物联网能源优化的自适应神经模糊推理系统实时边缘部署

《Processes》:Real-Time Edge Deployment of ANFIS for IoT Energy Optimization Daniel Teso-Fz-Beto?o, I?igo Aramendia, Jose Antonio Ramos-Hernanz, Koldo Portal-Porras, Daniel Caballero-Martin and Jose Manuel Lopez-Guede

【字体: 大 中 小 】 时间:2026年03月23日 来源:Processes 3.4

编辑推荐:

  本工作展示了自适应神经模糊推理系统(ANFIS)在资源受限的物联网设备中进行智能能源控制的现实世界部署。所提出的系统采用一阶高木-关野模糊模型,每个输入(环境温度、光照强度和电池电压)对应三个高斯隶属函数。该模型使用增强的环境数据集进行离线训练,随后被翻译成优

  
本工作展示了自适应神经模糊推理系统(ANFIS)在资源受限的物联网设备中进行智能能源控制的现实世界部署。所提出的系统采用一阶高木-关野模糊模型,每个输入(环境温度、光照强度和电池电压)对应三个高斯隶属函数。该模型使用增强的环境数据集进行离线训练,随后被翻译成优化的嵌入式C代码,以便在ESP32微控制器上执行。控制器根据环境条件动态调整节点的深度睡眠时长,实现了仅基于局部环境条件、无需外部连接的适应性行为。一项为期10天的现场部署将ANFIS控制器与传统的固定策略和基于规则的策略进行了比较。结果表明,相对于固定方法,基于ANFIS的策略将能耗降低了31.1%,同时保持了对环境条件的准确适应(均方根误差 = 9.6 秒)。推理过程耗时不到2.5毫秒,并使用了低于30 KB的RAM,证实了在资源受限的嵌入式平台上进行实时模糊推理的可行性。
**基于自适应神经模糊推理系统的物联网节点能源优化实时边缘部署研究解读**

**研究背景与问题**
随着物联网的指数级扩张,其在精准农业、环境监测、工业自动化、医疗保健和智慧城市等领域的应用日益广泛。这些系统通常由分布式的、基于微控制器的传感器节点组成,为智能决策提供了前所未有的机遇。然而,其长期运行能力受到一个持续性挑战的严重制约:能源可用性。物联网设备通常在偏远或难以接近的位置运行,并需要在无人干预的情况下长时间自主工作。在这些条件下,能源可用性成为长期运行的关键限制因素。正如文献所强调,能耗仍然是影响现实世界物联网部署可持续性的主要瓶颈之一。由紧凑电池或小规模光伏电源供电的设备,如果没有实施高效的电源管理策略,尤其容易过早耗尽能量。在大规模部署中,更换电池或进行维护在经济和物流上可能不切实际,这一挑战变得更加突出。

早期的能耗缓解策略侧重于基于规则的技术,如固定占空比循环和阈值触发激活。这些方法虽然可以降低功耗,但缺乏对变化运行条件的适应性。类似地,基于阈值的方法仅在超过预定义限值(例如电压低于3.2 V)时才激活节能机制,忽略了光照强度、温度和电池电压等环境变量的综合影响。这种刚性往往导致不必要的传感器活动或次优的数据捕获。为了克服这些限制,最近的研究探索了将机器学习(ML)纳入能源管理。诸如回归分析、浅层神经网络和强化学习等技术已被提出用于预测能源需求并动态调整传感器行为。这些数据驱动的方法在模拟环境和受控测试平台中已显示出显著的性能提升。然而,由于较高的计算需求、有限的时间保障以及由此产生的决策过程可解释性降低,它们在资源受限的微控制器中的实际应用仍然有限。此外,对大量训练数据的依赖以及在变化条件下重新训练的需求,给自主现场设备带来了额外的障碍。

