Site icon bintorosoft.com

Kapazitive Bodenfeuchtesensoren am ESP32 kalibrieren

Red Snapper

Kapazitive Bodenfeuchtesensoren am ESP32 kalibrieren ist der entscheidende Schritt, damit aus einer „ungefähren Tendenz“ eine belastbare Messgröße wird. Viele Maker-Projekte scheitern nicht an WLAN, MQTT oder Stromversorgung, sondern an unkalibrierten Sensorwerten: Ein Sensor zeigt in einem Topf „trocken“ an, im nächsten „nass“, obwohl die Erde gleich wirkt – oder die Anzeige driftet nach einigen Wochen. Das liegt daran, dass kapazitive Sensoren die dielektrischen Eigenschaften des Bodens erfassen und daraus eine Spannung bzw. einen ADC-Wert liefern. Diese Rohwerte hängen stark von Bodenart, Salzgehalt (Düngung), Temperatur, Sensorqualität und der Versorgungsspannung ab. Der ESP32 wiederum besitzt einen ADC, der bei falscher Beschaltung oder ohne geeignete Mittelwertbildung zusätzliche Streuung verursacht. In diesem Artikel lernen Sie, wie Sie kapazitive Bodenfeuchtesensoren systematisch kalibrieren: von der elektrischen Anbindung am ESP32 über sauberes Sampling und Filterung bis zur Zwei-Punkt- und Mehrpunkt-Kalibrierung für reproduzierbare Ergebnisse. Sie erhalten außerdem praxisnahe Formeln (als MathML), konkrete Vorgehensweisen für unterschiedliche Substrate sowie typische Fehlerbilder und deren Ursachen.

Warum kapazitive Sensoren kalibriert werden müssen

Kapazitive Bodenfeuchtesensoren messen nicht direkt „Prozent Wasser“, sondern eine elektrische Größe, die mit dem Wassergehalt korreliert. Wasser hat eine deutlich höhere Permittivität als trockene Erde. Dadurch ändert sich die Kapazität bzw. die Oszillatorfrequenz im Sensor, was am Ausgang als Analogspannung oder PWM/Signal erscheint (je nach Sensortyp). Dieser Zusammenhang ist real, aber nicht universell linear und vor allem nicht „bodenunabhängig“.

Kalibrierung bedeutet deshalb: Sie definieren eine eindeutige Zuordnung zwischen Rohwert (ADC) und einer sinnvollen Skala (z. B. relative Feuchte in % oder – fortgeschrittener – volumetrischer Wassergehalt in VWC), und zwar für Ihre Kombination aus Sensor, Boden und Einsatzbedingungen.

Sensor- und ESP32-Grundlagen: Was Sie vor der Kalibrierung prüfen sollten

Bevor Sie Messpunkte aufnehmen, sollte Ihre Hardware stabil sein. Eine instabile Versorgung, schlecht gewählte ADC-Pins oder fehlerhafte Masseführung machen jede Kalibrierung wertlos, weil der Rohwert nicht reproduzierbar ist.

Typische kapazitive Sensoren und Ausgangssignale

ESP32-ADC: Pinwahl und Einstellungen

Für zuverlässige Analogmessungen sind beim ESP32 die ADC-Einstellungen entscheidend. Viele Boards und Frameworks bieten Optionen wie Auflösung und Dämpfung (Attenuation). ADC1-Pins sind in vielen Anwendungen die sicherere Wahl, weil ADC2 in WLAN-Szenarien je nach Plattform/Framework eingeschränkt sein kann. Prüfen Sie außerdem die maximale Sensorspannung: Der ESP32 arbeitet intern mit 3,3 V-Logik, und je nach ADC-Konfiguration ist der nutzbare Messbereich unterschiedlich.

Für Hintergrundinformationen zur ADC-Nutzung im ESP-IDF ist die offizielle Referenz hilfreich: ESP-IDF ADC-Referenz.

Elektrische Anbindung: So vermeiden Sie Messfehler durch Hardware

Eine saubere Messkette beginnt bei der Versorgung und endet beim ADC-Pin. Bei Bodenfeuchtesensoren kommen lange Leitungen, feuchte Umgebung und Störeinflüsse durch Pumpen oder Relais hinzu. Diese Punkte erhöhen die Messstabilität deutlich:

Wenn Sie den Sensor aus Energiespargründen nur kurzzeitig einschalten möchten, schalten Sie die Versorgung lieber über einen Transistor/MOSFET als direkt über einen GPIO. Das reduziert Spannungsabfälle und vermeidet, dass der Sensor die MCU-Versorgung „mitzieht“.

