一、背景与需求
在工业物联网（IIoT）领域，污水处理是一个颇具代表性的应用场景：站点数量多、分布范围广、运行环境恶劣、网络条件参差不齐，同时对控制系统的可靠性和实时性有较高要求。
本文从工程实践角度，介绍一套基于MQTT协议和边缘计算架构的污水处理物联网系统的设计思路与实现方案-司水云官。该系统已在全国数千个不同规模的污水站点落地验证，涵盖乡镇污水站、医院污水、工业废水、泵站等多种场景。
二、整体架构设计
系统采用经典的"端-边-云"三层架构：
┌──────────────┐ MQTT/TLS ┌──────────────┐
│ 云平台 │ ◄──────────────► │ 边缘节点 │
│ (Broker+ │ 数据/指令/OTA │ (Edge Agent) │
│ 应用服务) │ │ │
└──────────────┘ └──────┬───────┘
│ Modbus RTU/TCP
│ 4-20mA / DI/DO
┌──────┴───────┐
│ 现场设备层 │
│ PLC/仪表/传感器│
│ 风机/泵/阀门 │
└──────────────┘
各层职责划分：
• 设备层： 传感器采集水质和工况数据，执行机构接收控制指令。通信以Modbus RTU（RS485）为主，部分设备支持Modbus TCP。
• 边缘层： 运行Edge Agent，负责协议转换、数据采集、本地控制逻辑执行、断网缓存、数据预处理和加密上传。
• 云层： 部署MQTT Broker（EMQX集群）、时序数据库、规则引擎和Web/移动应用，负责设备管理、数据存储、实时监控、报警分析和运维管理。
三、边缘层设计
3.1 硬件选型
边缘节点的硬件选型直接决定系统可靠性。针对污水站环境，我们确定了以下选型原则：
• 无风扇设计： 污水站空气中含有H₂S等腐蚀性气体和湿气，风扇是故障源
• 宽温宽压： -40℃_{70℃工作温度，7}36V DC输入，适应户外柜和电压波动
• 多通信接口： 至少2路RS485、2路以太网口、1路4G，支持双链路冗余
• 本地存储： 工业级eMMC或SSD，容量≥8GB，支持断电保护
• 隔离保护： RS485和电源端口带光电隔离和浪涌保护
基于以上原则，小型站点采用ARM架构边缘控制器IntBoxIO，中型站点采用x86架构边缘服务器（如I系列智联服务器，集成度更高）。
3.2 Edge Agent软件架构
Edge Agent采用模块化设计，主要包含以下组件：
┌─────────────────────────────────────────┐
│ Edge Agent │
├──────────┬──────────┬───────────────────┤
│ 协议驱动 │ 控制引擎 │ 数据管理 │
│ Modbus │ 规则引擎 │ 采样/滤波/压缩 │
│ MQTT │ PID控制 │ 本地存储/续传 │
│ HJ212 │ 定时任务 │ 断网缓存 │
├──────────┴──────────┴───────────────────┤
│ 消息总线（内部pub/sub） │
├─────────────────────────────────────────┤
│ 通信管理：MQTT Client / 4G / 有线 / VPN │
├─────────────────────────────────────────┤
│ 设备管理：配置/诊断/OTA/看门狗 │
└─────────────────────────────────────────┘
协议驱动层： 采用插件化设计，每个协议（Modbus RTU/TCP、DLT645、HJ212等）实现为独立驱动，通过统一的设备抽象接口向上层提供数据。新增协议只需开发驱动插件，不影响核心逻辑。
控制引擎： 这是边缘层的核心。它包含一个轻量级规则引擎和PID控制器。规则引擎采用"条件-动作"模型，支持算术运算、逻辑运算、定时器和滞回比较，可以覆盖污水处理中常见的联锁控制、时序控制和阈值控制场景。PID控制器用于DO、加药等连续控制回路，支持自整定和抗积分饱和。
控制逻辑通过JSON配置文件定义，支持零代码组态工具生成。配置示例（曝气控制）：
{
“rule_id”: “aeration_control”,
“trigger”: {“source”: “DO_1”, “interval”: 5},
“conditions”: [
{“if”: “DO_1.value < 2.0”, “then”: [{“action”: “set_fan_freq”, “value”: “min(current+2, 50)”}]},
{“if”: “DO_1.value > 3.0”, “then”: [{“action”: “set_fan_freq”, “value”: “max(current-2, 20)”}]},
