边缘计算与AI融合的自动控制

高晨*基于边缘计算技术的人工智能自动控制系统及 数据处理单元的效率

https://doi.org/10.1515/ijeeps‐2023‐0115收 稿日期：2023年3月31日；接受日期：2023年 7月6日；在线出版日期：2023年7月18日

摘要

边缘计算网关自动化系统集成于边缘计算网关中。
边缘计算系统的主要功能之一是在工业生产过程中连接 工业仪表和通信设备，提供实时数据监测与分析，并对 预设的逻辑事件作出响应。其运行过程包括按一定顺序 分离和设计不同的流程。生产和加工过程容易受到生产 与加工周期长、监测数据种类多、处理数据量大以及数 据易受外部干扰等问题的影响，从而导致数据不准确和 不同步。基于此，本文研究了基于云计算的数据处理系 统的分析，重点分析了系统架构及处理方式，并阐述了 数据采集器的设计。随后，本文分析了人工智能（AI） 自动控制系统和数据处理单元的效率。文章探讨了人工 智能在数据采集与处理中的应用、人工智能自动控制系 统的数据管理模块构成，以及人工智能自动控制系统中 数据模块的数据处理。本文还描述了边缘计算网关自动 控制系统的构建方法与流程，从数据预处理模块、数据 分类处理模块、数据积累分析模块、自动控制算法逻辑 模块和指令执行控制模块等方面进行了讨论。实验与研 究表明，采用新型人工智能自动控制系统和数据处理系 统进行数据分析的准确性比传统自动控制系统和数据处 理系统高出0.11。新型人工智能自动控制系统和数据处理 系统的数据处理有效性为比传统自动控制系统和数据处理系统高0.10。通过采用 人工智能技术和边缘计算技术构建自动控制系统和数据 处理系统，建立了新型的人工智能自动控制系统和数据 处理系统，其满意度比传统自动控制系统和数据处理系 统高9%。

