基于邊緣計算的污泥烘干協同控制方法

楊繼松，岑健，伍銀波，吳金城，吳健旋

（1.廣東技術師范大學電子與信息學院，廣東 廣州 510000；2.廣東技術師范大學自動化學院，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，如何處理污水廠產生的污泥是環保部門面臨的重大挑戰之一。本文在前期研究的基礎上，提出基于邊緣計算的污泥烘干機協同控制系統。旨在邊緣側構建實時和預測協同控制的架構，提高污泥烘干設備的產生效率，從而滿足其高實時性業務需求，解決污泥量日益累增的問題。

1 系統設計

工廠污泥烘干設備在線完成污泥脫水任務時，實時性業務主要由工作設備機況的控制，物料和環境因素的預警組成[1]。而基于云計算集中的監控模式，隨著傳輸的數據不斷增多，云端計算和網絡帶寬的壓力也不斷提高，再加上云端響應實時性差，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業聯盟（Edge Computing Consortium，ECC)與中國工業互聯網產業聯盟聯合發布的邊緣計算參考架構來設計污泥烘干機協同控制系統。基于智能邊緣的協同監控系統，該系統由工業烘干設備、邊緣智能網關和云平臺組成。首先，通過網關設備部署Link IoT Edge邊緣計算平臺，建立泥烘干設備邊緣節點；網關和污泥烘干機之間采用Modbus協議實現通訊。其次，通過設計邊緣流數據分析，對實時數據進行處理，以及智能應用實現污泥干化預測。最終，云平臺和邊緣結點之間通過4G模塊將轉換好的數據幀上傳至云服務器。

2 方法

污泥烘干機的數據在邊緣節點進行實時處理，預測，存儲與上傳等。其中實時處理需求高的數據在邊緣側進行分析決策，下發相應指令集控制設備差錯率，再將相應的數據進行標記儲存，最后將其結果整合上傳至云端完成實時控制，非及時處理的數據則經過數據預處理，模型預測，再把預測結果整合上傳完成預測控制。

2.1 實時數據處理

在靠近設備側搭建邊緣節點，將采集的數據處理后上傳至云端，主要是設計邊緣應用中的流數據分析來滿足高實時性控制的需求。

邊緣流數據分析：現場設備需要高頻采集數據，數據本身量大變化小，原始數據價值較低。本文利用邊緣應用中的流數據分析，可對數據進行清洗、加工、聚合之后再上云。通過閾值設計將原始數據在本地處理，大大減少數據傳輸成本。

流數據處理編排如公式（1）所示，T參數閾值，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據與均值之間差值的絕對值是否處在合理波動范圍內。若計算結果大于Δ值，則將數據定為異常，添加異常標識保存到本地，為后續系統對異常數據的處理做進一步研究；如計算結果小于Δ值，則被設定為冗余數據進行過濾處理。

2.2 預測控制

為提高污泥烘干機控制效率，將云端訓練的污泥干化模型通過函數計算應用導入到邊緣結點，完成污泥干化實時預測。通過仿真對比多元線性回歸和深度神經網絡預測的效果，確定最終預測模型[2]。

2.2.1 基于多元線性回歸模型的預測

模型數據有干化室入口風量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風溫度、干料含水率且均為連續型數值。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為目標變量表示干化效果，而干化室入口風量、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測。模型的矩陣形式如式（2）所示：

式中，y為因變即目標變量，X為自變量即解釋變量，β為回歸系數，ξ為隨機誤差項，樣本數據如表2所示，其中100組數據作為訓練數據集，30組數據作為測試數據集。

表1 樣本數據

由于解釋變量的單位不同，數據差異大，為了消除量綱不同和數量級的差異，將樣本數據進行標準化處理，然后采用OLS估算參數求解出各個回歸系數，公式如式（3）所示，回歸系數結果如表3所示。

表2 回歸系數

模型評估和檢驗：通過計算校正決定系數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程度，實際反映的是樣本數據與預測數據間的相關程度，值越接近于1，方程擬合優度越高。