相比之下,模糊逻辑控制系统提供了一种更具可解释性和资源效率的替代方案。模糊系统使用语言变量和隶属函数来模拟不确定性下类似人类的推理。这些系统已被证明在嵌入式控制任务中非常有效,例如暖通空调(HVAC)调节、智能照明和低功耗场景下的环境监测。它们在不依赖精确模型的情况下做出细粒度自适应决策的能力,使其特别适合边缘部署。然而,经典的模糊系统受限于其静态特性:隶属函数和规则库通常先验定义,难以适应变化的运行条件。为了应对这一挑战,自适应神经模糊推理系统(ANFIS)应运而生,它集成了神经网络的学习能力和模糊推理的结构清晰性。ANFIS能够基于历史数据动态调整模糊规则,同时在推理过程中保持较低的计算复杂度。然而,大多数ANFIS应用仍停留在理论或基于MATLAB的环境,很少有在真实物联网硬件上得到验证的实现。将训练好的模型移植到ESP32等内存资源有限、实时执行约束严格的微控制器上存在挑战。这种实际演示的缺乏构成了文献中的一个关键空白,特别是考虑到边缘对自主和自适应决策日益增长的需求。

**研究目标与方法概述**
本研究旨在弥补这一空白,展示一个在基于ESP32的环境物联网节点上实现的、完整的、端到端的基于ANFIS的能源管理系统部署。该研究方法基于先前工作建立的原则,同时调整模型以满足嵌入式硬件平台固有的严格计算约束。研究人员使用包含环境温度、光照强度和电池电压作为输入变量的真实世界数据集,训练了一个紧凑的ANFIS模型。随后,将得到的模糊规则和隶属函数翻译成优化的嵌入式C代码,能够在微控制器上直接执行低延迟推理。与依赖云连接的机器学习架构不同,所提出的实现使得设备行为能够实现完全自主、实时的自适应,仅根据局部环境条件调节传感器采样频率、调整睡眠间隔并停用非关键模块。通过受控实验和现实世界部署,将提出的ANFIS增强型物联网节点与传统的固定和基于规则的能源控制策略进行比较。

为实现这一目标,研究人员构建了一个围绕ESP32微控制器的实验平台,该平台集成了BH1750环境光传感器、BME280温湿度传感器和INA219电流电压传感器。数据采集在初始的10天监测期内进行,每20分钟记录一次测量值,并随后通过合成噪声增强以提高模型鲁棒性。ANFIS模型采用一阶高木-关野(Takagi–Sugeno)结构,每个输入变量(温度、光照、电压)由三个高斯隶属函数(低、中、高)表征,共产生27条模糊推理规则。模型离线训练使用MATLAB R2025b的模糊逻辑工具箱,采用混合学习算法,并通过5折交叉验证确保鲁棒性。训练后,模糊规则和隶属参数被导出并手动翻译为针对ESP32部署的优化C代码,实现了一个轻量级模糊推理引擎。系统操作遵循自主循环:ESP32从深度睡眠中唤醒,采样传感器输入,计算推理输出,更新其睡眠时长,然后重新进入深度睡眠。为了评估有效性,研究人员比较了三种睡眠控制策略:固定睡眠(静态600秒间隔)、基于规则(阈值逻辑)和ANFIS(基于训练推理的自适应行为)。所有方案在相同条件下部署,并评估了10天。度量指标包括能耗、唤醒次数、平均电流、电压下降和活动时间,使用精密功率分析仪测量。

**研究结果**
1. **ANFIS模型性能与配置选择**:研究人员比较了每个输入变量配置2、3和4个高斯隶属函数(MF)的ANFIS模型。结果表明,每个输入配置3个MF(共27条规则)的模型在预测性能和计算复杂度之间取得了最佳平衡。该配置实现了较低的训练均方根误差(1.42秒)和验证均方根误差(2.28秒),决定系数R2为0.947,表明对未见数据具有很强的泛化能力。而2 MF模型(8条规则)虽然计算更轻量,但准确性稍差;4 MF模型(64条规则)则表现出过拟合迹象,且计算和内存需求增加,不适合资源受限的实时部署。推理表面图显示,在低温度和低电池电压条件下,模型预测出更长的睡眠时长,行为与用于生成目标变量的启发式方法一致,证实ANFIS模型学习到了一个有意义且可泛化的控制表面。

2. **对比仿真结果**:在由真实传感器读数组成的测试数据集上进行的对比仿真表明,ANFIS策略在预测睡眠时长方面显著优于固定睡眠和基于规则的策略。ANFIS的均方根误差为10.10秒,平均绝对误差为8.04秒,R2为0.971。而固定睡眠策略的均方根误差高达38.76秒,R2仅为0.566;基于规则策略的均方根误差为25.16秒,R2为0.817。散点图显示ANFIS的预测值与目标值紧密对齐,相关性高,而基线策略则表现出更高的离散度和偏差。

