中断及供电异常影响，进而危及作物安全与系统可靠性，此类风险在维护能力与冗余度有限的中小型低成本PFAL中尤为突出。现有基于IoT的PFAL监测系统通常孤立地处理硬件或软件冗余，极少整合经真实多重故障场景验证的、面向维护的故障检测层。本研究提出一种适用于PFAL应用的低成本冗余系统架构，同时集成了：(1)基于多传感器配置(multi-sensor configurations)的硬件冗余(hardware redundancy)；(2)基于残差生成(residual generation)与阈值判别的解析冗余(analytical redundancy)及故障隔离(fault isolation)；(3)可识别设备内部异常工况的面向维护的故障检测层(maintenance-oriented fault detection layer)。研究人员采用四种硬件配置——带以太网(Ethernet)的Arduino Nano、ESP32、带Wi?Fi的STM32、带Ethernet的STM32——在五种故障场景下（积尘、浸水、高温、火情探测及物理撞击）进行实验验证。其中STM32+Ethernet配置在所有测试场景中均取得最快的故障检测响应时间。未来工作将聚焦于集成基于机器学习(ML)的预测性维护算法、多节点PFAL网络部署及长期现场验证。

一、研究背景与目的

人工光照植物工厂(Plant Factory with Artificial Lighting, PFAL)通过精准调控温度、相对湿度(Relative Humidity, RH)、CO₂浓度、光照强度及营养液pH值实现作物高产，高度依赖物联网(Internet of Things, IoT)传感与控制系统。然而低成本、小规模PFAL普遍存在硬件冗余不足、缺乏面向设备自身健康状态的维护导向故障检测层，且现有文献多孤立讨论硬件或解析冗余(analytical redundancy)，未经多重故障场景系统验证。针对上述缺口，研究人员设计并实现了一种融合硬件冗余(hardware redundancy)、解析冗余与维护型故障检测(maintenance-oriented fault detection)的低成体PFAL监测架构，并在四种微控制器平台上以五类人为诱导故障进行实验评估。该论文发表于《Agriculture》。

二、主要关键技术方法

研究人员于墨西哥Autónoma Chapingo大学受控环境农业实验室NFT水培Boston生菜(Lactuca sativa L. var. Boston)栽培环境中开展实验。系统选用SHT31、DHT22与DS18B20构成温度三重冗余，MQ135作CO₂近似探头，BH1750测光强，pH电极测营养液酸碱度；维护类传感器含GP2Y10粉尘、内部DS18B20、MQ-2烟雾、MPU6050加速度计陀螺仪、MHRD水浸及KY-026火焰。硬件对比四种方案：Arduino Nano+Ethernet、ESP32、STM32+ESP32(Wi?Fi)、STM32+ENC28J60 Ethernet(Option 4)，均搭配三级成本传感器套件(Version 1–3)。校准采用两点法(温度)、三点缓冲液线性回归(pH)及NDIR比对(MQ135)。冗余策略为三温度传感器多数表决(阈值ΔT=2 ℃，ΔRH=5%，连续三样本)剔除故障通道；解析冗余计算滑动均值(前10点)残差r(t)=|x(t)?x?_MA(t?1)|，超限(T:2.5 ℃, RH:6%, CO₂:120 ppm, Lux:150 lux, pH:0.3)且持续三样本判为故障。维护算法按预设逻辑检测积尘(>0.3 mg/m³连续5样)、进水(二进制高电平)、内部过温(>60 ℃连续3样→受控关机)、火情(KY-026+MQ-2>500 ppm双触发)、跌落(合加速度>3 g)。数据经STM32F401RE采集后通过MQTT协议发布至Google Cloud IoT Core，Web界面用HTML/Node.js实时呈现，SQL存储。五种诱导故障场景各重复5次记录响应时间(mean±SD)及假阳性(FPR)/假阴性(FNR)。

三、研究结果

3.1. System Integration and Communication Performance（系统集成与通信性能）

研究人员验证了STM32F401RE采集并经ENC28J60以太网上传MQTT至云端流程通畅，Web界面可实时刷新温湿、pH、CO₂及光强数据，DS18B20与SHT31半日温度曲线吻合良好，表明系统满足PFAL关键环境变量连续可靠监测需求。

3.2. Dust Exposition Detection（粉尘暴露检测）

在30 g、50 g、80 g滑石粉弥散测试中，STM32+Ethernet平均响应最快(约1.8–2.1 s)，Arduino Nano最慢；所有平台FPR与FNR均为0％，证明GP2Y10阈值逻辑有效。

3.3. Water Exposition Detection（进水暴露检测）

80% RH高湿环境下无误报；10 mL注水经导流孔触及MHRD后，STM32+Ethernet响应约0.4 s，显著快于其余方案，确认水浸检测无假阳性。

3.4. High Temperature Detection（高温检测）

热风加热至触发内部DS18B20>60 ℃，STM32+Ethernet平均响应约1.6 s并正确执行受控关机，其余平台略慢，验证热保护逻辑。

3.5. Detection of Possibility of Fire（火情可能性检测）

烛火距设备触发KY-026与MQ-2双条件，STM32+Ethernet响应约2.3 s，单传感器仅预警不断联，双触发降低误报。

3.6. Fall Detection（跌落检测）

自30 cm与50 cm跌落MPU6050检测>3 g加速度，STM32+Ethernet响应约0.2 s，各平台FPR/FNR为零。

3.7. Microcontroller to MQTT Times（微控制器至MQTT发布时延）

对比四方案五故障下MCU→Broker传输延迟，Option 4(STM32+Ethernet)始终最低(约0.05–0.12 s)，优于Wi?Fi方案及ESP32/Arduino，证实有线以太网在高节点密度下具低时延优势。

四、讨论与结论翻译

讨论指出本架构故障检测响应时间1.6–4.7 s，等于或优于同类温室IoT预测维护文献(5–8 s)，且无需边缘机器学习推断；温度三冗余+边端多数表决属方法学贡献，可在上传前隔离故障；Version 1总成本约63 USD远低于Libelium(>500 USD/节点)及Particle(150–300 USD)，开源架构仅需云服务月费8–12 USD/节点；MQ135仅为定性空气指标，精确CO₂控制推荐NDIR(SCD30/SCD40)；多节点(>5)推荐Ethernet防Wi?Fi同频干扰，典型维护周期：防尘滤网约90天清洁，pH电极6–12月更换，MQ135每年用基准仪标定基线。

结论(Conclusions)：

本研究提出并验证了集成硬件冗余、解析冗余及维护导向故障检测的PFAL低成本冗余监测架构。温度三传感器多数表决结合滑动均值残差分析可有效识别与隔离故障传感器，解析冗余在不增硬件前提下实现异常发现。STM32+Ethernet配置在粉尘、浸水、高温、火情及跌落五类场景中均获最快故障检测与MQTT发布响应，全系统Version 1–3成本63–102 USD显著低于商用方案，适合需快速故障反应的PFAL实时监测。未来研究方向包括轻量机器学习(autoencoder, isolation forest)部署于STM32、10–50节点集中故障管理网络、LoRaWAN/Zigbee低功耗通信评估及多作物长期田间验证。