本發明涉及數據采集，具體為一種邊緣物聯加油機數據采集方法及裝置。

背景技術：

1、隨著物聯網技術的快速發展，加油機作為重要的能源補給設備，其數據采集對于實現智能化管理、優化運營效率以及保障交易安全具有重要意義。傳統加油機采用單一網絡（4g/wi-fi）直傳云端，在加油站金屬結構遮擋、多設備信道競爭等復雜環境下：

2、1、網絡rtt波動達200-1500ms，導致實時油量數據丟包率超18%；

3、2、突發斷網時本地存儲容量不足（通常<8gb），造成關鍵交易記錄丟失；

4、3、重傳機制僵化，固定時間間隔重試加劇網絡擁塞。

5、為了解決上述缺陷，現提供一種技術方案。

技術實現思路

1、本發明的目的在于解決傳統加油機數據采集系統中傳感器精度低、可靠性差、時鐘同步精度不足、缺乏動態調度與異常容錯機制的問題，而提出一種邊緣物聯加油機數據采集方法及裝置。

2、本發明的目的可以通過以下技術方案實現：

3、一種邊緣物聯加油機數據采集方法及裝置，包括以下步驟：

4、st1：傳感器驗證，通過部署科式力、渦輪、超聲波三組異構傳感器，實時計算置信度并觸發自動校準，結合q-learning算法優化參數，且支持異常預測；

5、st2：邊緣節點時鐘同步，采用混合協議與fpga納秒級硬件時標，主節點部署原子鐘，斷網時通過uwb廣播同步信號，結合clock-raft協議實現多節點協同；

6、st3：采集調度，基于網絡質量、電量、cpu負載構建狀態決策矩陣，動態調整采樣率與傳輸模式，集成lstm模型預測網絡狀態，通過熵權法計算異常評分，觸發容錯策略。

7、進一步的，所述st1的具體過程如下：

8、在油槍流量管段部署三組傳感器，包括：

9、主傳感器為科式力質量流量計；

10、冗余傳感器1為渦輪流量計；

11、冗余傳感器2為超聲波時差法流量計；

12、每組傳感器獨立供電并加裝鐵氧體磁環隔離電磁干擾；

13、實時漂移檢測與補償過程如下：

14、置信度，其中為第i個傳感器的置信度，為第i個傳感器的當前測量值與所有傳感器平均值的差異，為第i個傳感器歷史數據的標準差，為預先設定的最大允許標準差，為瞬時差異權重，為歷史穩定性權重；

15、每200ms執行傳感器數據融合：當主傳感器時，啟動加權融合，計算邏輯為：，其中為經過加權融合后的真實流量值，為第i個傳感器的測量值；為第i個傳感器的權重，；當檢測到連續5次時，觸發自動校準程序；

16、自動校準程序包括在線自動校正機制和異常識別的校準觸發機制，在線自動校正機制過程如下：

17、內置參考基準源，安裝標準體積管，每日凌晨2點自動執行閉合回路校驗，校準過通過開啟電動三通閥建立校驗回路，對比傳感器讀數與標準體積管值，計算補償系數，其中為傳感器的原始測量值，為經過補償后的校正流量值；更新傳感器線性補償公式：，其中為偏移量。

18、進一步的，所述st1中異常識別的校準觸發機制的具體操作步驟如下：

19、在邊緣計算節點集成輕量級孤立森林模型，實時分析三組傳感器的流量數據流，輸入特征包括：瞬時差值δvi、歷史標準差σi、溫度傳感器讀數、電磁干擾強度，輸出異常概率，閾值設為0.85；

20、當時，若異常類型為物理損壞，立即啟動硬件自檢：關閉異常傳感器供電，切換至冗余傳感器，通過gpio觸發led告警并上傳故障代碼至云端；

21、若異常類型為漸變漂移，啟動預測校準：基于arima模型預測未來1小時偏移趨勢，動態調整校準周期；

22、置信度模型參數優化通過使用q-learning算法動態調整α和β：

23、狀態空間：溫度區間為-20℃~60℃分5檔、電磁干擾等級為低、中、高；

24、動作空間：調整α即步長0.1、β即步長0.1；

25、獎勵函數：校準后誤差降低幅度；

26、每24小時更新一次策略表，存儲于加密的emmc中。

27、進一步的，所述st2的具體操作步驟如下：

28、混合時鐘同步協議的硬件部署，每個邊緣節點配備tcxo溫補晶振，主節點內置gps或北斗雙模授時模塊；

29、協議棧實現：基礎同步采用ieee1588ptp協議；

30、斷網時切換為本地時鐘補償模式：，其中為頻率漂移率，為老化率系數，t為時間變量；

31、每30秒執行時鐘偏移量校正：通過lldp協議獲取網絡拓撲延遲，采用雙向時戳交換計算路徑不對稱性；

32、在傳感器信號輸入級插入硬件時標：使用fpga實現納秒級時間標記；

33、時標格式：unix時間戳+納秒部分；

34、事件序列對齊機制：對油槍開啟、支付完成事件，采用lamport邏輯時鐘保證因果順序；

35、還包括基于量子時間基準的分布式同步增強機制。

36、進一步的，所述st2中基于量子時間基準的分布式同步增強機制的具體操作步驟如下：

37、在主節點安裝microsemiquantum?sa.45s芯片級原子鐘，同步信號輸出：通過lvds接口生成10mhz參考時鐘，疊加pps信號；

38、當檢測到gps或北斗信號丟失超過30秒時，啟動量子時鐘作為主時間源，通過uwb脈沖廣播時間信號，子節點接收uwb信號，計算傳播延遲，d為距離，c為光速，校正本地時鐘；

