Tekoälyn ja koneoppimisen soveltaminen aeroponisessa perunanviljelyssä
Ruuska, Jari (2020)
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2020052915306
https://urn.fi/URN:NBN:fi:amk-2020052915306
Tiivistelmä
Insinöörityön aiheeksi valittiin tekoälyn ja koneoppimisen soveltaminen aeroponisessa perunanviljelyssä. Työn tavoitteeksi määriteltiin koneoppimisalgoritmin muodostaminen, jolla parantaa automatisoitua aeroponista perunankasvatusprosessia. Työn tavoitteen ohella työn aikana toteutettiin testialustan automatisointi. Testialustan antamaa dataa käytettiin koneoppimisalgoritmin toteutukseen.
Työ aloitettiin kartoittamalla ja hankkimalla testialustan automatisointiin tarvittavat välineet, kuten SIMATIC ET 200SP PLC-logiikka, lämpötilaa ja hiilidioksiditasoa mittaavat anturit sekä MindConnect-laite. MindConnect-laitteen avulla siirrettiin dataa MindSphere-IoT-rajapintasovellukseen. Testialustan kytkennät suoritettiin, jonka jälkeen PLC-logiikka ohjelmointiin TIA Portal -ohjelmistolla. Ohjelmointikielenä käytettiin FBD-kieltä. MindSphere-sovellus otettiin käyttöön ja PLC-logiikan välittämä data siirrettiin sovellukseen. Anturien tuottama data tuotiin .csv-tiedostomuodossa aikajaksoisena tiedostona sovelluksesta, jonka jälkeen dataa siivottiin käyttökelpoiseen kuntoon.
Koneoppimisalgoritmin muodostukseen käytettiin Python-ohjelmointikieltä sekä Anaconda-jakelualustaa. Algoritmin mallina käytettiin lineaariregressiota, jonka muodostukseen käytettiin testialustan tuottamaa dataa. Malli todettiin toimivaksi mallissa muodostetun lineaarisen suoran asettumisen ja algoritmin antaman vastauksen perusteella. Tuloksista pääteltiin lineaariregressiomallin sopivan pitkäaikaiselle datankeräykselle. Aeroponisessa perunankasvatuksessa mallin käyttö todettiin sopivan ohjekäyttöön automatisoidun sadonkasvatuksen rinnalle.
Työ aloitettiin kartoittamalla ja hankkimalla testialustan automatisointiin tarvittavat välineet, kuten SIMATIC ET 200SP PLC-logiikka, lämpötilaa ja hiilidioksiditasoa mittaavat anturit sekä MindConnect-laite. MindConnect-laitteen avulla siirrettiin dataa MindSphere-IoT-rajapintasovellukseen. Testialustan kytkennät suoritettiin, jonka jälkeen PLC-logiikka ohjelmointiin TIA Portal -ohjelmistolla. Ohjelmointikielenä käytettiin FBD-kieltä. MindSphere-sovellus otettiin käyttöön ja PLC-logiikan välittämä data siirrettiin sovellukseen. Anturien tuottama data tuotiin .csv-tiedostomuodossa aikajaksoisena tiedostona sovelluksesta, jonka jälkeen dataa siivottiin käyttökelpoiseen kuntoon.
Koneoppimisalgoritmin muodostukseen käytettiin Python-ohjelmointikieltä sekä Anaconda-jakelualustaa. Algoritmin mallina käytettiin lineaariregressiota, jonka muodostukseen käytettiin testialustan tuottamaa dataa. Malli todettiin toimivaksi mallissa muodostetun lineaarisen suoran asettumisen ja algoritmin antaman vastauksen perusteella. Tuloksista pääteltiin lineaariregressiomallin sopivan pitkäaikaiselle datankeräykselle. Aeroponisessa perunankasvatuksessa mallin käyttö todettiin sopivan ohjekäyttöön automatisoidun sadonkasvatuksen rinnalle.