关键词 ：人工智能自动控制系统；边缘计算技术；数据 处理单元效率；频域特征数据算法

1 引言

边缘计算是指相对于云计算中心的数据源和数据传输路 径之间的所有计算和网络资源的相对概念。边缘计算使 终端能够将存储和计算任务转移到网络边缘节点，并构 建“云边端”系统的边缘计算基础设施、边缘计算中心、 边缘网络和边缘设备。各类边缘计算设备不仅是数据消 费者的体现，同时也是边缘计算结构各个功能层级上的 数据生产者。
人工智能自动化系统被广泛应用于不同行业。菲奥 里尼，罗多尔弗A分析了共生自主系统和共生系统对即 将到来的超级智能社会的主要影响，基于在科学系统开 发中的经验和讨论揭示了基本考虑因素，并提出了对这 些系统的全新理解建议[1]。萨玛尔，克鲁提迪普塔提出 了一种任务驱动的输入融合方法。该方法最小化了资源 密集型传感器的使用，并展示了其在目标跟踪和路径规 划中的视觉激光雷达融合应用[2]。金健宇提出了一种架 构，该架构通过使用消息队列遥测传输、发布、订阅和 消息模式提供自动配置机制。所提出的方法能够基于消 息队列遥测传输自动配置设备，并使用标准接口提供上 下文感知服务[3]。鲁阿里，阿卜杜勒卡里姆旨在减少由 通过集成自主系统来减少物流和运输中因驾驶员失误导 致的事故，并提出了一种基于卷积神经网络的架构，用 于识别和分类导致道路交通事故的不同地点[4]。穆勒， 曼努埃尔的研究发现，在工业自动化领域，人们越来越 多地讨论自主系统。然而，文献中对于自主系统的定义、 特征以及如何区分工业自主系统与智能工业自动化系统 尚无共识[5]。丹尼斯，路易丝A描述了一种自主系统 构建方法，该方法不仅支持自我意识，还支持形式化验 证。该方法基于一种模块化结构，其中智能体的关键自 主决策以符号化形式表示[6]。弗拉基米罗夫娜，列别杰 娃安娜介绍了关于物体热性能、无损检测方法的研究， 以及运行自主节能管理算法的供暖系统的开发[7]。相关 研究分析了人工智能自动化系统，但在数据处理单元的 效率研究方面仍存在一些不足。
许多学者对数据处理单元的效率进行了分析与研究。
陈永良的研究发现，孤立森林是一种用于异常检测的数 据挖掘算法。通过比较孤立森林模型与受限玻尔兹曼机 和逻辑回归模型的性能，绘制出了一张黄金前景图[8]。
吴玉磊的调查发现，物联网已渗透到众多重要且关键的 领域，可为智慧城市、水利、运输、制造业及智能工厂 提供数据服务。从快速增长的物联网设备中获取了海量 数据，而高效数据处理是满足许多新兴物联网应用多样 化和严格要求的必要条件[9]。王小康的研究发现，连续 旋转电子衍射已发展为一种全自动化的三维电子衍射数 据采集技术。该方法已成功应用于一系列沸石和电子束 敏感金属有机框架样品，用于研究其结构测定与精修能 力[10]。万硕提出了一种基于优化的在线边缘处理调度算 法。在低数据速率下，该算法倾向于降低边缘处理器的 频率以节省能源[11]。帕拉蒂努斯，卢卡斯基于模拟衍射 图样的最小二乘优化，提出了一种方法，可分别精修每 一帧的晶体取向，解决了数据交换中的复杂问题[12]。吕 志涵设计了一种可行解算法，用于解决系统中非复制数 据处理任务的放置问题。端到端协同实时数据处理任务调度机制能有效避免等待时间过长和 无法获取所需数据的缺点，显著提高了任务成功率，从 而确保了实时数据处理[13]。欧韦达，穆森探讨了利用硬 件加速作为提升计算整体性能的方法，以寻找查询答案， 重点是加速实现为决策树集成的评分函数[14]。该研究描 述了数据处理单元的效率，但在人工智能自动控制系统 的研究方面仍存在一些不足。
为了研究人工智能自动控制系统和数据处理单元的 效率，本文分析了云计算的数据处理系统，并利用人工 智能技术和边缘计算技术构建自动控制系统和数据处理 系统。本文分析了新型人工智能自动控制系统和数据处 理系统，相较于当前自动控制系统和数据处理系统，能 够提高数据处理系统的处理速度，从而更好地处理和分 析数据。本文采用人工智能技术和边缘计算技术对自动 控制系统和数据处理系统进行分析，新型人工智能自动 控制系统和数据处理系统具有更高的准确性。

2 基于云计算的数据处理系统 架构

2.1 系统架构与处理

基于云计算的数据自动分类系统的硬件为网络应用之间 的资源分配提供了动态可扩展方式，并根据用户需求分 配数据。基于云计算的数据处理系统具有三个特征：分 布式节点、动态数据处理和混合数据源。此外，通过集 成数据处理模型，可以在云环境中构建包含成员权限、 公共处理资源、处理事件和处理活动等基本因素的数据 处理平台。可以采用融合的理念，提供一种能够在云环 境中将处理与数据管理相结合的系统架构。在该系统中， 数据处理的主要思想是处理去中心化状态，主要要素是 资源提取和分布式资源。
管理。因此，外部应用程序必须具有适当的接口，整合 相应的数据资源，并统一数据资源管理，如图1所示。

2.2 数据采集器的设计

数据采集器的设计主要包括控制钛网络芯片和微控制器。
微控制器通过云计算接口将采集到的数据传输至数据自 控处理器。数据采集器的电源通过微控制器插头产生5伏 电压，并经由微控制器上的稳压器传输，为微控制器上 方的工作提供3伏电压。随后，微控制器上的3伏电压通 过插头传输至其余供电所需的其他设备。
配置电路后，基于云网络的信号通过插头经由微控 制器进行交换。转换器可用于将网络信号转换为数据， 以在云环境中捕获数据。基于云的数据处理器主要用于 处理采集到的数据，这些数据通过有效的共享数据流和 微型计算机数据信号进行处理。处理器在处理器模式下，用于获取数据处理的控制过程是完全 可编程的，并且可以进行编程。

