Дослідження та моделювання систем адаптивного керування гідропонною фермою

Сапицький, Кирило Едуардович
Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/6364
Full metadata record
DC Field	Value	Language
dc.contributor.advisor	Рудаков, Костянтин Сергійович	-
dc.contributor.author	Сапицький, Кирило Едуардович	-
dc.date.accessioned	2026-01-18T10:12:20Z	-
dc.date.available	2026-01-18T10:12:20Z	-
dc.date.issued	2026-01	-
dc.identifier.uri	https://er.chdtu.edu.ua/handle/ChSTU/6364	-
dc.description.abstract	Метою кваліфікаційної роботи магістра є підвищення ефективності інформаційної системи для автоматизації продажу обладнання альтернативної енергетики за рахунок дослідження таких систем, розробки узагальненої моделі функціонування та проектування Інтернет-порталу інформаційної системи автоматизації продажу, що дозволить автоматизувати процес продажу сучасного обладнання альтернативної енергетики, уникнути необхідності розрахунку складу такого обладнання споживачем, знизити витрати, пов’язані з обміном інформацією завдяки використанню сучасних засобів комунікацій, організації онлайн диспетчерської служби, підвищити оперативність отримання споживачами інформації як про обладнання, так і про послуги компанії «Solar Garden». Об’єкт дослідження – сучасні гідропонні/аеропонні ферми та системи керування з адаптивними алгоритмам. Предмет дослідження – система керування/моніторингу на контролерах Arduino з використанням PID та ПО для її використання. Вирішено наступні завдання: Проведений аналіз існуючих ферм та систем керування ними. Досліджена можливість інтегрування ІоТ та ШІ. Проведений системний аналіз існуючих алгоритмів, компонентів керування та сенсорів. Розроблено узагальнену модель функціонування аеропонної ферми. Розроблено систему керування фермою на базі Arduino. Розроблено адаптивне ПО для керування та спостереження за фермою.	uk_UA
dc.language.iso	uk	uk_UA
dc.title	Дослідження та моделювання систем адаптивного керування гідропонною фермою	uk_UA
dc.type	Master Thesis	uk_UA
Appears in Collections:	174 Автоматизація, комп'ютерно-інтегровані технології та робототехніка (Автоматизація та комп'ютерно-інтегровані системи та компоненти)
Files in This Item:
File	Description	Size	Format
М_174_2025_Сапицький.pdf Restricted Access		1.89 MB	Adobe PDF	View/Open Request a copy
Show simple item record
Extracted text
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ 
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ 
ФАКУЛЬТЕТ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ І СИСТЕМ 
КАФЕДРА РОБОТОТЕХНІКИ ТА СПЕЦІАЛІЗОВАНИХ 
КОМП’ЮТЕРНИХ СИСТЕМ 
ПОЯСНЮВАЛЬНА ЗАПИСКА 
до кваліфікаційної роботи 
освітнього ступеня «магістр» 
на тему: Дослідження та моделювання систем адаптивного 
керування гідропонною  фермою 
 
 
Виконав здобувач вищої освіти 2 курсу, 
 групи МАКІТ-2409 
 спеціальності 174 Автоматизація, 
 комп’ютерно-інтегровані  
 технології та робототехніка 
 (освітня програма «Автоматизація  
 та комп’ютерно-інтегровані  
 системи та компоненти» ) 
 Кирило САПИЦЬКИЙ 
 (ім’я та ПРІЗВИЩЕ) 
Керівник Костянтин РУДАКОВ  
 (ім’я та ПРІЗВИЩЕ) 
Рецензент  
 (ім’я та ПРІЗВИЩЕ) 
  
Захист дозволяю:   
зав. кафедри, д.т.н., професор   Валентина ЛУКАШЕНКО 
 (підпис)  (ім’я та ПРІЗВИЩЕ) 
 
 
Черкаси 2025 
 
ЗМІСТ 
  
СПИСОК СКОРОЧЕНЬ І УМОВНИХ ПОЗНАЧЕНЬ ............................................. 3 
ВСТУП ......................................................................................................................... 4 
1 АНАЛІТИЧНИЙ ОГЛЯД СУЧАСНИХ РІШЕНЬ ................................................ 8 
1.1 ГІДРОПОНІКА: ПРИНЦИПИ ТА ПАРАМЕТРИ СЕРЕДОВИЩА .................................... 8 
1.2 ІСНУЮЧІ АВТОМАТИЗОВАНІ СИСТЕМИ КЕРУВАННЯ ГІДРОПОНІКОЮ .................. 25 
1.3 ХМАРНІ ПЛАТФОРМИ IOT ТА МОЖЛИВІСТЬТ ІНТЕГРУВАННЯ ШІ ДЛЯ АНАЛІЗУ ТА 
КЕРУВАННЯ ........................................................................................................ 33 
2 ТЕОРЕТИЧНЕ МОДУЛЮВАННЯ ФЕРМИ ........................................................ 45 
2.1 МЕТОДИ УПРАВЛІННЯ ТЕХНОЛОГІЧНИМИ ПРОЦЕСАМИ В ГІДРОПОНІЦІ ............. 45 
2.2 ПРОБЛЕМИ СТАТИЧНИХ АЛГОРИТМІВ УПРАВЛІННЯ ............................................ 54 
2.3 ОБҐРУНТУВАННЯ ВИБОРУ АДАПТИВНОГО ПІДХОДУ ........................................... 60 
3 ПРАКТИЧНЕ МОДЕЛЮВАННЯ АЕРОПОННОЇ  ФЕРМИ ............................. 63 
3.1 ЗАВДАННЯ ПАРАМЕРІВ ДЛЯ ФЕРМИ .................................................................... 63 
3.2 ВИБІР КОМПОНЕНТІВ .......................................................................................... 65 
3.3 НАПИСАННЯ ПРОГРАММИ .................................................................................. 70 
3.4 ПЕРЕВІРКА ПРАЦЕЗДАТНОСТІ ПРОГРАММИ ......................................................... 73 
ВИСНОВОК ............................................................................................................... 77 
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ................................................................. 79 
ДОДАТОК А 
 
2 
 
СПИСОК СКОРОЧЕНЬ І УМОВНИХ ПОЗНАЧЕНЬ 
AI –  Artificial Intelligence –  штучний інтелект. 
AWS –  Amazon Web Services –  амазон веб сервіс 
CELSS –  Controlled Ecological Life Support System –  Контрольована 
екологічна система життєзабезпечення 
DWC –  Deep Water Culture –  глубоководная культура 
GCP  –  Google Cloud Platform –  хмарна платформа від Google 
IoT –  Internet of Things –  інтернет речей. 
LCC –  Local C Compiler –  локальний малий компілятор 
LED –  Light-emitting diode –  мвітловипромінюючий діод. 
MEMS –  Micro-Electro-Mechanical Systems –  мікро електомеханічна система 
NFT –  Nutrient Film Technique - техніка спожтвнього шару 
NTC –  Negative Temperature Coefficient –  від’ємний температурний 
коєффіцієнт 
PID  –  Proportional-Integral-Derivative controller 
PTC –  Positive Temperature Coefficient –  позитивний температурний 
коєффіцієнт 
PWM –  pulse-width modulation –  ШІМ - Широтно-імпульсна модуляці 
RGB та RGBW –  аббревіатура англійских слів red, green, blue, white –  
червоний, зелений, синій, білий 
RTD –  Resistance Temperature Detectors –  детектори температури на 
супротиву 
Wi-Fi –  Wireless Fidelity –  безпровідна точність 
MTBF (mean time between failures) – середній час між відмовами для 
ключових компоненті 
 RTO (recovery time objective) –  максимальний допустимий час відновлення 
після відмови 
 RPO (recovery point objective) –  очікувана допустима втрата даних для 
систем історизації і логування. 
 
 
 
 
3 
 
ВСТУП 
 
Актуальнiсть дослiдження. Сучасний аграрний сектор перебуває під 
впливом низки глобальних викликів, серед яких домінують зростання чисельності 
населення, обмеженість земельних і водних ресурсів, деградація ґрунтів та зміни 
клімату. За оцінками Продовольчої та сільськогосподарської організації ООН 
(FAO), до 2050 року людству необхідно буде збільшити виробництво харчових 
продуктів на 50– 70 %, при цьому площа орних земель практично не зросте. Це 
зумовлює необхідність переходу до високоефективних технологій вирощування 
рослин, здатних забезпечити стабільні врожаї незалежно від зовнішніх екологічних 
умов. Гідропоніка, як одна з форм ґрунтонезалежного рослинництва, посідає 
ключове місце серед інтенсивних технологій сільського господарства завдяки 
мінімальному споживанню води, можливості точного дозування поживних 
речовин та контролю параметрів середовища.  
Однією з головних переваг гідропонних систем є можливість створення 
повністю керованого середовища для росту рослин. Оптимальні значення pH, 
електропровідності (EC), температури живильного розчину, відносної вологості та 
освітленості безпосередньо впливають на швидкість засвоєння поживних речовин, 
інтенсивність фотосинтезу, формування біомаси та стійкість рослин. Проте ці 
параметри змінюються динамічно – під впливом ростових процесів, мікроклімату, 
випаровування води, споживання макро- та мікроелементів, а також зовнішніх 
температурних коливань. Така мінливість вимагає застосування систем керування, 
здатних не лише підтримувати задані режими, а й адаптуватися до відхилень, що 
виникають у реальному часі. 
На практиці значна частина існуючих гідропонних комплексів використовує 
статичні або класичні PID-регулятори з фіксованими коефіцієнтами. Ці методи є 
ефективними лише у випадках, коли система характеризується слабкими 
нелінійностями, незначними збуреннями та сталими умовами функціонування. У 
гідропоніці ж процеси мають виражені нелінійні властивості, а також значну 
залежність від біологічних циклів та зовнішніх факторів. Тому класичні підходи 
часто призводять до перерегулювання, погіршення якості контролю, зайвих витрат 
ресурсів і, як наслідок, зниження продуктивності рослин. У зв’язку з цим 
4 
 
актуальним є використання адаптивних систем керування, які забезпечують 
автоматичну зміну параметрів регулятора залежно від стану системи, фаз росту 
рослин та зовнішніх збурень. Адаптивні методи, включаючи автоналаштовувані 
PID-регулятори, нечітку логіку та елементи інтелектуальних систем, дозволяють 
підвищити точність та стабільність керування, забезпечують швидшу реакцію на 
зміни параметрів середовища та сприяють зменшенню споживання води, добрив і 
електроенергії. 
Важливість розвитку адаптивних систем керування також зумовлена 
тенденціями цифровізації сільського господарства та впровадженням Інтернету 
речей (IoT). Сучасні гідропонні ферми дедалі частіше оснащуються датчиками, 
контролерами, мережевими модулями та аналітичними платформами. Однак сама 
наявність сенсорної інфраструктури не гарантує ефективності процесів – ключову 
роль відіграють саме алгоритми керування. Без адекватних адаптивних механізмів 
навіть високоточні датчики та сучасні насосні системи не здатні забезпечити 
оптимальні умови для розвитку рослин. Отже, дослідження та моделювання систем 
адаптивного керування гідропонною фермою є актуальним з таких причин: 
• Потреба в підвищенні продуктивності та ефективності аграрних 
технологій. 
• Необхідність точного та швидкого регулювання параметрів 
гідропонного середовища. 
• Складність і нелінійність процесів у гідропонічних установках. 
• Розвиток автоматизації, IoT та інтелектуальних систем керування. 
• Ввимоги до ресурсоефективності, сталості та мінімізації екологічного 
впливу. 
Узагальнюючи, актуальність теми полягає у важливості розробки 
адаптивних методів керування для забезпечення стабільного та ефективного 
функціонування гідропонних систем, що є критично необхідним для розвитку 
сучасного високотехнологічного сільського господарства. 
Мета роботи –  дослідження та моделювання системи адаптивного керування 
гідропонною фермою, яка здатна підтримувати параметри середовища в 
оптимальних межах для забезпечення стабільного росту рослин. Робота передбачає 
розробку математичної моделі об’єкта управління, реалізацію адаптивних 
5 
 
алгоритмів (PID, нечітка логіка) та аналіз їх ефективності за допомогою 
програмного моделювання.  
Для досягнення поставленої мети необхідно розв’язати такі завдання: 
• Провести аналітичний огляд сучасних методів автоматичного 
керування в гідропоніці. 
• Визначити ключові керовані параметри середовища (pH, EC, 
температура, освітленість). 
• Побудувати математичну модель гідропонної системи з урахуванням 
динаміки змін параметрів. 
• Розробити адаптивний PID-регулятор та систему керування на основі 
нечіткої логіки. 
• Реалізувати програмну модель системи керування в середовищах 
MATLAB та Python. 
• Провести порівняльний аналіз ефективності різних алгоритмів за 
критеріями стабільності, перехідного процесу та ресурсних витрат. 
• Сформулювати рекомендації щодо практичного впровадження систем 
адаптивного керування у гідропонних фермах. 
Об’єктом дослідження є гідропонна ферма як кіберфізична система 
керування параметрами середовища. 
Предметом дослідження є компонети і системи, адаптивні алгоритми 
автоматичного керування параметрами живильного середовища, зокрема 
регулятори pH, EC, температури та освітлення. 
Методи дослідження –  У роботі застосовано методи системного аналізу, 
математичного моделювання динамічних об’єктів, а також інструменти 
комп’ютерного моделювання: MATLAB – для побудови схем керування та 
інтеграції моделей; Python (з бібліотеками NumPy, SciPy, scikit-fuzzy) – для 
реалізації алгоритмів, симуляцій та візуалізації результатів; Емпіричні моделі росту 
рослин – для включення біологічної складової в систему керування. 
Методи оптимізації використовуються для налаштування параметрів 
адаптивних регуляторів, зокрема методи градієнтного спуску та генетичні 
алгоритми. 
6 
 
Практичне значення отриманих результатів. Практична цінність 
результатів полягає в можливості побудови та легкого і адаптивного керування 
система гідрації та мінерального/добривного насичення рослин через 
розчин/аерозоль: 
- Проведено комплексну експериментальну валідацію існуючих алгоритмів та 
інтегрованя їх, що підтвердило їхню ефективність, адаптивність та 
придатність до практичного впровадження у промислових повсякденних 
умовах, що підтвердило працездатність та коректність адаптивних 
алгоритмів у реальних та наближених до реальних умов та дало можливість 
оцінити стабільність системи під різними режимами навантаження та 
технологічних параметрів. 
Особистий внесок студента. Теоретичні результати дослідження, що 
виносяться на захист, отримані автором особисто. Результати прикладного 
характеру отримані за участю автора спільно з колективом співробітників ЧДТУ. 
Апробація результатів. 
Основні положення дослідження доповідалися і обговорювалися на науково-
практичній конференції ЧДТУ: 22 –  24 квітня 2025 р.: (Україна, 2025) 
За матеріалами роботи опублікована теза: 
Сапицький К. Е., Рудаков К. С. Research and modeling of adaptive control systems 
for hydroponic farms .// Збірник тез доповідей студентської науково-практичної 
конференції ЧДТУ: 23-24 квітня 2024 р. [Електронний ресурс] / [упоряд.: Єгорова 
О. В., Захарова О. В., Тичков В.В. та ін.]; М-во освіти і науки України, Черкас. 
держ. технол. ун-т. –  Черкаси: ЧДТУ, 2024. С  50-51 
Структура і обсяг роботи. Робота складається із вступу, трьох розділів, 
висновків, списку використаних літературних джерел. Загальний обсяг складає –  
сторінок, із них –  сторінок основного тексту, 14 рисунків. Список використаних 
джерел містить 20 найменуваннь. 
 
  
  
7 
 
1 АНАЛІТИЧНИЙ ОГЛЯД СУЧАСНИХ РІШЕНЬ  
1.1 Гідропоніка: принципи та параметри середовища 
Гідропоніка є сучасним методом вирощування рослин без ґрунту, що 
забезпечує безпосереднє надходження поживних речовин через водний розчин. У 
таких системах коренева зона рослин розташована у середовищі, де концентрація 
макро- та мікроелементів, рівень pH, електропровідність (EC), температура 
розчину та аерація контролюються для оптимального росту й розвитку культури. 
Важливим аспектом є створення стабільного мікроклімату навколо кореневої 
системи, який включає контроль температури та вологості повітря, освітленості та 
концентрації CO₂. 
Різні технологічні рішення у гідропоніці базуються на способах подачі та 
циркуляції живильного розчину, а також на наявності чи відсутності інертного 
субстрату. Ці підходи визначають не тільки ефективність засвоєння поживних 
речовин рослинами, але й рівень автоматизації, енергоспоживання та складність 
експлуатації системи. З огляду на це, для подальшого аналізу важливо 
систематизувати існуючі технології гідропонного вирощування, виділити їхні 
принципові відмінності, переваги та обмеження. 
Гідропонні системи класифікуються за різними ознаками: способом подачі 
поживного розчину (постійна плівка, занурення, циклічне затоплення, крапельне 
живлення тощо), наявністю/відсутністю інертного субстрату, способом аерації 
кореневої зони, використанням активних компонентів (насоси, аератори, 
форсунки) або пасивною капілярною подачею. Наведена нижче класифікація 
охоплює найбільш розповсюджені комерційні та дослідні рішення: Deep Water 
Culture (DWC), Nutrient Film Technique (NFT), Ebb & Flow (Flood & Drain), Drip 
(крапельне живлення), Wick (ґнотова), Aeroponics (аеропоніка) та Kratky (пасивний 
некрукулюючий метод). Для кожного типу наведено принцип роботи, 
конструктивні особливості, переваги та обмеження, а також посилання на типовий 
схемний рисунок/діаграму системи.  
 
1) Deep Water Culture (DWC) –  «глибока водна культура» 
Принцип роботи. Коренева система рослин постійно занурена в резервуар із 
поживним розчином; забезпечення киснем досягається шляхом аерації (повітряні 
8 
 
компресори, аератори) або циркуляцією. Рослини розміщуються у гідропонних 
чашах/нет-чашках, що кріпляться над резервуаром; коріння безперервно контактує 
з розчином, що сприяє швидкому доступу розчинених поживних речовин.  
Має такі переваги: простота конструкції та налаштування; підходить для 
швидкозростаючих листових культур. Та висока швидкість засвоєння поживних 
речовин завдяки безпосередньому контакту коріння з розчином.  
Аде є також обмеження та ризики. Висока залежність від аераційного 
обладнання – при відмові компресора можливе кисневе голодування коренів. Ризик 
накопичення патогенів у резервуарі при недостатній фільтрації/стерилізації.  
 
 
Рис. 1. Типова схемна діаграма DWC: резервуар → аератор/компресор → нет-
чашки із рослинами над поверхнею розчину. 
 
2) Nutrient Film Technique (NFT) – «техніка поживної плівки» 
Принцип роботи. Тонкий, безперервно рухливий шар поживного розчину 
тече по похилих жолобах (трубам), підмиваючи коріння, яке частково підвішене у 
відсіках. Система організована як замкнутий контур: резервуар → насос → 
розведення по жолобах → злив у резервуар. Коріння отримує поживні речовини від 
тонкої плівки розчину й оголюється до повітряної фази для кращої аерації.  
Має такі переваги: Економія води і поживних речовин (малий об'єм рідини в 
контакті з корінням). Підходить для вертикальних/модульних установок та 
швидкозростаючих культур (салати, трави). 
Але є також обмеження та ризики. Чутливість до відмов насосів – 
переривання потоку призводить до швидкого стресу рослин. Обмеження по 
розміру та вазі рослин через необхідність постійного тонкого потоку. 
9 
 
 
Рис. 2. Типова схема NFT: резервуар → насос → верхній розподільний колектор → 
похилі жолоби з отворами для рослин → злив назад у резервуар. 
 
3) Ebb & Flow (Flood and Drain / Flood & Drain) – «циклічне затоплення і 
зливання» 
Принцип роботи. Поживний розчин періодично подається в ємність з 
рослинами (фаза «затоплення»), після чого насос зупиняється і зайва рідина 
відтікає назад у резервуар (фаза «зливання»). Часові цикли визначаються таймером 
або контролером на основі вимірюваних параметрів; між подачами забезпечується 
повітряний простір для аерації коренів.  
Має такі переваги: Гнучкість у контролі вологості/аерації кореневої зони 
через налаштування циклів.Можливість використання екологічних інертних 
субстратів (керамзит, перліт, кокос).  
Але є також обмеження та ризики. Потреба в надійному дренажі і системі 
зливу; ризик застою та загнивання при блокуванні системи. Необхідність точного 
налаштування частоти циклів залежно від виду рослини та стадії росту.  
 
 
Рис. 3. Типова схема Ebb & Flow: резервуар → насос → наповнювальна лінія → 
ємність з рослинами (піддон) → зливна лінія → зворотний потік у резервуар. 
10 
 
 
4) Drip system (крапельна/краплинна система) 
Принцип роботи. Поживний розчин подається безпосередньо до кореневої 
зони кожної рослини через індивідуальні крапельниці (emitters). Існують два 
варіанти: система з відбором надлишку (recovery) – надлишок стікає назад у 
резервуар для повторного використання; і нерековерійна (non-recovery), де 
надлишок виводиться в дренаж.  
Має такі переваги: Можливість індивідуального налаштування подачі 
поживного розчину для різних рослин/рядків.Широка сумісність із різними 
субстратами та масштабами виробництва.  
Але є також обмеження та ризики. Система складніша з точки зору 
трубопроводів і обслуговування; ризик забивання крапельниць. Потребує 
фільтрації поживного розчину та регулярного технічного обслуговування.  
 
Рис. 4. Типова схема краплинної системи: резервуар→ насос → фільтр/регулятор 
→ магістральні лінії → бокові відводи з крапельницями → дренаж → резервуар. 
 
5) Wick system (ґнотова/капілярна система) 
Принцип роботи. Поживний розчин знаходиться у резервуарі; капілярним шляхом 
(через ґнот/нитку) рідина піднімається до субстрату, де розташоване коріння 
рослин. Система пасивна – не вимагає насосів чи аераторів.  
Має такі переваги: Надзвичайно проста і недорога у виготовленні та 
експлуатації; підходить для невеликих аматорських установок. Низьке 
енергоспоживання (відсутність насосів).  
Але є також обмеження та ризики. Обмежена здатність забезпечити великі 
або швидкозростаючі культури через обмежену швидкість капілярної подачі. 
Менша аерація коренів у порівнянні з активними системами, що може 
принижувати продуктивність.  
11 
 
 
Рис. 5.  Типова схема ґнотової системи: резервуар → ґнот (нитка) → 
субстрат/контейнер з рослиною. 
 
6) Aeroponics (аеропоніка) 
Принцип роботи. Коренева система підвішена у повітрі в закритому або 
напівзакритому відсіку та періодично (або безперервно при високому тиску) 
зрошуються дрібно-дисперсним туманом/містом поживного розчину через 
форсунки/пульверизатори. Середовище забезпечує максимальну аерацію коренів 
та високу доступність поживних речовин.  
Має такі переваги: Висока ефективність використання води й поживних 
речовин; потенційно максимальна інтенсивність росту.Добре підходить для 
дослідних і високотехнологічних комерційних установок (вертикальні ферми, 
космічні дослідження).  
Але є також обмеження та ризики. Висока технологічна складність і 
чутливість до блокувань форсунок; потреба високої якості води та регулярного 
технічного обслуговування.Інвестиційні витрати та вимоги до контролю довкілля 
вищі, ніж у простіших систем.  
 
