ENTWURF UND ENTWICKLUNG EINES ZUVERLÄSSIGEN UND AUTOMATISIERTEN HYDROKULTURSYSTEMS

Der Erfolg von Lösungen für das Internet der Dinge ermöglichte die Einführung neuer Anwendungen wie die intelligente hydroponische Landwirtschaft. Ein typisches Problem bei einer solchen Anwendung ist die schnelle Verschlechterung der eingesetzten Sensoren. Traditionell wird dieses Problem durch häufige manuelle Wartung gelöst, die als ineffektiv angesehen wird und den Pflanzen auf lange Sicht schaden kann. Das Hauptziel dieser Arbeit war es, einen maschinellen Lernansatz für die automatische Erkennung von Sensorfehlern vorzuschlagen. Darüber hinaus wurde die Funktionsfähigkeit der Lösung in einer Cloud-Computing-Umgebung im Hinblick auf die Reaktionszeit untersucht. In dieser Arbeit wird ein Erkennungsalgorithmus vorgeschlagen, der NN zur Vorhersage von Sensordrifts aus Zeitseriendatenströmen verwendet. Der Erkennungsalgorithmus wurde später benannt; CNN und NB wurden entwickelt, um Sensorabweichungen mithilfe von Vorhersage- und Klassifizierungstechniken vorherzusagen. Die Algorithmen wurden im Hinblick auf relevante Genauigkeitsmetriken für Vorhersage und Klassifizierung miteinander verglichen. Die Funktionsfähigkeit der Lösung wurde durch die Entwicklung eines Webservers untersucht, der den Algorithmus auf einer Thing-Speak-Computing-Instanz hostete.