简介：这份文档面向智慧农业与设施农业领域的从业者、自动化控制工程师及农业物联网学习者，围绕温室大棚自动化控制系统给出整体解决方案设计。内容涵盖风向、风速、温湿度、光照、气压、雨量、太阳辐射及土壤温湿度等多类环境要素的采集与调控，并涉及开窗、卷膜、风机湿帘、补光、灌溉施肥等执行设备的自动控制逻辑。方案还讨论了以太网组网、生产管理网与生产控制网的分层结构、MODBUS总线通讯协议，以及上位机组态软件、数据库与远程监控系统的配合方式，并延伸至风机、卷帘、滴灌、灯光、能源计量、视频监控与语音广播等核心功能模块。资源包为1个doc文档，大小约23KB，结构紧凑，便于快速通读与方案参考。目前已有74人学习下载，适合需要了解温室环境控制架构、组网思路与远程监控实现路径的读者作为方案设计参考。
1. 温室大棚里那套自动化系统，到底在控什么
很多做农业物联网的同行都遇到过这种场景：甲方指着连栋温室说“给我上一套自动化控制系统”，但问到具体控什么、怎么控、控到什么精度，双方就开始打太极。温室自动化控制系统解决方案设计这件事，核心不是买一堆传感器和执行器堆进去，而是把“环境参数采集—决策逻辑—执行机构动作”这条闭环链路设计清楚。它解决的是人工巡检不及时、昼夜温差波动大、水肥浪费严重这三类典型问题，适合种植经济作物（草莓、番茄、育苗）的温室经营者，也适合承接农业智能化项目的集成商。一套能落地的方案，通常覆盖温度、湿度、光照、CO₂浓度、土壤墒情五个维度的监测，再联动风机、湿帘、遮阳帘、补光灯、滴灌阀这几类执行设备。方案设计文档要回答的不是“用了什么牌子”，而是“什么条件下触发什么动作、动作持续多久、异常怎么兜底”。
2. 温室自动化控制系统的感知层与执行层怎么选型
2.1 传感器选型：精度、接口与布点密度
温室环境跟室外完全不同，高温高湿是常态，普通民用传感器进去撑不过一个梅雨季。选型时我一般按三个维度卡：防护等级至少 IP65，温度量程覆盖 -20~60℃且精度 ±0.3℃以内，湿度量程 0~100%RH 且精度 ±3%RH。CO₂传感器优先选 NDIR 非色散红外原理的，别用那些电化学的，温室里湿度一上来读数就飘。光照用光合有效辐射（PAR）传感器比普通照度计更贴合作物需求，单位是 μmol/(m²·s)。
接口方面，RS485 Modbus-RTU 是最稳妥的选择，抗干扰能力强，一根总线能挂几十个节点。布点密度有个血泪经验：一个 500㎡ 的温室，温度传感器至少布 3 个点（中部、靠窗、靠门），因为温室内部温差能到 3~5℃，只布一个点做控制，靠窗那排作物永远吃亏。
| 参数 | 推荐指标 | 说明 |
|---|---|---|
| 温度精度 | ±0.3℃ | 低于此精度控制逻辑会频繁误触发 |
| 湿度精度 | ±3%RH | 高湿段误差大的传感器直接淘汰 |
| 防护等级 | IP65 及以上 | 温室喷淋和冷凝水是传感器杀手 |
| 通信接口 | RS485 Modbus-RTU | 抗干扰、易组网、成本可控 |
| 供电 | 12~24V DC | 与执行器统一供电，减少电源种类 |
2.2 执行机构：风机、湿帘、遮阳与滴灌的联动逻辑
执行层最容易翻车的地方不是设备本身，而是联动逻辑没设计好。举个例子：夏天降温，正确顺序是先开湿帘水泵，等湿帘湿透后再开风机，否则干吹风只会把热空气灌进来。关的时候反过来，先关风机再关水泵。这个时序如果写反了，降温效果直接打对折。
遮阳帘的控制要跟光照传感器联动，但别只看瞬时值。我一般设两级阈值：光照超过 60000 lux 且持续 5 分钟，展开内遮阳；超过 80000 lux 且持续 3 分钟，展开外遮阳。加“持续时间”这个条件是为了避免云飘过来遮一下又走，帘子来回抖。
滴灌阀的控制要结合土壤墒情和作物生育期。苗期土壤含水量低于 60% 才开阀，结果期低于 70% 就要开。每次灌溉时长根据流量计反馈动态调整，别写死一个固定分钟数。
# 降温联动时序控制伪代码 def cooling_sequence(temp, humidity, temp_threshold=30.0): """ 温室降温联动：先湿帘后风机，关闭时反序 temp: 当前温度 ℃ humidity: 当前湿度 %RH temp_threshold: 降温触发温度阈值 """ if temp > temp_threshold and humidity < 80: # 第一步：开启湿帘水泵，等待湿帘湿透 wet_curtain_pump.on() time.sleep(120) # 等待湿帘充分湿润，实际项目按湿帘面积调整 # 第二步：湿帘湿透后开启风机 fan.on() return "cooling_active" elif temp < temp_threshold - 2: # 关闭时反序：先关风机，再关水泵 fan.off() time.sleep(30) wet_curtain_pump.off() return "cooling_stopped" return "idle"这段逻辑的关键在time.sleep(120)这个等待时间，它不是随便写的。湿帘从干燥到完全湿透，跟水泵流量、湿帘厚度、面积都有关，一般 100mm 厚度的湿帘需要 90~150 秒。等待时间不够，风机抽进来的就是干热风，温度不降反升。参数temp_threshold建议设在作物适宜温度上限往上 2℃，比如番茄设 30℃，草莓设 26℃。
3. 控制层：PLC、单片机还是边缘网关