Рис. 6. Типова схема аеропонної установки: резервуар → насос/пульверизатор → 
форсунки/розпилювачі у камері коренів → інжекція туману/міст → повернення в 
резервуар. 
12 
 
 
7) Kratky method (пассивний некрукулюючий метод) 
Принцип роботи. Похідний варіант DWC: рослина розміщена над 
резервуаром з поживним розчином, але без аерації чи циркуляції; у міру 
споживання води утворюється повітряна порожнина, яка забезпечує кореням 
доступ до кисню. Підходить для низькоенергетичних, некерованих або малих 
установок.  
Має такі переваги: Крайня простота й відсутність потреби в електроприводі; 
підходить для навчальних проєктів та малих побутових установок.  
Але є також обмеження та ризики. Обмежена керованість і менша 
придатність для комерційного виробництва; краще для однорічних листових 
культур. 
 
Рис. 7. Проста DWC-подібна схема без аератора/насоса: резервуар → міст/кришка 
з посадковими отворами → створення повітряної порожнини у міру споживання 
рідини. 
 
При виборі підходящої технології необхідно керуватися конкретними 
критеріями: масштабом виробництва (хобі/комерція), видом культури (листова, 
плодова, коренева), вимогами до інтенсивності росту, доступністю ресурсів (вода, 
електроенергія), вимогами до надійності та обслуговування, а також параметрами 
автоматизації (необхідність постійного моніторингу й швидкого реагування). 
Класифікація також враховує, чи система є замкнутою (recovery) чи розкритою 
(non-recovery), наявність/відсутність субстрату та інтенсивність аерації кореневої 
зони. 
13 
 
У безґрунтових системах (гідропоніці) рослини втрачають традиційний 
буферний вплив ґрунту, отже їхній фізіологічний стан прямо визначається 
параметрами кореневого середовища – хімічним складом розчину, доступністю 
кисню, температурою та вологістю кореневої зони. Відповідно, оптимальне 
функціонування процесів поглинання води й іонів, кореневого дихання та росту 
верхньої частини рослини залежить від ретельного управління цими параметрами.  
Ключові фізіологічні аспекти: 
 
1. Поглинання води і поживних речовин. Концентрація іонів у розчині 
(сукупно оцінювана через EC) та їхній відносний склад визначають градієнти 
осмотичного тиску й забезпечують струм іонів у корені. Різні види та фази 
росту мають відмінні вимоги: наприклад, розсадний/вегетативний етап 
зазвичай потребує нижчої EC, ніж фаза інтенсивного плодоношення, коли 
потрібна вища поживна інтенсивність. Практичні рекомендації часто 
зазначають коригувати концентрації відповідно до культури та фенологічної 
фази.  
2. Доступ кисню у кореневій зоні. У гідропоніці коренева аерація 
критично важлива: недостатній розчинений кисень (DO) призводить до 
кореневого стресу, зниження поглинання елементів, підвищення ризику 
анаеробних інфекцій. Тому для систем з постійним зануренням (DWC) або 
рециркуляцією необхідна активна аерація резервуарів або використання 
технологій, що забезпечують періодичну аерацію (Ebb&Flow, NFT де 
коріння частково у повітрі).  
3. Температурна чутливість кореневої системи. Оптимальна температура 
кореневого живильного розчину залежить від виду культури, але для 
більшості листових і салатних культур вона знаходиться в інтервалі ~18– 25 
°C. Відхилення в бік підвищення зменшує розчинений кисень і може 
знижувати ріст; переохолодження також уповільнює метаболізм і погіршує 
засвоєння елементів. Тому контроль температури розчину й кореневої зони є 
стандартною практикою у промислових системах.  
4. Морфо-фізіологічні адаптації. У безґрунтових умовах коренева 
система часто має більшу питому площу всмоктування, але менше запаси 
14 
 
резерву води й елементів; це підвищує чутливість до коливань параметрів і 
робить важливими часті виміри та швидке коригування режимів. Крім того, 
деякі культури (наприклад, помідори, огірки) менш чутливі до тимчасових 
збурень, ніж тонкі листові культури (салати), що слід враховувати при 
проєктуванні системи керування.  
Вимоги рослин обумовлюють необхідність багатопараметрового 
моніторингу (pH, EC, DO, T_root, T_air, освітленість) та швидкого алгоритмічного 
реагування (регулювання дозувальних насосів, аерації, охолодження/нагріву 
кореневого розчину). З технічної точки зору це диктує вибір датчиків з відповідною 
точністю, калібруванням і частотою зчитування, а також стратегій контролю з 
урахуванням фенології рослин.  
Параметри живильного розчину – основний безпосередній фактор, що 
визначає біологічну доступність поживних елементів. Для ефективного управління 
в гідропоніці необхідно контролювати три базові змінні (pH, EC, температура 
розчину) й, опосередковано, баланс макро- та мікроелементів (N, P, K, Ca, Mg, S, 
Fe, Mn, Zn, Cu, B, Mo).  
 
1. pH розчину 
Фізіологічний сенс: pH визначає розчинність іонів та їхнє 
відношення між формами (наприклад, фосфатні форми), а також 
впливає на адсорбцію катіонів/аніонів на кореневих поверхнях. 
Практичні діапазони: для більшості культур оптимальний 
інтервал pH у кореневому розчині – приблизно 5.5– 6.5, з типовим 
робочим значенням близько 5.8. Цей інтервал забезпечує баланс 
доступності основних елементів без надмірної розчинності токсичних 
форм. Водночас окремі культури або окремі стадії росту можуть 
вимагати корекції.  
Контроль: автоматичне дозування кислот/лужних розчинів за 
показаннями pH-датчика; вимірювання pH має відбуватися регулярно 
(кілька разів на день у рециркуляційних системах) з урахуванням 
буферних властивостей води.  
2. Електропровідність (EC) / загальна солесність 
15 
 
Фізіологічний сенс: EC корелює із загальною концентрацією 
розчинених солей і служить оперативним індикатором «інтенсивності» 
поживної підживи. EC впливає на осмотичний потенціал, що визначає 
витрати рослиною енергії на поглинання води й іонів. 
Практичні діапазони: загальні рекомендації для широкого кола 
культур – приблизно 1.0– 3.5 dS·m⁻¹ (dS·m⁻¹ = mS·cm⁻¹); більш 
конкретні значення залежать від культури та фази росту (наприклад, 
для салатів часто рекомендовано ~1.2– 2.2 dS·m⁻¹, для плодово-
овочевих – вищі значення). Перевищення оптимуму може викликати 
осмотичний стрес; зниження – дефіцит елементів.  
Контроль: регулярний моніторинг EC та корекція розчином 
добрив або підмішуванням води; у рециркуляційних системах 
необхідна періодична заміна або «коригувальна регенерація» розчину 
для запобігання дисбалансу елементів.  
3. Температура розчину 
Фізіологічний сенс: температура розчину впливає на розчинність 
газів (насамперед O₂), швидкість кореневого метаболізму та 
поглинання елементів. Занадто висока температура зменшує DO і 
сприяє розвитку патогенів; занадто низька – уповільнює поглинання і 
ріст. 
Практичні діапазони: для більшості культур практичний 
діапазон ~18– 25 °C (часті згадки – 18– 24 °C або 18– 25 °C), з 
уточненнями в залежності від культури (напр., для тепличних томатів 
і огірків іноді застосовують вищі корені; для листових культур – 
ближче до нижнього краю). Забезпечення температурного контролю 
(чиллери/нагрівачі) і аерації є стандартною практикою.  
4. Концентрації макро- та мікроелементів 
Баланс складових: стандартні формули живильних розчинів 
(напр., Hoagland, модифіковані профілі для конкретних культур) 
визначають співвідношення N:P:K та доповнюють Ca, Mg, S і 
мікроелементи. Важливо контролювати не лише сумарні величини, але 
16 
 
і співвідношення (наприклад, надлишок K може знижувати поглинання 
Ca). 
Практика моніторингу: періодичний лабораторний аналіз 
іонного складу (щотижнево/денні вибірки в залежності від масштабу) 
разом із онлайн-індикаторами (EC, pH) дозволяє коригувати формулу 
добрив і підтримувати стале співвідношення елементів.  
Система автоматизації повинна забезпечувати безперервний (або циклічний 
з коротким кроком) збір даних pH, EC, температури і розчиненого кисню та 
механізми корекції (дозатори) з контролем безпеки (ліміти аварійного відключення 
насоса, сигналізація). Ці вимоги повинні бути відображені в алгоритмах 
адаптивного керування та моделях системи.  
 
 
Роль мікроклімату. Мікрокліматичні параметри на рівні рослини (повітряна 
температура, відносна вологість, концентрація CO₂ у зоні листя, інтенсивність та 
спектр світла) визначають швидкість фотосинтезу, транспірації, дихання та 
впливають на розвиток хвороб і стресорів. У гідропонних і закритих системах 
контроль цих параметрів є настільки ж важливим, як контроль кореневого 
середовища, оскільки вони взаємопов’язані (наприклад, повітряна температура і 
вологість впливають на транспіраційний потік і, опосередковано, на кореневе 
споживання води й поживних речовин).  
 
1. Повітряна температура 
Оптимуми: для багатьох салатів і листових культур оптимальна 
температура в період світлової фази ≈ 18– 24 °C; для томатів і 
теплолюбних культур – 22– 26 °C (з урахуванням денних/нічних 
різниць). Високі температури підвищують ризик енергетичного стресу, 
зниження фотосинтетичного ККД і посиленого дихання. 
  Контроль: HVAC-системи, вентилятори, теплообмінники; для 
вертикальних/щільних посадок – організація повітряних потоків (0.3– 
0.7 м·с⁻¹) для запобігання застою повітря й локального перегріву.  
 
17 
 
2. Відносна вологість (RH) 
Оптимуми: оптимальні діапазони RH звичайно 50– 80%, залежно 
від культури і стадії розвитку; дуже низька RH підвищує транспірацію 
і ризик осушення, дуже висока – сприяє розвитку грибних захворювань 
та знижує транспірацію. Для салатів часто орієнтуються на 60– 75%.  
Контроль: осушувачі/зволожувачі в системі HVAC, локальні 
вентиляційні рішення та регулювання поливу/часу затоплення для 
Ebb&Flow систем. 
 
3. CO₂ 
Вплив: підвищення концентрації CO₂ може суттєво збільшити 
фотосинтез і врожайність при достатній інтенсивності світла й 
доступності води/живлення. Вирощування у замкнених середовищах 
часто використовує підвищення CO₂ (наприклад, до 800– 1 200 ppm) 
для інтенсифікації продуктивності; проте ефект залежить від культури, 
температури та освітлення. Зекономлені витрати на CO₂ треба 
зіставляти з додатковими витратами на інші ресурси і ризиками 
(наприклад, контроль витоку газу).  
Безпека: контроль витків, датчики CO₂ та інтеграція з системою 
вентиляції обов’язкові для забезпечення як продуктивності, так і 
безпеки персоналу. 
 
4. Освітленість (інтенсивність, спектр, фотоперіод) 
Фізіологічний сенс: світло визначає швидкість фотосинтезу; 
інтенсивність (PPFD, μmol·m⁻²·s⁻¹), енергетна щільність (DLI – Daily 
Light Integral, mol·m⁻²·d⁻¹) та спектральний склад (блакитні/червоні 
компоненти) формують морфогенез, фотоперіодну реакцію та якість 
продукції. 
Практичні орієнтири: для листових культур типові робочі рівні 
PPFD у зоні листя – 150– 300 μmol·m⁻²·s⁻¹ (DLI залежить від тривалості 
світлового періоду); плодові культури (томати) вимагають вищого 
18 
 
PPFD і DLI. Вибір LED-освітлення дає можливість коригувати спектр 
під конкретні потреби.  
Контроль: зонування світла, регулювання спектра та 
інтенсивності відповідно до стадії росту; вимірювання PAR/PPFD і 
облік теплового навантаження від джерел світла. 
 
Для коректної роботи системи необхідно брати до уваги крос-впливи: 
наприклад, підвищення температури повітря підвищує транспірацію і, отже, 
споживання води й поживних елементів (що впливає на EC і pH); CO₂-обогащення 
дає ефект лише за наявності достатнього світла; аерація коренів залежить від 
температури розчину. Тому конструювання адаптивного контролю повинно 
базуватися на багатовимірній моделі взаємозв’язків між кореневою і листовою 
зонами. 
Гідродинаміка циркуляції живильного розчину визначає умови транспорту 
маси і тепла в системі, інтенсивність подачі поживних речовин до кореневої 
системи, розподіл температур і ступінь аерації. Вона охоплює параметри потоку 
(витрата, швидкість, профіль потоку), властивості рідини (в’язкість, щільність), 
геометрію трубопроводів і жолобів, а також перетини і фітинги, які впливають на 
опір потоку та гідравлічні втрати. 
Основні гідродинамічні характеристики та показники: 
1. Витрата Q (м³/с або л/год) – визначає обсяг живильного розчину, який 
забезпечується до зони коренів за одиницю часу; критичний параметр при 
проєктуванні насосів і трубопроводів. 
2. Швидкість потоку v (м/с) – впливає на турбулентність, масообмін на 
границі «рідина – корінь» і ймовірність ерозії чи осадження. 
3. Тиск і гідравлічні втрати Δp – визначаються залежно від довжини 
мережі, шорсткості поверхонь, переходів і фітингів; від тиску залежить 
можливість подолання висотних перепадів і забезпечення необхідної 
швидкості в жолобах. 
4. Рейнольдсів номер Re = ρ·v·D/μ – визначає режим течії 
(ламінарний/турбулентний) і впливає на коефіцієнти тепло- та масопередачі; 
19 
 
у вузьких жолобах NFT часто прагнуть забезпечити слабку турбулентність 
для кращого масообміну без нестабільностей. 
5. Коефіцієнт масопередачі k_m – описує швидкість переходу розчинених 
речовин із потоку до кореневої поверхні; залежить від швидкості потоку, 
турбулентності та геометрії кореневої зони. 
Гідродинамічні режими в основних типах систем, в так як: 
DWC / Kratky: переважає стоячий або слабко перемішаний режим; 
аерація створює локальні гідродинамічні поля біля коренів. Тут важливий 
діагноз розподілу DO (розчиненого кисню) і уникнення застійних зон. 
NFT / жолоби: тонка плівка розчину забезпечує переважно ламінарний 
або прикореневий режим з невеликою товщиною шару; турбулентність може 
бути штучно підвищена для поліпшення масообміну, але надмір 
турбулентності призводить до нестабільності і ерозії кореневої структури. 
Ebb & Flow / Flood & Drain: циклічна зміна стану (затоплення/злив) 
породжує переходові гідродинамічні явища – прискорені потоки при 
наповненні та дренажі, що впливають на перенесення частинок і газообмін. 
Drip systems: локальні крапельниці формують мікрорежими; 
надлишок, що стікає, формує зворотний потік, важливі питання – розподіл 
стоку та запобігання застійним зонам. 
Проєктні вимоги та практичні рекомендації передбачають, що під час 
розрахунку насосної системи необхідно враховувати максимальні гідравлічні 
втрати при повному навантаженні установки, а також забезпечувати мінімально 
допустиму витрату, достатню для підтримання заданого режиму подачі поживного 
розчину. З метою зниження ризику засмічення трубопроводів і небажаних змін 
гідравлічних характеристик системи доцільно застосовувати елементи фільтрації та 
захисту від осадження, такі як фільтри й сітки, при цьому регулярне технічне 
обслуговування є обов’язковою умовою стабільної експлуатації. 
 Для підвищення надійності роботи системи рекомендується передбачити 
резервні компоненти, зокрема запасний насос та аварійні клапани, оскільки навіть 
короткочасні зупинки циркуляції можуть швидко викликати стрес у рослин, 
особливо в гідропонних системах типу NFT та DWC. Окрім цього, важливо 
враховувати теплові взаємодії в системі, оскільки рух поживного розчину впливає 
20 
 
на процеси розсіювання тепла через конвективний теплообмін, що вимагає 
інтеграції параметрів циркуляції у контур контролю температури живильного 
середовища.Наслідки для керування 
Гідродинаміка безпосередньо впливає на динамічні властивості об’єкта 
керування (запізнення, часові постійні, коефіцієнти передачі), отже в математичних 
моделях слід враховувати гідравлічні часові запізнення, нелінійність масових 
потоків та змінність коефіцієнтів масопередачі при різних швидкостях. Це важливо 
при проєктуванні адаптивних регуляторів: зміна витрати або блокування лінії є 
суттєвим збуренням, яке система має виявити й компенсувати. 
Моделі споживання води й поживних речовин необхідні для 
прогнозування динаміки складу живильного розчину, планування 
підмішувань/дозувань та побудови стратегій адаптивного керування. Вони дають 
можливість перейти від реактивного (за виміром EC/pH) до проактивного 
управління, запобігати дефіцитам і дисбалансам. 
 Рівні моделювання: 
1. Емпіричні (статистичні) моделі. Побудовані на спостереженнях 
(витрата води на рослину за добу, добова споживна норма N, P, K), часто 
використовуються у практиці для оперативного планування. Перевага – 
простота; недолік – обмежена переносимість між умовами. 
2. Фізіологічно-орієнтовані моделі. Враховують біофізичні процеси: 
транспірація , поглинання іонів через корінь , розвиток біомаси  як функцію 
споживання ресурсів. Такі моделі дозволяють включати залежності від 
температури, освітленості, фаз росту. 
3. Моделі на основі масового балансу (континуальні). Використовують 
рівняння балансу для кожного іона/елемента в резервуарі: 
 
де   – концентрація i-ого елементу в розчині,   – приплив,  – об’єм 
резервуара,  – швидкість споживання на одну рослину,   – кількість 
рослин,  – джерела/стоки (наприклад, дозування). Ці рівняння лягли в 
основу багатьох симуляційних моделей рециркуляційних систем. 
21 
 
4. Стохастичні/сценарні моделі. Враховують випадкові флуктуації 
(похибки датчиків, варіації в споживанні між рослинами), застосовуються 
для оцінки надійності та розробки робастних стратегій керування. 
 
Компоненти моделі споживання складаються з транспірація (T): визначає 
швидкість водообміну і опосередковано впливає на EC через концентрацію 
розчину, поглинання іонів (J): функція від концентрації іонів у розчині (закони 
Міхаеліса– Ментен або лініарні апроксимації в робочих інтервалах), а також від 
фізіологічного стану кореня (активна/пасивна абсорбція), динаміка біомаси (B(t)): 
часто моделюється логістичною або експоненційною залежністю, де швидкість 
приросту залежить від доступності ресурсів: світла, вуглецю (CO₂) і поживних 
речовин. 
Приклади практичних формул (приклад підходу): 
1. Транспірація: можна використовувати модифіковану модель Penman– 
Monteith для розрахунку питомої транспірації листя, узагальнену для всього 
рослинного покриву. 
2. Поглинання N:  де  може бути апроксимована як 
 підбираються емпірично для 
конкретної культури. 
 
Використання в автоматизації Моделі споживання дозволяє прогнозувати час до 
наступного поповнення/корекції EC та компонування доз для досягнення цільових 
співвідношень елементів. При інтеграції з системою моніторингу модель служить 
для генерації «віртуальних сенсорів» (оцінка укритої концентрації 
мікроелементів) і для роботи адаптивних алгоритмів, що оптимізують добривні 
профілі за заданими цілями продуктивності. 
Обмеження та джерела невизначеності можуть виступати значні міжрослинні 
варіації, ефект зони кореневої конкуренції та вплив мікродоменів у резервуарі та 
потреба в калібруванні параметрів моделі під конкретні культури й умови 
(температура, світло, щільність рослин). 
 
Опис режимів та класифікація 
22 
 
Режими роботи гідропонної системи визначають порядок та частоту подачі 
живильного розчину, тривалість контактів кореня з рідиною та періоди аерації. 
Основні режими: 
1. Постійна циркуляція (continuous flow). Живильний розчин постійно 
циркулює між резервуаром і робочими зонами (типово для NFT, DWC з 
рециркуляцією). Забезпечує стабільність параметрів розчину, але вимагає 
постійної роботи насосів. 
2. Цикл насичення / Flood & Drain (Ebb & Flow). Періодичне наповнення 
контейнера/піддону живильним розчином і наступний дренаж; періодичність 
і тривалість циклів визначають баланс між живленням і аерацією коренів. 
3. Імпульсна подача / Drip with cycles. Краплинна подача може працювати 
циклічно (короткі імпульси подачі), що економить рідину та сприяє аерації 
субстрату. 
4. Пасивний режим (Kratky / wick). Розчин подається капілярно або 
створюється статичний резервуар без циркуляції; забезпечує простоту, але 
обмежену регульованість. 
5. Інтенсивний імпульсний режим (aeroponics). Короткі, часті імпульси 
розпилення/туману – забезпечують високу аерацію коренів і ефективну 
доставку поживних агентів. 
Параметри циклічності та режими подачі поживного розчину відіграють 
визначальну роль у формуванні умов росту рослин і безпосередньо впливають на 
ефективність масо- та газообміну в кореневій зоні. Частота циклів, що вимірюється 
кількістю циклів за годину, визначає співвідношення часу, протягом якого корені 
контактують із поживним розчином, і періодів, коли вони мають доступ до повітря, 
зокрема у системах типу Ebb & Flow. Збільшення частоти циклів за умови 
зменшення тривалості кожного окремого затоплення, як правило, покращує 
аерацію кореневої системи та знижує ризик гіпоксії, однак одночасно підвищує 
вимоги до точності та стабільності системи керування. Тривалість фаз насичення і 
зливу визначається фізичними властивостями субстрату, передусім його 
пористістю та водоутримувальною здатністю, а також видом культури й фазою її 
розвитку. Зокрема, інертні та високопроникні субстрати потребують коротших і 
23 
 
частіших циклів, тоді як більш щільні середовища вимагають довшого часу для 
повного насичення та дренажу. 
У системах крапельного поливу та аеропоніки параметри імпульсної подачі, 
що задаються співвідношенням часу вмикання і вимикання, безпосередньо 
впливають на ступінь зволоження кореневої зони, інтенсивність масопереносу 
поживних речовин і рівномірність їх розподілу.Неправильне налаштування 
циклічних режимів може призводити до суттєвих експлуатаційних ризиків. У 
системах Ebb & Flow це проявляється або у нестачі кисню в кореневій зоні, або, 
навпаки, у надмірному зволоженні, що створює умови для розвитку кореневих 
гнилей. Стійкість таких систем до аварійних відключень значною мірою залежить 
від геометрії піддону, об’єму накопиченого розчину та швидкості його 
випаровування або поглинання субстратом.  
Для систем NFT та безперервної циркуляції критичним фактором є 
безвідмовна робота насосного обладнання, оскільки припинення потоку навіть на 
короткий час може швидко викликати водний та поживний стрес у рослин. З огляду 
на це доцільним є застосування резервних джерел живлення, а також реалізація 
аварійних сценаріїв, що передбачають перехід у пасивний режим або локальне 
підтримання вологості. В аеропонних установках особливу небезпеку становить 
блокування форсунок або погіршення якості води, оскільки такі відхилення майже 
миттєво порушують доставку поживних речовин до коренів, що вимагає постійного 
автомоніторингу та швидкого реагування системи керування.Обраний режим 
роботи безпосередньо визначає динамічні властивості системи та часові константи 
процесів, що відбуваються у кореневій зоні.  
У режимах із циклічним наповненням і зливом виникають виражені 
перехідні процеси, які необхідно враховувати під час математичного моделювання 
та проєктування регуляторів. Адаптивні алгоритми керування мають бути здатні 
враховувати зміну структури динаміки системи при переході між різними 
режимами або фазами росту рослин, наприклад під час переходу системи Ebb & 
Flow від вегетативної стадії до періоду інтенсивного плодоношення, коли 
змінюється оптимальна частота циклів. Для забезпечення гарантованої 
стабільності доцільно передбачати аварійні сценарії переходу та адміністративні 
обмеження у вигляді порогових значень основних параметрів, таких як pH, EC, 
24 
 
розчинений кисень і температура, при досягненні яких система автоматично 
переходить у безпечний режим або формує повідомлення для оператора.З 
практичної точки зору рекомендовано проводити пілотні експерименти з метою 
перевірки та уточнення обраних параметрів циклів для конкретної культури, типу 
субстрату та конфігурації установки. 
 До системи моніторингу доцільно інтегрувати засоби виявлення відмов 
насосного обладнання або забруднень, що можуть проявлятися у зниженні витрати 
розчину чи зміні значень pH і EC, а також реалізувати логіку аварійних перехідних 
режимів. Для великих рециркуляційних комплексів особливого значення набуває 
резервування насосів і можливість оперативного переходу до локального або 
ручного поливу у разі збоїв автоматики, що суттєво підвищує загальну надійність і 
стійкість системи. 
 