3 基于频域特征算法改进数据提 取处理

频域特征主要通过线性预测和梅尔频率倒谱系数计算方 法提取，可辅助提取由频率生成的单元数据。
如果人们想要获取梅尔频率倒谱系数，则需要设计 用于大数据的软件，例如加权、帧数分类和加窗。此时， 所获得的帧数时域信号用M(i)表示。通过对帧数时域信 号进行傅里叶变换，可以得到离散频谱，并用M(k)表示。
表示离散频谱的公式为：
$$
M(k)= \sum_{i=0}^{t - 1} M(i)r^{-\frac{zij}{1}}, 0 \leq k \leq 1 \tag{1}
$$
在公式中，k是傅里叶变换点数，r是频率。
系统架构 基于云端 云计算 资源分配 数据处理系统 分布式节点 动态数据处理 混合数据源
离散频率值可以使用M(k)计算，此时的输出数据为：
$$
R’ = \ln\left[\sum_{i=0}^{t-1} \left|m(i)^2f(k)\right|\right], 0 \leq k \leq m \tag{2}
$$
根据数据分类处理的顺序，可得到计算梅尔频率倒 谱系数的表达式如下：
$$
T(i)= \sum_{i=0}^{t-1} R’ \cos\frac{\pi i(m -4)}{M}, 0 \leq k \leq m \tag{3}
$$
m是数据处理的序列，由此可得到线性预测系数表达式如 下：
$$
T’(k)= \sum_{i=0}^{m} f_i T’(k -1), k= 0, 1,…, m \tag{4}
$$

4 人工智能自动控制系统与数据处 理单元的效率

4.1 人工智能在数据采集与处理中的应用

人工智能技术在自动控制中的应用能够有效收集和处理 数据，这是使用人工智能技术进行自动控制的优势之一。
设备数据反映了设备运行过程中的各项指标。如果数据 出现异常，设备可能遇到错误或故障。这些数据反映了 设备工况，可有效采集报警信号，并提前检测设备故障 风险。电力监控应注重实时监控，及时发现停电情况， 对每一条数据进行采集与分析，并上报给管理人员。在 现有的数据采集模式下，往往难以实现数据采集的实际 目标，数据延迟非常普遍。为了提高生产效率，准确采 集和处理数据，并精确分析特定区域的能源使用情况， 有必要根据当地实际情况进行信息采集。通过人工智能 技术，可以实现并解决信息延迟等问题。人工智能技术 在自动控制中的应用体现了数据获取与处理的深刻应用 价值，提升了自主控制水平。

4.2 人工智能自动控制系统中数据管理模块 的组成

在平台功能设计方面，该平台被划分为以下功能模块， 以实现系统标签维护、实时数据采集与处理以及历史数 据处理。实时数据管理模块主要实现缓冲区管理、并发 管理、办公调度、实时数据传输和服务状态转换等功能。
过程控制系统与基本自动控制设备之间通过多种通信协 议进行通信。数据采集模块采用适配器模式，使用多种 协议与计算机通信，而实时数据管理模块则隐藏了多种 数据传输协议的复杂性。它在设备上提供统一读写接口， 包括数据处理功能，如预警标签范围、表达式处理和实 时数据压缩。引入分布式虚拟数据访问总线后，用户可 通过服务接口实时访问当前和过去的过程数据值，并支 持多个用户的同时访问控制。
数据平台包含不同的数据显示模式，例如通信管理 器中的离散点实时数据显示、查询分析器中的在线曲线 显示以及离线曲线显示。查询分析器的在线显示主要用 于跟踪生产过程中的重要数据点。离线显示主要用于分 析生产过程中的问题并优化参数。数据读取主要用于从 文件系统读取历史数据，设置虚拟时钟，读取生产过程 数据，复现生产过程，并在实验室环境中捕获各种生产 过程参数。通过转换和处理创建适当的模块，可为生产 分析、控制模型调试等提供更有效的工具。本文采用数 据挖掘技术提取经验信息，构建知识模型，并优化特定 的管理参数，如图2所示。

