基于AIoT的智能環保監控管理系統開發及其在高速公路網中的應用

李長杰,徐 亮,宋明星，陳 鵬，喻成武，朱 霓

(1.湖北交投智能檢測股份有限公司,湖北 武漢 430051;2.湖北省協誠交通環保有限公司，湖北 武漢 430051;3.武漢智造物聯網技術有限公司，湖北 武漢 430047)

根據《國家公路網規劃(2013年—2030年)》的方案，我國高速公路網的建設向著放射線與縱橫網格相結合的布局高速發展，伴隨高速公路網的急劇增延，隨之而來的基礎設施監測運維以及關聯的環境保護監測問題日趨復雜，對資產管理和環保工作的要求日益提高[1-2]。當前環保監測的發展集中在規?；⑾到y化的監測管理和總體化、近似化的分析，并探討各種細分化成分對于生態環境的具體影響[3-7]。Hoffmann等[3]根據高收入國家現狀，討論了當前面向城市的水資源管理方式，以及中長期科研重點和架構模式，強調了基于監控網絡的水質監測的重要性。在江湖環境下，Nong等[4]對我國南水北調中線工程3年間的實際水質情況進行了研究，從27個監測站大范圍收集了16項水質指標數據，并進一步探討了各項細節監測指標及水質評估的方法，指出了潛在污染源風險；Hu等[6]根據35年的水質監測數據，探究了人為磷輸入對于長江水環境的影響。然而，當前的研究和應用主要停留在對歷史記錄進行分析，存在環保安全監測的時效性和前瞻性不足問題，更不能在污染事件發生前就及時預測到環保安全風險，進而提前采取防控措施杜絕污染事故的發生。

隨著物聯網、大數據、人工智能、智能化、云計算等前沿技術的強勢加入，給環保監控管理領域帶來了變革和機遇[8-15]。2018年中央經濟工作會議以及2019年全國兩會上的政府工作報告明確提出要加強人工智能、工業互聯網、物聯網等新型基礎設施建設和融合應用。為此，本文利用一系列的數字信息智能技術，為高速公路網環保監控管理提供一套創新的解決方案。此解決方案摒棄了當前傳統環保監測的黑匣子記錄模式，采取高粒度實時環保監測，及時且持續地對各項環保監測指標做未來趨勢預測，對污染事故風險進行提前預警，在超標排放污染事件大概率發生之前就預警提示，可使相關職能部門采取運維措施提前應對，極大地強化了環保安全風險控制。尤其在新基建需求的大形勢下，可為高速公路網中環保和路橋隧基礎設施等資產的安全監控、運維及管理的數字轉型和智能升級提供依據。

1 基礎設施和高速公路環保監測現狀

面對基礎設施和高速公路網快速發展帶來的環保壓力，以及各級政府和民眾對環境監控的高度關注,在環保監控管理系統的建設中，我國當前的解決方案主要存在以下幾個痛點和瓶頸：

(1) 數據碎片化和業務豎井。目前所建立的環保監測系統多為單一環境檢測項系統，例如污水監測、大氣監測、環保設備工況監測等，并使用不同供應商的設備和系統，各自形成獨立的業務豎井、數據孤島，造成數據碎片化，難以實現統一的環保監控管理。

(2) 監測粒度低和存在監測盲區。當前水質檢測設備對環境的要求高，需技術人員定期頻繁出勤，運維復雜，且檢測粒度低，至少需數小時才出一組有效監測數據。眾多監測點由于地處邊遠地區，空間跨度大，運維難度高，存在監測弱區和盲區，達不到在線環保監測全覆蓋[16-19]，也無法實現不間斷實時遠程信息監測，且獲取的環保監測數據的粒度和實時性更無法滿足人工智能機器學習模型訓練的數據要求。

(3) 補救型環保運維不可逆。環保監測通常是在污染事故和運維事件已經發生后發出報警，此時不可逆的環境破壞污染事故(例如超標排放)已經發生，需要付出代價高昂的補救和運維投入，且負面影響不可逆。

