Мережі датчиків Інтернету речей: MQTT, Обчислювальне проєктування на краю та Фільтр Калмана

Мережа датчиків переважно є проблемою обміну повідомленнями

Розгортання IoT – розумне будівництво, ферма, виробничий цех – може мати тисячі акумуляторних вузлів, кожен з яких передає дані про температуру, вібрацію, зайнятість або вологість кожні кілька секунд через ненадійний бездротовий канал. Справжня складність рідко полягає в фізиці датчика; це полягає у надійному передаванні цих даних без розрядки акумулятора протягом тижня або перевантаження мережі. Саме тому майже всі стеки IoT побудовані на основі MQTT (Message Queuing Telemetry Transport), протоколу публікації-підписки, розробленого в 1999 році для телеметрії нафтових трубопроводів через дорогі та ненадійні супутникові з’єднання – саме ті низькошвидкісні, високозатримні умови, які все ще стикаються з IoT сьогодні.

Вивіс, підписка та три рівні "Я обіцяю"

В MQTT сенсор ніколи не спілкується безпосередньо з дашбордом. Він публікує невелике повідомлення до названої теми, наприклад building/floor3/room12/temp, на центральному брокері; все, що підписалося на цю тему — або wildcard, як building/floor3/+/temp — отримує її миттєво. Публікатор і підписник ніколи не повинні знати про один одного, що дозволяє додати сотні нових дашбордів без торкання до одного сенсора.

QoS 0 "максимум раз" - запаліть і забувайте, без підтвердження — найдешевше QoS 1 "принаймні один раз" - брокер підтверджує, відправник повторює до підтвердження — може дублюватись QoS 2 "точно один раз" - чотирикрокова рукоздана процедура гарантує одне надсилання — найдорожче Датчик вібрації, який стікає кожні 200 мс, використовує QoS 0 — втрачений зразок безглуздий, і повторне намагання просто витрачає час. Тригер пожежної сигналізації використовує QoS 1 або 2, оскільки втрата цього одного повідомлення не є варіантом. Ця регульованість, плюс невеликий бінарний заголовок та постійне TCP-з’єднання, яке уникає повторного встановлення рукозданих процедур, пояснюють, чому MQTT економить батарею порівняно з опитуванням REST API кожні кілька секунд.

QoS 0  "at most once"   fire and forget, no acknowledgement — cheapest
QoS 1  "at least once"  broker acks, sender retries until confirmed — may duplicate
QoS 2  "exactly once"   a four-step handshake guarantees single delivery — costliest

Обчислення на краю: фільтрація перед передачею

Відправка кожного необробленого вимірювання до центру обробки хмарних даних не масштабується. Шлюз або мікроконтролер на "краю" — фізично близько до датчиків — замість цього виконує три речі перед віддачею будь-яких даних: він агрегує (середнє значення/максимум/мінімум за вікно замість кожного вибірку), фільтрує (відкидає значення, які не пройшли перевірку на адекватність) та об’єднує дані з кількох датчиків в одну кращу оцінку. Лише оброблений результат або аномалія, яка варта уваги, надсилається далі. Це також скорочує затримку циклу для будь-чого, що потрібно локально реагувати — мотор вимикається через перегрів, не чекаючи на поїздку до центру обробки даних на іншому континенті.

Фільтр Калмана: оптимальне поєднання вимірювань

Окремі датчики шумні та іноді не збігаються — дешевий акселерометр-заснований індикатор нахилу відхиляється, температурний зонд біля дверей різко стрибає при відкритті. Фільтр Калмана (Рудольф Кàльман, 1960) є стандартним інструментом для поєднання шумного прогнозу з шумним вимірюванням у єдисну оцінку, яка доводиться кращою за будь-яку з них окремо, для лінійних систем із Гауссовим шумом. Він працює в два кроки, повторювані щоразу, коли надходить нове читання:

ПЕРЕДБАЧЕННЯ (використовуючи модель руху/поведінки системи) x_pred = F * x_prev // проектування стану вперед P_pred = F * P_prev * F^T + Q // збільшення невизначеності за рахунок процесного шуму Q

ОПДЕРЖАННЯ (включення нової вимірювання z) K = P_pred * H^T / (H * P_pred * H^T + R) // Калманів коефіцієнт, вагує довіру x_new = x_pred + K * (z - H * x_pred) // перетягування оцінки до z P_new = (I - K * H) * P_pred // невизначеність зменшується R є відомою вимірювальним шумом датчика дисперсією, а Q — скільки справжнього стану очікується відхилятися між оновленнями. Коли R малий (точний датчик), коефіцієнт K близький до 1 і фільтр сильно покладається на нове читання; коли R великий (шумний датчик), K зменшується і фільтр спирається на свій власний прогноз замість цього. Об'єднання двох незалежних датчиків однієї величини — скажімо, барометр та ультразвуковий висотомір, таким чином дає оцінку, дисперсія якої завжди менша або дорівнює кращому з двох входів окремо, що є повною метою об'єднання даних датчиків.

PREDICT (using the system's motion/behaviour model)
  x_pred = F * x_prev              // project the state forward
  P_pred = F * P_prev * F^T + Q    // grow the uncertainty by process noise Q

UPDATE (fold in the new measurement z)
  K = P_pred * H^T / (H * P_pred * H^T + R)   // Kalman gain, weighs trust
  x_new = x_pred + K * (z - H * x_pred)       // pull estimate toward z
  P_new = (I - K * H) * P_pred                // uncertainty shrinks

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте IoT Sensor Network і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.