一种基于边缘计算的仓储环境自适应调控方法及系统

本发明属于物联网智能控制，具体涉及一种基于边缘计算的仓储环境自适应调控方法及系统。

背景技术：

1、仓储环境的实时监测与主动调控，是保障仓储物资安全、降低损耗的关键技术环节。随着物联网技术的快速发展，基于传感器网络和环境调控设备的智能仓储管理系统逐步替代传统人工巡检方式，提高了仓储管理的自动化水平。

2、目前，智能仓储管理系统主要采用“端-云”架构，在该架构中，云端作为数据处理与决策中心，接收边缘网关上传的环境数据并进行集中分析，调控指令由云端下发至现场执行设备，实现了仓储环境数据的统一采集、存储与可视化监控，在一定程度上替代了传统人工巡检模式，降低了人力成本。

3、然而，现有仓储环境调控技术在实际应用中仍存在一定的不足。首先，现有系统普遍采用固定阈值报警方式，仅在环境参数超标后才触发报警或执行调控动作，无法预防因环境参数缓慢劣化而导致的物资损失；其次，现有仓储环境监控系统的“端-云”架构在网络通畅时能够正常工作，但一旦网络中断，边缘端缺乏自主决策能力，整个调控系统即告失效，尤其对于偏远仓库、地下仓库等网络覆盖不良的场景，这一问题尤为突出；同时，现有系统的数据缓存策略为固定容量或先入先出方式，在断网状态下，无法根据预测分析结果区分数据的紧急程度与优先级，当存储资源有限时，关键异常数据可能被覆盖或丢失，网络恢复后无法向云端提供完整的环境变化轨迹，影响历史回溯与策略优化；最后，现有的仓储环境调控系统中的主备电源切换多采用继电器或普通二极管实现，该方法在切换瞬间可能会存在电压跌落或抖动，容易导致低成本微控制器（microcontroller unit，mcu）发生复位或程序跑飞，造成调控中断或设备状态丢失，降低系统在断电场景下的可靠性。

4、此外，由于近年来深度学习技术的快速发展，部分方案尝试引入时序预测算法以提升响应前瞻性，但此类高精度算法参数量大、推理计算密集，难以在仓储场景普遍采用的mcu上部署运行。

5、综上，现有智能仓储管理系统在响应机制、网络依赖、算法部署、缓存策略及电源稳定性等方面均存在一定不足。基于此，如何在资源受限的边缘设备上兼顾预测精度与部署可行性，同时在网络中断场景下保障数据的可靠存储与系统的自主调控能力，并提高电源切换的稳定性，成为亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于边缘计算的仓储环境自适应调控方法及系统，可以有效解决现有仓储管理系统因依赖云端决策而导致的实时性差、断网失效问题，有效克服边缘设备算力受限条件下难以部署高精度预测算法的矛盾，同时改善断网场景下的数据缓存可靠性及电源切换稳定性，实现仓储环境的高可靠自主调控。

2、为了实现上述目的，本发明采用的技术方案是：一种基于边缘计算的仓储环境自适应调控方法，包括以下步骤：

3、s1、以第一采样频率采集仓储环境参数，将采集到的环境参数存入本地循环存储队列；

4、s2、采用加权最小二乘线性回归对滑动窗口内的历史数据点进行拟合，计算环境参数的变化斜率，并根据所述变化斜率预测环境参数达到预设安全阈值的剩余时间；

5、s3、实时监测网络连接状态、主电源电压及备用电池电量；

6、s4、根据所述剩余时间、网络连接状态、主电源电压及备用电池电量执行分级调控。

7、进一步地，步骤s4中所述分级调控具体包括：

8、当所述剩余时间小于第一阈值时，将采样频率从第一采样频率调整至第二采样频率，并启动环境调控执行设备；

9、当网络连接中断时，根据所述剩余时间和备用电池电量选择对应的缓存策略；

10、当主电源掉电时，通过基于电压比较器的mosfet理想二极管电路切换至备用电池供电，并根据所述剩余时间与电池预估续航时间的比较结果动态调整采样频率，以及根据当前电池电量区间选择性地关闭非必要外设；

11、当主电源恢复且网络恢复后，恢复以第一采样频率采集，开启所有外设，并从本地循环存储队列中按时间戳顺序补传数据至云端；

12、当所述剩余时间小于第二阈值且主电源电压出现纹波时，执行预测性预切换，提前将备用电池侧mosfet的栅极电压升高至开启阈值但不完全导通，使备用电池侧mosfet处于临界导通状态。

13、进一步地，所述缓存策略包括常规缓存、双备份缓存和紧急缓存。

14、进一步地，在网络连接中断期间，获取环境参数的实际测量值，将所述实际测量值与步骤s2中预测得到的预测值进行比较，计算预测误差，根据所述预测误差动态调整加权最小二乘线性回归中的模型参数。

15、一种基于边缘计算的仓储环境自适应调控系统，包括：

16、传感器模组，用于以采样定时器设定的采样频率采集仓储环境参数；

17、微控制器，包括数据存储单元、趋势预测单元、比较器网络、电源监测单元、硬件状态机和采样定时器，用于执行加权最小二乘线性回归预测、分级决策与调控、电源状态监测及自优化运算；