{“if”: “DO_1.value >= 2.0 && DO_1.value <= 3.0”, “then”: [{“action”: “hold”}]}
],
“safety”: {“if”: “DO_1.value < 0.5”, “then”: [{“action”: “alarm”, “level”: “critical”}]}
}
数据管理： 采集数据经过滤波（中值+滑动平均）、死区压缩（变化量小于阈值不上报）后写入本地SQLite时序表。MQTT连接断开时，数据持续写入本地；连接恢复后，按时间顺序批量补传，确保数据零丢失。
3.3 断网自治策略
断网自治是边缘层最重要的设计目标之一。我们采用以下策略保证可靠性：

1. 控制逻辑完全本地化： 所有控制规则和PID参数存储在边缘节点本地，不依赖云端下发。云端可以修改参数，但修改前本地始终维持上一版有效逻辑运行。
2. 双看门狗机制： 硬件看门狗监控系统进程，软件看门狗监控关键线程。异常时自动重启，重启时间<30秒，重启后自动恢复控制逻辑。
3. 多链路冗余： 有线网络和4G互为备份，通过链路质量检测自动切换。
4. 本地数据缓存： 按1分钟采样粒度，本地可存储≥1年历史数据。
   四、云层设计
   4.1 MQTT Broker集群
   云端采用EMQX集群作为MQTT Broker，部署在Kubernetes上，支持百万级设备并发连接。关键设计：
   • TLS加密： 所有MQTT连接使用TLS 1.2+加密，设备通过X.509证书认证
   • Topic设计： 按/{product}/{device_id}/{channel}分层，例如/wtp/STN001/data、/wtp/STN001/cmd、/wtp/STN001/status
   • QoS等级： 数据上报使用QoS 1（至少一次），控制指令使用QoS 1并要求应用层ACK，报警消息使用QoS 2（恰好一次）
   • 遗嘱消息（LWT）： 设备异常离线时Broker自动广播离线状态
   4.2 数据处理流水线
   MQTT消息 → 规则引擎 → 时序数据库(TDengine)
   → 实时计算(Flink) → 报警/事件
   → 数据转发 → 第三方平台(HJ212)
   时序数据库选用TDengine，单节点可处理每秒数十万数据点写入，支持降采样聚合查询，非常适合物联网场景。实时计算层负责报警规则判断、数据统计和异常检测。
   4.3 设备管理
   设备管理服务负责设备注册、生命周期管理、配置下发和OTA升级。一个关键设计是配置的版本管理和灰度下发：边缘节点的配置变更先在测试站点验证，确认无误后再批量推送到生产站点，避免错误配置导致大面积故障。
   五、关键技术问题与解决方案
   5.1 网络不稳定场景下的数据一致性
   问题：边缘节点网络频繁闪断时，可能出现数据重复上报或指令重复执行。
   解决方案：数据消息携带设备端时间戳和单调递增序列号，云端按序列号去重；控制指令携带唯一ID，边缘节点维护已执行指令ID列表（最近1000条），避免重复执行。
   5.2 多站点并发控制的实时性
   问题：云平台同时向数千个站点下发控制指令时，Broker和边缘节点可能出现消息积压。
   解决方案：控制指令采用高优先级Topic和独立MQTT通道；边缘节点控制指令处理线程与数据采集线程隔离，确保指令响应不受数据上报影响；云端指令下发设置超时和重试机制。
   5.3 老旧设备接入
   问题：部分站点存在不支持标准协议的老旧PLC和仪表。
   解决方案：边缘节点支持通过自定义脚本（Lua/Python）扩展协议驱动；对于只有4-20mA信号的老旧仪表，通过边缘控制器的AI通道直接采集；对于完全无法通信的设备，通过加装辅助继电器采集运行状态。
   六、性能数据
   在实际部署中，系统达到了以下性能指标：
   • 边缘节点控制响应延迟：<100ms（本地闭环）
   • 端到云数据上报延迟：<3s（4G网络正常时）
   • 断网恢复后数据补传速度：约5000点/分钟
   • 单云平台集群接入规模：>10000站点、>50万数据点
   • 边缘节点MTBF：>100,000小时
   • 系统可用性：>99.5%
   七、总结
   本文介绍了一套基于MQTT和边缘计算的污水处理物联网系统架构。核心设计理念可以概括为三句话：控制在边缘、管理在云端、可靠靠架构。 控制逻辑下沉到边缘节点保证了实时性和断网可用性，云端负责大规模设备管理和数据分析，MQTT协议提供了轻量可靠的通信基础。
   这套架构不仅适用于污水处理，对于其他分布式工业物联网场景——如智慧泵站、智慧农业、分布式能源——同样具有参考价值。随着5G和AI芯片成本的下降，边缘节点的算力将进一步提升，未来可以在边缘侧运行更复杂的AI推理模型（如水质预测、设备故障诊断），实现更高水平的自主运行。