3. **实验验证与能耗分析**:为期10天的现场部署在真实环境条件下进行,环境温度范围为6°C至32°C,光照强度为0至50,000勒克斯,电池电压在3.4 V至4.2 V之间波动。能耗测量结果显示,固定睡眠策略消耗了105.0 mAh,基于规则策略消耗了87.4 mAh,而ANFIS系统仅消耗72.3 mAh。相对于固定基线,ANFIS实现了31.1%的能耗降低。在预测准确性方面,ANFIS的睡眠时长预测均方根误差为9.6秒,远低于固定基线的60.3秒。此外,在设备性能分析中,ANFIS推理过程的平均延迟为2.3毫秒,RAM使用量为28.6 KB,完全在ESP32平台的约束范围内。

**讨论与结论**
实验结果表明,将神经模糊智能直接集成到低功耗物联网节点中用于自主能源控制是有效且可行的。提出的基于ANFIS的策略在预测准确性和能源效率方面持续优于固定和基于规则的方法,在10天部署中相比基线实现了31.1%的能耗降低。这些增益是在不增加运行时系统复杂性或不依赖云服务的情况下实现的,从而验证了边缘部署自适应控制的相关性。模型在从高光照波动到电压下降的真实环境条件下泛化的能力,证明了模糊系统在非理想和可变条件下的鲁棒性,这是经典控制启发式方法通常缺乏的特性。高斯隶属函数的使用有助于模型的稳定性和平滑的输出过渡,避免了可能对设备操作可靠性产生负面影响的突然决策。每个输入选择三个隶属函数,由训练结果和部署约束共同证明,在模型表达能力和资源效率之间取得了有效平衡。另一个值得注意的成果是训练成本的快速摊销。虽然离线训练模型所需的能量(约17 Wh)并非微不足道,但在常规运行期间实现的净节省表明,这项投资可以在几周内抵消,特别是当同一模型在多个节点上重复使用时。这一见解支持了更广泛的假设,即当高效实施时,自适应智能可以成为实现可持续、电池敏感的物联网部署的可行途径。

尽管结果积极,但研究也存在一些局限性。首先,当前的ANFIS模型使用固定数量的输入和规则,如果添加额外的传感模式,可能会限制可扩展性。可以探索规则剪枝、基于聚类的输入压缩或分层模糊模型等技术,以在更复杂的系统中保持效率。其次,该研究依赖于一个10天的评估窗口;更长期的部署将有助于描述模型的长期可靠性、对传感器漂移的适应性或季节性变化。此外,虽然实验使用了2000 mAh的锂聚合物电池,但所提出的控制策略与电池容量无关。在容量更低的系统(如纽扣电池供电的节点)中,预计相同的自适应行为将按比例延长运行寿命,但这需要在未来的工作中通过实验验证。未来的工作还应探索在线学习技术和结合模糊逻辑与轻量级概率推理的混合模型,以进一步增强在动态或意外条件下的适应性。此外,开发用于将训练好的模型自动翻译为嵌入式C代码的工具可以减少人工负担并促进更广泛的采用。

**研究结论**
本研究证明了在资源受限的物联网节点中部署自适应神经模糊推理系统(ANFIS)进行能源感知控制的可行性。所提出的控制器基于一阶高木-关野模糊模型,每个输入变量有三个高斯隶属函数,在模型可解释性、计算效率和嵌入式硬件上的实时执行之间取得了平衡。该系统在ESP32微控制器上实现,并在真实环境条件下进行了评估。在实验部署期间,基于ANFIS的控制器在能源管理方面持续优于固定和基于规则的策略。结果显示,与固定采样策略相比,能耗降低了31.1%,同时保持了对环境变化的适应性响应。此外,所提出方法的计算要求较低。推理过程耗时不到2.5毫秒,内存使用量保持在ESP32平台的约束范围内。这些结果证实,神经模糊模型可以在低功耗嵌入式设备上有效执行,而无需依赖基于云的处理。总体而言,研究结果表明,基于ANFIS的控制器代表了在边缘直接实施自适应能源管理的实用解决方案。这种方法可以延长电池供电传感系统的运行寿命,同时保持在远程环境中的自主运行。未来的研究将侧重于将模型扩展到更多的传感变量,评估更长期的部署,并开发用于将训练好的模型翻译成嵌入式实现的自动化工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号