3.1 三种控制方案的适用边界
控制层选型是方案设计里分歧最大的地方。PLC 稳定可靠但成本高，适合 1000㎡ 以上的连栋温室；单片机（STM32 这类）成本低但开发周期长，适合小面积单栋棚；边缘网关（树莓派/工控机跑 Node-RED 或 Python）灵活性强、支持复杂逻辑和云端对接，适合需要远程管理和数据分析的场景。
我一般这么分：如果甲方只要求本地自动控制、预算紧张，用 PLC 或单片机；如果要求手机远程看数据、改参数、收报警，直接上边缘网关方案。边缘网关的坑在于稳定性，消费级硬件在温室高温环境下容易死机，必须选宽温工业级产品，工作温度至少 -20~70℃。
| 方案 | 适用面积 | 成本区间 | 开发周期 | 远程能力 |
|---|---|---|---|---|
| PLC | 1000㎡以上 | 高 | 中等 | 需加通信模块 |
| 单片机 | 500㎡以下 | 低 | 长 | 需自行开发 |
| 边缘网关 | 不限 | 中等 | 短 | 原生支持 |
3.2 边缘网关上的控制逻辑部署
以边缘网关跑 Python 控制逻辑为例，核心是一个定时采集+决策循环。采集周期建议 10~30 秒，太短了数据噪声大，太长了响应滞后。决策逻辑用状态机来写比一堆 if-else 清晰得多。
# 边缘网关主控制循环（简化版） import time from sensors import read_all_sensors from actuators import Fan, WetCurtain, Shade, DripValve fan = Fan(gpio_pin=17) wet_curtain = WetCurtain(gpio_pin=27) shade = Shade(gpio_pin=22) drip = DripValve(gpio_pin=23) STATE = "idle" last_light_high = 0 # 记录光照超阈值起始时间 while True: data = read_all_sensors() # 返回 dict: temp, humidity, light, co2, soil_moisture now = time.time() # 高温降温逻辑 if data["temp"] > 30 and data["humidity"] < 80: if STATE != "cooling": wet_curtain.on() time.sleep(120) fan.on() STATE = "cooling" elif data["temp"] < 28 and STATE == "cooling": fan.off() time.sleep(30) wet_curtain.off() STATE = "idle" # 遮阳逻辑：光照持续超阈值才动作 if data["light"] > 60000: if last_light_high == 0: last_light_high = now elif now - last_light_high > 300: # 持续5分钟 shade.extend() else: last_light_high = 0 shade.retract() # 滴灌逻辑：按土壤墒情 if data["soil_moisture"] < 60: drip.open() elif data["soil_moisture"] > 75: drip.close() time.sleep(15) # 采集间隔15秒这段代码里time.sleep(15)是采集间隔，实际项目建议设 10~30 秒。last_light_high这个变量用来实现“持续时间”判断，避免遮阳帘频繁抖动。滴灌的阈值 60% 和 75% 之间留了 15% 的回差，这是防止阀门在临界值附近反复开关，继电器寿命会因此大打折扣。
4. 通信与数据链路：从 RS485 到云平台
4.1 现场总线组网与 Modbus 轮询
温室现场通信最稳的方案还是 RS485 总线跑 Modbus-RTU。布线时注意两点：一是总线要走手拉手拓扑，不能星型分叉；二是终端要加 120Ω 匹配电阻，否则长距离通信会丢包。轮询周期跟节点数量有关，每个节点响应时间大约 50~100ms，20 个节点一轮下来 1~2 秒，完全够用。
Modbus 寄存器地址映射要在方案文档里写清楚，别让后面接手的人猜。我一般会做一张表，把每个传感器的寄存器地址、数据类型、缩放因子、单位都列出来。