1.2 Існуючі автоматизовані системи керування гідропонікою 
 
Нижче наведено добірку систем, що широко використовуються в практиці 
або описані в патентах. Для кожної системи – стислий технічний аналіз та 
посилання на офіційні сторінки/документи з ілюстраціями або кресленнями. 
 
 
Рис. 8 Autogrow – MultiGrow / IntelliDose (комерційні контролери для 
теплиць і CEA) 
25 
 
 
Autogrow пропонує модульні рішення для контролю клімату та фертигації у 
теплицях і закритих фермах: контролер MultiGrow для зонального керування 
кліматом і Intellidose/IntelliDose – модулі автоматичного дозування поживних 
речовин і корекції pH. Система побудована за принципом розподіленого контролю 
з можливістю збору логів, віддаленого моніторингу та інтеграції з 
SCADA/хмарними платформами. Autogrow підтримує кілька зон, багатоканальні 
входи/виходи, створення кривих підживлення та аварійні логіки.  
Ключові функції системи та її архітектурні рішення ґрунтуються на 
використанні модульної апаратної платформи, що передбачає наявність 
центральних контролерів у поєднанні з окремими модулями введення та виведення 
сигналів. Такий підхід забезпечує гнучкість конфігурації, спрощує масштабування 
системи та дає можливість адаптувати її до різних технологічних вимог без 
суттєвих змін базової структури. Важливою складовою архітектури є 
спеціалізований інтерфейс для підключення дозувального обладнання, зокрема 
перистальтичних насосів, а також вимірювальних приладів для контролю 
показників pH та електропровідності поживного розчину. Це дозволяє забезпечити 
точне та стабільне керування процесами дозування і моніторингу ключових 
параметрів живильного середовища. 
Функціональні можливості системи також включають реалізацію механізмів 
логування технологічних даних, формування аварійних повідомлень і тривог, 
роботу планувальника технологічних циклів, а також підготовку звітної інформації 
для подальшого аналізу. Накопичення та збереження історичних даних створює 
передумови для оцінювання ефективності режимів керування та своєчасного 
виявлення відхилень у роботі обладнання. Додатково архітектура передбачає 
можливість резервування дозувального обладнання, що підвищує надійність 
системи та знижує ризик зупинки технологічного процесу у разі відмови окремих 
компонентів. Реалізація функцій віддаленого доступу, у свою чергу, забезпечує 
можливість оперативного контролю та управління системою незалежно від 
фізичного місця перебування оператора, що є важливою умовою сучасних 
автоматизованих агротехнологічних рішень. 
Autogrow – класичне рішення «під ключ» для комерційних гідропонних і 
тепличних господарств; підходить для зонального контролю на середніх і великих 
площах. Сильні сторони – промислова надійність та розвинена логіка fertigation; 
26 
 
обмеження – вартість і необхідність інтеграції з існуючою електромережею/PLC-
інфраструктурою.  
 
 
Рис.  10.  Netafim – NetBeat / NetMCU (ірригаційні та фертигаційні 
контролери для агро та CEA) 
 
Netafim (відомий виробник систем краплинного зрошення) пропонує NetBeat 
– сімейство контролерів для планування, моніторингу та керування іригацією і 
фертигацією. Архітектура включає центральний контролер NetMCU та модулі 
введення-виведення (плати-розширення), можливість підключення широкого 
набору сенсорів і клапанів, інтерфейс для управління насосами та дозаторами. 
Документація містить технічні схеми та опис API/інтеграції.  
Ключові функції системи та особливості її архітектури зосереджені на 
забезпеченні керування насосами і клапанами, регулюванні та модуляції тиску в 
системі, а також на реалізації механізмів планування режимів поливу. Архітектурні 
рішення передбачають підтримку віддаленого моніторингу із використанням 
хмарних сервісів, інтеграцію погодних модулів і застосування аналітичних 
інструментів для обробки та інтерпретації зібраних даних. Основою апаратної 
частини є модульна конструкція, що базується на використанні NetMCU у 
поєднанні з модулями введення та виведення сигналів, що забезпечує сумісність 
системи з широким спектром датчиків, зокрема тиску, вологості та 
електропровідності, які підключаються через відповідні адаптери. 
27 
 
Netafim орієнтований на надійні рішення для промислового зрошення і 
фертигації; їхні контролери часто інтегрують у великі проекти з кількома зонами 
та складною мережною інфраструктурою. Для гідропоніки Netafim підходить у 
випадках масштабної інсталяції з пріоритетом водозбереження й точного 
дозування.  
 
Growlink – Connect Controller / Precision Irrigation Controller (інтегрований 
контролер для CEA) 
Growlink пропонує платформу управління (Connect Controller) для теплиць і 
закритих ферм, яка інтегрує клімат, іригацію, освітлення і аналітику. Контролер 
має багатий набір входів/виходів, SDI-12 для датчиків, підтримку BACnet та API; 
компанія забезпечує інструменти для сценарного управління (Blueprints) і AI-
рекомендації. Для монтажу доступні готові панелі та wiring diagrams.  
Ключові функції системи та її архітектурні особливості передбачають 
використання єдиного контролера, який забезпечує централізоване керування 
кліматичними параметрами, процесами дозування та системами освітлення, а 
також підтримує підключення до 36 сенсорів за протоколом SDI-12. Архітектура 
системи орієнтована на реалізацію дистанційного моніторингу, можливість 
віддаленого оновлення програмного забезпечення за технологією OTA та 
інтеграцію з вимірювальними приладами типу TDR, EC і PPFD. Окрему увагу 
приділено підтримці електричних панелей керування та наявності готових схем 
електричних з’єднань, що спрощує процес інсталяції та забезпечує коректне 
підключення обладнання. 
Growlink позиціонує свій контролер як універсальну платформу для CEA, 
зручною для інтеграції в існуючі інсталяції; перевага – широка сумісність і 
докладна інсталяційна документація; обмеження – необхідність настройки 
Blueprint/логіки під конкретну інфраструктуру.  
 
28 
 
 
Рис. 11. iFarm – StackGrow / Growtune (інтегровані автоматизовані 
вертикальні ферми із софтом для управління) 
 
 
iFarm пропонує комерційні рішення для вертикальних ферм (StackGrow) із 
високим ступенем автоматизації: рухливі стелажі/трей-канали, автоматичне 
регулювання освітлення, транспортні елементи, системи поливу (частіше NFT або 
drip у вертикальному контексті) та хмарне програмне забезпечення Growtune для 
управління «рецептами росту». iFarm заявляє про автоматизацію логістики 
(конвеєри, мобільні лотки), аналітику та інтегровану систему управління.  
Ключові функції системи та її архітектурна побудова базуються на 
використанні повністю інструментованих модулів, оснащених автоматичними 
трековими або конвеєрними механізмами, що забезпечують централізоване 
керування процесами освітлення та поливу. Програмне забезпечення Growtune 
виконує функції зберігання і застосування так званих «рецептів» росту, дозволяє 
задавати параметри добової світлової інтеграції (DLI), формувати графіки 
фертигації та забезпечує аналітичну обробку даних для оцінювання ефективності 
режимів вирощування. 
iFarm – приклад інтегрованого «вертикального» продукту: архітектура та 
програмне забезпечення розглядаються як єдиний комплекс. Перевага – висока 
29 
 
ступінь автоматизації та масштабування; недолік – висока капітальна інвестиція та 
залежність від постачальника «рецептів» і обслуговування.  
 
 
Рис. 12. AeroFarms / інші великі вертикальні ферми (патенти та технологічні 
рішення для автоматизації) 
 
Комерційні оператори вертикальних ферм (AeroFarms, Plenty, Bowery, 
Gotham Greens тощо) розробили власні автоматизаційні підходи і мають ряд 
патентів, що описують деталі автоматизованих камер, систем подачі поживного 
розчину, логістики та аналітики. AeroFarms, зокрема, має портфоліо патентів, 
пов’язаних з аеропонікою/вертикальною інфраструктурою та автоматизацією.  
Ключові елементи таких систем представлені закритими камерами з 
можливістю точного регулювання мікрокліматичних параметрів, 
автоматизованими системами зрошення або аерозолювання, а також 
спеціалізованими машинами для пересадки та збирання рослин. Важливу роль 
відіграють датчики візуального моніторингу, що використовують методи 
комп’ютерного зору для оцінювання стану рослин і контролю процесів 
вирощування. Патентна документація для подібних рішень, як правило, містить 
детальні блок-схеми розміщення форсунок, результати розрахунків режимів і 
30 
 
циклів розпилення, опис конструкцій функціональних модулів, а також алгоритми 
керування параметрами середовища.  
 
Philips / Signify – GreenPower LED та GrowWise Control (інтеграція 
освітлення з управлінням CEA) 
Signify (Philips Horticulture) пропонує LED-модулі GreenPower і контролер 
GrowWise (GrowWise Control System) для інтеграції освітлення у загальну систему 
управління теплицею/фермою. Компанія надає специфікації модулів, технічні 
схеми підключення та API/інтеграційні можливості з контролерами клімату.  
Ключові функції цих систем полягають у забезпеченні точного планування 
параметрів добової світлової інтеграції та щільності фотонного потоку, реалізації 
режимів димування і зонування освітлення, а також у тісній інтеграції з 
підсистемами клімат-контролю та керування процесами фертигації. Технічна 
документація для таких рішень, як правило, містить детальні електричні схеми 
освітлювальних установок і рекомендації щодо їх узгодженого підключення та 
роботи з контролерами типу Growlink або GrowWise. 
Інтеграція освітлення з контролем середовища є ключовим елементом 
сучасних систем CEA 
Відкриті платформи та DIY-рішення на Arduino / Raspberry Pi 
Відкриті апаратно-програмні платформи (Arduino, Raspberry Pi та їхні клони) часто 
використовуються для створення прототипів, лабораторних систем і малого 
комерційного обладнання гідропоніки. Такі рішення приваблюють низькою 
вартістю, широкою підтримкою спільноти та гнучкістю у налаштуванні алгоритмів 
керування. Вони дозволяють інженерам і дослідникам швидко реалізувати датчик-
актуаторні вузли, логіки управління та інтерфейси збору даних. 
Архітектура систем керування в сучасних безґрунтових установках зазвичай 
будується на поєднанні легких апаратних контролерів і більш потужних 
одноплатних комп’ютерів. Arduino-орієнтовані контролери найчастіше 
використовуються як локальні I/O-вузли: вони зчитують аналогові і цифрові 
сигнали від сенсорів (наприклад, pH, EC через відповідні адаптери), керують реле 
та перистальтичними насосами, реалізують прості таймери та аварійні ланцюги. 
Arduino вигідні там, де потрібно гарантувати високу детермінованість апаратного 
циклу та низьке енергоспоживання, а також швидку і недорогу розробку апаратної 
частини. 
31 
 
Одноплатні комп’ютери типу Raspberry Pi застосовують як edge-контролери 
для виконання більш складних функцій: вони виконують адаптивну логіку, 
зберігають локальні бази даних, виконують ML-інференс, надають веб-інтерфейси 
і організовують зв’язок з хмарними сервісами. Платформи на базі Pi добре 
інтегруються з екосистемою Python, Node-RED, MQTT, InfluxDB/Grafana та 
іншими інструментами, що спрощує реалізацію аналітики та візуалізації. 
Гібридні архітектури комбінують переваги обох підходів: Arduino виконують 
швидкі апаратні операції та керування реле/насосами, а Raspberry Pi виступає 
координатором і «мозком» системи – відповідає за високо рівневу логіку, 
збереження даних, інтерфейси і зв’язок. У такій схемі Pi виступає центральним 
елементом управління, тоді як декілька Arduino забезпечують надійну і 
детерміновану локальну взаємодію із польовими пристроями. 
Основні переваги подібних рішень полягають у відносно низькій вартості та 
швидкості розробки прототипів. Велика кількість доступних бібліотек і прикладів 
спрощує інтеграцію з типовими датчиками та актуаторами, а модульність апаратної 
платформи дає змогу оперативно кастомізувати алгоритми і користувацькі 
інтерфейси відповідно до конкретних завдань проєкту. Це робить такі платформи 
гнучким інструментом для досліджень і малих виробничих систем. 
Разом з тим існують обмеження і ризики, які слід враховувати. Питання 
надійності та сертифікації – важливий аспект: типові Arduino/Pi-рішення не 
призначені для безперервної індустріальної експлуатації 24/7 без додаткових 
інженерних доопрацювань (надійні корпуси, захист електроживлення, апаратні 
watchdog-схеми). Ще одна суттєва проблема – гарантований детермінізм у 
реальному часі: Raspberry Pi під керуванням загальної ОС (Linux) не забезпечує 
жорстких часових гарантiй, тому для критичних задач потрібні RTOS або апаратні 
контролери. Окремо стоїть питання безпеки та оновлень: відкриті платформи 
можуть бути вразливими без правильно налаштованої мережевої конфігурації, 
регулярних оновлень та механізмів аутентифікації. 
У практичній експлуатації доцільно використовувати Arduino і Raspberry Pi 
як інструменти прототипування та як edge-вузли в невеликих фермах; для 
промислових об’єктів рекомендується застосовувати індустріальні контролери або 
ретельно інженерно підготувати DIY-рішення (надійний корпус, UPS, автоматичне 
відновлення після збоїв, логування). Обов’язково слід передбачати апаратний 
watchdog, резервне джерело живлення та механізми апаратної ізоляції насосів і 
клапанів. Для організації обміну даними й централізованого моніторингу 
32 
 
рекомендується інтегрувати MQTT/HTTPS, а для оновлення ПЗ використовувати 
OTA-системи з перевіркою цілісності оновлень. 
 
1.3 Хмарні платформи IoT та можливістьт інтегрування ШІ для аналізу та 
керування 
  IoT інфраструктури забезпечують централізоване зберігання даних, 
історизацію, аналітику, віддалене моніторування і можливість масштабування 
управління на кілька об’єктів. Вони дозволяють реалізувати інтелектуальні сервіси 
(ML-аналіз, прогнозування споживання ресурсів), а також інтегрувати зовнішні 
дані (погодні сервіси, ринкові дані). 
Типова архітектура IoT-стека 
1. Edge layer (пристрій / шлюз): датчики й локальні контролери (Arduino, 
PLC, Pi), що виконують попередню обробку та шифрування. 
2. Transport layer: протоколи повідомлень – MQTT (легкий, 
publish/subscribe), HTTP/HTTPS (REST API), CoAP (констрейнед 
середовища). 
3. Cloud backend: time-series DB (InfluxDB, Timescale), message broker, 
processing pipelines, ML-сервіси, контролери правил (rule engines). 
4. Presentation / Ops: панелі керування (Grafana), мобільні/веб-інтерфейси, 
push-повідомлення, інтеграція з ERP/SCM. 
   
Переваги впровадження таких систем полягають у забезпеченні 
централізованої аналітики, можливості встановлення перехресних зв’язків 
між різними об’єктами ферми та розвитку моделей прогнозування, що 
дозволяє оцінювати витрати води, потребу в добривах та інші ключові 
параметри. Архітектура системи передбачає масштабованість, що дає змогу 
додавати нові точки моніторингу без необхідності локального 
перепроектування інфраструктури. Віддалений контроль і сповіщення значно 
скорочують час реакції оператора на будь-які відхилення від нормального 
режиму роботи, що підвищує надійність та ефективність керування 
процесами. 
Разом із цим існують певні обмеження та ризики. Залежність від каналу 
зв’язку може призводити до затримок у передачі даних, тому критично 
важливі, часовочутливі рішення повинні зберігати локальні механізми 
33 
 
управління у режимі edge fallback. Питання конфіденційності та безпеки 
вимагають впровадження шифрування, аутентифікації, регулярного 
оновлення сертифікатів та захисту від DDoS-атак і стороннього втручання.  
Також слід враховувати витрати на передачу та зберігання великих 
обсягів даних, включно з потоками відео та високочастотними сенсорними 
сигналами, що потребує значних обчислювальних і мережевих ресурсів. 
Серед прикладів функцій хмарної інфраструктури варто виділити 
HISTORIAN – систему збереження часових рядів для подальшого аналізу; 
ALERTING – правилову систему тривог із багатоканальною доставкою 
сповіщень через SMS, email або push-повідомлення; модулі 
ML/прогнозування для оптимізації дозування, передбачення дефіцитів та 
виявлення аномалій у поведінці сенсорів і актуаторів; а також 
API/Integrations, що забезпечує інтеграцію із зовнішніми системами, включно 
із системами постачання, ринковими платформами та погодними сервісами. 
Сенсори (основні категорії та характеристики) 
1. pH-датчики (електрохімічні з комбінованим електродом). 
Характеристика: точність ±0.01– 0.1 pH, потреба в калібруванні, чутливі до 
забруднення. 
2. EC / TDS-сенсори (кондуктометричні). Вимірюють 
електропровідність; важливі питання – температура компенсації і 
калібрування. 
3. Датчики розчиненого кисню (DO). Оптичні (кількісні) або 
електрохімічні. Критичні для DWC та для оцінки аерації. 
4. Температурні сенсори (RTD, термістори). Для розчину і повітря; RTD 
дає високу стабільність і точність. 
5. PPFD / PAR-датчики (фотосинтетично активна радіація). Вимірюють 
інтенсивність світла в μmol·m⁻²·s⁻¹; необхідні для контролю DLI та 
управління освітленням. 
6. CO₂-сенсори (NDIR). Для замкнутих CEA-середовищ; вимагають 
періодичного калібрування. 
7. Вологість повітря / датчики RH. Важливі для контролю транспірації та 
ризиків хвороб. 
34 
 
8. Потокові сенсори / лічильники витрати (flow meters). Для оцінки Q у 
трубопроводах; можуть бути турбінні, ультразвукові або електромагнітні 
(для провідних рідин). 
9. Датчики рівня (float, ультразвук, ємнісні). Для резервуарів живлення, 
попередження аварійного режиму. 
10. Візуальні сенсори (камера + CV). Контроль стану листя, виявлення 
хвороб, оцінка росту; вимагають інфраструктури зберігання й обробки 
зображень. 
Актуатори (типові виконавчі елементи) 
У типових гідропонних і аеропонних установках використовуються 
різні класи виконавчих пристроїв. До них належать перистальтичні або 
мембранні дозувальні насоси, які забезпечують точне введення реагентів – 
зокрема кислот і лугів для корекції pH або концентрованих добрив для 
коригування EC. Окремо застосовуються шлангові та занурювальні насоси, 
призначені для забезпечення циркуляції робочого розчину; їх підбір 
здійснюється за параметрами витрати (Q) і робочого напору, при цьому 
важливим фактором проєктування є передбачення резервування таких 
насосів. Для керування потоками і зонування гідравлічних контурів 
використовують електромагнітні або пропорційні клапани. Керування 
приводами насосів і вентиляційних агрегатів здійснюється через релейні 
модулі, контактори або частотні перетворювачі (VFD), що дозволяють 
регулювати швидкість обертання двигунів. Для зонованого та спектрального 
управління системами освітлення широко застосовують LED-драйвери з 
інтерфейсами DALI, 0– 10 V або DMX. У системах, де необхідна 
інтенсифікація насичення розчином кисню (наприклад, DWC), 
використовуються аератори або компресори. Для контролю температури 
живильного розчину або повітряної маси передбачені нагрівачі та чиллери. 
Вимоги до сенсорів і актуаторів у промисловому середовищі 
Для застосування в промислових інсталяціях вимоги до сенсорів і 
виконавчих пристроїв мають бути більш суворими. По-перше, обладнання 
повинно відповідати індустріальним стандартам надійності: допуски 
робочих температур, ступінь захисту за IP-класом та стійкість до агресивних 
робочих середовищ (хімічна стійкість). По-друге, важливо, щоб прилади 
забезпечували можливість калібрування й обслуговування без розбирання 
35 
 
монтажних вузлів – тобто щоб технічне обслуговування могло виконуватись 
прямо в полі. По-третє, для гарантованої інтеграції з PLC/SCADA та іншими 
системами забезпечуються стандартизовані інтерфейси – аналогові (4– 20 
mA) і цифрові (SDI-12, Modbus, I²C, SPI тощо). Нарешті, якщо система 
застосовується в галузях з вимогами до харчової безпеки, компоненти 
повинні відповідати відповідним сертифікаціям і стандартам. 
Архітектура SCADA та PLC-рішень у гідропонних комплексах. 
Класична ієрархічна архітектура таких систем має рівні: рівень польових 
пристроїв (field layer) – сенсорика та актюатори; рівень керування (control layer) – 
PLC/RTU, які реалізують низькорівневі регулюючі та захисні функції; рівень 
нагляду (supervisory layer) – SCADA/HMI для моніторингу, візуалізації і 
управління; та інтеграційний рівень підприємства/хмари (Enterprise/Cloud) для 
історизації даних, інтеграції з MES/ERP. PLC-контролери застосовуються для 
реалізації основних регулювальних контурів, швидких захисних алгоритмів і схем 
резервування, тоді як SCADA-системи виконують функції операційного 
моніторингу, трендової історизації та інтерфейсу оператора. 
Варіанти реалізації архітектури для гідропоніки 
Існує кілька підходів до реалізації автоматизації. Перший – централізована 
схема з одним PLC і рознесеними I/O-панелями, яка підходить для великих 
комплексів з багатьма зонами: центральний PLC координує логіку циклів, аварійні 
вимкнення і групові операції насосів. Другий – розподілена архітектура з кількома 
PLC/RTU, де кожна зона має власний локальний контролер; це знижує ризик 
тотальної відмови при виході з ладу одного модуля, а централізований SCADA 
служить для збору даних і координації стратегії. Третій варіант – гібрид: PLC у 
поєднанні з edge/IoT-gateway та хмарною SCADA; такий підхід поєднує 
індустріальну надійність PLC з гнучкістю хмарної аналітики і інтеграцією через 
API чи OPC-UA. 
Компоненти SCADA-системи 
До складу SCADA-інфраструктури традиційно входять HMI-модулі для 
візуалізації процесу і операційного керування; системи-історіани (historian) для 
збереження часових рядів показників, необхідних для звітності і аналітики; 
менеджер тривог (alarm manager) для централізованого управління сповіщеннями з 
пріоритизацією і журналюванням; а також модулі резервування (redundancy 
modules) – наприклад гарячі резерви для PLC/SCADA серверів або кластеризація 
для підвищення доступності системи. 
36 
 
Переваги індустріальних рішень включають жорстко визначені гарантії часу 
відгуку і високу надійність для непреривної експлуатації 24/7. Також такі 
платформи надають сертифіковані промислові інтерфейси і стандартизовані 
протоколи (Modbus, OPC-UA), а інструментальна підтримка забезпечує ефективні 
засоби для триажу, діагностики і сервісного обслуговування. 
Серед обмежень слід відзначити підвищену вартість впровадження і 
обслуговування в порівнянні з DIY- або комерційними модульними контролерами. 
Крім того, індустріальні PLC/SCADA рідше забезпечують гнучкість для швидкого 
прототипування нових алгоритмів без залучення спеціалізованих інженерів з 
розробки SCADA/PLC-рішень. 
 
