基于邊緣計算的污泥烘干協(xié)同控制方法

楊繼松，岑健，伍銀波，吳金城，吳健旋

（1.廣東技術(shù)師范大學(xué)電子與信息學(xué)院，廣東 廣州 510000；2.廣東技術(shù)師范大學(xué)自動化學(xué)院，廣東 廣州 510000；3.廣州凱能電器科技有限公司，廣東 廣州 510000）

0 引言

目前，如何處理污水廠產(chǎn)生的污泥是環(huán)保部門面臨的重大挑戰(zhàn)之一。本文在前期研究的基礎(chǔ)上，提出基于邊緣計算的污泥烘干機協(xié)同控制系統(tǒng)。旨在邊緣側(cè)構(gòu)建實時和預(yù)測協(xié)同控制的架構(gòu)，提高污泥烘干設(shè)備的產(chǎn)生效率，從而滿足其高實時性業(yè)務(wù)需求，解決污泥量日益累增的問題。

1 系統(tǒng)設(shè)計

工廠污泥烘干設(shè)備在線完成污泥脫水任務(wù)時，實時性業(yè)務(wù)主要由工作設(shè)備機況的控制，物料和環(huán)境因素的預(yù)警組成[1]。而基于云計算集中的監(jiān)控模式，隨著傳輸?shù)臄?shù)據(jù)不斷增多，云端計算和網(wǎng)絡(luò)帶寬的壓力也不斷提高，再加上云端響應(yīng)實時性差，該方式已不能滿足污泥烘干機的實際需求。

本文采用邊緣計算產(chǎn)業(yè)聯(lián)盟（Edge Computing Consortium，ECC)與中國工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟聯(lián)合發(fā)布的邊緣計算參考架構(gòu)來設(shè)計污泥烘干機協(xié)同控制系統(tǒng)?；谥悄苓吘壍膮f(xié)同監(jiān)控系統(tǒng)，該系統(tǒng)由工業(yè)烘干設(shè)備、邊緣智能網(wǎng)關(guān)和云平臺組成。首先，通過網(wǎng)關(guān)設(shè)備部署Link IoT Edge邊緣計算平臺，建立泥烘干設(shè)備邊緣節(jié)點；網(wǎng)關(guān)和污泥烘干機之間采用Modbus協(xié)議實現(xiàn)通訊。其次，通過設(shè)計邊緣流數(shù)據(jù)分析，對實時數(shù)據(jù)進行處理，以及智能應(yīng)用實現(xiàn)污泥干化預(yù)測。最終，云平臺和邊緣結(jié)點之間通過4G模塊將轉(zhuǎn)換好的數(shù)據(jù)幀上傳至云服務(wù)器。

2 方法

污泥烘干機的數(shù)據(jù)在邊緣節(jié)點進行實時處理，預(yù)測，存儲與上傳等。其中實時處理需求高的數(shù)據(jù)在邊緣側(cè)進行分析決策，下發(fā)相應(yīng)指令集控制設(shè)備差錯率，再將相應(yīng)的數(shù)據(jù)進行標(biāo)記儲存，最后將其結(jié)果整合上傳至云端完成實時控制，非及時處理的數(shù)據(jù)則經(jīng)過數(shù)據(jù)預(yù)處理，模型預(yù)測，再把預(yù)測結(jié)果整合上傳完成預(yù)測控制。

2.1 實時數(shù)據(jù)處理

在靠近設(shè)備側(cè)搭建邊緣節(jié)點，將采集的數(shù)據(jù)處理后上傳至云端，主要是設(shè)計邊緣應(yīng)用中的流數(shù)據(jù)分析來滿足高實時性控制的需求。

邊緣流數(shù)據(jù)分析：現(xiàn)場設(shè)備需要高頻采集數(shù)據(jù)，數(shù)據(jù)本身量大變化小，原始數(shù)據(jù)價值較低。本文利用邊緣應(yīng)用中的流數(shù)據(jù)分析，可對數(shù)據(jù)進行清洗、加工、聚合之后再上云。通過閾值設(shè)計將原始數(shù)據(jù)在本地處理，大大減少數(shù)據(jù)傳輸成本。

流數(shù)據(jù)處理編排如公式（1）所示，T參數(shù)閾值，t為均值，Δ代表了被測量值的合理波動范圍，因此只需要求出測量數(shù)據(jù)與均值之間差值的絕對值是否處在合理波動范圍內(nèi)。若計算結(jié)果大于Δ值，則將數(shù)據(jù)定為異常，添加異常標(biāo)識保存到本地，為后續(xù)系統(tǒng)對異常數(shù)據(jù)的處理做進一步研究；如計算結(jié)果小于Δ值，則被設(shè)定為冗余數(shù)據(jù)進行過濾處理。