2 基于AIoT的高速公路網智能環保監控管理解決方案及其應用

人工智能物聯網(Artificial Intelligence and Internet of Things，AIoT)是將人工智能(AI)技術與物聯網(IoT)系統充分融合、交互作用，即運用人工智能技術分析物聯網系統所提供的感知數據，挖掘數據中的價值，輸出前瞻性的服務。

針對上述我國高速公路網環保監測發展現狀中存在的問題，本文運用AIoT技術，為高速公路網智能環保監控管理提供了一套完整的解決方案，來突破其現有瓶頸。此解決方案由兩個重要部分組成：①智能環保物聯網系統，構建全面的環保大數據監測網絡,實現跨業務豎井的信息采集、整合并分享，以及高粒度實時監測、微運維和無人值守；②定制化研發的人工智能大數據分析平臺，對物聯網構建的大數據做統計分析和趨勢預測深度應用，支持按需運維和提供前瞻性管理。該解決方案的總體設計架構見圖1，具體設計如下：

圖1 基于AIoT的高速公路網智能環保監控管理解決方案總體設計架構Fig.1 Architecture of the AIoT-based smart highway network environment monitoring management solution

在感知層中，現場部署各類新一代傳感器，對環保指標、環保設備工況等資產運維檢測項，以及其他業務豎井的監測信息(如路橋隧基礎設施健康狀態)進行采集、數字化和數據預處理。

在傳輸層中，傳感器感知的數據通過物聯網匯集和回傳，利用新一代無線低功耗傳感網LPWAN(Low-Power Wide Area Network)技術組網，將感知層獲取的數據無線遠距離傳送至連接互聯網的物聯網網關，回傳至云資源池的平臺層。

在平臺層中，在云平臺上設立遠程監控數據中心，部署管理系統，對前端數據進行匯接和儲存，并在“一張圖”上進行業務呈現。系統預留接口供外部(環保)子系統對接，實現對非本項目部署的系統的集成和統一呈現。

在應用層中，適配人工智能大數據分析功能體，賦能環保大數據，對匯集的環保大數據做充分挖掘、融合、分析和深度應用，進而輸出前瞻性環保和運維服務。

此外，本文選取京珠高速公路湖北境內某高速服務區為試點，對該解決方案進行了可行性分析。

3 智能環保物聯網構建環保監測大數據

3. 1 智能環保物聯網系統設計與實現

智能環保物聯網系統提供了該AIoT技術解決方案中端到端的IoT物聯網系統基礎設施，用以采集、傳輸、融合、構建全面的環保監測大數據。首期建設的智能環保物聯網部署了模塊，包括智能水質監測、水流量監測、大氣監測、污水處理設備工況監測等多個物聯網節點，覆蓋整個服務區及周邊區域的物聯網網關，以及物聯網平臺中間件(Middleware)適配層。

為了防止環保監測數據碎片化，在智能環保物聯網系統中，通過智能傳感監測節點提供了豐富的SCADA工業標準接口，將各種監測設備或傳感器無縫集成到系統中，系統多維度實時地采集傳感器的環保監測數據，包括高速公路網服務區排放的污水水質、污水排放狀況、空氣質量、微氣象以及污水處理設備工況等監測指標數據，見表1。

表1 項目環境監測指標

當前高速公路網環保監測中普遍使用的在線水質檢測方法，主要是依托化學水質分析技術，通過分光光度法、比色滴定法或重量分析法等獲取水質指標的計量結果[20-22]。其分析速度不可能快于分析時所用各種化學反應所需的總時間(通常大于100 min數量級)，產生每組有效數據通常需要2～4 h，實際每個檢測指標每天最多只能提供12組有效監測讀數，這就造成了監測粒度低。因此，在部署智能水質監測點時，采取了從污水排放口自動抽取水樣到小型監測控制一體化箱，由在一體化箱中集成的新一代多參數光譜分析法水質檢測傳感器檢測污水指標，檢測完的污水自動排放出去。該檢測結果經由第三方檢驗機構驗證，無論高低量程測試結果的實際誤差率均在3.78%～6.58%之間，表明檢測方法具有良好的準確度。水流量監測點使用明渠流量儀和高精度超聲波水位計，實時監測污水排放流量。大氣類監測點采用新一代微型電化學大氣傳感器，集成入智能監測物聯網節點，對服務區的空氣質量提供實時安全監測(如油氣殘留、泄漏監測)。監測指標數據預處理后，實時通過物聯網連接回傳，將監測粒度大幅提升至分鐘級別上傳一組有效的檢測數據，每天每個檢測指標至少能提供3 700組監測數據，可滿足大數據分析和人工智能機器學習模型訓練的數據要求。