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值如式（4）所示。首先確定檢驗水平α=0.05，F值對應的Sig值小于0.05就可以認為回歸模型可用；其次當F值大于Fa(k，n-k-1)時，可以認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，模型評估和檢驗結果數據如表4所示：F>Fa(k,n-k-1)，同時F值對應的Sig值小于檢驗水平，檢驗數據上看F檢驗回歸模型比較理想；調整R2為0.991說明回歸方程擬合度高，回歸模型比較理想。

表3 模型評估和檢驗結果

2.2.2 基于Keras訓練的深度神經網絡模型的預測

Keras是一個高層神經網絡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習框架。在Keras框架應用中還提供了便捷的模塊，如，優化方法選擇模塊、目標函數模塊、激活函數模塊等，能極大減少模型搭建時間[3-5]。

深度神經網絡作為一種卓越的信號處理模型，具有強大的建模能力，是由數據驅動的，因而能將已有的數據應用起來完成分類、回歸等任務。

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

（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，優化程序和評估值，mode.compile(optimizer=”rmsprop”, loss=”mse”,metrics=[”mae”])。模型結構如查詢如下：

通過調試隱藏層數以及訓練的迭代參數優化DNN模型,不斷提高模型的預測精度，縮小絕對平均誤差（Mean absolute error,MAE）。優化效果如下：對比第500和1000次訓練的結果可知損失函數相差0.26%，MAE相差為1.82%，因此可以認為當樣本數據訓練次數達到1000次時模型收斂。

3 實驗

3.1 實驗環境

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

3.2 模型預測結果分析

使用上文搭建的多元線性回歸和基于Keras訓練的DNN預測模型，分別對三十組數據集進行預測。通過MAE來衡量預測性能，采用平均絕對誤差來計算預測精度，該值越小說明預測模型精確度越好，誤差更小。計算結果如表7所示，其中深度神經網絡的MAE=0.2996，多元線性回歸為0.7683，通過評估MAE確定DNN模型預測效果優于多元線性回歸模型。

實際預測結果如圖1模型對比所示，從圖中趨勢可以看出通過優化后的的深度神經網絡預測值比多元線性回歸模型預測的值更接近實際值。因此邊緣節點選用基于Keras訓練的深度神經網絡模型對污泥烘干效果進行預測更利于系統的協同控制。

圖1 模型預測對比

3.3 系統響應性能對比

以傳感器采集的環境溫度為例，定時向邊緣計算平臺發送環境溫度數據，同時相對應的時刻做一次平均延時統計。用同樣的方式記錄“一種物聯網的污泥烘干機模型系統”的平均傳輸時延，該系統分為模擬裝置、傳輸模塊和遠程控制。通過對比二者平均傳輸時延來反應系統響應性，每發送200個數據包進行一次平均時延統計，由圖可知基協同控制系統的傳輸時延低于傳統云到端控制方式。

網絡傳輸時間時延由節點處理時延、排隊時延、發送時延、傳播時延組成，由于邊緣計算平臺物理位置靠近數據源頭，從傳輸空間的角度降低了傳播時延，確保了數據處理的實時性。通過在邊緣側設計污泥烘干流數據分析，90%以上的數據數據在本地實時處理，基于邊緣計算的數據傳輸量只占云計算的2%左右，極大緩解了網絡帶寬壓力，同時也降低了數據排隊等待時延[7-9]。

3.4 系統測試

污泥烘干機采集的大部分數據交由邊緣端直接處理，極大減少了從設備端傳輸到云端的數據量，數據上傳的穩定性和可靠性都得到提高，同時也緩解了網絡帶寬和云平臺計算壓力。該協同控制方式系統平均負載不超過0.5，且隨著設備接入時長的增加系統均衡負載波動更小。由此可知在邊緣計算接入后，隨著時長的增加系統的穩定性也越高。

4 結語

本文提出一種基于邊緣計算的污泥烘干協同控制方法，利用邊緣流數據分析，在本地對污泥烘干數據進行實時處理，減少了本地上傳云端的數據量，減輕了核心網和傳輸網的負擔。其次，在邊緣側搭建污泥干化預測模型，對污泥烘干機進行實時+預測協同控制；該協同控制方法比傳統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控制的需求[10]。