2.2 預(yù)測控制

為提高污泥烘干機控制效率，將云端訓(xùn)練的污泥干化模型通過函數(shù)計算應(yīng)用導(dǎo)入到邊緣結(jié)點，完成污泥干化實時預(yù)測。通過仿真對比多元線性回歸和深度神經(jīng)網(wǎng)絡(luò)預(yù)測的效果，確定最終預(yù)測模型[2]。

2.2.1 基于多元線性回歸模型的預(yù)測

模型數(shù)據(jù)有干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率且均為連續(xù)型數(shù)值。污泥干化機主要工作是將物料除濕，因此我們將干料含水率設(shè)為目標(biāo)變量表示干化效果，而干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度作為解釋變量建立多元線性回歸模型，模型對污泥干化機的干化效果進行預(yù)測。模型的矩陣形式如式（2）所示：

式中，y為因變即目標(biāo)變量，X為自變量即解釋變量，β為回歸系數(shù)，ξ為隨機誤差項，樣本數(shù)據(jù)如表2所示，其中100組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，30組數(shù)據(jù)作為測試數(shù)據(jù)集。

表1 樣本數(shù)據(jù)

由于解釋變量的單位不同，數(shù)據(jù)差異大，為了消除量綱不同和數(shù)量級的差異，將樣本數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，然后采用OLS估算參數(shù)求解出各個回歸系數(shù)，公式如式（3）所示，回歸系數(shù)結(jié)果如表3所示。

表2 回歸系數(shù)

模型評估和檢驗：通過計算校正決定系數(shù)adjR2來對模型進行評估。

其中SSR為回歸平方，SSE為殘差平方和，adjR2表示因變量與所有自變量之間的線性相關(guān)程度，實際反映的是樣本數(shù)據(jù)與預(yù)測數(shù)據(jù)間的相關(guān)程度，值越接近于1，方程擬合優(yōu)度越高。

模型的顯著性檢驗：采用F檢驗回歸方程，其中F值為方差分析，對總體回歸方程進行檢驗，F(xiàn)值如式（4）所示。首先確定檢驗水平α=0.05，F(xiàn)值對應(yīng)的Sig值小于0.05就可以認(rèn)為回歸模型可用；其次當(dāng)F值大于Fa(k，n-k-1)時，可以認(rèn)為模型中包含的解釋變量對被解釋變量有顯著影響，反之，則無顯著影響。

其中（n-k-1）為自由度，n表示樣本容量，k表示自變量個數(shù)，模型評估和檢驗結(jié)果數(shù)據(jù)如表4所示：F>Fa(k,n-k-1)，同時F值對應(yīng)的Sig值小于檢驗水平，檢驗數(shù)據(jù)上看F檢驗回歸模型比較理想；調(diào)整R2為0.991說明回歸方程擬合度高，回歸模型比較理想。

表3 模型評估和檢驗結(jié)果

2.2.2 基于Keras訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型的預(yù)測

Keras是一個高層神經(jīng)網(wǎng)絡(luò)API, 它由純Python編寫而成并基Tensorflow、Theano以及CNTK后端。Keras是具有易使用、可抽象、兼容性和靈活性特點的深度學(xué)習(xí)框架。在Keras框架應(yīng)用中還提供了便捷的模塊，如，優(yōu)化方法選擇模塊、目標(biāo)函數(shù)模塊、激活函數(shù)模塊等，能極大減少模型搭建時間[3-5]。

深度神經(jīng)網(wǎng)絡(luò)作為一種卓越的信號處理模型，具有強大的建模能力，是由數(shù)據(jù)驅(qū)動的，因而能將已有的數(shù)據(jù)應(yīng)用起來完成分類、回歸等任務(wù)。

深度神經(jīng)網(wǎng)絡(luò)搭建：DNN模型內(nèi)部可分為輸入層，隱藏層和輸出層，層與層之間全連接。Keras搭建神經(jīng)網(wǎng)絡(luò)的方式有序列化模型（Sequential model）和函數(shù)API兩種，本文通過序列化模型創(chuàng)建核心步驟如下。

（1）給模型添加層一個輸入層，兩個隱藏層，一個輸出層的DNN。其中輸入shape為100，輸出層為1，隱藏層初始值為43。

（2）編譯模型，指定損失函數(shù)，優(yōu)化程序和評估值，mode.compile(optimizer=”rmsprop”, loss=”mse”,metrics=[”mae”])。模型結(jié)構(gòu)如查詢?nèi)缦拢?/p>