針對數量眾多的高速公路網監測點地處邊遠地區且分布地域跨度大的特點，以及考慮存在移動信號覆蓋不到或者網絡狀況不佳的情況，為了克服傳統監測方式存在一定比例的監測盲點問題[19-23]，不同于普遍使用的GPRS/GSM/3G回傳數據技術，使用了新一代無線低功耗傳感網LPWAN組網技術，由組網遠距離無線傳輸至具有互聯網接入功能的嵌入式物聯網網關，即使在移動網絡信號微弱和不穩定的區域，所有監測點都無需依賴移動通信基站網絡信號的覆蓋度和健壯度，就可將高粒度測量的多維度實時感知數據回傳至數據中心。

監測點的硬件模塊整體封裝在IP67標準的防水防潮箱體中，適用于野外惡劣環境或室內使用，免去了環保監測站房占地和建設成本，集成到傳感器的小型監測控制一體化箱，無需改造現有基礎設施，即插即用快速部署。物聯網監測節點具有獨立性、小型化、低功耗的特點，可以在不影響當前設備的情況下獨立運作，無須對被監控實體做改造；其采用低功耗的硬件模塊和底層固件，賦予子系統智能節能模式，整個子系統可由充電蓄電池和太陽能清潔能源聯合供電，部署地點不受電源條件限制，部署后可超長時間運作，無須人員進入維護。

物聯網系統中間件適配層賦予物聯網平臺兼容性、安全性、交互性和拓展性，主要由以下幾個適配層實現：

(1) 數據聚合適配層。該層將監測數據從不同的子系統和其他數據源以不同的數據格式匯集到數據中心。

(2) 數據安全適配層。該層在原始數據使用權上應用用戶授權的方式保證數據使用安全，該適配層也是整個物聯網端對端數據加密/解密功能的組成部分。

(3) 交互控制適配層。該層可提供預設的應用程序接口(API)，例如在物聯網系統和數據中心，或物聯網系統和人工智能/機器學習功能體，或物聯網系統和平臺的其他模塊間，實現雙向通信、交互式監測和控制。

(4) 拓展適配層。該層實現平臺的物聯網系統的可拓展性，并在平臺投入部署運行后，還可以集成新的(物聯網)監測子系統到平臺上來，增加新的業務數據集和服務項。

3. 2 智能環保物聯網系統優勢

智能環保物聯網系統的優勢主要表現在以下幾個方面：

(1) 該系統將多個單一的環保監測的獨立系統(例如污水水質監測系統、污水排放量監測系統、空氣質量監測系統、微氣象監測系統、污水處理設備工況監測系統等)集成到一個平臺上來，消除了環保安全數據孤島，整合了數據碎片，為實現在一個平臺上的高速公路網環保監測數據統一呈現、集中監控管理和數據融合應用打下了堅實的基礎。

(2) 該系統同時具有拓展性，能夠集成新的環保監測子系統到這個統一的平臺上來，解決了日常工作中必須面對不同設備和服務供應商管理系統的難題，規避了企業過度依賴多個第三方SaaS平臺的風險，也避免了體系架構中部分功能的重復建設和成本負擔。

(3) 該系統全面提升了在線環保監控的粒度和實時性，實現了高粒度檢測、無漏檢，真正意義上可實時全局掌握高速公路網環保安全監測和資產運維狀態，同時提供了滿足大數據分析和人工智能機器學習模型訓練所需的數據集。

(4) 該系統從根本上消除了環保監測盲區和弱區，實現了環保監測無盲區全覆蓋、微運維、無人值守、按需運維，相較于通常輪詢機制的定期頻繁運維，該智能環保物聯網系統的使用能夠減少高達80%的出勤。