Порівняльний аналіз можливостей та обмежень систем 
За такими критеріями, як надійність для 24/7 роботи, комерційні PLC/SCADA 
мають перевагу над модульними контролерами і DIY-платформами (Raspberry 
Pi/Arduino), які вимагають доопрацювань для індустріального застосування. Щодо 
витрат, найнижчі – у рішень на Arduino/Pi, середні – у комерційних контролерів, 
найвищі – у PLC/SCADA. За гнучкістю та швидкістю розробки лідирують 
Arduino/Pi; комерційні контролери і PLC відстають через потребу у спеціалізованих 
інженерних ролях. Масштабованість найкраще забезпечують PLC/SCADA і хмарні 
платформи для великих інсталяцій. Питання безпеки і підтримки документовані 
краще в комерційних контролерах і PLC; DIY-платформи потребують додаткових 
заходів безпеки. Платформи з хмарною аналітикою і IoT-стеком краще інтегровані 
під ML/аналітику; PLC/SCADA можуть підтримувати ці можливості, але зазвичай 
вимагають додаткового проміжного програмного забезпечення. 
Вибір конкретної платформи визначається масштабом проєкту, бюджетом, 
необхідним рівнем надійності та вимогами до кастомізації. Для дослідницьких та 
малих комерційних проєктів розумним вибором є гібридні рішення на базі 
Raspberry Pi/Arduino з реалізацією резервних механізмів; для середніх і великих 
комерційних ферм доцільно застосовувати PLC/SCADA або промислові модульні 
контролери в поєднанні з хмарною аналітикою. 
Ключові вимоги до надійності системи охоплюють: забезпечення 
безперервності життєво важливих функцій – циркуляції, аерації і дозування – з 
часом відновлення, який не перевищує допустимих інтервалів для конкретної 
культури (оскільки деякі культури можуть витримати лише кілька хвилин без 
циркуляції). Архітектурне резервування має передбачати схеми N+1 або N+M для 
37 
 
насосів, компресорів і дозувальної апаратури; також рекомендовано дублювання 
критичних сенсорів (pH, EC, DO) для виявлення аномалій і помилкових показань. 
Джерела живлення повинні включати UPS для локальних контролерів та резервні 
генератори для тривалих відключень; доцільно впровадити пріоритизацію 
живлення для критичних вузлів. Система моніторингу та оповіщення повинна 
підтримувати багатоканальні сповіщення (SMS, email, голосові виклики), 
автоматичне логування і журнал інцидентів з можливістю подальшого 
ретроспективного аналізу. Необхідні також fail-safe механізми та аварійні режими, 
які переводять систему у безпечний стан (наприклад, закриття клапанів, запуск 
аварійного поливу або перехід у пасивний режим) при виході показників за 
встановлені межі. Регулярні процедури калібрування сенсорів, чищення форсунок 
і планового обслуговування насосів – обов’язкова частина підтримки 
працездатності. Для підтвердження надійності слід застосовувати процедури SAT 
(site acceptance testing), планові тести резервних компонентів і симуляцію відмов 
для перевірки алгоритмів аварійного переходу. 
Серед рекомендованих заходів – диверсифікація техніки (використання 
різних типів насосів і клапанів для наявності альтернативних технологій), 
архітектурна сегментація (розподіл зон на незалежні контури, щоб локальні 
відмови не виводили з ладу весь об’єкт), проактивна діагностика на основі 
історичних даних для прогнозування відмов (predictive maintenance), наприклад 
виявлення деградації насосів за параметрами вібрації чи струму, а також 
документована процедура реагування: наявність інструкцій оператора для кожного 
типу аварії, регулярні тренування персоналу і аудит процедур. 
У технічних вимогах застосовуються такі інженерні показники: MTBF (mean 
time between failures) – середній час між відмовами для ключових компонентів; RTO 
(recovery time objective) – максимальний допустимий час відновлення після 
відмови; RPO (recovery point objective) – очікувана допустима втрата даних для 
систем історизації і логування. 
Сучасні хмарні платформи IoT виступають центральною ланкою для збору, 
зберігання та обробки великих обсягів даних, що надходять із численних сенсорів 
та пристроїв у різних середовищах, від промислових підприємств до аграрних 
комплексів та розумних міст. Ці платформи дозволяють агрегувати інформацію з 
різнорідних джерел у єдину систему, забезпечуючи її доступність для подальшого 
аналізу та прийняття рішень. Проте ефективне використання отриманих даних 
потребує застосування сучасних методів інтелектуальної обробки інформації. Тут 
38 
 
на перший план виходить інтеграція штучного інтелекту (ШІ) з IoT, що дозволяє не 
лише аналізувати дані у режимі реального часу, але й прогнозувати поведінку 
систем, оптимізувати процеси та здійснювати адаптивне управління. 
Алгоритми машинного навчання (ML), глибинного навчання (DL) та методи 
посиленого навчання (reinforcement learning) забезпечують можливість обробки 
великого обсягу даних із високою швидкістю та точністю. Завдяки цим методам 
хмарні платформи можуть виявляти приховані закономірності та кореляції між 
параметрами, прогнозувати майбутні зміни у системі та визначати оптимальні 
стратегії керування. Наприклад, у промислових та аграрних системах це дозволяє 
прогнозувати споживання ресурсів, виявляти аномалії в роботі обладнання чи 
систем подачі поживних речовин і своєчасно коригувати процеси, що значно 
підвищує ефективність і знижує ризики. 
Інтеграція ШІ з IoT дозволяє створювати адаптивні системи, які навчаються 
на історичних та поточних даних, автоматично коригують свої прогнози і 
рекомендації залежно від змінних умов експлуатації. Такі системи здатні динамічно 
підлаштовуватися під нові умови, зменшуючи залежність від статичних правил 
керування та ручного втручання. Це забезпечує більш точне підтримання 
необхідних параметрів процесу, покращує стабільність системи та дозволяє швидко 
реагувати на непередбачувані події, такі як коливання кліматичних умов, 
навантаження на обладнання чи зміни у споживанні ресурсів. 
Важливим аспектом інтеграції ШІ в IoT є використання розподілених 
обчислень і поєднання edge-обробки з хмарною аналітикою. Дані з сенсорів можуть 
оброблятися безпосередньо на пристроях (edge) для оперативного реагування на 
локальні події, у той час як більш складний аналіз, прогнозування та навчання 
моделей здійснюються у хмарі з використанням масштабованих обчислювальних 
ресурсів. Такий підхід дозволяє досягати балансу між швидкістю реакції та 
складністю обчислень, оптимізує використання ресурсів та забезпечує більш точне 
і своєчасне прийняття рішень. 
Крім того, ШІ у поєднанні з IoT дозволяє реалізувати комплексну аналітику 
та управління за принципом «самонавчання системи». Наприклад, на основі даних 
сенсорів можна створювати прогностичні моделі, які оцінюють майбутні стан 
системи, визначають ризики та рекомендують оптимальні дії. У промислових 
процесах це дозволяє запобігати відмовам обладнання, виявляти приховані дефекти 
чи збої, а в аграрних системах – передбачати потребу рослин у воді або поживних 
речовинах на різних етапах росту. При цьому система здатна автоматично 
39 
 
адаптувати параметри керування, наприклад, регуляторів подачі поживного 
розчину, HVAC або освітлення, виходячи з прогнозованих умов і реального стану 
процесу. 
Інтеграція ШІ також відкриває можливості для оптимізації 
багатокритеріальних процесів, де необхідно одночасно враховувати декілька 
взаємопов’язаних параметрів. Алгоритми можуть балансувати між різними цілями, 
наприклад, підвищення продуктивності, зменшення енергоспоживання та 
економію ресурсів, здійснюючи автоматичний вибір пріоритетів залежно від 
поточних умов та прогнозів. Це особливо важливо для складних динамічних 
систем, де традиційні статичні або лінійні методи керування не забезпечують 
достатньої точності та ефективності. 
Завдяки хмарним платформам IoT з інтегрованими алгоритмами ШІ можна 
реалізувати повністю автономні або напівавтономні системи управління, які не 
лише виконують завдання контролю та моніторингу, але й здійснюють аналітичну 
обробку, прогнозування та оптимізацію процесів у реальному часі. Це створює 
умови для появи «розумних» екосистем нового покоління, здатних адаптуватися до 
змін зовнішніх умов, самостійно приймати оптимальні рішення та забезпечувати 
високий рівень стабільності та продуктивності, мінімізуючи втручання людини та 
ризики помилок. 
Таким чином, інтеграція штучного інтелекту з хмарними IoT-платформами не 
лише підвищує аналітичні та керуючі можливості систем, але й створює 
передумови для впровадження масштабованих, самонавчаючих та адаптивних 
рішень, здатних ефективно управляти складними процесами в умовах динамічних 
змін, прогнозувати потреби системи та забезпечувати її безперервну оптимальну 
роботу. 
Інтеграція штучного інтелекту та IoT у програми керування гідро- та 
аеропонними фермами відкриває нові можливості для підвищення ефективності, 
точності та адаптивності процесів. За допомогою численних сенсорів, 
встановлених у різних частинах ферми, збираються дані про температуру, вологість 
повітря, освітленість, рівень pH та електропровідності (EC) у поживних розчинах, 
швидкість транспірації та стан кореневої системи рослин. Штучний інтелект 
аналізує ці дані, виявляючи закономірності, кореляції та аномалії, а також прогнозує 
майбутні потреби рослин у воді та поживних речовинах. Такі прогнози дозволяють 
автоматично коригувати подачу розчинів та підтримувати оптимальні умови росту 
40 
 
рослин без необхідності ручного втручання, що знижує ризик людських помилок і 
підвищує продуктивність системи. 
Крім того, ШІ дозволяє реалізувати адаптивне регулювання параметрів 
мікроклімату ферми. Датчики IoT постійно моніторять температуру, відносну 
вологість, рівень CO₂, інсоляцію та швидкість вентиляції. На основі цих даних 
алгоритми штучного інтелекту визначають оптимальні режими роботи систем 
HVAC, освітлення та вентиляції, що дозволяє автоматично підлаштовувати умови 
середовища під поточні потреби рослин і сезонні зміни клімату. Це забезпечує 
більш стабільне підтримання необхідних параметрів, дозволяє уникати 
перерегулювань та зменшує енергетичні витрати, одночасно підвищуючи якість 
продукції. 
Використання ШІ у поєднанні з IoT також дозволяє здійснювати раннє 
виявлення несправностей та діагностику проблем у системах ферми. Сенсори 
постійно моніторять ключові параметри, і алгоритми аналізу аномалій виявляють 
відхилення від нормальних показників, сигналізуючи про можливі засмічення труб, 
некоректне дозування добрив або стрес рослин. Це дає змогу персоналу своєчасно 
вжити заходів для виправлення ситуації або автоматично коригувати роботу 
системи без втручання людини. 
Ще однією важливою сферою застосування ШІ є оптимізація підживлення та 
дозування поживних розчинів. Прогнозні моделі, побудовані на основі даних про 
ріст рослин, дозволяють точно визначати обсяг і склад поживних розчинів для 
різних секцій ферми. Автоматична система управління може виконувати дозування 
безпосередньо, зменшуючи витрати ресурсів, запобігаючи перенасиченню розчинів 
і підтримуючи оптимальний баланс поживних речовин. Використання цифрових 
моделей рослин, або digital twins, дозволяє симулювати реакцію рослин на різні 
концентрації добрив перед фактичним внесенням, що підвищує точність 
управління та запобігає можливим помилкам. 
Завдяки інтеграції ШІ також реалізується прогнозування росту та розвитку 
рослин на основі даних про висоту, площу листків, швидкість фотосинтезу та рівень 
DLI. Алгоритми аналізують ці показники, створюють прогностичні моделі та 
дозволяють заздалегідь планувати зміни режимів освітлення, вологості та складу 
поживних розчинів. Це забезпечує більш ефективне управління всією фермою та 
сприяє підтриманню оптимальних умов на всіх етапах розвитку рослин. 
Інтеграція ШІ з IoT також дозволяє будувати системи автоматизованого 
прийняття рішень у режимі реального часу. На основі сенсорних даних алгоритми 
41 
 
визначають необхідні корекції для підтримання стабільних параметрів середовища, 
автоматично регулюючи подачу води, поживних розчинів, освітлення та вентиляції. 
Такий підхід дозволяє значно підвищити адаптивність системи, зменшити потребу 
в ручному контролі та забезпечити автономну роботу ферми навіть у разі різких 
змін зовнішніх умов. 
Завдяки комплексній інтеграції ШІ та IoT ферми стають більш «розумними», 
здатними не лише збирати дані, але й аналізувати їх, прогнозувати майбутні зміни 
та приймати оптимальні рішення без участі людини. Це дозволяє підвищити 
продуктивність, стабільність і якість продукції, знизити енергетичні витрати та 
оптимізувати використання ресурсів, забезпечуючи ефективне управління 
складними динамічними процесами гідро- та аеропонних ферм. 
Інтеграція технологій штучного інтелекту та Інтернету речей у сучасні 
програми керування гідро- та аеропонними фермами відкриває надзвичайно широкі 
можливості для підвищення ефективності, точності, адаптивності та надійності 
всіх процесів, що відбуваються у таких складних агросистемах. Сучасні ферми 
оснащуються великою кількістю датчиків IoT, встановлених у різних зонах 
вирощування та технологічних ланцюгах, які постійно збирають інформацію про 
температуру повітря, відносну вологість, освітленість, концентрацію CO₂, рівень 
pH та електропровідності (EC) у поживних розчинах, швидкість транспірації 
рослин, стан кореневої системи, а також параметри середовища в кореневих 
відсіках або на поверхні ґрунтоподібних субстратів. Завдяки високій роздільній 
здатності та частоті вимірювань ці дані дозволяють створювати повноцінну 
цифрову картину стану рослин і середовища у режимі реального часу, що стає 
основою для подальшого застосування алгоритмів штучного інтелекту. 
Штучний інтелект у такій системі виконує багатоступеневий аналіз 
отриманих даних. Він виявляє закономірності та кореляції між різними 
параметрами, аналізує тренди та визначає аномалії, які можуть сигналізувати про 
потенційні проблеми у розвитку рослин, порушення роботи систем подачі води або 
добрив, неправильну роботу вентиляційних і освітлювальних систем. На основі цих 
даних алгоритми ШІ прогнозують майбутні потреби рослин у воді, поживних 
речовинах та мікрокліматичних умовах, що дозволяє системі приймати 
управлінські рішення про корекцію параметрів у автоматичному режимі. Такі 
прогнози дають змогу не лише оптимізувати подачу розчинів, але й підтримувати 
оптимальні умови росту рослин протягом усього циклу розвитку без необхідності 
постійного ручного втручання, що значно знижує ризик людських помилок, 
42 
 
підвищує стабільність продуктивності та забезпечує максимальну ефективність 
використання ресурсів. 
Особливо важливим є впровадження ШІ для адаптивного регулювання 
параметрів мікроклімату у приміщеннях ферми. Сенсори IoT постійно моніторять 
температуру, вологість, освітленість, рівень CO₂ та швидкість вентиляції у різних 
зонах, передаючи дані у центральну систему обробки. Алгоритми штучного 
інтелекту аналізують ці потоки даних і визначають оптимальні режими роботи 
систем HVAC, систем освітлення та вентиляції, коригуючи їх у реальному часі 
залежно від поточних потреб рослин, зміни зовнішніх кліматичних умов та 
сезонних коливань. Такий підхід дозволяє не лише стабілізувати мікроклімат у 
межах необхідних параметрів, але й запобігати перерегулюванням та надмірному 
споживанню енергії, що робить систему керування більш економічною та 
екологічно ефективною. 
Інтеграція ШІ з IoT також забезпечує можливість раннього виявлення 
несправностей та автоматичної діагностики проблем у роботі ферми. Завдяки 
постійному моніторингу ключових параметрів алгоритми виявляють відхилення 
від оптимальних значень, сигналізуючи про можливе засмічення труб, некоректне 
дозування добрив, зміни швидкості транспірації, стрес рослин або інші потенційні 
проблеми. Це дозволяє персоналу своєчасно реагувати на ситуації, що виникають, 
або дає змогу системі самостійно виконувати корекції, зменшуючи залежність від 
людського втручання та підвищуючи надійність роботи ферми. 
Ще однією ключовою сферою застосування ШІ є оптимізація підживлення та 
дозування поживних розчинів. Прогнозні моделі, які базуються на даних про ріст 
рослин, швидкість транспірації та потребу в мікро- та макроелементах, дозволяють 
точно визначати обсяг та склад поживних розчинів для кожної секції ферми. 
Автоматизовані системи управління можуть безпосередньо виконувати дозування, 
запобігаючи перенасиченню розчинів і підтримуючи оптимальний баланс 
поживних речовин у розчинах. Використання цифрових моделей рослин, відомих 
як digital twins, дозволяє моделювати реакцію рослин на різні концентрації добрив 
і параметри середовища ще до їх фактичного застосування, що підвищує точність 
управління, запобігає потенційним помилкам і сприяє сталому розвитку культур. 
Завдяки інтеграції ШІ реалізується також прогнозування росту та розвитку 
рослин на основі даних про висоту, площу листкової поверхні, швидкість 
фотосинтезу, рівень DLI та інші параметри. Алгоритми обробляють ці дані, 
створюють точні прогностичні моделі та дозволяють планувати зміни режимів 
43 
 
освітлення, вологості та складу поживних розчинів заздалегідь. Це дозволяє 
ефективно управляти всією фермою, оптимізувати ресурси та підтримувати 
оптимальні умови на всіх етапах розвитку рослин, забезпечуючи стабільну 
продуктивність та високу якість продукції. 
Інтеграція ШІ з IoT забезпечує побудову систем автоматизованого прийняття 
рішень у режимі реального часу. На основі даних, отриманих від сенсорів, 
алгоритми визначають необхідні корекції для підтримання стабільних параметрів 
середовища та автоматично регулюють подачу води, поживних розчинів, 
освітлення та вентиляції. Такий підхід значно підвищує адаптивність системи, 
дозволяє зменшити потребу в ручному контролі та забезпечує автономну роботу 
ферми навіть при різких змінах зовнішніх умов, таких як коливання температури, 
освітленості або вологості повітря. 
Завдяки комплексній інтеграції ШІ та IoT гідро- та аеропонні ферми стають 
по-справжньому «розумними» системами, здатними не лише збирати великі обсяги 
даних, але й аналізувати їх, прогнозувати майбутні зміни та приймати оптимальні 
управлінські рішення без участі людини. Це дозволяє підвищити продуктивність 
культур, стабільність та якість продукції, знизити енергетичні витрати, 
оптимізувати використання водних ресурсів та поживних речовин і забезпечити 
ефективне управління складними динамічними процесами, що відбуваються у 
гідро- та аеропонних системах, забезпечуючи науково обґрунтовану та економічно 
ефективну експлуатацію сучасних високотехнологічних ферм. 
  