Messstrategie: Stabil lesen, statt „einmal analogRead“

Der Rohwert schwankt. Das ist normal. Entscheidend ist, wie Sie messen: mit sinnvoller Abtastrate, Mittelwertbildung, Ausreißerbehandlung und idealerweise einer festen Messroutine. So erhalten Sie stabile Werte, auf denen eine Kalibrierung aufbauen kann.

Mittelwert, Median und Ausreißerfilter

Praktischer Kompromiss: Nehmen Sie z. B. 30–100 Samples in kurzer Zeit, verwenden Sie den Median oder einen „getrimmten Mittelwert“ (oberste/unterste 10% verwerfen) und speichern Sie diesen Wert als Messung.

Oversampling: Mehr effektive Auflösung aus Rauschen gewinnen

Wenn das Signal leicht rauscht, kann Oversampling die effektive Auflösung erhöhen. Die Faustregel: Für +1 Bit effektive Auflösung benötigen Sie etwa 4-fache Sample-Anzahl, für +2 Bit etwa 16-fach. Das ist keine Magie, sondern Statistik.

N = 4 b

Hier ist b die gewünschte Anzahl zusätzlicher Bits und N die Anzahl der Samples. Beispiel: +2 Bits → N=42=16.

Kalibrierziel definieren: Relative Prozentwerte oder echte Bodenfeuchte?

Bevor Sie Messpunkte aufnehmen, entscheiden Sie, welche Skala Sie brauchen. Für Bewässerungssteuerungen reicht oft eine relative Skala (0–100%), die für Ihr Substrat und Ihren Sensor stimmt. Wer wissenschaftlicher arbeiten möchte, kann Richtung volumetrischer Wassergehalt (VWC) gehen – das erfordert jedoch Referenzmessungen und ist bodenabhängig.

Zwei-Punkt-Kalibrierung: Schnell, robust und für viele Projekte ideal

Die Zwei-Punkt-Kalibrierung ist der beste Einstieg: Sie messen einen Rohwert für „sehr trocken“ und einen für „sehr nass“ – jeweils in Ihrem konkreten Substrat – und skalieren dazwischen. Das Ergebnis ist eine pro Sensor eindeutige Prozentanzeige.

Messpunkte sauber erzeugen

Lineare Skalierung (0–100%) als MathML

Wenn ADC Ihr gemessener Wert ist, ADC_dry der trockene Referenzwert und ADC_wet der nasse Referenzwert, dann ergibt sich der Feuchte-Prozentwert (clamped auf 0–100):

Feuchte% = 100 × ADC−ADC_dry ADC_wet−ADC_dry

Wichtig: Manche Sensoren liefern bei „trocken“ einen höheren ADC-Wert als bei „nass“ (oder umgekehrt). Dann kehrt sich das Vorzeichen um. In der Praxis testen Sie kurz: Wird der ADC größer oder kleiner, wenn Sie den Sensor in Wasser halten? Daraus ergibt sich die richtige Formel.

Mehrpunkt-Kalibrierung: Wenn die Kennlinie nicht linear ist

Bei vielen Substraten ist die Beziehung zwischen Rohwert und Feuchte nicht perfekt linear. Besonders im mittleren Bereich kann die Kennlinie „krümmen“. Wenn Sie eine gleichmäßigere Anzeige oder genauere Schwellwerte wollen, nutzen Sie mehrere Referenzpunkte und interpolieren.

Praktische Mehrpunkt-Strategie (3 bis 6 Punkte)

Sie speichern dazu Paare aus (ADC, Prozent) und verwenden im Code eine stückweise lineare Interpolation. Das ist meist stabiler als eine hochgradige Polynom-Funktion, die zu Über-/Unterschwingen neigt.

Stückweise lineare Interpolation (Formel)

Zwischen zwei Punkten (ADC1, P1) und (ADC2, P2) berechnen Sie für einen Messwert ADC den interpolierten Prozentwert:

P = P1 + ADC−ADC1 ADC2−ADC1 × P2−P1

Die Kunst liegt weniger in der Mathematik als in der reproduzierbaren Herstellung Ihrer Referenzfeuchten.

Kalibrierung gegen echte Bodenfeuchte: Gravimetrische Referenz (fortgeschritten)

Wenn Sie über „relative Prozent“ hinaus möchten, brauchen Sie eine Referenz. Ein gängiges, praxisnahes Verfahren ist gravimetrisch: Sie bestimmen den Wasseranteil über Masse. Dazu wiegen Sie eine definierte Bodenprobe im feuchten Zustand, trocknen sie vollständig (z. B. im Backofen bei geeigneter Temperatur, abhängig vom Substrat), und wiegen erneut. Die Differenz ist der Wasseranteil.