4.3 人工智能自动控制系统数据模块中的数据 处理

数据处理的主要目的是尽量减少现场数据检索过程中的 人为干扰。在提取数据时，需要确保数据的实时性，以 及进行数据排序和分类，消除异常或失真的数据，并对数据进行分析和优化。在开发数据平 台时，主要将大数据的概念应用于数据平台。大数据是 网络技术应用发展的新阶段。数据管理模块主要用于计 算、处理和查询生产过程数据，提供统计及其他功能。
生产过程数据可被导入、压缩、恢复、分析、显示和读 取。生产过程数据包括实时数据和历史数据。

5 边缘计算网关自动化系统的 构建方法与流程

基于边缘计算构建人工智能自动控制系统和数据处理系 统的设计流程如图3所示。

5.1 数据预处理模块

通过数据采集单元接收到不同类型的数据后，边缘计算 网关首先根据不同类型的存储对数据进行备份处理。备 份完成后，数据被提供给客户端，并调用数据库验证功 能来检索数据。根据数据类型，用户可在边缘计算网关 上执行读写操作，然后利用客户端格式转换功能再次进 行数据的读写，并完成数据格式转换。数据格式转换将 依据从客户端传输到目标服务器的数据库协议序列进行。
数据格式转换完成后，数据会被覆写以避免丢失，同时 可根据时间戳标签提供反向查找功能。经过数据预处理 后，数据库文件可在下一阶段的数据分类处理单元中以 统一格式提供。

5.2 数据分类处理模块

预处理单元处理后，所有数据类型的原始数据将被转换 为一个集成的数据库文件，以支持下一阶段的边缘计算 和集中式云计算，从而提高整体计算效率并减轻模块负 载。需要对数据进行分类、存储和传输：数据分支1为实 时数据处理和分析提供云平台。数据分支2与数据分支1 协同工作，实时检测边缘计算网关与云端之间的通信状 态。如果通信状态异常，则启动本地存储，并在云端达 到断点后调用云端恢复传输，直到云端重新连接。数据 分支3：在云端，人们可以根据预定义的告警日志和计算 公式分析本地告警及异常数据的趋势。数据分支4：云端 所需的数据可根据预处理流程和计算公式进行预处理。

5.3 数据累积模块

数据累积与分析模块实现了边缘计算网关[15]的数据分 析功能。它主要基于预设的监控参数逻辑、阈值、自动 算法逻辑和客户端软件控制逻辑，进行实时数据监控、 异常数据风险预警、相关性分析和数据累积趋势分析分析，以及边缘计算网关，以提供数据准确性计算和调 整计算数据。边缘计算网关的自动控制系统实时检测安 装目录中是否有可用磁盘空间。当边缘计算网关达到预 设监控剩余空间百分比时，将在边缘计算网关中对预定 义的数据存储进行管理。该应用监控日志事件告警逻辑， 根据生成的日志事件级别记录事件名称和内容，并通过 指令处理单元执行相应方案。