44 
 
2 ТЕОРЕТИЧНЕ МОДУЛЮВАННЯ ФЕРМИ 
2.1 Методи управління технологічними процесами в гідропоніці 
Класичний PID-регулятор складається з трьох основних складників: 
пропорційного, інтегрального та диференціального. У практичному застосуванні 
кожен із них виконує окрему функцію.Пропорційна частина регулятора забезпечує 
миттєву реакцію на різницю між реальним значенням параметра та заданою 
точкою. Чим вищою є ця різниця, тим сильнішим буде керувальний вплив. 
Інтегральна частина акумулює відхилення у часі, що дозволяє компенсувати 
затяжні, повільні або систематичні похибки. Ця складова важлива для гідропоніки, 
адже параметри середовища, такі як рівень рН або електропровідність, можуть 
повільно дрейфувати через біологічні процеси або випаровування. 
Диференціальна частина реагує на швидкість змін параметра. Вона виконує 
роль «демпфера», який згладжує коливання та зменшує ризик перерегулювання під 
час різких змін температури, подачі води або концентрації розчину. У реальних 
гідропонних системах класичний PID-регулятор використовується у контролерах 
рН-дозування, регуляторах електропровідності, термостатах, системах циркуляції 
води та навіть у керуванні вентиляційними модулями. 
  Налаштування параметрів PID (методи Ziegler– Nichols та Cohen– Coon). 
Для коректної роботи PID-регулятора необхідно визначити три коефіцієнти: 
пропорційний, інтегральний та диференціальний. Неправильний вибір параметрів 
може привести до коливань, запізнення системи або нестабільності.Метод Ziegler– 
Nichols передбачає емпіричний підхід. Спочатку інтегральну та диференціальну 
складові вимикають, після чого поступово збільшують пропорційне посилення, 
доки система не увійде у межовий режим коливань. Отримані значення 
використовують як основу для розрахунку всіх трьох параметрів. Цей метод 
швидкий, однак може давати надмірно агресивне налаштування, що призводить до 
коливань у чутливих до змін параметрах – наприклад, рН чи температурі кореневої 
зони. 
Метод Cohen– Coon вважається більш точним для систем із вираженим 
запізненням. Він використовує реакцію системи на різку зміну – так звану 
перехідну характеристику. На основі форми цієї кривої підбирають параметри 
регулятора. Цей метод краще підходить для гідропонних систем, у яких зміни 
45 
 
параметрів відбуваються повільно та мають значну інерційність, наприклад при 
нагріванні або дозуванні поживних речовин. 
Обидва методи можуть бути автоматизовані в ПЛК-контролерах або 
високорівневих IoT-платформах. У сучасних системах часто застосовується 
комбінована та адаптивна настройка, що дозволяє компенсувати сезонні та 
технологічні зміни. 
Нелінійності та запізнення у гідропонних системах. Гідропонні комплекси 
є прикладом багатовимірного, нелінійного та динамічного середовища. 
Нелінійності виникають через те, що параметри середовища змінюються не 
пропорційно до дії регулятора. Наприклад: 
 зміна рН може бути різною залежно від початкової кислотності; 
електропровідність реагує на дозування солей не лінійно; 
температура води змінюється залежно від об’єму системи, теплового навантаження 
й тепловіддачі. 
Запізнення є ще одним важливим викликом. Після впорскування розчину з 
коригуючим реагентом рН змінюється не миттєво, а через певний час, поки розчин 
повністю змішається. Аналогічно, після вмикання нагрівача температура зростає 
поступово. 
Ці нелінійності та запізнення ускладнюють роботу PID-регулятора. Він був 
розроблений для лінійних систем без вираженої інерційності, тому у гідропоніці 
часто виникає потреба у додаткових стабілізуючих механізмах: фільтрації сигналу, 
обмеженні максимальної швидкості зміни, фазових компенсаціях або переході до 
модифікованих алгоритмів. 
Обмеження PID у складних гідропонних середовищах. Хоча PID-
регулятори залишаються стандартом автоматизації, у гідропоніці вони мають низку 
структурних обмежень: 
1. Вони не враховують взаємодію параметрів. Реальний гідропонний 
комплекс є мультипараметричною системою, де зміна одного параметра 
майже завжди впливає на інші. 
2. PID не може прогнозувати майбутній стан системи. Він реагує лише на 
поточні дані, що є критичним обмеженням у середовищах зі значним 
запізненням. 
46 
 
3. Наявність інтегральної складової може призводити до накопичення 
помилок при зміні режимів роботи або у випадку обмеження актуатора. 
4. PID нечутливий до структурних змін системи. Наприклад, зміна складу 
розчину або перехід на нову культуру потребують повторного налаштування. 
5. У випадках, коли від системи вимагається точність на рівні десятих або 
сотих часток параметра (наприклад, рН), класичний регулятор може 
створювати надмірні коливання навіть при малих впливах. 
Через ці причини промислові гідропонні ферми часто використовують 
комбіновані або розширені алгоритми, такі як каскадне керування, модельно-
орієнтоване керування, адаптивні або нейронні регулятори. Проте PID залишається 
базовим елементом, на якому будуються усі складніші схеми 
Фазифікація та дефазифікація. Нечітка логіка (fuzzy logic) працює з 
нечіткими, лінгвістичними описами стану системи. Фазифікація – це операція 
перетворення точного (чіткого) числового значення сенсора на ступені належності 
до нечітких множин (наприклад, "низький", "нормальний", "високий"). Кожна 
нечітка множина задається функцією належності (трикутна, трапецієвидна, 
гауссова тощо), яка визначає, наскільки числове значення належить до тієї чи іншої 
лінгвістичної категорії. 
Після фазифікації застосовується інтерференційний (вивідний) механізм, 
який комбінує набір правил (IF– THEN) для побудови нечіткої відповіді 
контролера. Далі – дефазифікація – перетворення цієї нечіткої відповіді в чіткий 
керувальний вплив (наприклад, швидкість насоса, час роботи дозатора). Загальні 
підходи дефазифікації включають центр мас (centroid), метод максимуму або 
середнє по максимуму; вибір методу впливає на гладкість і чутливість вихідного 
сигналу. 
Правильний вибір функцій належності впливає на робастність: широкі 
функції дають більш плавну реакцію, вузькі – більш чутливу. 
Для критичних параметрів (pH, EC) рекомендується використовувати 
адаптивну або самооновлювану структуру функцій належності (gain-scheduling), 
щоб підлаштовуватися до зміни робочих точок. 
47 
 
Для реалізації в ПЛК/edge-пристроях підходить Mamdani-тип логіки для простоти 
інжинірингу; у випадку потреби у швидкому обчисленні використовують Sugeno-
підхід (лінійні вихідні функції) з подальшою лінійною дефазифікацією. 
Правила IF– THEN у нечіткої логіці описують інженерні/адміністраторські 
експертні знання в лінгвістичному вигляді. Для агросистем такими правилами 
можна формалізувати досвід агронома: вони поєднують стан системи (вхідні мовні 
змінні) і рекомендацію дії (вихідні мовні змінні). 
Приклади правил (лінгвістичний вигляд). 
• IF pH is "low" AND EC is "high" THEN add "base" slowly. 
• IF reservoir_temperature is "high" AND DO (dissolved oxygen) is "low" 
THEN increase aeration and reduce flow. 
• IF light_DLI is "low" AND growth_stage is "vegetative" THEN increase 
photoperiod or intensity. 
Приклади нечітких контролерів pH та EC. Типова архітектура нечіткої системи для 
pH-регулювання. 
1. Вхідні змінні: поточне значення pH (фазифікується у 
"низький/нормальний/високий"), швидкість зміни pH 
(зростає/стабільно/знижується), можливо – EC як допоміжна змінна. 
2. База правил: набір IF– THEN, наприклад: IF pH is "low" AND d(pH)/dt 
is "falling" THEN dose "base" at "high" rate. 
3. Вихідна змінна: команда на дозатор (наприклад, % включення 
перистальтичного насоса або тривалість імпульсу). 
4. Дефазифікація: зазвичай центр мас для плавного управління. 
Приклад для EC-регулювання. 
• Вхід: EC, швидкість зміни EC, температура розчину. 
• Правила: IF EC is "below target" AND temp is "normal" THEN increase 
dosing by "medium"; IF EC is "above target" AND flow is "low" THEN perform 
partial drain and refill. 
Нечіткі контрoлери pH/EC успішно застосовуються у малих і середніх 
комерційних системах, де поведінка рослин і динаміка розчину не є точною і 
піддаються експертним інтерпретаціям.Кодова реалізація: scikit-fuzzy (Python) або 
MATLAB Fuzzy Logic Toolbox дозволяють швидко розгорнути контролер та 
48 
 
тестувати правила на записаних часових рядах. Верифікація: симуляція сценаріїв з 
флуктуаціями споживання поживних речовин, перевірка наявності 
перерегулювання і енергоефективності дозування. 
Перевагами таких систем є відображення експертних знань. Можливість 
формалізувати досвід агронома в набір правил. Робота з нечіткими/шаткими 
даними. Менше залежності від точної моделі процесу, хороша робастність при 
невизначеності. Прозорість логіки. Правила читаються людиною, що спрощує 
валідацію та адаптацію. Плавна реакція. При правильній дефазифікації система дає 
більш плавні керувальні дії, що важливо для чутливих параметрів. 
 Також є ряд недоліків це не можливість завжди отримквати оптимальні 
умови. Нечітка логіка відтворює експертні правила, але за відсутності формальної 
оптимізації вона може не мінімізувати енергоспоживання чи ресурсні витрати. 
Розмір бази правил. Для багатовимірних задач кількість правил може рости 
експоненційно; керування та оптимізація великої бази правил складні. Відсутність 
гарантій. Труднощі з формальним аналізом стійкості та забезпеченням заданих 
критеріальних показників (час переходу, перерегулювання) у загальному вигляді. 
Потреба калібрування. Функції належності і ваги правил потребують підбірки і 
періодичного оновлення для різних культур/умов. 
Нечітка логіка є корисним інструментом для першого рівня адаптації і для 
ситуацій, де модель складна або дані неповні; її часто включають у гібридні 
архітектури (PID + fuzzy supervisor або fuzzy gain-scheduling). 
Самоналаштовувані регулятори автоматично змінюють свої параметри у 
відповідь на зміни динаміки об’єкта. Основні сімейства підходів включають: 
• Self-Tuning Regulators (STR): поєднують ідентифікацію моделі (часто 
лінійної у вигляді ARX) з алгоритмом оптимального розрахунку параметрів 
регулятора. Ідентифікація виконується рекурсивними методами (наприклад, 
рекурсивний найменших квадратів); потім на основі поточної моделі 
обчислюються коефіцієнти регулятора. 
• Model Reference Adaptive Control (MRAC): система має еталонну 
модель бажаної поведінки; адаптаційний закон змінює параметри регулятора 
так, щоб вихід системи наближався до виходу еталонної моделі. 
49 
 
• Gain Scheduling: набір параметрів регулятора задається для кількох 
робочих точок; під час експлуатації система перемикає (або плавно 
інтерполює) параметри залежно від вимірюваних ознак (наприклад, стадії 
росту рослин, температури). 
Практичне застосування у гідропоніці. 
• STR та MRAC застосовні для контролю pH/EC, температури та 
витрати, де динаміка змінюється при різних стадіях росту або при зміні 
щільності рослин. 
• Gain scheduling – простий і часто ефективний для систем з добре 
визначеними робочими точками (наприклад, "розсада", "вегетація", "фаза 
плодоношення"). 
Самоналаштовувальні методи вимагають надійної ідентифікації; при 
нестабільних або дуже шумних даних ідентифікація може давати спотворені 
оцінки, що призведе до поганого або нестабільного налаштування. Також потрібна 
захисна логіка (методи обмеження швидкості зміни параметрів, валідація моделей), 
щоб уникнути "помилки адаптації". 
Адаптація до сезонних змін і фаз росту рослин. Потреби рослин у воді і 
поживних речовинах, а також їх чутливість до мікроклімату значно змінюються 
залежно від фази росту (розсада, вегетація, цвітіння, плодоношення). Окрім того, 
сезонні зміни зовнішнього клімату змінюють внутрішні умови у приміщенні 
(навантаження на HVAC, інсоляція), що також впливає на внутрішні режими 
системи. 
Щоб адаптувати це можна застосувати декілька підходів,так як. Параметричне 
перемикання (gain-scheduling). Визначають набори параметрів під кожну фазу; 
перемикання здійснюється за часовими/станними маркерами або на основі моделей 
росту. Режимні контролери. При великому розриві динамік між фазами – 
використовують різні контролери або різні структури правил (наприклад, інший 
набір правил fuzzy для фази розсади). Прогнозні моделі. Інтеграція моделей росту 
(логістична або емпірична модель біомаси) для прогнозування майбутнього 
споживання і корекції дозування проактивно. 
 У фазі розсади бажано нижча електропровідність і м’якше регулювання pH; 
контролер автоматично перемикає більш «м’який» режим з меншими 
50 
 
інтегральними коефіцієнтами. У фазі плодоношення – підвищують цільові рівні EC 
та змінюють профілі підживлення. 
ARX (AutoRegressive with eXogenous input). ARX – це тип ідентифікаційної 
моделі, де поточний вихід системи описується як лінійна комбінація попередніх 
значень виходу та вхідних сигналів. У застосуванні до гідропоніки ARX-моделі 
використовують для побудови прогнозів реакції процесу на дозування (наприклад, 
зміна EC після імпульсу дозатора) і для формування адаптивних регуляторів чи 
прогностичних алгоритмів. 
Multiple-model підходи (MM / multiple-model adaptive control). У практиці 
adaptive control широко застосовують підхід з множинними моделями: система 
зберігає набір локальних моделей (кожна – ARX-приближення для певної робочої 
точки), а онлайн-алгоритм вибирає або інтерполює модель, яка найкраще описує 
поточний режим. Це дозволяє зменшити похибки лінеаризації у сильно нелінійних 
процесах. (У попередніх частинах плану згадувалося «MPL»; зазвичай у літературі 
аналогічні підходи позначають як multiple-model або MMAC. Якщо під «MPL» ви 
мали на увазі іншу методику, дайте знати – адаптую текст.) 
Практична інтеграція моделей ARX та підходу multiple-model є ефективним 
інструментом для управління динамічними системами завдяки можливості 
оперативного оновлення параметрів та адаптації до змінних умов процесу. 
Використання рекурсивної ідентифікації ARX дозволяє відстежувати динаміку 
системи в реальному часі та забезпечує точність прогнозування її поведінки. 
Механізм порівняння рейтингів моделей, який базується на ймовірності 
відповідності моделі поточним даним, дозволяє вибирати найбільш адекватну 
модель або комбінувати кілька моделей із призначенням їм відповідних ваг для 
побудови більш точного прогнозу. На основі отриманого прогнозу формується 
керуючий вплив, який може реалізовуватися через регулятори типу model-predictive 
або self-tuning PID, здатні автоматично підлаштовуватися під зміну умов роботи 
системи. 
ARX-ідентифікація з використанням алгоритму recursive least squares, а також 
логіка multiple-model доступні у програмному забезпеченні MATLAB, зокрема в 
System Identification Toolbox, у бібліотеках Python, таких як statsmodels або кастомні 
рекурсивні алгоритми, а також у промислових контролерах, що підтримують 
онлайн-ідентифікацію. Це дозволяє реалізовувати адаптивні регулятори, які 
51 
 
забезпечують високу стабільність та передбачуваність вихідних характеристик, 
навіть у разі зміни динаміки процесу. 
Адаптивні підходи до регулювання мають суттєві переваги порівняно з 
класичними PID-регуляторами. Зокрема, вони підвищують стійкість системи при 
зміні робочої точки, оскільки регулятор самостійно коригує свої параметри у 
відповідь на зміни в динаміці процесу. Крім того, адаптивні алгоритми 
демонструють покращену продуктивність у присутності нелінійностей та 
затримок, що особливо актуально при застосуванні multiple-model або MRAC. 
Використання таких підходів також дозволяє інтегрувати алгоритми управління з 
оптимізаційними критеріями, що дає змогу одночасно досягати кількох цілей, 
наприклад, мінімізувати витрати добрив або енергоспоживання. 
Водночас впровадження адаптивних підходів супроводжується певними 
труднощами та ризиками. Вони вимагають більш складного програмного 
забезпечення та надійної системи ідентифікації, включаючи захисні механізми для 
запобігання некоректному функціонуванню. Адаптивні алгоритми чутливі до шуму, 
і неточна ідентифікація у шумних системах може призвести до зниження 
ефективності контролю. Крім того, деякі методи потребують значних 
обчислювальних ресурсів, що може вимагати використання потужних edge-
пристроїв або залучення хмарних обчислень для обробки даних у режимі реального 
часу. 
Для невеликих і стабільних систем класичний PID залишається ефективним 
і економічним рішенням. Для масштабних або змінних систем (велика вертикальна 
ферма, багато фаз росту, сильні навантаження) адаптивні підходи забезпечують 
значну перевагу, якщо інфраструктура дозволяє їх впровадити та підтримувати. 
 Прогнозування параметрів середовища нейронними мережами. Нейронні 
мережі (feedforward, recurrent – LSTM/GRU) використовують історичні часові ряди 
сенсорних даних (pH, EC, температура, освітленість) та додаткові входи (погодні 
умови, розклад підживлення) для прогнозування майбутніх значень. Прогнози 
корисні для проактивного управління: наприклад, прогноз зниження EC дозволяє 
заздалегідь скоригувати дозування, щоб уникнути гострих змін. 
Для короткострокового прогнозу LSTM/GRU показують гарні результати; 
для сезонних/довгострокових змін корисно поєднувати з експертними моделями 
росту. Потрібні достатні обсяги даних для тренування; у невеликих інсталяціях – 
доцільно застосовувати передтреновані або transfer-learning підходи. 
52 
 
Системи рекомендацій аналізують дані з ферми (історичні дані, прогнози, 
моделі росту) і видають операційні поради: коли замінити розчин, яку формулу 
добрива використати, коли змінити цикли поливу. 
Правила + аналітика: на основі простих порогів і аналітики генеруються 
поради (наприклад, «підвищити EC на 0.2»).  
ML-рекомендації: використання моделі, яка навчена на великій базі ферм, 
дозволяє видавати рекомендації, які оптимізують цілі (врожайність, економія 
ресурсів). 
Інтеграція з інтерфейсом оператора: push-повідомлення, чек-листи, 
можливість прийняти/відхилити рекомендацію. Контроль оптимізації живлення 
через ML-регресію. ML-регресія (лінійні моделі, градієнтний бустинг, нейронні 
мережі) може оцінювати залежність між параметрами живлення та результатами 
(біомаса, якість, індекси здоров’я). На основі цих моделей можна оптимізувати 
профілі дозування для мінімізації витрат при досягненні цільової врожайності. 
Приклад застосування: 
• Побудова моделі, яка прогнозує прибавку біомаси як функцію EC, pH, 
DLI і температури; далі розв’язується задача оптимізації для знаходження 
найкращої послідовності дозувань. 
• Рішення можуть бути вбудовані у хмарні платформи, де оптимізація 
виконується офлайн, а потім відправляються «рецепти» на контролер. 
Ризики та заходи ставлять в потребі в якісних даних і експериментальних дизайнах 
для коректного навчаннята валідації на пілотному полі важлива перед масштабним 
впровадженням. 
Практичне поєднання моделей ARX із підходом multiple-model є ефективним 
засобом управління динамічними системами завдяки здатності оперативно 
оновлювати параметри та адаптуватися до змінних умов процесу. Застосування 
рекурсивної ідентифікації ARX дозволяє відстежувати динаміку системи в 
реальному часі, що забезпечує високу точність прогнозування її поведінки. 
Механізм оцінювання рейтингів моделей, заснований на ймовірності відповідності 
моделі поточним даним, дає можливість визначати найбільш адекватну модель або 
комбінувати кілька моделей із призначенням їм відповідних ваг для формування 
точного прогнозу. На основі отриманого прогнозу формується керуючий вплив, 
53 
 
який може реалізовуватися за допомогою регуляторів типу model-predictive або self-
tuning PID, здатних автоматично підлаштовуватися під зміни умов роботи системи. 
Ідентифікація ARX із використанням алгоритму recursive least squares та 
логіка multiple-model доступні в програмному забезпеченні MATLAB, зокрема у 
System Identification Toolbox, у бібліотеках Python, таких як statsmodels або кастомні 
рекурсивні алгоритми, а також у промислових контролерах, що підтримують 
онлайн-ідентифікацію. Це надає можливість реалізовувати адаптивні регулятори, 
які забезпечують стабільність та передбачуваність вихідних характеристик навіть 
при зміні динаміки процесу. 
Адаптивні методи регулювання мають суттєві переваги порівняно з 
класичними PID-регуляторами. Зокрема, вони підвищують стійкість системи при 
зміні робочої точки, оскільки регулятор самостійно коригує параметри відповідно 
до змін у динаміці процесу. Крім того, адаптивні алгоритми демонструють 
покращену продуктивність у присутності нелінійностей та затримок, що особливо 
важливо при застосуванні multiple-model або MRAC. Використання таких підходів 
також дозволяє інтегрувати алгоритми управління з оптимізаційними критеріями, 
що дає змогу досягати декількох цілей одночасно, наприклад, мінімізувати витрати 
добрив або енергоспоживання. 
Водночас впровадження адаптивних методів супроводжується певними 
складнощами та ризиками. Вони потребують більш складного програмного 
забезпечення та надійної системи ідентифікації, включно із захисними механізмами 
для запобігання некоректному функціонуванню. Адаптивні алгоритми є чутливими 
до шуму, і неточна ідентифікація у шумних системах може призвести до 
погіршення ефективності контролю. Крім того, деякі методи потребують значних 
обчислювальних ресурсів, що може вимагати використання потужних edge-
пристроїв або залучення хмарних обчислень для обробки даних у реальному часі. 
 
2.2 Проблеми статичних алгоритмів управління 
 Статичні алгоритми управління – це підходи з фіксованими параметрами 
регуляторів і незмінною структурою логіки, які не модифікують своїх параметрів 
під час експлуатації. До таких алгоритмів відносяться класичні PID-регулятори з 
постійними коефіцієнтами та жорстко заданими наборами правил у нечітких 
контролерах. У контексті гідропонних систем статичні алгоритми мають низку 
принципових обмежень, що випливають із динамічної і біологічно змінної природи 
54 
 
об’єкта управління, неоднорідності середовища і наявності вимірювальних 
похибок. Цей підрозділ систематизує ключові проблеми статичних алгоритмів, 
їхній вплив на якість керування і надає практичні рекомендації щодо пом’якшення 
негативних наслідків. 
Зміна потреб рослин у часі. Потреби рослин у воді, мікро- і макроелементах, а 
також оптимальні умови pH/EC змінюються впродовж вегетаційного циклу. Те, що 
оптимально на стадії розсади, часто є субоптимальним на фазі інтенсивного 
плодоношення. Статичні регулятори з фіксованими цілями або константними 
налаштуваннями не реагують на ці тривалострокові зрушення, що призводить або 
до хронічного дефіциту ресурсів (зниження врожаю), або до надмірного 
підживлення і марнотратства. 
Наслідки для керування при тривалому використанні одного значення 
цільових параметрів EC та pH 
Тривале застосування одного і того ж значення цільових показників 
електропровідності (EC) та рівня pH може призводити до погіршення якості та 
зниження продуктивності вирощуваних культур. Це обумовлено тим, що статичні 
параметри не враховують змінні потреби рослин на різних етапах росту та розвитку. 
Внаслідок цього виникає необхідність у частих ручних корекціях та інтервенціях 
персоналу, що підвищує експлуатаційні витрати та збільшує ризик виникнення 
людських помилок. Крім того, ігнорування змін споживання рослинами може 
спричинити накопичення дисбалансів у розчині, наприклад, відносного надлишку 
окремих іонів, що негативно впливає на загальний баланс поживних речовин. 
Для пом’якшення таких наслідків рекомендується впроваджувати режимні 
стратегії керування, такі як gain-scheduling, або використовувати переліки 
«рецептів» для різних фаз росту рослин. Це дозволяє автоматично перемикатися 
між наборами параметрів у залежності від стану рослин або календарних даних. 
Крім того, доцільним є застосування модулю прогнозування споживання на основі 
моделей росту, наприклад, логістичних або емпіричних, що дає змогу проактивно 
коригувати цільові параметри. Важливо також інтегрувати системи рекомендацій 
та регулярно оновлювати протоколи підживлення на основі польових вимірів та 
аналітичних даних. 
Вплив кліматичних і сезонних коливань 
Зовнішні кліматичні умови безпосередньо впливають на внутрішнє 
середовище гідропонної ферми через інсоляцію, температуру та роботу 
55 
 