(5) 該系統實現了高速公路網環保監控的快速部署，且無需改造現有基礎設施。

4 人工智能大數據分析平臺

4. 1 人工智能大數據分析平臺設計架構

通過自主研發的人工智能大數據分析平臺，實現了該AIoT技術解決方案中的人工智能功能部分，賦能“全面環保大數據”，對環保監測的實時和歷史數據進行處理、挖掘和分析的深度應用。

人工智能大數據分析平臺設計架構見圖2。根據高速公路網環保監測指標變化趨勢預測預判的需求任務，以及面向物聯網構建的環保數據集的特點，來設計定制化的機器學習模型，并在運行環境下，無縫對接環保物聯網系統、企業數據倉庫、智能環保監控管理系統和數據/服務發布系統。

圖2 人工智能數據分析平臺設計架構圖Fig.2 Design architecture of the AI-enabled data analysis platform

該平臺主要功能模塊如下：

(1) 數據檢索及對接模塊?；跀祿}庫給定的數據存儲方案和數據庫環境的API下，數據檢索及對接模塊可進行最簡化的數據檢索及操作，具有最高效的檢索效率，從而減少整體系統的冗余信息操作，實現其性能的最大化。

(2) 原始數據處理模塊。近乎全部的人工智能模型均對其輸入的數據有固定的格式要求(如向量形式)，經典的機器學習方法要求對數據本身進行一定程度上的特征值提取，以便于適應不同模型所做出的數據分布上的假設。原始數據處理模塊的核心功能有針對模型的數據格式匹配、標準化特征值的計算與儲存。

(3) 統計建模及擬合模塊。作為整個人工智能數據分析平臺的機器學習功能體的核心，統計建模及擬合模塊是實現使用數據并將其價值最大化的重點。該模塊包括兩個子模塊，即針對于預測性問題的監督學習模塊和針對于非預測性問題的無監督學習模塊。整體模塊囊括了常用的幾大模型類型：邏輯類模型(如決策樹)、概率類模型(如樸素貝葉斯)、距離類模型(如支持向量機)、人工神經網絡類模型(如卷積神經網絡)以及其他模型。

(4) 分布式計算模塊。由于本環保監測項目是典型的大數據問題(即數據量大、數據類型復雜以及潛在數據應用居多)，意味著項目中各類模型的擬合和訓練需要進行額外的分布式計算，以保證部分輸出結果的即時性。在既有的分布計算框架(如Spark及Hadoop)的基礎上，該模塊的具體設計將會高度取決于具體模型本身的計算量，以及對模型輸出時效性的需求。

(5) 數據語義化可視模塊。該模塊將數據分析和預測的結果語義化呈現給用戶，是將人工智能數據分析模型處理后的復雜信息進行高度的濃縮化和語義化。根據業務的需求和針對不同的用戶類別，數據語義化可視化模塊的輸出將以時間長度上和數據維度上便于用戶理解的信息呈現，非數據專業人員亦可讀懂復雜信息輸出的結果。

4. 2 稀疏變分法推論算法

在該環保監測項目中，運用了人工智能的深度學習技術，針對環保監測進行統計建模及預測，重點采用了概率類模型，通過貝葉斯統計(Bayesian Statistics)的方式，實現對目標變量的不確定性校準(Uncertainty Calibration)。貝葉斯統計近些年在氣象模擬、疾病傳播預測、基因序列分析等領域取得了諸多進展，同時展現出與當下主流深度學習模型之間具有較好的兼容度[24-26]。然而在當前高速公路網環保監測數據的規模下，貝葉斯統計經典算法在目前任何商業計算服務器上難以達到可接受的計算效率，無法即時輸出環保監測指標預測結果。

該環保監測項目中積累的環保數據集的時間序列和數據量隨時間呈線性增長，具有明顯的周期性，當污染事件發生時，個別時間序列可觀測到明顯的分布改變點。根據數據集的這些特點，定制化研發了一種優化的稀疏變分法推論算法 (Sparse Variational Inference)。通過該算法，可以使用極低的近似數量級，便能準確擬合之前數量級的變化趨勢，解決了經典貝葉斯統計算法不能適配于大規模物聯網環境建模的問題。稀疏變分法推論算法的數學表達式如下：

logp(y)≥Eq(u)[logp(y|u)]-KL[q(u)||p(u)]