5.4 自动控制算法逻辑模块

边缘计算网关与其他用于数据采集的物联网设备的区别 在于，可以根据应用场景和产品解决方案独立部署边缘 计算算法模型。这意味着可以在独立系统中实现差异区 分、系统电路执行以及自动边界控制逻辑。根据产品的 不同应用，自动控制算法的逻辑块有两种应用模式。系 统监控算法和深度学习算法在边缘计算中因产品的动态 控制逻辑所具备的自动学习和数据精度功能而有所不同。
算法模型可通过单独更新或替换客户端软件或自动控制 算法中的逻辑元素，在云端或本地进行更新，持续提升 自我评估优化学习的效率。可根据逻辑映射表和系统日 志完成实时监控与分析。边缘计算网关自动化系统支持 本地和基于云端的设备学习引擎。边缘计算网关的自动 控制系统对源算法的云端和本地数据库进行更新与优化。
为了提高边缘计算算法的学习效率，可结合状态机设计 和软件数据库管理，相比传统软件代码算法的基本方案， 提供更大的灵活性和更强的计算能力。

5.5 命令执行控制模块

边缘计算网关通过执行控制单元[16]实现逻辑自动控制系 统。控制和信息通信设备实现实时控制和预警功能，来自数据累积分析模块和自动控 制逻辑算法模块。在数据分析和计算结束后，计算单元 向执行控制单元提供工作结果，执行控制单元负责各种 现场总线协议和执行代码，完成指令部署，并命令主通 信对象实时监控变流器状态信息。
它可以自动控制逻辑命令和反馈结果，根据网络安 全模块周期收集异常数据，并对数据[17]进行检测、分析 和管理。边缘计算网关自动控制系统中的自动控制算法 逻辑组件集成了算法模型，以提高数据的准确性和效率。
数据学习算法与自学习算法的结合可不断优化和提升边 缘计算网关的实时自动控制系统。

6 实验研究及使用频域特征算法

为了研究自动控制系统和数据处理中存在的当前问题， 本文对三家企业的300名员工进行了调查。本文采用问卷 的形式，调查了自动控制系统和数据处理中的现有问题。
经过调查，结果大致可以归纳为四个方面：数据处理不 足、数据采集不足、准确分析不足和数据监控不足。三家企业分别设为A、B和C，每家企业调查100名员工。四个问题的比例见图4。

图4A显示了所调查的三家企业中300名员工认为当 前自动控制系统和数据处理中存在数据处理不足和数据 采集不足的比例。图4B显示了所调查的三家企业中300 名员工认为当前自动控制系统和数据处理中存在精确分 析不足和数据监控不足的比例。从图4A可以看出，三家 企业中的300名员工认为当前自动控制系统和数据处理中 缺乏数据处理和数据采集的人群比例有所不同。其中， 企业A认为当前自动控制系统和数据处理中存在数据处理 不足的员工比例为11%，认为缺乏数据采集的比例为14%。
企业B认为当前自动控制系统和数据处理中存在数据处理 不足的员工比例为13%，认为缺乏数据采集的员工比例 为16%。企业C认为当前自动控制系统和数据处理中存在 数据处理不足的员工比例为9%，认为缺乏数据采集的比 例为11%。根据调查，员工认为当前自动控制系统和数 据处理存在一定缺陷，需要改进。
从图4B可以看出，来自三家企业的300名员工认为当前 自动控制系统和数据处理中缺乏精确分析和数据监控的人群 比例各不相同。
其中，企业A认为当前自动控制系统和数据处理存在准确 分析不足的员工比例为18%，缺乏数据监控的员工比例 为21%。企业B认为当前自动控制系统和数据处理存在准 确分析不足的员工比例为19%，缺乏数据监控的员工比 例为25%。企业C认为当前自动控制系统和数据处理存在 准确分析不足的员工比例为13%，缺乏数据监控的员工 比例为19%。经调查发现，认为当前自动控制系统和数 据处理存在数据处理不足的人员平均比例为11%，缺乏数 据采集的人员平均比例为14%。缺乏精确分析的人员平 均比例为17%，缺乏数据监控的人员平均比例为22%。
在调查当前自动控制系统和数据处理中存在的各种 问题后，发现当前自动控制系统和数据处理中存在数据 处理不足和数据采集问题。因此，有必要进一步加快自 动控制系统和数据处理系统的建设。本文采用人工智能 技术和边缘计算技术对自动控制系统和数据处理系统进 行描述，并阐述了新型人工智能自动控制系统和数据处 理系统的作用。文章选取了三家企业，并对这三家企业 中的员工进行了调查，采用问卷法调查三家企业员工对 新型人工智能自动控制系统和数据处理系统的认知程度。
调查结果大致分为三点：存储空间管理、计算能力和实 时能力的认知。本文对设置为A、B、C的三家企业共 150名员工进行了调查，具体调查结果见表1。

