Conociendo Autoponic
El proyecto de PIA FP Autoponic: Agricultura Sostenible y de Precisión, se plantea para conseguir automatizar y digitalizar un cultivo hidropónico autónomo y sostenible, alimentado en su totalidad con energía renovable.
De este modo, se integran, dentro de la modernización del sector agrícola, diferentes tecnologías disruptivas de la Industria 4.0 como: Monitorización y Control a tiempo real en la Nube (Cloud Connect), IoT (Internet of Things*), Big Data, Fabricación Aditiva, Virtualización y Diseño 3D, obteniendo sinergias con los Objetivos de Desarrollo Sostenible (ODS).
En este proyecto participamos los siguientes centro y ciclos formativos:
| Centro | Ciclo Formativo |
|---|---|
| IES El Palmeral (Orihuela) | C.F.G.S. de Paisajismo y Medio Rural C.F.G.S. en Sistemas Electrotécnicos y Automatizados |
| IES Antonio Navarro Santafé | C.E. en Fabricación Inteligente C.F.G.S. en Sistemas Electrotécnicos y Automatizados C.F.G.S. en Energías Renovables |
| IES Severo Ochoa (Elche) | C.E. Inteligencia Artificial y Big Data |
Los retos del proyecto y su estado actual son:
| Reto | Descripción | Estado |
|---|---|---|
| Reto 0 | Iniciar al alumnado en la dinámica del trabajo colaborativo basado en retos y presentación del proyecto. | 100% |
| Reto 1 | Planificar el tipo de cultivo y sus parámetros a controlar. | 100% |
| Reto 2 | Desarrollar la infraestructura del cultivo hidropónico. | 50% |
| Reto 3 | Desarrollar la automatización y digitalización del proyecto, empleando dispositivos y tecnologías Omron y Siemens. | 75% |
| Reto 4 | Adaptar diferentes sistemas de generación de energía renovable. | 50% |
| Reto 5 | Completar un ciclo de cultivo hidropónico mediante el control de las diferentes variables que afectan al desarrollo del cultivo. | 10% |
| Reto 6 | Almacenamiento de todos los datos de sensórica para su posterior analítica y visualización mediante un cuadro de mandos. | 25% |
En nuestro caso, estamos participando de manera colateral en el reto 3, así como liderando el reto 6.
Sensórica¶
En nuestro caso, nos vamos a centrar en recopilar la información obtenida de la sensórica IoT instalada en el cultivo hidropónico, y plasmar los datos en un cuadro de mandos para facilitar su análisis.
La sensórica que vamos a almacenar es:
- Temperatura del agua y aire, con valores comprendidos entre
[-10, 50] - Conductividad, con valores entre
[0-7] - PH, con valores comprendidos entre
[0-14] - Nivel del agua, midiendo la profundidad con un laser y una boya, o mediante ultrasonidos. Queda pendiente definir los valores de medición.
- Estado de la luz de tubo fluorescente, con valores para apagado o encendido
[0/1]
Y es posible que recibamos información de cámaras fotográficas con sistemas de visión artificial con el estado del cultivo.
Además, hemos de tener en cuenta dónde se encuentra situado cada sensor (código del lugar, ¿número de invernadero?, ¿coordenadas?, población, etc...).
Series Temporales¶
Para almacenar los datos, es recomendable emplear un sistema de almacenamiento que optimize la persistencia de datos relacionados en el tiempo. Para ello, disponemos de las bases de datos temporales como InfluxBD o las colecciones Time Series de MongoDB.
En nuestro caso, como ya tenemos cierto conocimiento de MongoDB, nos vamos a centrar en el uso de las colecciones de series temporales.
Para profundizar en su conocimiento, puedes consultar la sesión sobre Series Temporales.
Por otro lado, para trabajar los datos desde Python y Pandas existen diferentes funciones para analizar los datos a corto y largo plazo, trabajando los conceptos de tendencia y estacionalidad. Además, es posible realizar pequeñas predicciones mediante modelos básicos. Para ello, en Aules tenemos dos cuadernos Jupyter.
Elementos evaluables por equipos¶
- Documento memoria que detalle el modelado de los datos, así como justifique las decisiones tomadas.
- Comando empleado para la creación de la/s colección/es de series temporales.
- Scripts de Python para insertar datos sintéticos en la/s colección/es.
- Consultas agregadas para obtener:
- La temperatura media del agua y del aire agrupadas por horas, persistiendo el resultado en una nueva colección.
- Detectar algún tipo de outlier de un determinado sensor.
- Archivo JSON con datos de ejemplo que muestren el modelo de datos empleados.
- Cuadernos de Pandas sobre series temporales mediante Python, con predicción a 7 días vista.
- Exposición por equipos de las diferentes soluciones propuestas (3-5 minutos).
Plazo de entrega¶
- Colección exportada con el modelado de datos y memoria de las decisiones tomadas - Miércoles 13 Diciembre - 17:00h