1. 食用菌工厂化生产环境参数基线测定

任务对象与测点布置

本次基线测定选一间层架式出菇房（示例：长12 m、宽6 m、4层床架，层间距0.55 m），目标是拿到能反映菇房真实环境波动的24小时连续数据。传感器不追求多，但必须覆盖三类关键位置：送风口附近（看新风/冷风入口的冲击）、菇房几何中心（看整体平均状态）、回风口/门侧角落（看气流死区与外界扰动）。每类位置在垂直方向取上下两层，共6个温湿度测点；CO₂浓度传感器布置在中心与角落各1个，高度取菌丝/子实体呼吸带（约床架中层）。

采样间隔统一设为5 min，连续采集24 h，共288条记录/测点。所有传感器在布设前需在同一位置静置30 min做一致性比对：温度互差应≤0.3 ℃、相对湿度互差≤3 %RH、CO₂互差≤30 ppm，超出则更换或做偏移修正，否则后续曲线无法区分“环境真实波动”与“传感器漂移”。

数据采集与日变化曲线绘制

采集完成后，按测点分组计算每小时均值，绘制温度、湿度、CO₂三条日变化曲线。判读时重点看三件事：波动幅度（最大值与最小值之差）、波动时刻（是否与通风、加湿、开关门等调控动作对应）、空间离散度（同一时刻不同测点的差值）。下面给出可直接运行的数据处理与绘图代码，输入为采集导出的CSV（字段：时间、测点编号、温度、湿度、CO₂）。

import pandas as pd
import matplotlib.pyplot as plt

# 读取采集数据，时间列解析为datetime
df = pd.read_csv("mushroom_room_24h.csv", parse_dates=["时间"])

# 按测点与小时聚合，得到每小时均值
df["小时"] = df["时间"].dt.hour
hourly = df.groupby(["测点编号", "小时"])[["温度", "湿度", "CO2"]].mean().reset_index()

# 计算每个测点的波动幅度（极差）
span = df.groupby("测点编号")[["温度", "湿度", "CO2"]].agg(lambda s: s.max() - s.min())
print(span)

# 绘制三条日变化曲线（以中心测点为例）
center = hourly[hourly["测点编号"] == "C-MID"]
fig, axes = plt.subplots(3, 1, figsize=(9, 8), sharex=True)
axes[0].plot(center["小时"], center["温度"], marker="o", color="#e07b39")
axes[0].set_ylabel("温度 / ℃")
axes[1].plot(center["小时"], center["湿度"], marker="o", color="#2f8fbf")
axes[1].set_ylabel("相对湿度 / %RH")
axes[2].plot(center["小时"], center["CO2"], marker="o", color="#5b8c5a")
axes[2].set_ylabel("CO₂ / ppm")
axes[2].set_xlabel("时刻 / h")
for ax in axes:
    ax.grid(alpha=0.3)
plt.tight_layout()
plt.savefig("daily_curve.png", dpi=150)

示例数据下，中心测点温度日较差约2.1 ℃、湿度日较差约9 %RH、CO₂日较差约420 ppm，且CO₂峰值出现在凌晨通风间歇段——这类“幅度+时刻”的组合就是后续识别调控盲区的直接依据。

调控盲区与波动规律识别

把6个测点的极差和同一时刻的空间差值放在一起看，盲区通常表现为两种形态：一是局部持续偏离，如角落测点温度长期比中心高1.5 ℃以上，说明该区域气流覆盖不足；二是同步突变但幅度异常，如送风口测点在新风开启瞬间温度骤降3 ℃，而中心仅降0.8 ℃，说明冷风直吹、混合不均。判读阈值建议：温度空间差>1.0 ℃、湿度空间差>5 %RH、CO₂空间差>200 ppm即视为存在明显盲区，需在下一轮布点或调控策略中重点处理。

结果记录与基线表

测定结束后，把每个测点的极差、空间差和对应时刻整理成基线表，作为后续调控优化的对照基准。下表为示例数据（非实测，仅演示字段与判读方式）：