AIoT 系统怎么搭：从设备数据到异常检测与运维助手

AIoT 不是给设备接一个聊天模型。它是把设备采集、边缘计算、云端数据平台和 AI 能力组合起来，让系统能够识别异常、预测趋势、辅助运维或生成控制建议。

一条完整链路

1
2
3
4
5
6
7
8

传感器/PLC
  -> 边缘网关清洗和本地规则
  -> MQTT Broker
  -> Kafka/流处理
  -> 时序数据库 + 数据湖
  -> 特征处理
  -> 规则/统计/机器学习模型
  -> 告警、工单、看板和运维助手

边缘规则负责必须立即执行的安全联锁，云端模型适合跨设备、长时间窗口和复杂模式分析。不能把停机保护完全依赖网络和大模型。

AI 能力分三类

规则与统计

1
2

温度 > 80 持续 30 秒 -> 告警
过去 10 分钟震动均值偏离基线 3 倍 -> 异常

它们可解释、上线快，很多项目应先从这里开始。

预测与识别模型

可用于异常检测、剩余寿命预测、能耗预测、图像质检和声音故障识别。模型必须通过离线回放和在线灰度评估误报、漏报、漂移与推理成本。

RAG 与 Agent

RAG 运维助手可以检索设备手册、故障码、维修记录和历史工单，并给出带来源的排查建议。Agent 可以调用只读工具查询实时状态：

1
2
3
4

用户询问故障
  -> 检索手册和工单
  -> 查询设备最近指标与告警
  -> 生成诊断建议和证据

控制设备的工具必须做参数校验、权限、审批、幂等、超时和审计。默认先只读，危险写操作由人确认，模型文本不能绕过业务安全规则。

数据准备比模型更重要

至少保证：

• 设备 ID、测点、单位和时间语义统一。
• 同时保留设备时间与服务端接收时间。
• 缺失、重复、乱序和异常值有明确处理。
• 维修记录能关联故障、部件和设备型号。
• 训练、评测与线上数据遵守权限和隐私边界。

一个渐进式实施路线

1. 建立可靠采集、时序存储和告警闭环。
2. 用规则和统计基线验证数据质量。
3. 对单个高价值场景训练或接入模型。
4. 建立离线评测、灰度、监控和回滚。
5. 用 RAG 整合手册与工单。
6. 最后再开放受控 Agent 工具。

这种顺序能让每一步都产生业务价值，也避免在数据基础不稳时先做一个看似聪明但无法负责的 AI 控制层。

延伸阅读

• NIST AI Risk Management Framework
• OpenTelemetry Documentation
• OASIS：MQTT 5.0