	存储空间管理	计算能力	实时能力
A	46	41	48
B	42	49	42
C	48	45	44

表1：员工对新型人工智能自动化系统和数据处理系统的认可度。

本文采用频域特征算法研究新型人工智能自动控制 系统和数据处理系统应用后的数据分析准确性和数据处 理有效性。可与传统自动控制系统和数据处理系统进行 比较，峰值准确性和有效性为1。具体效果见表2。

	传统系统 数据分析准确性	传统系统 数据处理有效性	新系统 数据分析准确性	新系统 数据处理有效性
A	0.83	0.86	0.92	0.91
B	0.79	0.81	0.91	0.93
C	0.75	0.77	0.86	0.88

表2：传统与新型自动控制系统及数据处理系统的比较。

总体而言，使用新型人工智能自动控制系统和数据 处理系统进行数据分析的准确性相比传统自动控制系统 和数据处理系统提高了0.11。传统自动控制系统和数据处 理系统的数据分析准确性为0.79，而新型人工智能自动 控制系统和数据处理系统的数据分析准确性为0.90。传 统自动控制系统和数据处理系统的数据处理有效性为 0.81，而新型人工智能自动控制系统和数据处理系统的数 据处理有效性为0.91。新型人工智能自动控制系统和数据 处理系统的数据处理有效性比传统自动控制系统和数据 处理系统高0.10。
为了研究利用人工智能技术和边缘计算技术描述自 动控制系统和数据处理系统的实际效果，获取新型人工 智能自动控制系统及数据处理系统的实际应用效果，本 文针对某企业50名员工进行了调查，将新型人工智能自 动控制系统和数据处理系统应用于实际情况，并采用问 卷调查的形式。本文调查了员工对传统自动控制系统、 数据处理系统与新型人工智能自动控制系统、数据处理 系统满意度的对比情况，满意度水平分别为满意、一般 和不满意。具体效果如图5所示。

图5A显示了员工对传统自动控制系统和数据处理系 统的满意度，图5B显示了员工对新型人工智能自动控制 系统和数据处理系统的满意度。根据图5A，员工对传统自动控制系统和数据处理系统的满意度为82%，一般为 10%，不满意为8%。从图5B可以看出，调查中某企业 50名员工已采用人工智能技术和边缘计算技术构建自动 控制系统和数据处理系统，新型人工智能自动控制系统 和数据处理系统的满意度为91%，一般为6%，不满意为 3%。根据实验和调查，本文采用人工智能技术和边缘计 算技术构建自动控制系统和数据处理系统，得出新型人 工智能自动控制系统和数据处理系统的满意度比传统自 动控制系统和数据处理系统高9%。

7 结论

本文分析了边缘计算网关自逻辑，并实现了数据预处理、 分类管理、算法自训练和自动控制管理等边缘计算自动 控制系统。它可以提供并补充各系统单元模块的边缘计 算网关和自动控制系统，实现管理的现代化和优化。基 于采集的原始数据，能够持续优化准确性并消除异常。
本文对相似和不同类型的数进行了分类管理。在这种情 况下，后续数据应用的实时性从小时和分钟提升到秒和 毫秒，从而增强了制造业、数据利用率、管理分析和边 缘计算的能力。
网关自动化系统。边缘计算网关自动化系统可根据不同 的应用场景部署在企业网络中，以提高数据分析和应用 管理的效率，并确保企业客户的通信和信息安全。