# Modbus RTU 轮询读取多传感器示例 from pymodbus.client import ModbusSerialClient client = ModbusSerialClient( port='/dev/ttyUSB0', baudrate=9600, parity='N', stopbits=1, bytesize=8, timeout=1 ) # 寄存器映射表：地址 -> (名称, 缩放因子, 单位) REGISTER_MAP = { 0x0000: ("air_temp", 0.1, "℃"), 0x0001: ("air_humidity", 0.1, "%RH"), 0x0002: ("light_par", 1.0, "μmol/(m²·s)"), 0x0003: ("co2", 1.0, "ppm"), 0x0004: ("soil_moisture", 0.1, "%"), } def poll_sensors(slave_id=1): result = {} for addr, (name, scale, unit) in REGISTER_MAP.items(): resp = client.read_holding_registers(addr, 1, slave=slave_id) if not resp.isError(): result[name] = resp.registers[0] * scale else: result[name] = None # 读取失败标记 return resultbaudrate=9600是 Modbus 默认速率，节点多、线缆长的时候可以降到 4800 提高抗干扰能力。timeout=1秒是单次读取超时，如果现场干扰大可以适当加大，但别超过 3 秒，否则轮询周期会被拖垮。读取失败返回None而不是抛异常，是为了让上层逻辑能区分“传感器坏了”和“通信暂时抖动”。
4.2 上云链路与断网续传
数据上云有两条路：MQTT 直连和 HTTP 上报。MQTT 更适合温室场景，长连接、低功耗、支持 QoS 等级。QoS 设 1（至少送达一次）就够了，QoS 2 开销太大没必要。
断网续传是必须做的。温室现场网络不稳定是常态，边缘网关本地要缓存至少 24 小时的数据。网络恢复后按时间顺序补传，别一股脑全推上去，容易把云平台打挂。
# MQTT 上报 + 本地缓存断网续传 import paho.mqtt.client as mqtt import sqlite3 import json # 本地缓存数据库 conn = sqlite3.connect('sensor_cache.db') conn.execute('''CREATE TABLE IF NOT EXISTS cache (ts INTEGER, payload TEXT)''') def on_connect(client, userdata, flags, rc): if rc == 0: # 连接成功后补传缓存数据 rows = conn.execute('SELECT ts, payload FROM cache ORDER BY ts').fetchall() for ts, payload in rows: client.publish('greenhouse/sensors', payload, qos=1) conn.execute('DELETE FROM cache') conn.commit() client = mqtt.Client() client.on_connect = on_connect client.connect('mqtt_broker_address', 1883, 60) def upload(data): payload = json.dumps(data) if client.is_connected(): client.publish('greenhouse/sensors', payload, qos=1) else: # 断网时写入本地缓存 conn.execute('INSERT INTO cache VALUES (?, ?)', (int(time.time()), payload)) conn.commit()缓存表只存时间戳和 JSON 载荷，结构简单但够用。补传时按时间排序，保证云端数据时序正确。qos=1确保消息至少送达一次，极端情况下可能重复，云端做去重就行。
5. 避坑与排查：温室自动化系统落地时最容易翻车的五件事
5.1 传感器被冷凝水泡坏，读数恒定为 99%RH
现象：湿度读数连续几天都是 99%RH 不变，温度也偏高。原因：温室夜间冷凝水顺着线缆流进传感器壳体，PCB 受潮短路。解决：传感器安装时线缆做滴水弯，壳体朝下，接头处缠防水胶带。已经进水的拆开用无水酒精清洗烘干，但多半救不回来，直接换 IP65 以上的。
5.2 遮阳帘频繁抖动，电机过热保护
现象：遮阳帘在阴天反复展开收回，电机烫手。原因：控制逻辑只看瞬时光照值，云层飘动导致光照在阈值附近波动。解决：加持续时间判断，光照超阈值持续 3~5 分钟才动作，同时设 10% 的回差，比如展开阈值 60000 lux，收回阈值设 54000 lux。
5.3 Modbus 通信时通时断，换线也没用
现象：传感器数据偶尔丢失，换屏蔽线、换电源都试了还是断。原因：RS485 总线没加终端电阻，或者拓扑是星型而不是手拉手。解决：检查总线两端是否各有一个 120Ω 电阻，中间节点不能有分支超过 1 米。如果已经布成星型，加一个 RS485 集线器补救。