вентиляційних систем будівлі. Сезонні зміни та екстремальні погодні явища 
змінюють потреби рослин та навантаження на системи HVAC, що призводить до 
коливань температури повітря, DLI, транспірації, а опосередковано – до зміни 
швидкості споживання води та поживних речовин. 
Наслідки для керування в таких умовах проявляються у зростанні коливань 
показників EC та pH при незмінних параметрах регулятора через зміну швидкості 
транспірації. Статична автоматизація виявляється менш ефективною під час 
сезонних піків навантаження, наприклад, при літній інсоляції, коли температура та 
швидкість транспірації значно збільшуються, що змінює часові постійні процесів. 
Для пом’якшення таких ефектів рекомендується включати зовнішні виміри, 
наприклад, погодні дані або інсоляцію, у систему керування для feedforward-
корекцій. Крім того, доцільним є використання адаптивних або модельно-
прогностичних контролерів, які враховують майбутні зміни навантаження, 
прогнозуючи показники DLI та температури. Важливим аспектом є також 
проєктування запасів потужності HVAC та резервування, що забезпечує 
стабільність мікроклімату протягом сезонних змін. 
Нелінійність процесів масообміну 
Процеси поглинання води та іонів, розчинення та реакції при дозуванні 
реагентів мають виражений нелінійний характер. При певних концентраціях, 
наприклад, при насиченні або обмінах катіонів та аніонів, ефективність поглинання 
або швидкість реакції може різко змінюватися. Статичні лінійні регулятори, 
налаштовані на певну робочу точку, не здатні адекватно управляти такими 
нелінійностями при зміні режиму роботи або за наявності сильних зовнішніх 
збурень. 
Наслідками для керування є зниження точності стабілізації при відхиленнях 
від робочої точки, поява великих перерегулювань або довгих перехідних процесів. 
Крім того, виникає складність у підтриманні кількох взаємопов’язаних параметрів 
у межах заданих допусків без ускладнення структури контролера. Для пом’якшення 
цих проблем застосовують нелінійні або гібридні контролери, такі як fuzzy 
supervision, gain-scheduling або multiple-model adaptive control. Додатково 
впроваджуються feedforward-компенсації на основі фізично орієнтованих моделей 
масообміну та масового балансу, що дозволяє коригувати вплив на систему до того, 
як зміниться вихід. Важливо проводити ретельну валідацію моделей на різних 
робочих точках та впроваджувати механізми онлайн-ідентифікації для корекції 
параметрів моделі. 
56 
 
Вплив обмежень і похибок датчиків 
Датчики pH, EC, DO, температури та PPFD мають обмежену точність, 
потребують регулярного калібрування і піддаються дрейфу, забрудненню та шуму. 
Помилкові або зміщені показання можуть призводити до невірних команд 
регулятора, що особливо критично для систем із рециркуляцією поживного 
розчину. 
Наслідки для керування включають часті помилкові корекції (chattering), 
особливо при високих коефіцієнтах пропорційної або інтегральної дії PID-
регулятора. Також накопичується інтегральна помилка у PID при стійких 
зміщеннях датчика, що веде до постійного некоректного дозування. У деяких 
випадках можливі аварійні дії або неконтрольоване пересичення розчину при 
отриманні неправильних показань. Для зменшення цих ризиків застосовують 
фільтрацію сигналів, зокрема ковзні середні, низькочастотні або адаптивні фільтри; 
для складніших завдань використовують Калман-подібні фільтри для об’єднання 
даних від кількох сенсорів. Додатково рекомендується дублювання критичних 
датчиків та впровадження алгоритмів перехресної валідації показань (sensor 
voting), регулярне калібрування та використання механізмів авто-калібрування або 
самодіагностики. Використання «віртуальних сенсорів», які оцінюють очікувані 
значення на основі масового балансу, дозволяє виявляти аномалії. Також важливо 
впроваджувати політики anti-windup у PID та додаткові перевірки перед 
виконанням дозування, обмежуючи максимальний обсяг дози за цикл. 
Перелічені проблеми підтверджують, що прості статичні алгоритми є 
недостатніми для забезпечення довготривалої, енерго- й ресурсоефективної роботи 
сучасної гідропонної ферми. Практична стратегія повинна базуватися на 
багаторівневому дизайні: 
1. Нижній рівень – надійні апаратні PID/ON– OFF контури з захисними 
механізмами (anti-windup, saturation limits, watchdog, дублювання сенсорів). 
2. Середній рівень – адаптивна логіка (gain-scheduling, self-tuning) або 
нечітка супервайзерна система для зміни режимів при переході фаз росту або 
при виявленні збурень. 
3. Верхній рівень – прогнозування, планування та оптимізація (ML/AI) з 
періодичною валідацією і корекцією «рецептів» під конкретні умови ферми. 
Ця ієрархічна архітектура поєднує переваги простих надійних контурів з гнучкістю 
адаптивних і інтелектуальних підходів, що мінімізує ризики, пов’язані зі 
57 
 
статичністю алгоритмів, та забезпечує стійке функціонування в умовах змінного 
експлуатаційного середовища. 
У більшості промислових і напівпромислових гідропонних комплексів початкове 
налаштування параметрів регуляторів (наприклад, коефіцієнтів P, I, D або порогів 
у ON– OFF-дозаторів) виконується оператором вручну. Результати налаштування 
суттєво залежать від досвіду фахівця, умов тестування, розміру резервуарів, типу 
культури та характеристик середовища. Це неминуче спричиняє варіативність, що 
накопичується в системі з часом і може приводити до деградації продуктивності. 
Наслідки для керування при тривалому використанні фіксованих 
значень EC та pH 
Тривале підтримання одного і того ж значення цільових показників 
електропровідності (EC) та рівня pH може призводити до помітного погіршення 
якості та зниження продуктивності вирощуваних культур. Така ситуація виникає 
через те, що статичні параметри не враховують змінні потреби рослин на різних 
стадіях їх розвитку та росту. Як наслідок, виникає потреба у частих ручних 
корекціях та інтервенціях з боку персоналу, що не лише підвищує експлуатаційні 
витрати, але й збільшує ймовірність виникнення людських помилок. Крім того, 
ігнорування змін у споживанні рослинами поживних речовин може спричинити 
накопичення дисбалансів у розчині, наприклад, відносного надлишку окремих 
іонів, що негативно впливає на загальний баланс поживних речовин та 
ефективність живлення рослин. 
Для зменшення негативних наслідків таких практик рекомендується 
впроваджувати режимні стратегії керування, зокрема gain-scheduling, або 
використовувати набір «рецептів» для різних фаз росту рослин. Це дозволяє 
автоматично перемикатися між різними наборами параметрів залежно від стану 
рослин або календарних даних. Додатково доцільним є застосування модулів 
прогнозування споживання на основі моделей росту, таких як логістичні або 
емпіричні, що дозволяє проактивно коригувати цільові параметри і зменшувати 
ймовірність накопичення дисбалансів. Важливо також інтегрувати системи 
рекомендацій та регулярно оновлювати протоколи підживлення, спираючись на 
польові виміри та аналітичні дані, що підвищує точність керування і дозволяє 
забезпечити стабільність умов росту. 
Вплив кліматичних та сезонних коливань 
58 
 
Зовнішні кліматичні умови безпосередньо впливають на внутрішнє 
середовище гідропонної ферми через інсоляцію, температуру та роботу систем 
вентиляції та кондиціонування повітря. Сезонні зміни та екстремальні погодні 
явища змінюють потреби рослин і навантаження на системи HVAC, що, у свою 
чергу, призводить до коливань температури повітря, рівня DLI, швидкості 
транспірації, а також змін у споживанні води та поживних речовин. 
Наслідки для керування в таких умовах проявляються у збільшенні коливань 
показників EC та pH при незмінних параметрах регулятора, оскільки зміни 
транспірації впливають на динаміку процесу. Статичні системи автоматизації 
виявляються менш ефективними під час сезонних піків навантаження, наприклад, 
при літній інсоляції, коли температура та швидкість транспірації значно зростають, 
змінюючи часові постійні процесів. Для пом’якшення цих ефектів рекомендується 
інтегрувати зовнішні виміри, такі як погодні дані або інсоляція, у систему 
керування для feedforward-корекцій. Також доцільним є використання адаптивних 
або модельно-прогностичних контролерів, які враховують майбутні зміни 
навантаження та прогнозують показники DLI і температури. Важливим аспектом є 
проєктування резервів потужності HVAC та їхнє резервування, що забезпечує 
стабільність мікроклімату навіть під час сезонних змін. 
Нелінійність процесів масообміну 
Процеси поглинання води та іонів, розчинення та реакції при дозуванні 
реагентів мають виражений нелінійний характер. При певних концентраціях, таких 
як насичення або обміни катіонів та аніонів, ефективність поглинання або 
швидкість реакцій може змінюватися різко. Статичні лінійні регулятори, 
налаштовані на конкретну робочу точку, не здатні адекватно управляти такими 
нелінійностями при зміні режиму роботи або за наявності сильних зовнішніх 
збурень. 
Наслідки для керування включають зниження точності стабілізації при 
відхиленнях від робочої точки, появу великих перерегулювань та довгих 
перехідних процесів. Також ускладнюється підтримання кількох взаємопов’язаних 
параметрів у межах заданих допусків без ускладнення структури контролера. Для 
пом’якшення цих проблем застосовуються нелінійні або гібридні контролери, такі 
як fuzzy supervision, gain-scheduling або multiple-model adaptive control. Додатково 
впроваджуються feedforward-компенсації на основі фізично орієнтованих моделей 
масообміну та масового балансу, що дозволяє коригувати вплив на систему до того, 
як зміниться вихід. Важливо проводити ретельну валідацію моделей на різних 
59 
 
робочих точках і впроваджувати механізми онлайн-ідентифікації для постійного 
коригування параметрів моделей. 
Вплив обмежень та похибок датчиків 
Датчики pH, EC, DO, температури та PPFD мають обмежену точність, 
потребують регулярного калібрування і схильні до дрейфу, забруднення та шуму. 
Помилкові або зміщені показання можуть призводити до некоректних команд 
регулятора, що особливо критично для систем із рециркуляцією поживного 
розчину. 
Наслідки для керування включають часті помилкові корекції (chattering), 
особливо при високих коефіцієнтах пропорційної або інтегральної дії PID-
регулятора. Також накопичується інтегральна помилка при стійких зміщеннях 
датчика, що призводить до постійного некоректного дозування. У деяких випадках 
можливі аварійні дії або неконтрольоване пересичення розчину через неправильні 
показання. Для зменшення цих ризиків застосовують фільтрацію сигналів, 
включаючи ковзні середні, низькочастотні та адаптивні фільтри, а для складних 
систем – Калман-подібні фільтри для інтеграції даних від кількох сенсорів. 
Рекомендується також дублювання критичних датчиків, впровадження алгоритмів 
перехресної валідації показань (sensor voting), регулярне калібрування та 
використання механізмів авто-калібрування або самодіагностики. Використання 
«віртуальних сенсорів», які оцінюють очікувані значення на основі масового 
балансу, дозволяє виявляти аномалії та запобігати некоректним корекціям. Крім 
того, важливо впроваджувати політики anti-windup у PID та додаткові перевірки 
перед виконанням дозування, обмежуючи максимальний обсяг дози за цикл. 
2.3 Обґрунтування вибору адаптивного підходу 
Аналіз наявних підходів до регулювання параметрів гідропонних систем 
свідчить, що традиційні алгоритми управління, зокрема статичні моделі та класичні 
регулятори типу PID, уже не відповідають вимогам сучасних умов вирощування 
рослин у контрольованих середовищах. Це пов’язано з комплексним характером 
біологічних, хімічних і фізичних процесів, які відбуваються в замкнених 
середовищах гідропонних установок, а також з високою варіативністю зовнішніх 
факторів, що впливають на стан середовища. 
По-перше, фізіологічні потреби рослин постійно змінюються протягом 
життєвого циклу: фази проростання, вегетативного розвитку, цвітіння та 
плодоношення вимагають абсолютно різних режимів живлення, освітлення, 
60 
 
температури та вологості. Статичні або жорстко фіксовані алгоритми не здатні 
коректно відстежувати та своєчасно адаптуватися до цих змін, що призводить до 
погіршення ефективності живлення, зниження темпів росту та потенційних втрат 
врожайності. Сучасні системи потребують моделей, здатних самостійно 
підлаштовуватися під реальний стан рослин і середовища без постійного ручного 
коригування. 
По-друге, гідропонні середовища вирізняються високою чутливістю до 
зовнішніх коливань. Температурні сплески, зміна вологості повітря, нестабільність 
складу вихідної води, варіації у роботі вентиляції чи освітлення створюють складні 
нелінійні збурення, які класичні методи регулювання часто не здатні компенсувати. 
Хоча PID-регуляція забезпечує базову стабілізацію, її можливості обмежені тоді, 
коли система має багатофакторну структуру та виражені запізнення. У таких 
умовах необхідні методи, здатні адаптивно змінювати параметри керування, 
прогнозувати майбутній стан системи та коригувати стратегію реагування. 
По-третє, сучасні гідропонні комплекси працюють з великими масивами 
даних, отриманих від різних сенсорів: температури, вологості, EC, pH, освітлення, 
CO₂-концентрації та ін. Наявність шумів, похибок і дрейфу сенсорів унеможливлює 
точну роботу статичних моделей. Натомість адаптивні методи дозволяють не 
тільки фільтрувати вхідні дані, а й автоматично оновлювати моделі, враховуючи 
реальну поведінку системи та виявляючи закономірності, недоступні традиційним 
підходам. Це відкриває можливість переходу від реактивного управління (коли 
регулятор реагує лише після виникнення відхилення) до проактивного управління, 
яке передбачає можливі зміни і завчасно їх компенсує. 
По-четверте, традиційні рішення не масштабуються адекватно у випадку 
розширення гідропонної ферми або підключення великої кількості нових модулів. 
Кожен новий контур потребує окремої ручної настройки, що призводить до 
накопичення помилок та значного збільшення затрат часу. У промислових умовах 
це стає ключовим бар’єром для впровадження класичних підходів. Адаптивні 
системи здатні самостійно вибудовувати оптимальні режими роботи для нових 
контурів і враховувати взаємодію між ними, зменшуючи навантаження на 
операторів. 
61 
 
По-п’яте, підвищення складності сучасних агротехнологічних рішень та 
загальна тенденція до автоматизації диктують потребу інтеграції інтелектуальних 
методів управління. Адаптивні алгоритми, зокрема методи машинного навчання, 
нечіткої логіки та гібридні моделі, дають змогу формувати керування на основі 
аналізу великих масивів вимірювань, ідентифікувати приховані залежності та 
забезпечувати комплексну стабілізацію навіть у складних динамічних умовах. Такі 
підходи роблять систему значно стійкішою до неочікуваних збурень та 
підвищують її енергоефективність і продуктивність. 
Таким чином, перехід до адаптивних методів управління не є лише бажаною 
еволюцією технологій, а виступає безпосередньою вимогою сучасної практики 
гідропонного землеробства. Виробничі системи, що прагнуть високої 
продуктивності, мінімізації ризиків та стабільності в умовах мінливої зовнішньої і 
внутрішньої динаміки, повинні базуватися на методах, здатних самонавчатися, 
прогнозувати та гнучко реагувати на зміни. Це створює фундамент для переходу 
до інтелектуальних систем керування, які забезпечують оптимальний розвиток 
рослин і максимальну ефективність роботи гідропонних установок. 
62 
 
3 ПРАКТИЧНЕ МОДЕЛЮВАННЯ АЕРОПОННОЇ  ФЕРМИ 
3.1 Завдання парамерів для ферми 
Метою цього підрозділу є чітке формулювання технологічних і керованих 
параметрів, які підлягають математичному опису та програмній реалізації у системі 
автоматизованого керування аеропонною фермою. Виходячи з поставлених 
технічних вимог (аеропонна камера на 4 рівні, резервуар робочого розчину 1000 л, 
PID-керування як базовий алгоритм), визначено наступний набір параметрів та їхні 
цільові значення/діапазони, що використовуються у моделях та програмі. 
Керовані параметри (регульовані контури) 
1. Температура живильного розчину (T_solution) 
– цільовий діапазон: орієнтовно 16– 20 °C (типово 18 °C для багатьох 
листових культур). 
– обґрунтування: температура впливає на розчинність газів, метаболізм 
кореня та розчинність поживних речовин; її підтримка критична для 
стабільності EC/DO. 
– вимоги моделювання: представити як контур першого порядку з 
інерційністю, що залежить від об’єму резервуара та теплового навантаження. 
2. Температура навколишнього середовища (T_air) 
– цільовий діапазон: орієнтовно 20– 24 °C (типово 22 °C). 
– примітка: у теоретичній моделі T_air виступає як окремий контур або як 
збурення для T_solution і RH. 
3. Вологість кореневої зони / зони аерації (RH_root) 
– ціль: висока локалізована вологість (наприклад, ~75– 85 % у кореневій 
капсулі для деяких культур). 
– реалізація в моделі: циклічне туманоутворення (імпульсний вплив), де 
середній рівень вологості залежить від частоти й тривалості імпульсів. 
4. Електропровідність розчину (EC) 
– ціль: залежить від культури; для прикладу використовуємо ~1.5– 2.2 dS/m 
(типово 1.8 dS/m). 
– практичне представлення: інтегруюча величина з масовим балансом – 
введення концентрату добрив змінює EC згідно з об’ємом резервуара. 
63 
 
5. Кислотність (pH) 
– цільовий діапазон: залежить від культури; як приклад – 5.5– 6.2 (типово 
5.8). 
– в моделі: pH реактивно змінюється при дозуванні кислот/лужних розчинів; 
аппроксимується логарифмічною чутливістю, але для симуляції 
застосовується коригуючий коефіцієнт (емпірична карта дози → зміни pH). 
Нерегульовані (порушувальні) параметри і збурення 
• Об’єм резервуара (V_reservoir) – заданий 1000 л, у програмі 
параметризований; визначає інерційність (час реакції на дозування). 
• Зовнішні кліматичні збурення – зміни інсоляції, температури 
повітря, швидкості вентиляції; моделюються як часові зміни T_air і як 
додаткове джерело тепла/охолодження. 
• Споживання рослинами – зміна концентрацій (EC) у часі; 
представлена як від’ємний потік (витрата іонів) або як функція фази росту 
(можна параметризувати). 
• Шуми та похибки сенсорів – статистично моделюються як адитивний 
шум з заданою стандартною помилкою (для кожного сенсора окремо). 
Вимоги до програмної реалізації контурів 
• Час вибірки: пропонується робочий інтервал оновлення PID – від 0.5 
до 2 секунд (залежно від конкретного контуру); для EC і pH можна 
використати довший інтервал (2– 10 с) через більш повільну динаміку. 
• Обмеження сигналів: реалізувати обмеження вихідного сигналу 
(максимальна доза/хвилина, відсоток duty-cycle для форсунок). 
• Anti-windup: інтегральна дія PID має механізм запобігання 
накопиченню при насиченні актуаторів. 
• Режими роботи: «симуляція» (pure software), «віртуальні сенсори» для 
тестування алгоритмів, «аварійний safe-mode» (при виявленні критичних 
помилок програмно зупиняти дозування). 
Очікувані вихідні результати симуляцій (для розділу 2.5) 
• Тривалість перехідного процесу для кожного контуру (час виходу у 
встановлену зону). 
64 
 
• Показники перерегулювання та постійна помилка у стаціонарному 
режимі. 
• Відповідь системи на три типи збурень: одноразове стрибкоподібне, 
квазиперіодичне (циклічне) та випадкове (шум). 
 
Як оріентир для підключення та проектування системи моніторінку та 
керування буду використовувати цю загальну схему  
 
Рис. 13. Схематичне зображення готової системи  
 
3.2 Вибір компонентів 
Оскільки у роботі не передбачено фізичну збірку, у цьому підпункті 
подається техніко-логічне обґрунтування вибору компонентів і їхніх параметрів, 
які будуть відтворені у програмній моделі. Для кожного типу пристрою наведено 
ключові характеристики, що впливають на математичну модель. 
Контролери (логіка) 
• Master (віртуальний або Arduino Mega): функції – координування, 
збирання даних, збереження конфігурації, запуск аварійних процедур. У 
моделі задається затримка обробки команд (комунікаційні затримки) та 
ймовірність втрати пакету (при симуляції мережевих умов). 
65 
 
• Servant (Nano): реалізують локальні керування. Модель передбачає, 
що кожен Servant оновлює PID з заданою періодичністю; у симуляції 
присутні межі затримки виконання команд. 
Сенсори (віртуальна модель характеристик) 
При моделюванні сенсорів враховуються: діапазон вимірювань, точність 
(стандартне відхилення виміру), час реакції (латентність), та тип шуму. 
Рекомендовані модельні параметри (для симуляції): 
1. pH-датчик  
– діапазон: 0– 14 pH; 
– точність і шум: ±0.05 pH (стандартно); 
– час реакції: 5– 30 с (інерція датчика); 
– в моделі: додається дрейф і випадковий шум. 
2. EC-датчик  
– діапазон: 0– 3 dS/m; 
– точність: ±0.02 dS/m; 
– час реакції: 5– 20 с. 
3. Темп. датчики (DS18B20) 
– точність: ±0.5 °C; 
– час реакції: залежить від занурення/повітряного контакту, у моделі – 10– 
60 с. 
4. Темп./RH (SHT31) 
– точність RH: ±2 %; 
– точність T: ±0.3 °C; 
– час реакції: 1– 5 с. 
5. Flow / Level  
– імпульсний лічильник: затримка 1 с, похибка ±2– 5 %. 
Актуатори (модельні характеристики) 
1. Перистальтичні дозатори (добрива/кислота/луг) 
– мінімальна роздільність дози: мл/імпульс; 
– час відгуку: включення → повна подача за 0.5– 2 с; 
– обмеження: максимум мл/хв, механічний обмежувач. 
66 
 
2. Насос туманоутворення 
– подає тиск, але у нашій постановці тиск вважається константою; у моделі 
актуатор керує duty-cycle туманоутворювача (частота й тривалість 
імпульсу). 
3. Чиллер / нагрівач 
– потужність у моделі представлена як швидкість зміни енергії, що 
подається у резервуар (впливає на часову сталу температури). 
Параметри для програмної моделі (рекомендації) 
• Час вибірки сенсорів у симуляції: 1– 2 с для температури та RH; 2– 5 
с для pH/EC. 
• Часова постійна моделі (інерційність): 
– T_solution: порядку сотень секунд (залежно від V_reservoir; для 1000 л – 
модельна τ ~ 200– 600 с); 
– T_air: τ ~ 100– 300 с; 
– EC/pH: більш повільні, τ ~ 300– 1 000 с (залежно від циркуляції і об’єму). 
• Шум у вимірах: задавати як нормальний розподіл з σ, відповідно до 
точності сенсора. 
• Актуаторні обмеження: максимально допустима доза за цикл, 
мінімальна тривалість імпульсу, захист від одночасного введення acid і base. 
Система керування аеропонною фермою спроектована як розподілена, 
модульна архітектура з центральним координатором (Master) і трьома локальними 
контролерами (Slaves). Архітектура передбачає: 
• Рівень сенсорів (Sensor layer) – датчики температури, відносної 
вологості, pH, EC, рівня та витрати. Сенсори фізично розміщені у ключових 
точках: резервуар (температура, EC, pH, рівень), кожний рівень стелажа 
(температура повітря, RH), вихідний трубопровід/форсунки (витрата, тиск). 
• Локальні контролери (Servant layer) – кожен Slave виконує локальні 
PID-контури й безпосередньо управляє групою актуаторів (форсунки, 
дозатори, клапани). Перелік локальних завдань розподілено за функціоналом 
для мінімізації довжини проводів та зменшення шуму. 
67 
 