通過調(diào)試隱藏層數(shù)以及訓(xùn)練的迭代參數(shù)優(yōu)化DNN模型,不斷提高模型的預(yù)測精度，縮小絕對平均誤差（Mean absolute error,MAE）。優(yōu)化效果如下：對比第500和1000次訓(xùn)練的結(jié)果可知損失函數(shù)相差0.26%，MAE相差為1.82%，因此可以認(rèn)為當(dāng)樣本數(shù)據(jù)訓(xùn)練次數(shù)達到1000次時模型收斂。

3 實驗

3.1 實驗環(huán)境

本文實驗環(huán)境配置采用樹莓派4B作為邊緣節(jié)點的服務(wù)器配置相關(guān)組件以及函數(shù)模型，它配備的四核Cortex-A72(ARM v8) 64位SoC @ 1.5GHz處理器保證了算力，實驗數(shù)據(jù)由廣州凱能電器科技有限公司提供[6]。

3.2 模型預(yù)測結(jié)果分析

使用上文搭建的多元線性回歸和基于Keras訓(xùn)練的DNN預(yù)測模型，分別對三十組數(shù)據(jù)集進行預(yù)測。通過MAE來衡量預(yù)測性能，采用平均絕對誤差來計算預(yù)測精度，該值越小說明預(yù)測模型精確度越好，誤差更小。計算結(jié)果如表7所示，其中深度神經(jīng)網(wǎng)絡(luò)的MAE=0.2996，多元線性回歸為0.7683，通過評估MAE確定DNN模型預(yù)測效果優(yōu)于多元線性回歸模型。

實際預(yù)測結(jié)果如圖1模型對比所示，從圖中趨勢可以看出通過優(yōu)化后的的深度神經(jīng)網(wǎng)絡(luò)預(yù)測值比多元線性回歸模型預(yù)測的值更接近實際值。因此邊緣節(jié)點選用基于Keras訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型對污泥烘干效果進行預(yù)測更利于系統(tǒng)的協(xié)同控制。

圖1 模型預(yù)測對比

3.3 系統(tǒng)響應(yīng)性能對比

以傳感器采集的環(huán)境溫度為例，定時向邊緣計算平臺發(fā)送環(huán)境溫度數(shù)據(jù)，同時相對應(yīng)的時刻做一次平均延時統(tǒng)計。用同樣的方式記錄“一種物聯(lián)網(wǎng)的污泥烘干機模型系統(tǒng)”的平均傳輸時延，該系統(tǒng)分為模擬裝置、傳輸模塊和遠(yuǎn)程控制。通過對比二者平均傳輸時延來反應(yīng)系統(tǒng)響應(yīng)性，每發(fā)送200個數(shù)據(jù)包進行一次平均時延統(tǒng)計，由圖可知基協(xié)同控制系統(tǒng)的傳輸時延低于傳統(tǒng)云到端控制方式。

網(wǎng)絡(luò)傳輸時間時延由節(jié)點處理時延、排隊時延、發(fā)送時延、傳播時延組成，由于邊緣計算平臺物理位置靠近數(shù)據(jù)源頭，從傳輸空間的角度降低了傳播時延，確保了數(shù)據(jù)處理的實時性。通過在邊緣側(cè)設(shè)計污泥烘干流數(shù)據(jù)分析，90%以上的數(shù)據(jù)數(shù)據(jù)在本地實時處理，基于邊緣計算的數(shù)據(jù)傳輸量只占云計算的2%左右，極大緩解了網(wǎng)絡(luò)帶寬壓力，同時也降低了數(shù)據(jù)排隊等待時延[7-9]。

3.4 系統(tǒng)測試

污泥烘干機采集的大部分?jǐn)?shù)據(jù)交由邊緣端直接處理，極大減少了從設(shè)備端傳輸?shù)皆贫说臄?shù)據(jù)量，數(shù)據(jù)上傳的穩(wěn)定性和可靠性都得到提高，同時也緩解了網(wǎng)絡(luò)帶寬和云平臺計算壓力。該協(xié)同控制方式系統(tǒng)平均負(fù)載不超過0.5，且隨著設(shè)備接入時長的增加系統(tǒng)均衡負(fù)載波動更小。由此可知在邊緣計算接入后，隨著時長的增加系統(tǒng)的穩(wěn)定性也越高。

4 結(jié)語

本文提出一種基于邊緣計算的污泥烘干協(xié)同控制方法，利用邊緣流數(shù)據(jù)分析，在本地對污泥烘干數(shù)據(jù)進行實時處理，減少了本地上傳云端的數(shù)據(jù)量，減輕了核心網(wǎng)和傳輸網(wǎng)的負(fù)擔(dān)。其次，在邊緣側(cè)搭建污泥干化預(yù)測模型，對污泥烘干機進行實時+預(yù)測協(xié)同控制；該協(xié)同控制方法比傳統(tǒng)云到端控制方式的傳輸時延更低，滿足污泥烘干機高實時性系統(tǒng)控制的需求[10]。