18、控制驱动模块，用于根据所述硬件状态机输出的外设动作控制信号驱动执行设备；

19、通信模块，内部设有缓存管理单元，用于在网络中断时分级缓存数据并在网络恢复后补传；

20、云端，用于接收边缘端上传的数据，训练全局模型并下发优化参数至边缘端；

21、双电源模块，采用mosfet理想二极管电路，用于在主电源掉电时切换至备用电池。

22、进一步地，所述缓存管理单元采用双指针环形队列，在紧急缓存模式下写指针停止移动。

23、进一步地，所述数据存储单元为片上闪存循环队列，队列深度配置为可存储至少24小时的历史数据，每个数据点以结构体形式存储，包含时间戳和对应的环境参数值；当队列写指针到达队列末尾时，自动折返至队列起始位置，实现循环存储；

24、所述趋势预测单元包含硬件乘法器、累加器和移位器，用于执行加权最小二乘线性回归运算，预测环境参数达到预设安全阈值的剩余时间；

25、所述比较器网络用于将所述趋势预测单元输出的剩余时间与预设阈值进行比较，输出比较结果至所述硬件状态机；

26、所述电源监测单元包含双电压比较器，用于实时监测主电源电压和备用电池电压，输出主电源状态和备用电池电量区间至所述硬件状态机；

27、所述采样定时器用于控制所述传感器模组的采样频率，接收所述硬件状态机输出的重载值，根据该重载值周期性地触发传感器数据采集；

28、所述硬件状态机由组合逻辑与寄存器构成，其输入为所述比较器网络输出的剩余时间比较结果、所述电源监测单元输出的主电源状态和备用电池电量区间、以及所述通信模块提供的网络连接状态，其根据固化于硬件逻辑中的真值表输出采样频率控制信号至所述采样定时器、缓存模式控制信号至所述缓存管理单元、外设动作控制信号至所述控制驱动模块、以及预切换信号至所述双电源模块的栅极驱动电路。

29、进一步地，所述传感器模组包括温度传感器、湿度传感器、光照传感器、火焰传感器和人体红外传感器，分别用于采集仓储环境中的温度、湿度、光照强度、火焰信号和人体存在信号；各传感器采集到的原始数据经过滤波和放大后送入所述微控制器。

30、进一步地，所述双电源模块包括两个n沟道mosfet、一个双电压比较器和栅极驱动电路；

31、所述双电压比较器用于实时监测主电源电压与备用电池电压，当主电源电压大于备用电池电压加0.1v时，导通主电源mosfet；当主电源电压下降至低于备用电池电压时，关断主电源mosfet并导通备用电池mosfet；

32、所述硬件状态机输出的预切换信号连接至所述栅极驱动电路，当所述剩余时间小于第二阈值且主电源电压出现纹波时，所述硬件状态机提前将备用电池侧mosfet的栅极电压升高至开启阈值但不完全导通，使备用电池侧mosfet处于临界导通状态；当主电源电压继续下降至低于备用电池电压时，备用电池侧mosfet瞬间完全导通，实现预测性预切换。

33、上述技术方案的有益效果为：

34、1．本发明通过超前预判、边缘自主决策与轻量化算法部署，有效提升了系统的响应实时性与鲁棒性。具体为，本发明采用加权最小二乘线性回归对滑动窗口内的历史环境参数进行拟合，计算变化斜率并预测达到安全阈值的剩余时间，相较于现有技术中仅依赖固定阈值报警的被动响应方式，本发明能够基于环境变化趋势进行超前预判，在参数超标前即启动调控措施，有效避免因响应滞后而造成的损耗，从事后补救转变为事前预防。同时，本发明将趋势预测、分级决策与调控逻辑集成于微控制器端，在边缘侧完成实时闭环控制，无需依赖云端下发调控指令，相较于现有端-云”架构，本发明在网络中断时仍可独立运行并自主执行分级调控，有效解决了因网络波动导致系统失效的问题，提升了系统在复杂网络条件下的鲁棒性和可靠性。

35、2.本发明通过预测性电源切换策略，实现了电源的快速平稳切换，有效提升断电场景的可靠性。具体为，本发明采用基于电压比较器的mosfet理想二极管电路实现主电源与备用电池的切换，当主电源电压大于备用电池电压加0.1v时导通主电源mosfet，当主电源电压下降至低于备用电池电压时完成切换；同时，当剩余时间小于第二阈值且主电源电压出现纹波时，硬件状态机提前将备用电池侧mosfet的栅极电压升高至开启阈值但不完全导通，使备用电池侧mosfet处于临界导通状态，当主电源电压继续下降至低于备用电池电压时瞬间完全导通，将切换延时缩短至亚微秒级。相较于现有技术中采用继电器或简易二极管的切换方案，本发明消除了机械触点抖动和二极管压降损耗问题，有效避免了切换瞬间的电压跌落和抖动，消除了mcu复位或程序跑飞的风险。

36、3.本发明通过分级缓存与自适应调参，有效保障了断网数据完整性与预测精度。具体为，本发明设置了常规缓存模式、双备份缓存模式和紧急缓存模式三种分级缓存策略，根据剩余时间和电池电量动态选择对应的缓存模式，其中紧急缓存模式下禁止覆盖已有数据，仅将新数据写入预留的紧急存储区；同时，数据存储单元采用片上闪存循环队列存储历史数据，队列深度配置为可存储至少24小时的历史数据，当队列写指针到达末尾时自动折返至起始位置实现循环存储，并结合网络中断期间的实际测量值与预测值的误差对模型参数进行动态调整。相较于现有技术，本发明能够在存储资源有限的条件下优先保障关键异常数据不被覆盖，网络恢复后可向云端提供完整的环境变化轨迹，为历史回溯与策略优化提供可靠的数据支撑，同时使预测模型持续适应仓储环境的变化特性，保持长期预测精度。