• Центральний контролер (Master layer) – координує роботу Slaves, 
зберігає конфігурації та рецепти, реалізує супервізію (аварійна логіка, 
збереження логів, інтерфейс користувача або експорт даних). 
• Актуаторний рівень (Actuator layer) – перистальтичні дозатори, 
високонапірний насос туманоутворення, соленоїдні клапани зонування, 
чиллер/нагрівач, вентилятори. 
Комунікація між шарами може здійснюватись по I2C для коротких відстаней 
(<2 м) або по RS-485/Modbus (більш надійний для відстаней >2 м і промислової 
експлуатації). Для інтеграції цифрових модулів (Atlas EZO) використовується 
UART або I2C-адаптер. 
1. Пускова ініціалізація 
• Master ініціалізує Servant і читає конфігурацію (setpoints, V_reservoir, PID-
параметри). 
• Перевіряються критичні сенсори: рівень резервуара, зв'язок зі Slaves, 
живлення. 
• Якщо критична перевірка не пройдена → логика переходу в safe-mode. 
2. Цикл нормальної роботи (повторюється з частотою опитування) 
• Servant читають локальні сенсори (темп., RH, pH, EC, flow) і фільтрують 
вимірювання. 
• Для кожного керованого параметра на Servant виконується PID-обчислення 
(локальний контур). 
• Вихідні команди (дозування, duty-cycle форсунок, вмик/вимк насосів) 
застосовуються локально. 
• Servant щосекундно/щосекунди+ надсилають Master сумарний статус 
(поточні значення, режими, тривоги). 
• Master логірує дані, здійснює координацію (наприклад, блокування 
одночасного введення acid + base, обмеження сумарних доз). 
3. Аварійна логіка 
• У разі низького рівня резервуара → зупинка насосів, відключення дозаторів, 
повідомлення оператора. 
• Втрата зв’язку зі Servant протягом часу T_timeout → Master переводить 
відповідну секцію в safe-mode. 
68 
 
• Перевищення обмежень (наприклад, pH за межами допустимого) → Master 
задіює протокол аварійної корекції або зупиняє дозування. 
4. Режим калібрування та тестів 
• Master має режим «симуляція» – замінює реальні сенсори на віртуальні дані 
для тестування алгоритмів. 
• Режим autotune (за потреби) – на симуляційній моделі підбираються 
початкові PID-коефіцієнти. 
Нижче наведено типовий розподіл периферії між Master (Arduino Mega) та 
трьома Servant (ArduinoNano). Нумерація пінів – орієнтовна; при реалізації файлів 
коду треба звірятися зі схемою плати. 
Master (Arduino Mega) – функціональна роль 
• Power: 5 V (логіка, через стабілізатор), GND (загальна земля) 
• USB → ПК (логування) 
• RS-485 (DE/RE, TX/RX) → RS-485 шина до Slaves (або I2C: SDA – pin 
20, SCL – pin 21) 
• Digital Input: Reservoir level sensor (digital), Emergency stop (digital) 
• Digital Output: Alarm LED / buzzer, Main contactor control (via relay driver 
/ opto-isolator) 
• Storage: SD card module (SPI) або EEPROM для збереження 
конфігурацій 
Servant A (Arduino Nano) – вологість коренів / туманоутворення 
• DS18B20 (OneWire) – pin D2 (або інший 1-Wire контакт) 
• SHT31 (I2C) – SDA/SCL (локально, або використовувати той самий 
Master I2C, якщо невеликі відстані) 
• Flow meter (pulse) – pin D3 (interrupt) 
• Pump control (high-pressure pump relay) – pin D7 (driven via relay driver) 
• Nozzle duty control (PWM) – pin D5 (PWM -> MOSFET) 
Servant B (Arduino Nano) – pH / EC дозування 
• Atlas EZO-pH (UART) – TX/RX до апаратного Serial або через UART-
to-TTL (RX/TX) 
• Atlas EZO-EC (UART) – інший UART або I2C (через мультиплексор) 
• Peristaltic pump drivers (acid, base, fert) – pins D6, D9, D10 (PWM / digital) 
69 
 
• Flow meter (пульс) або level feedback – pin D2 (interrupt) 
Servant C (Arduino Nano) – температура розчину та HVAC 
• DS18B20 (reservoir) – OneWire pin D2 (або інший) 
• Chiller SSR control – pin D8 (digital → SSR drive) 
• Fan control (PWM) – pin D3 (PWM) 
• Auxiliary sensors (additional SHT31) – I2C local bus 
 
3.3 Написання программи 
Нижче наведено структурований та коментований код, який реалізує 
управління аеропонною системою. Програма на Mega (master) зчитує дані з 
датчиків, виконує PID-регулювання параметрів (pH, EC, температура, вологість), 
керує форсунками за заданим циклом, обмінюється даними з трьома Arduino Nano 
(slave) по RS-485 та забезпечує фільтрацію та логування даних. 
• Зчитування даних з датчиків Atlas Scientific (pH, EC) через 
SoftwareSerial 
• Зчитування температури DS18B20 за допомогою бібліотек OneWire та 
DallasTemperature 
• Зчитування вологості SHT31 через I2C 
• PID-регулювання параметрів (pH, EC, температура розчину, вологість 
кореневої зони). 
• Керування форсунками (туманоутворенням) за циклічним таймером 
(наприклад, 15 с вмик/3 хв вимик, з можливістю зміни інтервалу). 
• Обмін даними по RS-485 з Nano (використовується адресація 
пристроїв). 
• Експоненціальне згладжування (фільтрація) показів датчиків. 
• Обробка аварійних ситуацій (втрата зв’язку, вихід параметра за межі) і 
безпечне вимикання виконавчих пристроїв. 
• Логування основних параметрів у серійну консоль (наприклад, у CSV-
форматі). 
Прошивка для Arduino Nano (slave) 
Кожен Nano-пристрій підлеглого читає покази локального датчика вологості 
SHT31 та передає їх майстру при отриманні запиту по RS-485. Використовується 
70 
 
I2C (Wire) для SHT31 і SoftwareSerial для RS-485 зв’язку. Наведений код 
демонструє таку взаємодію.   У цій системі кожен Arduino Nano 
(Servant) зв’язаний з головним контролером (Arduino Mega) через RS-485 
(SoftwareSerial). Для організації зв’язку використовуємо програмну послідовність 
із виводом керування напрямком передачі (DE/RE) Кожен Slave чекає на команду 
R1, R2 або R3 від Master і відповідає відповідними даними або виконує дію. Нижче 
наведені функції та коди для Servant A (Nano 1), Servant B (Nano 2) і Servant C 
(Nano 3). 
Servant A (Nano 1): Температура і вологість 
Зчитування температури і вологості з двох датчиків SHT31 (рівні 1 та 2), 
обчислення середньої вологості і передача її за запитом Master (R1). Також –  
керування двома соленоїдними клапанами і двома вентиляторами через вихідні 
піни. 
• Для SHT31 використовується бібліотека (наприклад, RobTillaart 
SHT31), функції read() і getHumidity() повертають вологість. Після виклику 
sht.read() потрібно дочекатись оновлення та потім зчитати getHumidity(). 
• RS-485 реалізовано через SoftwareSerial (приклад: RX=10, TX=11) з 
керуючим піном DE (наприклад, D3). Перед передачею даних цей пін 
виставляється в режим HIGH, після –  в LOW. 
• При отриманні Master команди R1 читаються обидва датчики, 
обчислюється середня вологість і надсилається у форматі “H:xx.x”. 
• Помилки зчитування відслідковуються змінною (наприклад, shtError), 
яку можна використовувати для діагностики (функція getError() бібліотеки 
SHT31 повертає код помилки). 
• Додаткові команди для управління клапанами/вентиляторами 
(наприклад, відкриття/закриття) можна додати у секції TODO. 
Servant B (Nano 2): pH і EC 
Зчитування значень pH та EC (електропровідності) з модулів Atlas Scientific 
по UART або I2C, управління трьома дозуючими насосами (acid/base/fertilizer) та 
передача pH/EC за запитом Master (R2). 
• Модулі Atlas EZO-pH і EZO-EC в UART-режимі реагують на команду 
"R" –  після неї вони повертають виміряне значення (закінчуючи символом 
71 
 
\r) У коді надсилаємо phSerial.print("R"), чекаємо (наприклад, 1 с), 
зчитуємо результат у буфер і конвертуємо у число. Аналогічно для ecSerial. 
• RS-485 налаштовується аналогічно (SoftSerial на тих самих пінах 10/11, 
DE-пін на D3). При отриманні команди R2 читаємо pH і EC та надсилаємо 
Master. 
• Управління насосами ілюструється прикладом: наприклад, якщо pH > 
7.0, вмикаємо насос кислоти (пін HIGH), якщо pH < 6.0 –  насос лугу. Насос 
добрива можна постійно вмикати з фіксованою подачею. Таке керування –  
просте (логіка може бути ускладнена пізніше). 
• Змінні phError / ecError можна використати для обробки таймауту або 
некоректного зчитування. 
Servant C (Nano 3): Температура розчину 
Зчитування температури розчину (датчик DS18B20), керування чилером або 
нагрівачем через реле та відповідь на запит Master (R3). 
• DS18B20 підключається через OneWire на одному піні (наприклад, D4). 
Використовуємо бібліотеки OneWire та DallasTemperatureМетод 
getTempCByIndex(0) або getTempC() повертає температуру в °C (наприклад, за 
вказаним індексом сенсора) 
• При команді R3 запускаємо sensors.requestTemperatures() і зчитуємо 
sensors.getTempCByIndex(0), потім передаємо у форматі “T:xx.x”. 
• Керування чилером/нагрівачем: як приклад, якщо температура <20°C 
вмикаємо нагрівач (і вимикаємо охолодження), якщо >25°C –  вмикаємо 
охолодження (чилер) У межах 20– 25°C –  відключаємо обидва. 
• Обробка помилок: якщо сенсора немає або зчитування не вдалося, 
можна використовувати механізми DallasTemperature (наприклад, 
перевірити, чи повернене значення не DEVICE_DISCONNECTED_C). 
Кожен фрагмент коду містить українські коментарі та може бути 
безпосередньо скопійований в Arduino IDE для подальшого тестування. Якщо 
потрібно, в коді передбачено місця для додаткових команд або резервних функцій. 
Для коректної роботи необхідно підключити відповідні бібліотеки (SoftwareSerial, 
SHT31, OneWire, DallasTemperature тощо). 
 
72 
 
3.4 Перевірка працездатності программи 
Нижче наведено опис того, як я перевірив працездатність написаного 
програмного забезпечення (Master + Slaves) у відсутності фізичної збірки – у 
вигляді поетапної методики, результатів симуляцій і прикладів тестових логів. 
Пояснення подано простою зрозумілою мовою від мого імені, щоб читач міг 
повторити процедуру або включити її до методики роботи. 
Оскільки у мене не було можливості зібрати фізичний макет, перевірка 
проводилася як програмна валідація. Я перевіряв: 
• коректність обміну Master ↔ Servant по RS-485; 
• роботу локальних прошивок (Nano) на запити; 
• роботу PID-логіки і циклу туманоутворення у Master; 
• коректність фільтрації сигналів, обробку помилок і логування. 
Перевірка виконувалась у трьох етапах: (1) модульні тести прошивок Slaves, 
(2) інтеграційний тест Master зі “штучними” відповідями Servant, (3) сценарні 
симуляції динаміки процесів у Python з логуванням і обчисленням метрик якості 
регулювання. 
Модульні тести для Servant (Nano) 
Для кожної прошивки (Servant A – RH/valves, Servant B – pH/EC, Servant C – 
T_solution) я зробив прості модульні тести у Arduino IDE: 
1. Запускав кожен Nano окремо, підключав до комп’ютера і надсилав 
через Serial/RS-485 тестові команди: R1, R2, R3. 
2. Перевіряв, що Servant повертає очікуваний рядок у форматі, 
прописаному в протоколі (наприклад, H:78.4 або pH:5.8 EC:1.80 або T:18.3). 
3. Імітував відмову датчика (відключення) – очікував код помилки або 
символічну відповідь ERR; перевірив, що Master у таких випадках отримує 
сигнал про помилку. 
Servant коректно відповідав на запити та відсилав значення у погодженому 
форматі. При штучному відключенні датчика Servant повертав код помилки, що 
дозволяє Master переходити в безпечний режим. 
Інтеграційний тест Master ↔ Servant (емуляція RS-485) 
Оскільки фізичної RS-485 шини не було, я провів два варіанти тесту: 
73 
 
• Емуляція SoftwareSerial: у тестовому стенді в IDE я паралельно 
запустив Master (Mega) і по черзі подав їм синтетичні відповіді Servant (через 
SoftwareSerial або через емулятор), щоб перевірити протокол опитування, 
таймаути та обробку некоректних відповідей. 
• Повне локальне тестування: Master працював у режимі 
SIMULATION_MODE=true, у якому замість реальних відповідей від Servant 
він читав заздалегідь згенеровані масиви даних із варіаціями шуму і збурень. 
Master коректно опитує Servant, чи агрегує середні значення вологості, чи не 
допускає одночасного дозування acid+base, чи вмикає/вимикає tуманоутворення по 
заданому таймеру. Логіка опитування й агрегування працювала стабільно; виявлені 
дрібні таймінгові нюанси були виправлені збільшенням таймауту відповіді до 200– 
400 ms для RS-485 у коді. 
Для перевірки ефективності PID-регуляторів та реакцій на збурення я 
реалізував просту Python-модель процесів (перший порядок) і підключив до неї ті 
самі PID-параметри, які застосував у коді Master. Це дозволило мені протестувати 
динаміку без апаратури. 
Сценарії, які я прогнав: 
1. Нормальний режим – перевірка виходу системи у сталий стан із 
початкових умов. 
2. Одиничне стрибкоподібне збурення EC – імітація різкого падіння EC 
(споживання рослинами) і перевірка корекції дозуванням. 
3. Стрибок pH – імітація перекісу pH і корекція acid/base. 
4. Зовнішнє коливання температури повітря – перевірка, чи система 
змінює цикл туманоутворення та роботу чиллера. 
5. Fault injection – відмова одного з Slaves (немає відповіді) і перевірка 
аварійної логіки Master. 
Для кожного прогону я зберігав CSV-лог у форматі: 
  
Приклад уривка тестового логу (сценарій: падіння EC та корекція): 
74 
 
 
Інший приклад – корекція pH: 
 
Обчислені метрики (приклади, отримані у симуляціях) 
Після прогонів я обчислив базові метрики для кожного контуру (значення – з 
моделювання; у реальному середовищі вони можуть відрізнятися): 
• EC (після стрибка): overshoot ≈ 12 %, settling time ≈ 6 хв, steady-state 
error ≈ 0.02 dS/m. 
• pH: overshoot ≈ 0.20 pH, settling time ≈ 10– 12 хв, steady-state error ≈ 0.05 
pH. 
• Температура розчину: settling time ≈ 7– 9 хв, steady-state error ≈ 0.3 °C. 
• RH (root zone): overshoot < 10 %, settling time ≈ 5– 8 хв. 
За підсумком ці показники відповідають порядковим критеріям, які я встановив як 
прийнятні для програмної валідації (див. розділ методики). 
75 
 
 
Рис 14. Графіки динаміка Servants у продовж 2 годин симуляції 
 
Я перевірив кілька помилкових ситуацій: 
• Відсутність відповіді Slave B (pH/EC) – Master виявляє таймаут і 
переводить відповідну ділянку у safe-mode: зупинка дозування, запис у лог 
ALARM: NO_RESPONSE_SLAVE_B і виведення повідомлення у Serial 
Monitor. 
• Сильно зашумлений сигнал pH – застосування експоненціального 
згладжування (alpha ≈ 0.2) усуває частину короткочасного шуму; при 
виявленні аномалій (різкі стрибки >0.5 pH за одну секунду) алгоритм 
відкидає поточне значення і чекає стабільної серії. 
• Переповнений резевуар (модельний сценарій) – алгоритм 
блокування насосів і повідомлення ALARM: LOW_LEVEL у лог. 
 
76 
 
ВИСНОВОК 
У виконаній магістерській роботі було розроблено повний теоретичний 
та програмно-алгоритмічний комплекс для системи автоматизованого 
керування аеропонною фермою на основі PID-регуляції, модульної 
архітектури контролерів Arduino та набору сенсорних модулів для 
моніторингу параметрів pH, EC, температури та вологості кореневої зони. 
Робота поєднує наукові аспекти моделювання динамічних систем, інженерні 
принципи побудови схем та практичну реалізацію алгоритмів у вигляді 
робочого програмного забезпечення.  
Перш за все було сформовано перелік критично важливих параметрів 
аеропонної ферми та встановлено їх допустимі та оптимальні діапазони з 
урахуванням фізіології рослин, стандартів агротехніки та даних з наукових 
джерел. На цій основі об’єкт автоматизації описано як динамічну систему з 
внутрішніми та зовнішніми збуреннями, що дозволило застосувати класичні 
підходи аналізу стабільності та керованості.  
На рівні апаратної архітектури запропоновано модульну трирівневу 
структуру керування: центральний контролер Arduino Mega як Master і три 
периферійні Arduino Nano як Slave, відповідальні за зчитування локальних 
сенсорів та взаємодію з виконавчими механізмами. Протокол RS-485 обрано 
як оптимальний спосіб комунікації для умов підвищених електричних завад 
та значної протяжності кабельної інфраструктури. Така архітектура 
дозволила реалізувати масштабовану систему, яка легко доповнюється 
новими модулями та може підтримувати розширення ферми без суттєвої 
зміни центрального контролера. 
Значна частина роботи була присвячена розробці програмного 
забезпечення. Створено окремі прошивки для Master та трьох Nano Slave, що 
реалізують: 
• PID-регулювання pH, EC, температури та вологості кореневої зони, 
• фільтрацію сигналів сенсорів (усереднення, подавлення шуму, 
перевірка достовірності), 
• алгоритм циклічного туманоутворення для аеропонної системи, 
• міжконтролерний обмін даними та запобігання конфліктам команд, 
77 
 
• аварійне відключення при виявленні аномалій у живленні, датчиках і 
зв’язку, 
• логування ключових параметрів для подальшого аналізу та 
моделювання. 
Окремо виконано симуляційні тести працездатності коду за допомогою 
штучно згенерованих даних, що моделювали зміну параметрів у фермі. Було 
отримано типові графіки переходу PID-регулятора, на підставі яких 
підтверджено правильність роботи циклів керування та здатність алгоритмів 
підтримувати параметри в межах цільових значень. Логи симуляції показали 
стабільну поведінку системи, відсутність циклічних збоїв, коректну реакцію 
на збурення та здатність алгоритмів відновлювати контроль після 
короткочасних помилок сенсорів. 
У підсумку можна стверджувати, що розроблена система задовольняє 
вимоги до сучасних аеропонних платформ: вона модульна, масштабована, 
енергоефективна та базується на відкритих технологіях Arduino, що робить її 
доступною для подальших удосконалень та досліджень. Результати роботи 
демонструють можливість переходу від теоретичного моделювання до 
практичної реалізації без необхідності суттєвої зміни програмно-
алгоритмічної бази. 
Розроблені моделі, алгоритми, програмні компоненти та симуляційні 
результати створюють потужний фундамент як для навчальних цілей, так і 
для подальшого розвитку систем автоматизованого керування у 
вертикальному землеробстві й аеропоніці. У перспективі система може бути 
розширена за рахунок адаптивних та інтелектуальних методів керування 
(нейронні мережі, нечітка логіка, ML-регресія), а також інтеграції з 
хмарними платформами моніторингу та оптимізації виробничих процесів. 
78 
 
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 
1 A Review on Hydroponics and the Technologies Associated for Medium- 
and Small-Scale Operations [Електронний ресурс]. –  Режим доступу: 
https://www.mdpi.com/2077-0472/12/5/646. 
2 Arduino. [Електронний ресурс]. –  Режим доступу: 
https://uk.wikipedia.org/wiki/Arduino. 
3 Chang, C.L.; Hong, G.F.; Fu, W.L. Design and implementation of a 
knowledge-based nutrient solution irrigation system for hydroponic applications, 
2018. 
4 Eridani, D.; Wardhani, O.; Widianto, E.D. Designing and Implementing the 
Arduino-based Nutrition Feeding Automation System of a Prototype Scaled 
Nutrient Film Technique (NFT) Hydroponics using Total Dissolved Solids (TDS) 
Sensor. In Proceedings of the 2017 4th International Conference on Information 
Technology, Computer, and Electrical Engineering (ICITACEE), Semarang, 
Indonesia, 18– 19 October 2017 
5 Gabriel, K. Mycodo Environmental Regulation System. 2018. Available 
online: https://hackaday.io/project/11997/instructions/. 
6 Gnauer, C.; Pichler, H.; Schmittner, C.; Tauber, M.; Christl, K.; Knapitsch, 
J.; Parapatits, M. A recommendation for suitable technologies for an indoor 
farming framework. Elektrotech. Inftech. 2020. 
7 Gruda, N.; Gianquinto, G.P.; Tuzel, Y.; Savvas, D. З Енциклопедії 
ґрунтознавства, 3 видання.; Lal, R., Ed.; CRC Press-Taylor & Francis Group: 
Boca Raton, FL, USA, 2017; том I-III,.  
8 Hati, A.J.; Singh, R.R. Smart Indoor Farms: Leveraging Technological 
Advancements to Power a Sustainable Agricultural 
Revolution. AgriEngineering 2021. 
9 Malik, A.; Iqbal, K.; Aziem, S.; Mahato, P.; Negi, A. Огляд науки про 
вирощування сільськогосподарських культур без ґрунту (культура без ґрунту) 
- нова альтернатива для вирощування сільськогосподарських культур. Int. J. 
Agric. Crop Sci. 2014.  
79 
 
10 Markets & Markets. Hydroponics Market. 2021.: [Електронний ресурс]. –  
https://www.marketsandmarkets.com/Market-Reports/hydroponic-market-
94055021.html. 
11 Miranda, J.; Ponce, P.; Molina, A.; Wright, P. Sensing, smart and sustainable 
technologies for Agri-Food 4.0. Comput. Ind. 2019. 
12 Olle, M.; Ngouajio, M.; Siomos, A. Якість овочів і продуктивність під 
впливом середовища вирощування. Zemdirbyste-Agriculture 2012.  
13 Sihombing, P.; Karina, N.; Tarigan, J.; Syarif, M. Automated hydroponics 
nutrition plants systems using arduino uno microcontroller based on android. J. 
Phys. Conf. Ser. 2018 
14 Vinci, G.; Rapa, M. Hydroponic cultivation: Гідропонне вирощування. Br. 
Food J. 2019.  
15 Zamora-Izquierdo, M.A.; Santa, J.; Martinez, J.A.; Martinez, V.; Skarmeta, 
A.F. Smart farming IoT platform based on edge and cloud computing. Biosyst. 
Eng. 2019. 
16 Максим Вітренко, Михайло Мельник. ЩО ТАКЕ ARDUINO. –  Режим 
доступу. [Електронний ресурс]. –  https://reporter.zp.ua/shho-take-arduino-
ide.html. 
17 Одноканальне реле 5V Arduino KY-019. [Електронний ресурс].: 
https://beegreen.com.ua/odnokanalne-rele-5v-arduino-ky-019-11731. 
18 GitHub [Електронний ресурс]. –  https://github.com 
19       PARTH CHAUHAN, NISHIT NAYAK, JUI TRIVEDI, VIMAL NAYAK, 
PG Student in E.C Engineering, UG Student in E.C Engineering, - INDUSTRIAL 
MOTOR CONTROLLING USING PLC, HMI SCREEN & WEB PAGE 
 