Gravimetrischer Wassergehalt (Massebasis)

Mit m_wet (feuchte Masse) und m_dry (trockene Masse) ergibt sich der gravimetrische Wassergehalt w:

w = m_wet−m_dry m_dry

Das liefert Ihnen eine echte Referenzgröße. Die Umrechnung in VWC erfordert zusätzlich die Dichte bzw. das Porenvolumen des Substrats und ist deutlich komplexer. Für viele IoT-Gartenprojekte genügt es, den gravimetrischen Referenzwert als „Ground Truth“ für mehrere Punkte zu verwenden und daraus eine sensor-/substratspezifische Kennlinie abzuleiten.

Wenn Sie sich tiefer in Bodenkunde und Messmethoden einlesen möchten, bietet die FAO-Ressource zu Bodenfeuchte einen guten Überblick über Konzepte und Einflussfaktoren.

Einflussfaktoren im Alltag: Temperatur, Dünger, Alterung und Einbau

Eine Kalibrierung ist kein einmaliges „für immer gültig“. Gerade im Gartenbau ändern sich Bedingungen. Wenn Sie das berücksichtigen, bleibt Ihre Messung langfristig stabil.

Temperaturkompensation (optional)

Bei starken Temperaturschwankungen (Gewächshaus, Außenbereich) lohnt sich ein Temperatursensor (z. B. DS18B20 oder BME280) nahe am Substrat. Dann können Sie zumindest prüfen, ob Drift mit Temperatur korreliert. Eine einfache lineare Korrektur kann so aussehen (mit K als empirischem Faktor):

ADC_corr = ADC + K × (T−T_ref)

Den Faktor K bestimmen Sie experimentell, indem Sie bei unterschiedlichen Temperaturen denselben Feuchtezustand messen.

Düngung und Leitfähigkeit

Auch kapazitive Sensoren reagieren in der Praxis auf Salzgehalt. Wenn Sie regelmäßig düngen, können Schwellwerte driften. Bewährt ist, Kalibrierpunkte unter „typischem Düngezustand“ zu erfassen oder bewusst Schwellwerte mit Reserve zu setzen (z. B. Bewässerung etwas später starten).

Einbaulage und Bodenverdichtung

Kalibrierdaten speichern: Pro Sensor, pro Topf, pro Substrat

In der Praxis ist es sinnvoll, Kalibrierdaten pro Sensor zu speichern, weil die Sensorstreuung erheblich sein kann. Wenn Sie mehrere Pflanzen mit unterschiedlichen Substraten betreiben, ist sogar pro Topf bzw. pro Substratmischung eine eigene Kalibrierung empfehlenswert.

Wenn Sie Ihre Werte später in Home Assistant oder per MQTT nutzen, definieren Sie die Einheit klar (z. B. „% (relativ)“) und dokumentieren Sie, dass die Anzeige substratspezifisch ist. Für MQTT-Standards und Best Practices ist die MQTT-Projektseite eine gute Startquelle.

Typische Fehlerbilder und schnelle Diagnose

Wenn die Werte „komisch“ sind, liegt es häufig nicht an der Kalibrierformel, sondern an Hardware oder Einbau. Diese Diagnose spart viel Zeit:

Praxis-Checkliste: Kalibrierung in wenigen Schritten reproduzierbar machen

Outbound-Links zu vertiefenden Quellen

IoT-PCB-Design, Mikrocontroller-Programmierung & Firmware-Entwicklung

PCB Design • Arduino • Embedded Systems • Firmware

Ich biete professionelle Entwicklung von IoT-Hardware, einschließlich PCB-Design, Arduino- und Mikrocontroller-Programmierung sowie Firmware-Entwicklung. Die Lösungen werden zuverlässig, effizient und anwendungsorientiert umgesetzt – von der Konzeptphase bis zum funktionsfähigen Prototyp.

Diese Dienstleistung richtet sich an Unternehmen, Start-ups, Entwickler und Produktteams, die maßgeschneiderte Embedded- und IoT-Lösungen benötigen. Finden Sie mich auf Fiverr.

Leistungsumfang:

Lieferumfang:

Arbeitsweise:Strukturiert • Zuverlässig • Hardware-nah • Produktorientiert

CTA:
Planen Sie ein IoT- oder Embedded-System-Projekt?
Kontaktieren Sie mich gerne für eine technische Abstimmung oder ein unverbindliches Angebot. Finden Sie mich auf Fiverr.

 

Exit mobile version