(1)

式中：y為全部觀測到的歷史變量(例如某一監測項的全部讀數)；u為稀疏化表達的歷史時間點(數目遠小于觀測到的總時間點)；p(u)為單位高斯分布的先驗概率；q(u)為需要擬合的近似后驗概率；p(y|u)為針對每種讀數類型的定制概率分布；KL為Kullback-Leibler散度。

基于此算法建立的優化深度學習模型，可在不過量損失模型精度的條件下保持模型的可擴充性。圖3中枚舉出了其中3項環保監測指標在給定一個短周期(min)中的讀數擬合值，其中藍色曲線為監測項的實際讀數，紅色曲線為擬合值，而紅色虛線則為擬合的標準差，超出藍線范圍的部分則為模型對于未來趨勢的預測，即對未來幾分鐘內污水排放的氨氮、瞬時流量、累計流量的預測值。如果預測值超過排放標準或預設的門限值，管理部門則在排放超標或超量事件發生前就采取針對性的運維措施，實現按需運維和前瞻性響應。

圖3 環保數據擬合及預測示例(分鐘級)Fig.3 Cases of environment data fitting and prediction (on the order of minutes)

由圖3可見，該模型在此情況下可以濾除原數據中的大部分浮動噪聲，并準確地識別出數值背后的主要趨勢；模擬擬合的標準差范圍則可以進一步地定量給出數據的浮動分布。在此基礎上，將研發的該模型應用于各個監測項，并指定了如下的模型周期：分鐘級、小時級、4小時級、日級、周級以及月級，可提供即時的所有環保監測指標預測結果更新，滿足對各種環保安全預警情況的潛在需求。相對于采取既有的非概率化方法，針對環保安全檢測和資產管理的需求，根據當前收集的環保數據集，自主定制化研發的基于稀疏變分法推論算法的深度學習模型達到了預期效果。

為了進一步比較本文所提出的稀疏變分法推論算法與經典貝葉斯統計算法[27]的區別，在表2中針對每一個監測指標進行了橫向比較。具體實驗設置如下：選擇某一日中午12時至當日24時的數據作為模型訓練集，然后由所訓練的模型來預測當日24時到次日凌晨1時的監測指標，并記錄所需的運行時間(s)和預測誤差(均方根誤差)。

表2 經典貝葉斯統計算法與稀疏變分法推論算法運行時間和預測誤差的比較

由表2可知，盡管在較小數據規模(如SO2，70數據點)下，稀疏變分法推論算法在運行時間和預測誤差上并不能取得優勢，然而隨著數據量增長之后(如COD,2 056數據點)，稀疏變分法推論算法則可以在保持同一預測誤差的前提下，極大地縮短模型運行時間 (在COD下，運行時間由24 s縮短至6 s)。與此同時，在全部感知數據集上，均可以觀測到稀疏變分法推論算法本身的運行時間并不會隨著數據量的增大而增加，這對于相應的周級別、月級別，乃至年級別的建模極為重要，從根本上解決了傳統算法無法有效應用到環保大數據上并即時輸出監測指標預測結果的問題。

5 結 語

本文充分運用AIoT物聯網與人工智能數據分析融合技術，實現了高速公路網環保監控快速部署、無盲區全覆蓋、微運維和無人值守，提升了在線環保監控的實時性和粒度，并整合了碎片化數據，打破了數據孤島，實現了跨業務豎井的信息整合、分享和利用。本文構建的基于AIoT技術的智能環保監控管理系統，在人工智能和大數據分析賦能下，可為環保監測、運維、資產管理等整體業務提供基于數據的統計分析和預測預判，提供對監測指標做未來趨勢預測和環保事故風險預警的前瞻性智能增值服務，大幅提高了環保安全系數，進而降低其環保成本并加強了運維效力，更能規避環境污染事件造成的負面社會影響，為提升交通行業環保管理智能化水平做出了有益的探索。