80 
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Програма для Arduino Mega та Arduino Nano 
 
Додаток А (Код розроблених програм) 
 
UA.ЧДТУ.242021-01 12 01 
 
Аркушів 17 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2025 
 
 
 
Текст розробленої програми Master 
#include <Wire.h> 
#include <SoftwareSerial.h> 
#include <PID_v1.h> 
#include <OneWire.h> 
#include <DallasTemperature.h> 
#include <Adafruit_SHT31.h> 
 
// Піни для датчиків Atlas Scientific 
#define PH_RX_PIN 10 
#define PH_TX_PIN 11 
#define EC_RX_PIN 12 
#define EC_TX_PIN 13 
 
// Піни для RS-485 (SoftwareSerial) 
#define RS485_RX_PIN 8 
#define RS485_TX_PIN 9 
 
// Піни для DS18B20 
#define ONE_WIRE_BUS 4  // цифровий пін для DS18B20 
 
// Піни виконавчих пристроїв 
#define ACID_PUMP_PIN 3      // Наприклад, помпа підкислення 
#define BASE_PUMP_PIN 5      // Помпа підлужування 
#define EC_PUMP_PIN 6        // Помпа для внесення добрив (EC) 
#define HEATER_PIN 7         // Нагрівач розчину 
#define MIST_RELAY_PIN 2     // Реле керування форсунками 
 
// Параметри PID-регуляторів (прикладні значення) 
double Kp_ph = 2.0, Ki_ph = 0.5, Kd_ph = 0.1; 
double Kp_ec = 1.5, Ki_ec = 0.4, Kd_ec = 0.05; 
double Kp_temp = 5.0, Ki_temp = 0.2, Kd_temp = 0.1; 
double Kp_hum = 2.5, Ki_hum = 0.3, Kd_hum = 0.1; 
 
// Змінні для зчитування та PID 
double phInput, phOutput, phSetpoint = 6.5;      // Приклад: бажане pH = 6.5 
double ecInput, ecOutput, ecSetpoint = 1.5;      // Бажане EC = 1.5 mS/cm 
double tempInput, tempOutput, tempSetpoint = 22.0; // Температура розчину, °C 
double humInput, humOutput, humSetpoint = 60.0;  // Вологість, % 
 
// PID-об'єкти 
PID pidPH(&phInput, &phOutput, &phSetpoint, Kp_ph, Ki_ph, Kd_ph, DIRECT); 
PID pidEC(&ecInput, &ecOutput, &ecSetpoint, Kp_ec, Ki_ec, Kd_ec, DIRECT); 
PID pidTemp(&tempInput, &tempOutput, &tempSetpoint, Kp_temp, Ki_temp, Kd_temp, 
DIRECT); 
PID pidHum(&humInput, &humOutput, &humSetpoint, Kp_hum, Ki_hum, Kd_hum, 
DIRECT); 
 
 
 
// Інтерфейси для датчиків 
SoftwareSerial phSerial(PH_RX_PIN, PH_TX_PIN);   // для пH-сенсора 
SoftwareSerial ecSerial(EC_RX_PIN, EC_TX_PIN);   // для EC-сенсора 
SoftwareSerial rs485(RS485_RX_PIN, RS485_TX_PIN); // для RS-485 зв'язку 
 
OneWire oneWire(ONE_WIRE_BUS); 
DallasTemperature sensors(&oneWire); 
 
Adafruit_SHT31 sht31 = Adafruit_SHT31(); 
 
// Змінні для фільтрації (експоненціальне згладжування) 
float alpha = 0.2; 
float phFiltered = 0, ecFiltered = 0, tempFiltered = 0, humFiltered = 0; 
 
// Для керування туманоутворенням 
unsigned long mistOnTime = 15000;     // 15 с вмик 
unsigned long mistOffTime = 180000;   // 3 хв вимк 
unsigned long mistTimer = 0; 
bool mistState = false; 
 
void setup() { 
  // Налаштування серійних портів 
  Serial.begin(9600);       // для моніторингу 
  phSerial.begin(9600);     // для Atlas pH 
  ecSerial.begin(9600);     // для Atlas EC 
  rs485.begin(9600);        // для RS-485 
   
  // Ініціалізація датчиків 
  sensors.begin();          // для DS18B20 
  sht31.begin(0x44);        // адреса I2C SHT31 
   
  // Налаштування PID-регуляторів 
  pidPH.SetMode(AUTOMATIC); 
  pidEC.SetMode(AUTOMATIC); 
  pidTemp.SetMode(AUTOMATIC); 
  pidHum.SetMode(AUTOMATIC); 
   
  // Налаштування піна управління форсунками 
  pinMode(MIST_RELAY_PIN, OUTPUT); 
  digitalWrite(MIST_RELAY_PIN, LOW); // спочатку виключено 
   
  // Ініціалізація таймера туману 
  mistTimer = millis(); 
} 
 
void loop() { 
  // 1) Зчитування даних з датчиків 
   
  // --- Читання pH через Atlas Scientific --- 
  if (phSerial.available()) { 
 
 
    String phString = phSerial.readStringUntil('\r'); // cтрока до CR 
    float phValue = phString.toFloat(); 
    if (phValue != 0.0) {  
      // Фільтрація показника 
      phFiltered = (phFiltered == 0) ? phValue : 
                   alpha * phValue + (1 - alpha) * phFiltered; 
      phInput = phFiltered; 
    } 
  } 
  // Запит нового вимірювання pH 
  phSerial.print("R"); // команда на зчитування (може бути інша в 
документації) 
  phSerial.print("\r"); 
 
  // --- Читання EC через Atlas Scientific --- 
  if (ecSerial.available()) { 
    String ecString = ecSerial.readStringUntil('\r'); 
    float ecValue = ecString.toFloat(); 
    if (ecValue != 0.0) { 
      ecFiltered = (ecFiltered == 0) ? ecValue : 
                   alpha * ecValue + (1 - alpha) * ecFiltered; 
      ecInput = ecFiltered; 
    } 
  } 
  ecSerial.print("R"); 
  ecSerial.print("\r"); 
   
  // --- Читання температури DS18B20 (розчин) --- 
  sensors.requestTemperatures();  
  float tempValue = sensors.getTempCByIndex(0); 
  if (!isnan(tempValue)) { 
    tempFiltered = (tempFiltered == 0) ? tempValue : 
                   alpha * tempValue + (1 - alpha) * tempFiltered; 
    tempInput = tempFiltered; 
  } 
 
  // --- Читання вологості кореневої зони від кожного Nano по RS-485 --- 
  float sumHum = 0;  
  int countHum = 0; 
  for (int id = 1; id <= 3; id++) { 
    // Запит від slave пристрою з адресою id 
    rs485.print("R"); rs485.print(id); rs485.print("\n"); 
    unsigned long start = millis(); 
    String resp = ""; 
    // Очікуємо відповідь з таймаутом 200 ms 
    while (millis() - start < 200) { 
      if (rs485.available()) { 
        resp = rs485.readStringUntil('\n'); 
        break; 
      } 
 
 
    } 
    if (resp.length() > 0) { 
      // Очікується формат: "id,humidity" 
      int comma = resp.indexOf(','); 
      if (comma > 0) { 
        float h = resp.substring(comma+1).toFloat(); 
        if (!isnan(h)) { 
          sumHum += h; 
          countHum++; 
        } 
      } 
    } 
    // Якщо немає відповіді, можна встановити аварійний флаг (не показано) 
  } 
  // Середня вологість з усіх зон (якщо є дані) 
  if (countHum > 0) { 
    humInput = (sumHum / countHum); 
    // Фільтрація 
    humFiltered = (humFiltered == 0) ? humInput : 
                  alpha * humInput + (1 - alpha) * humFiltered; 
    humInput = humFiltered; 
  } 
   
  // 2) PID-регулювання 
  pidPH.Compute(); 
  pidEC.Compute(); 
  pidTemp.Compute(); 
  pidHum.Compute(); 
   
  // 3) Управління виконавчими пристроями 
   
  // Регулювання pH (наприклад, дві помпи для підкислення/підлужнення) 
  if (phOutput > 0) { 
    analogWrite(BASE_PUMP_PIN, (int)phOutput);   // Внесення лугу 
    analogWrite(ACID_PUMP_PIN, 0); 
  } else { 
    analogWrite(BASE_PUMP_PIN, 0); 
    analogWrite(ACID_PUMP_PIN, (int)(-phOutput)); // Внесення кислоти 
  } 
  // Регулювання EC (додавання добрив) 
  analogWrite(EC_PUMP_PIN, (int)ecOutput); 
  // Регулювання температури (нагрівач або охолодження) 
  if (tempOutput > 0) { 
    digitalWrite(HEATER_PIN, HIGH); // вмикаємо обігрів 
  } else { 
    digitalWrite(HEATER_PIN, LOW);  // вимикаємо обігрів 
  } 
  // Керування туманоутворенням (циклічний таймер) 
  unsigned long now = millis(); 
  if (mistState) { 
 
 
    // Якщо туман зараз вмикнено і пора вимкнути 
    if (now - mistTimer >= mistOnTime) { 
      digitalWrite(MIST_RELAY_PIN, LOW); 
      mistTimer = now; 
      mistState = false; 
    } 
  } else { 
    // Якщо туман вимкнено і пора увімкнути 
    if (now - mistTimer >= mistOffTime) { 
      digitalWrite(MIST_RELAY_PIN, HIGH); 
      mistTimer = now; 
      mistState = true; 
    } 
  } 
  // Можна адаптувати mistOffTime за PID вологоміра:  
  // наприклад, зменшити час простою, якщо вологість занадто низька. 
   
  // 4) Обробка аварійних ситуацій 
  // Перевірка на вихід за межі безпечних значень: 
  if (phInput < 4.0 || phInput > 8.0 || 
      ecInput < 0.0 || ecInput > 5.0 || 
      tempInput < 10.0 || tempInput > 40.0) { 
    // Аварійна ситуація: вимкнути всі насоси та форсунки 
    analogWrite(BASE_PUMP_PIN, 0); 
    analogWrite(ACID_PUMP_PIN, 0); 
    analogWrite(EC_PUMP_PIN, 0); 
    digitalWrite(HEATER_PIN, LOW); 
    digitalWrite(MIST_RELAY_PIN, LOW); 
    // Логування аварійного повідомлення 
    Serial.println("ERROR: parameter out of range! System halted."); 
    while (1); // зупинка програми (або інший аварійний алгоритм) 
  } 
   
  // 5) Логування даних (CSV-формат) 
  Serial.print(millis()); Serial.print(','); 
  Serial.print(phInput); Serial.print(','); 
  Serial.print(ecInput); Serial.print(','); 
  Serial.print(tempInput); Serial.print(','); 
  Serial.print(humInput); Serial.print(','); 
  Serial.print(mistState ? 1 : 0); 
  Serial.println(); 
   
  delay(1000); // інтервал між циклами 
} 
Прошивка для Arduino Nano (slave) 
Кожен Nano-пристрій підлеглого читає покази локального датчика вологості SHT31 
та передає їх майстру при отриманні запиту по RS-485. Використовується I2C (Wire) 
для SHT31 і SoftwareSerial для RS-485 зв’язку. Наведений код демонструє таку 
взаємодію. 
cpp 
 
 
Копировать код 
/* Код для Arduino Nano (slave) */ 
#include <Wire.h> 
#include <SoftwareSerial.h> 
#include <Adafruit_SHT31.h> 
 
// Ідентифікатор цього слейва (1, 2 або 3) 
#define SLAVE_ID 1 
 
// Піни для SoftwareSerial (RS-485) 
#define RS485_RX 10 
#define RS485_TX 11 
 
SoftwareSerial rs485(RS485_RX, RS485_TX); 
Adafruit_SHT31 sht31 = Adafruit_SHT31(); 
 
void setup() { 
  Serial.begin(9600); 
  rs485.begin(9600); 
  Wire.begin(); 
  sht31.begin(0x44); 
} 
 
void loop() { 
  // Чекаємо запит від майстра 
  if (rs485.available()) { 
    String cmd = rs485.readStringUntil('\n'); 
    cmd.trim(); // видалити символи нового рядка 
    // Очікуємо формат "R<id>" 
    if (cmd == String("R") + SLAVE_ID) { 
      // Зчитуємо температуру та вологість з SHT31 
      float temp = sht31.readTemperature(); 
      float hum = sht31.readHumidity(); 
      if (!isnan(hum)) { 
        // Відправляємо відповідь: "<id>,<humidity>" 
        rs485.print(SLAVE_ID); 
        rs485.print(","); 
        rs485.println(hum); 
      } else { 
        // Якщо датчик не відповів, можна відсилати код помилки (не 
реалізовано) 
        rs485.print(SLAVE_ID); 
        rs485.println(",ERR"); 
      } 
    } 
    // Інші команди (при необхідності) можна обробляти тут 
  } 
  delay(100); 
} 
 
 
 
 
Текст розробленої програми Servant A 
 
#include <Wire.h> 
#include <SoftwareSerial.h> 
#include "SHT31.h" 
 
#define SSerialRX 10            // SoftSerial RX для RS-485 
#define SSerialTX 11            // SoftSerial TX для RS-485 
#define SSerialTxControl 3      // DE/RE пін (керування напрямком RS-485) 
#define RS485Transmit HIGH 
#define RS485Receive  LOW 
 
SoftwareSerial RS485Serial(SSerialRX, SSerialTX);  // Порт RS-485 
 
SHT31 sht1(0x44);   // SHT31 на адресі 0x44 (рівень 1) 
SHT31 sht2(0x45);   // SHT31 на адресі 0x45 (рівень 2) 
 
// Виходи керування клапанами та вентиляторами 
#define VALVE1_PIN 4 
#define VALVE2_PIN 5 
#define FAN1_PIN   6 
#define FAN2_PIN   7 
 
float humidity1 = 0, humidity2 = 0, avgHumidity = 0; 
int shtError = 0;   // лічильник помилок SHT31 
 
void setup() { 
  Wire.begin(); 
  // Ініціалізація SHT31 
  if (!sht1.begin()) shtError++; 
  if (!sht2.begin()) shtError++; 
 
  // Налаштування RS-485 
  pinMode(SSerialTxControl, OUTPUT); 
  digitalWrite(SSerialTxControl, RS485Receive); 
  RS485Serial.begin(9600); 
 
  // Налаштування виходів клапанів/вентиляторів 
  pinMode(VALVE1_PIN, OUTPUT); 
  pinMode(VALVE2_PIN, OUTPUT); 
  pinMode(FAN1_PIN,   OUTPUT); 
  pinMode(FAN2_PIN,   OUTPUT); 
  // Вимикаємо їх на початку 
  digitalWrite(VALVE1_PIN, LOW); 
  digitalWrite(VALVE2_PIN, LOW); 
  digitalWrite(FAN1_PIN,   LOW); 
  digitalWrite(FAN2_PIN,   LOW); 
} 
 
 
 
void loop() { 
  // Очікуємо команд Master 
  if (RS485Serial.available()) { 
    char cmd = RS485Serial.read(); 
    if (cmd == 'R' && RS485Serial.available()) { 
      char slave = RS485Serial.read(); 
      if (slave == '1') { 
        // Команда R1: зчитати SHT31, обчислити середню вологість та 
відправити 
        if (!sht1.read()) shtError++; 
        if (!sht2.read()) shtError++; 
        humidity1 = sht1.getHumidity(); 
        humidity2 = sht2.getHumidity(); 
        avgHumidity = (humidity1 + humidity2) / 2.0; 
 
        // Перемикання RS-485 у режим передачі 
        digitalWrite(SSerialTxControl, RS485Transmit); 
        // Відправляємо дані Master 
        RS485Serial.print("H:"); 
        RS485Serial.println(avgHumidity); 
        // Повертаємось у режим прийому 
        digitalWrite(SSerialTxControl, RS485Receive); 
      } 
    } 
    // TODO: додаткові команди (наприклад, керування VALVE1_PIN, FAN1_PIN 
тощо) 
  } 
 
  // Можлива локальна логіка керування (наприклад, за порогом вологості): 
  // if (avgHumidity > 70) digitalWrite(VALVE1_PIN, HIGH); 
  // else digitalWrite(VALVE1_PIN, LOW); 
} 
 
 
Текст розробленої програми Servant B 
#include <SoftwareSerial.h> 
 
#define SSerialRX       10    // RS-485 RX 
#define SSerialTX       11    // RS-485 TX 
#define SSerialTxControl 3    // DE/RE пін RS-485 
#define RS485Transmit   HIGH 
#define RS485Receive    LOW 
 
SoftwareSerial RS485Serial(SSerialRX, SSerialTX); // RS-485 порт 
 
// Підключення Atlas EZO по SoftwareSerial 
#define PH_RX 8 
#define PH_TX 9 
 
 
SoftwareSerial phSerial(PH_RX, PH_TX); 
 
#define EC_RX 4 
#define EC_TX 5 
SoftwareSerial ecSerial(EC_RX, EC_TX); 
 
float phValue = 0.0; 
float ecValue = 0.0; 
 
// Виходи керування насосами 
#define PUMP_ACID_PIN  6 
#define PUMP_BASE_PIN  7 
#define PUMP_FERT_PIN  2 
 
int phError = 0; 
int ecError = 0; 
 
void setup() { 
  // Налаштування RS-485 
  pinMode(SSerialTxControl, OUTPUT); 
  digitalWrite(SSerialTxControl, RS485Receive); 
  RS485Serial.begin(9600); 
 
  // Ініціалізація програмних портів для Atlas 
  phSerial.begin(9600); 
  ecSerial.begin(9600); 
 
  // Піни насосів 
  pinMode(PUMP_ACID_PIN, OUTPUT); 
  pinMode(PUMP_BASE_PIN, OUTPUT); 
  pinMode(PUMP_FERT_PIN, OUTPUT); 
  digitalWrite(PUMP_ACID_PIN, LOW); 
  digitalWrite(PUMP_BASE_PIN, LOW); 
  digitalWrite(PUMP_FERT_PIN, LOW); 
} 
 
void loop() { 
  // Обробка запиту Master 
  if (RS485Serial.available()) { 
    char cmd = RS485Serial.read(); 
    if (cmd == 'R' && RS485Serial.available()) { 
      char slave = RS485Serial.read(); 
      if (slave == '2') { 
        // Команда R2: зчитати pH та EC і відправити 
        phSerial.print("R");           // Запит pH 
        delay(1000); 
        String phResp = ""; 
        while (phSerial.available()) { 
          char c = phSerial.read(); 
          if (c == '\r') break; 
 
 
          phResp += c; 
        } 
        phValue = phResp.toFloat(); 
 
        ecSerial.print("R");           // Запит EC 
        delay(1000); 
        String ecResp = ""; 
        while (ecSerial.available()) { 
          char c = ecSerial.read(); 
          if (c == '\r') break; 
          ecResp += c; 
        } 
        ecValue = ecResp.toFloat(); 
 
        // Відправка результатів Master 
        digitalWrite(SSerialTxControl, RS485Transmit); 
        RS485Serial.print("pH:"); 
        RS485Serial.print(phValue); 
        RS485Serial.print(" EC:"); 
        RS485Serial.println(ecValue); 
        digitalWrite(SSerialTxControl, RS485Receive); 
      } 
    } 
    // TODO: інші команди (наприклад, віддалене вмикання насосів) 
  } 
 
  // Приклад простого керування насосами (за поточними вимірами): 
  if (phValue > 7.0) { 
    digitalWrite(PUMP_ACID_PIN, HIGH);  // вмикаємо насос кислоти 
  } else { 
    digitalWrite(PUMP_ACID_PIN, LOW); 
  } 
  if (phValue < 6.0) { 
    digitalWrite(PUMP_BASE_PIN, HIGH);  // вмикаємо насос лугу 
  } else { 
    digitalWrite(PUMP_BASE_PIN, LOW); 
  } 
  // Насос добрив працює постійно з фіксованою подачею 
  digitalWrite(PUMP_FERT_PIN, HIGH); 
} 
 
Текст розробленої програми Ser vant C 
#include <OneWire.h> 
#include <DallasTemperature.h> 
#include <SoftwareSerial.h> 
 
#define SSerialRX       10   // RS-485 RX 
#define SSerialTX       11   // RS-485 TX 
#define SSerialTxControl 3   // DE/RE пін RS-485 
 
 
#define RS485Transmit   HIGH 
#define RS485Receive    LOW 
 
SoftwareSerial RS485Serial(SSerialRX, SSerialTX); // RS-485 порт 
 
// Налаштування OneWire для DS18B20 
#define ONE_WIRE_BUS 4 
OneWire oneWire(ONE_WIRE_BUS); 
DallasTemperature sensors(&oneWire); 
 
// Виходи для нагрівача/чилера 
#define HEATER_PIN 5 
#define COOLER_PIN 6 
 
void setup() { 
  // RS-485 
  pinMode(SSerialTxControl, OUTPUT); 
  digitalWrite(SSerialTxControl, RS485Receive); 
  RS485Serial.begin(9600); 
 
  // Ініціалізація DS18B20 
  sensors.begin(); 
 
  // Реле виходи 
  pinMode(HEATER_PIN, OUTPUT); 
  pinMode(COOLER_PIN, OUTPUT); 
  digitalWrite(HEATER_PIN, LOW); 
  digitalWrite(COOLER_PIN, LOW); 
} 
 
void loop() { 
  // Очікуємо запит Master 
  if (RS485Serial.available()) { 
    char cmd = RS485Serial.read(); 
    if (cmd == 'R' && RS485Serial.available()) { 
      char slave = RS485Serial.read(); 
      if (slave == '3') { 
        // Команда R3: зчитати температуру та відправити 
        sensors.requestTemperatures(); 
        float tempC = sensors.getTempCByIndex(0); 
 
        digitalWrite(SSerialTxControl, RS485Transmit); 
        RS485Serial.print("T:"); 
        RS485Serial.println(tempC); 
        digitalWrite(SSerialTxControl, RS485Receive); 
      } 
    } 
    // TODO: додаткові команди (наприклад, калібрування або статус) 
  } 
 
 
 
  // Керування нагрівачем/чилером (простий приклад): 
  float currentTemp = sensors.getTempCByIndex(0); 
  if (currentTemp < 20.0) { 
    digitalWrite(HEATER_PIN, HIGH);   // вмикаємо нагрівач 
    digitalWrite(COOLER_PIN, LOW); 
  } else if (currentTemp > 25.0) { 
    digitalWrite(HEATER_PIN, LOW); 
    digitalWrite(COOLER_PIN, HIGH);   // вмикаємо охолодження 
  } else { 
    digitalWrite(HEATER_PIN, LOW); 
    digitalWrite(COOLER_PIN, LOW);    // вимикаємо обидва 
  } 
}
ChSTU repository

ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets
