Використання нейронних мереж для інтеграції з системою «Розумний дім»

Abstract

Об’єктом дослідження є процес автоматизованого керування кіберфізичними системами у сфері «розумного дому». Предметом дослідження виступають методи застосування штучних нейронних мереж для прогнозування, класифікації та адаптивного керування мікрокліматом у автоматизованих тепличних комплексах. Мета кваліфікаційної магістерської роботи полягає у розробці та дослідженні інтелектуальної системи керування «розумною теплицею», що базується на аналізі даних сенсорів, нейромережевому прогнозуванні та адаптивних алгоритмах регуляції температури, вологості та освітлення. Для досягнення поставленої мети визначено такі завдання: 1. Провести аналіз сучасних технологій автоматизації житлових та аграрних комплексів, визначити можливості застосування нейронних мереж у системах керування. 2. Розробити архітектуру інтелектуальної теплиці, включаючи взаємодію мікроконтролера, сенсорних модулів, серверної частини та нейромережевого модуля прогнозування. 3. Реалізувати робочий прототип системи, який включає програму для ESP32, сервер обробки даних, модуль машинного навчання та блок автономного керування мікрокліматом. 4. Провести аналіз ефективності запропонованої моделі, оцінити точність прогнозування, стабільність системи, економічні показники та визначити переваги й обмеження підходу. 5 5. Розробити рекомендації щодо вдосконалення системи та можливості її масштабування для реального використання. Актуальність теми зумовлена зростанням попиту на інтелектуальні автоматизовані системи у сфері сучасного житла та аграрного виробництва, розвитком технологій машинного навчання та їх інтеграцією у побутові й промислові пристрої. Нейромережеві методи дозволяють значно підвищити ефективність роботи тепличних комплексів шляхом точного прогнозування параметрів середовища та економного використання ресурсів. У роботі розроблено повноцінну інтелектуальну систему «Розумна теплиця», яка включає апаратну частину, MQTT-серверну інфраструктуру, програмний комплекс із Python-сервісами для збору даних та навчання моделі, а також блок адаптивного керування. Запропонована система здатна не лише регулювати мікроклімат, а й прогнозувати його зміни та оптимізувати енергоспоживання. Практичне значення роботи полягає у створенні реального програмно-апаратного комплексу, який може бути використаний у: домашніх теплицях та приватних господарствах; навчальних лабораторіях із автоматизації та штучного інтелекту; стартап-проєктах у галузі smart-agro; системах «розумного дому», інтегрованих у єдину інфраструктуру IoT. Сформовані у роботі методи та програмні модулі можуть бути легко адаптовані для автоматизації інших кібер-фізичних систем — від систем вентиляції до енергетичного менеджменту. Одержані результати можуть бути застосовані у реальному виробництві, завдяки можливості масштабування системи, модульній архітектурі та використанню відкритих технологій (ESP32, MQTT, Python, TensorFlow). Запропонований підхід довів свою ефективність під час експериментального впровадження та показав високий рівень точності прогнозування параметрів мікроклімату.The object of research is the process of automated control of cyberphysical systems within smart-home infrastructures. The subject of research is the application of artificial neural networks for forecasting, classification, and adaptive control of microclimate parameters in automated greenhouse systems. The aim of this work is to develop and investigate an intelligent control system for a smart greenhouse that utilizes sensor data analysis, neural-networkbased forecasting, and adaptive algorithms to regulate temperature, humidity, and lighting. To achieve this aim, the following tasks were defined: 1. To analyze modern technologies of smart-home and agricultural automation and determine the potential of applying neural networks in control systems. 2. To design the architecture of an intelligent greenhouse, including integration of the microcontroller, sensor modules, server-side components, and neural-network forecasting module. 3. To implement a working prototype of the system that includes an ESP32 program, server data-processing infrastructure, a machine-learning module, and an autonomous climate-control unit. 4. To evaluate the effectiveness of the proposed model, assess forecasting accuracy, system stability, economic indicators, and identify the advantages and limitations of the approach. 8 5. To develop recommendations for system improvement and analyze possibilities for scaling the solution for real-world use. The relevance of the topic is determined by the rapid development of intelligent automation systems, the increased demand for smart-agriculture solutions, and the wide adoption of machine-learning methods in both household and industrial environments. Neural networks enable significant improvements in greenhouse efficiency by providing accurate predictions and optimizing energy consumption. The work presents a fully implemented intelligent Smart Greenhouse system, which includes hardware components, MQTT-based communication infrastructure, Python services for data collection and model training, and an adaptive control module. The developed solution not only regulates the microclimate parameters but also predicts their future changes and automatically optimizes resource usage. The practical significance of the work lies in the creation of a functional hardware-software complex that can be applied in: • household or private greenhouses; • educational laboratories in automation and artificial intelligence; • startup projects in the smart-agriculture domain; • smart-home ecosystems using IoT infrastructures. The modular architecture and use of open technologies (ESP32, MQTT, Python, TensorFlow) allow the system to be easily adapted for other cyberphysical applications, including ventilation systems and energy-management platforms. The obtained results can be implemented in real production environments due to their scalability, stability, and high forecasting accuracy demonstrated during experimental testing. The methodological solutions and algorithms developed in this work may serve as a foundation for further scientific research and commercial IoT-systems development.