39、多節點協同同步通過采用clock-raft協議，節點角色包括：領導者、跟隨者、候選者；

40、選舉條件為基于時鐘穩定性評分，其中為時鐘穩定性評分，分別為量子時鐘的頻率誤差與老化系數；

41、心跳報文攜帶量子時鐘狀態；

42、每5秒執行一次時鐘一致性校驗，最大允許偏差±100ns。

43、進一步的，所述st3的具體操作步驟如下：

44、采集系統參數，包括：

45、網絡質量指數，其中為接收信號強度指示；

46、剩余電量；

47、cpu負載通過平均利用率lcpu進行量化；

48、建立狀態決策矩陣；

49、引入lstm預測模型，輸入歷史nqi序列、電池消耗率、cpu負載趨勢，輸出：未來5分鐘最佳采樣率，模型在線更新周期：每6小時增量訓練；

50、動態調整無線模塊工作模式，當nqi≥2.0時，啟用5gsa模式；

51、1.5≤nqi<2.0時，切換至5gnsa模式；

52、nqi<1.5時，啟用lora+ble雙模傳輸；

53、同時根據采集的系統參數結合異常參數進行異常的實時判斷。

54、進一步的，所述st3中根據采集的系統參數結合異常參數進行異常的實時判斷的具體操作步驟如下：

55、系統參數為網絡質量指數、剩余電量及cpu負載率；

56、異常參數包括：

57、傳感器一致性指數sc：三組傳感器測量值的標準差，歸一化為0-1；

58、時鐘同步偏差ts：邊緣節點與主節點的時鐘差絕對值；

59、數據包重傳率re：1分鐘內數據包重傳比例；

60、環境干擾強度ie：通過射頻前端adc采集的電磁噪聲幅值；

61、將得到的系統參數和異常參數映射到0-1的區間；

62、采用熵權法動態計算權重，反映參數對異常貢獻的信息量，過程如下：

63、構建參數矩陣：每5秒采集一次參數，形成n×m矩陣，n=7參數，m=12個時間窗口，計算信息熵：，其中為第個參數的信息熵，反映其數據混亂度，為歸一化參數值，，為參數編號，為第窗口的第參數值，ln為自然對數；

64、確定權重：；為第個參數的動態權重；

65、異常評分計算邏輯為：，評分區間為0-1，0為正常，1為嚴重異常，其中為第個參數的歸一化值；針對獲得的進行異常判斷，包括：

66、分級閾值設定：正常為、輕度異常為，并觸發日志記錄，重度異常為，啟動容錯機制，過程如下：

67、網絡異常主導，即nqi權重占比>30%且：切換至lora+blemesh混合傳輸；

68、傳感器異常主導：啟用卡爾曼濾波預測缺失數據，觸發傳感器自檢程序；

69、動態權重修正通過引入強化學習優化權重分配，狀態空間：7個參數的歸一化值，動作空間：調整各參數權重，獎勵函數：，每24小時離線更新一次權重策略。

70、一種邊緣物聯加油機數據采集裝置，包括：

71、傳感器驗證與校準模塊，用于通過三組異構傳感器實時采集數據，結合置信度模型和自動校準程序，檢測并補償傳感器漂移，確保流量測量精度；

72、邊緣節點時鐘同步模塊，用于采用混合時鐘協議和硬件時標，實現亞微秒級時間同步；

73、采集調度模塊，基于網絡質量、電量、cpu負載動態調整采樣率與傳輸模式，并通過lstm模型預測未來網絡狀態，優化能效與傳輸效率；

74、異常檢測與容錯模塊，用于實時計算異常綜合評分，分級觸發容錯策略，保證系統魯棒性；

75、動態權重優化模塊，基于熵權法動態分配參數權重，結合強化學習優化權重策略。

76、與現有技術相比，本發明的有益效果是：

77、（1）本發明，通過部署三組異構傳感器，結合置信度模型和自動校準程序，能夠實時檢測并補償傳感器漂移，確保流量測量精度誤差小于0.1%；同時，通過輕量級孤立森林模型實時分析傳感器數據流，能夠快速識別異常類型并觸發相應的容錯機制，如硬件自檢、預測校準等，從而有效提高系統的可靠性和容錯能力，基于q-learning算法的參數優化進一步提升了傳感器校準的智能化水平，確保在復雜環境下的測量精度；

78、（2）本發明，采用混合時鐘同步協議和fpga納秒級硬件時標，結合clock-raft協議實現多節點協同，確保時鐘同步偏差小于100納秒，保障了數據時序的一致性；在數據采集調度方面，基于網絡質量、電量、cpu負載構建狀態決策矩陣，并通過lstm模型預測網絡狀態，動態調整采樣率和傳輸模式，智能化的調度策略不僅優化了數據采集效率，還顯著提高了系統的適應性和靈活性；

79、（3）本發明，通過熵權法動態分配參數權重，并結合強化學習優化權重策略，能夠實時計算異常綜合評分并分級觸發容錯策略，針對網絡異常主導的情況，切換至lora+blemesh混合傳輸；針對傳感器異常主導的情況，啟用卡爾曼濾波預測缺失數據并觸發傳感器自檢程序；分級容錯機制有效提升了系統的魯棒性，降低了誤報率，確保在復雜工況下系統的穩定運行。