5.4 边缘网关夏天死机，重启就好
现象：每年 7~8 月网关频繁死机，早上重启后能用半天。原因：消费级网关工作温度上限只有 50~60℃，温室中午内部温度能到 55℃ 以上。解决：换宽温工业级网关（-20~70℃），或者把网关装在控制柜里加散热风扇。别用树莓派裸板放温室里，这是血泪教训。
5.5 滴灌阀关不严，土壤一直过湿
现象：土壤含水量一直偏高，滴灌阀断电后仍有水流。原因：滴灌水压过高，电磁阀关闭时被水压顶开；或者阀芯被泥沙卡住。解决：在电磁阀前加装减压阀，把水压降到阀的额定范围；进水口加 Y 型过滤器，定期清洗滤网。已经卡住的拆开清理阀芯，密封圈老化的换新。
6. 把控制精度再提一档：模糊控制与作物模型联动
前面讲的都是阈值控制，简单可靠但有个硬伤：温度到了 30℃ 才开风机，实际上 28℃ 时作物已经开始受胁迫了。想再进一步，可以上模糊控制。模糊控制不设硬阈值，而是把温度、湿度、光照的偏差和变化率作为输入，输出风机的档位、湿帘水泵的占空比。实现上可以用 Python 的scikit-fuzzy库，定义好隶属度函数和规则表，跑起来比 PID 还稳。
# 模糊控制降温示例（scikit-fuzzy） import numpy as np import skfuzzy as fuzz from skfuzzy import control as ctrl # 输入：温度偏差、温度变化率 temp_error = ctrl.Antecedent(np.arange(-5, 15, 0.5), 'temp_error') temp_rate = ctrl.Antecedent(np.arange(-2, 2, 0.1), 'temp_rate') # 输出：风机档位 0~100% fan_speed = ctrl.Consequent(np.arange(0, 101, 1), 'fan_speed') # 隶属度函数 temp_error['low'] = fuzz.trimf(temp_error.universe, [-5, 0, 3]) temp_error['mid'] = fuzz.trimf(temp_error.universe, [1, 5, 9]) temp_error['high'] = fuzz.trimf(temp_error.universe, [7, 12, 15]) temp_rate['falling'] = fuzz.trimf(temp_rate.universe, [-2, -0.5, 0]) temp_rate['stable'] = fuzz.trimf(temp_rate.universe, [-0.3, 0, 0.3]) temp_rate['rising'] = fuzz.trimf(temp_rate.universe, [0, 0.5, 2]) fan_speed['low'] = fuzz.trimf(fan_speed.universe, [0, 20, 40]) fan_speed['mid'] = fuzz.trimf(fan_speed.universe, [30, 50, 70]) fan_speed['high'] = fuzz.trimf(fan_speed.universe, [60, 80, 100]) # 规则表 rule1 = ctrl.Rule(temp_error['low'] & temp_rate['stable'], fan_speed['low']) rule2 = ctrl.Rule(temp_error['mid'] & temp_rate['rising'], fan_speed['mid']) rule3 = ctrl.Rule(temp_error['high'] | temp_rate['rising'], fan_speed['high']) fan_ctrl = ctrl.ControlSystem([rule1, rule2, rule3]) fan_sim = ctrl.ControlSystemSimulation(fan_ctrl) def compute_fan_speed(error, rate): fan_sim.input['temp_error'] = error fan_sim.input['temp_rate'] = rate fan_sim.compute() return fan_sim.output['fan_speed']这段模糊控制的核心在规则表。rule3用了“或”逻辑，意思是温度偏差大或者温度还在升，风机直接给高档。实际调的时候，隶属度函数的拐点要根据作物种类改，番茄耐热性好一点，草莓就得把阈值整体下调 2~3℃。
再往深了做，可以把作物生长模型接进来。比如番茄的积温模型，累计有效积温到了某个值，自动调整温度管理策略。这部分我一般建议先跑一个生长季的阈值控制，把数据攒够了再上模型，不然参数没处标定。
我自己做温室项目这些年，最大的习惯是：方案文档里永远留一页“手动兜底”说明。再自动的系统也有抽风的时候，操作员知道怎么切手动、怎么强制开关某个设备，比什么高级算法都管用。希望帮到你。
本文还有配套的精品资源，点击获取
