桥梁监测中边缘计算的软硬件协同设计:基于Q学习增强粒子群优化的异构多MCU架构

《Internet of Things》:Hardware-Software Co-Design for Edge Computing in Bridge Monitoring: Heterogeneous Multi-MCU Architecture with Q-Learning Augmented PSO

【字体: 大 中 小 】 时间:2026年07月17日 来源:Internet of Things 7.1

编辑推荐:

  针对结构健康监测(Structural Health Monitoring, SHM)中边缘计算受限于有限硬件资源和恶劣运行环境的问题,本文提出了一种全面的软硬件协同设计方案。首先,研究人员构建了一个异构多微控制器(Microcontroller, MCU)硬

  
针对结构健康监测(Structural Health Monitoring, SHM)中边缘计算受限于有限硬件资源和恶劣运行环境的问题,本文提出了一种全面的软硬件协同设计方案。首先,研究人员构建了一个异构多微控制器(Microcontroller, MCU)硬件原型,包含专用调度节点和异构工作节点集群。一种新颖的双总线拓扑结构在物理上解耦了控制信令与数据传输,以确保调度确定性。其次,为了使优化模型与物理现实对齐,研究人员引入了一种运行时特征化机制(Run-time Characterization Mechanism)。该机制利用集中式功率监测和基于基准测试的容量探测,以实时功率和延迟测量值更新代价模型,隐式地适应环境漂移。第三,针对传统算法在异构搜索空间中易早熟收敛的问题,研究人员提出了一种Q学习增强粒子群优化(Q-Learning Augmented Particle Swarm Optimization, QL-PSO)算法。QL-PSO采用强化学习动态调整粒子邻域拓扑,自主平衡全局探索与局部开发。在硬件在环测试平台上的实验结果验证了所提出的架构能有效管理硬件约束。QL-PSO策略显著优于随机调度、轮询调度和标准PSO基线。该系统展现出鲁棒的自适应行为,证明了其在弹性工业边缘应用中的可行性。
桥梁监测中边缘计算的软硬件协同设计:基于Q学习增强粒子群优化的异构多MCU架构

**一、研究背景与问题**

桥梁等民用基础设施的老化对公共安全和经济稳定构成严重威胁。传统的桥梁结构评估依赖人工目视检查或便携仪器,存在效率低、成本高、实时性差等局限。随着物联网(IoT)技术的发展,基于结构健康监测(Structural Health Monitoring, SHM)的智能监测系统成为延长基础设施寿命、减少材料浪费的关键工具,直接支持联合国可持续发展目标(SDGs)中的SDG 9(产业、创新和基础设施)和SDG 11(可持续城市和社区)。然而,SHM节点的大规模部署面临严重的能源可持续性缺口。传统监测节点往往受限于电池容量,频繁更换电池不仅推高运营支出,还加剧电子垃圾和碳排放问题。同时,监测算法从简单数据记录向复杂边缘智能(如振动频谱分析)演进,使得计算需求激增,而同构微控制器架构难以在计算负载与能效之间取得平衡,导致电池快速耗尽或数据保真度不足。特别是高速公路桥梁监测场景,需部署数百个多模态传感器节点,每天产生GB级多源数据,对实时性、低功耗和环境适应性提出苛刻要求。现有研究很少全面解决这些领域特定挑战,缺乏针对桥梁SHM场景中优化计算性能、部署成本与能耗的有效模型和明确部署指南。

**二、研究内容、结论与意义**

为应对桥梁SHM中严格的资源约束和复杂任务需求,本研究提出了一种全面的软硬件协同设计方法。研究人员首先设计了解耦的异构边缘计算架构,通过集成高性能和低功耗节点,并采用物理隔离的双总线拓扑,为平衡计算性能与功耗提供了确定性硬件基础。其次,构建了动态运行时特征化机制,利用集中式功率监测和基于CoreMark的容量探测,系统动态地将物理硬件限制转化为实时功耗和延迟剖面,固有地适应环境漂移。第三,提出了Q学习增强粒子群优化(QL-PSO)策略,将其集成到异构多MCU硬件架构中,实现更快的收敛速度和更优的任务调度方案。最后,利用定制PCB原型和物理桥梁模型的经验多模态传感数据,验证了该方法在实际能效和完工时间减少方面的显著改进。实验结果表明,与随机调度、轮询调度和标准PSO基线相比,QL-PSO策略平均使系统完工时间减少42.53%,总能耗降低约38%。该研究为长期、可靠的SHM提供了轻量级、可扩展的软硬件基础,直接支持了可持续基础设施发展目标。

本文发表在《Internet of Things》。

**三、主要关键技术方法**

研究人员采用的关键技术方法包括:(1)异构多MCU硬件架构,含调度节点(STM32H503)和高性能工作节点(STM32F401,2个)与低功耗工作节点(STM32G030,3个),通过双总线拓扑(UART控制平面 + I2C数据平面)实现物理隔离的确定性调度。(2)运行时特征化机制,利用INA226集中式功率监测和CoreMark基准测试,动态获取各节点的实时功耗与计算能力,替代理论假设。(3)Q学习增强粒子群优化算法,将Q学习嵌入PSO,通过动态调整粒子邻域拓扑(从{L2, L4, L8, L10}中选择),平衡全局探索与局部开发,避免早熟收敛。(4)基于SRAM的动态加载机制,绕过Flash写入延迟,实现微秒级任务启动。(5)测量驱动的代价模型,包含延迟模型(考虑I2C带宽、缓存命中/未命中、分段传输)和差分能耗模型(分离系统静态基线与任务动态增量)。样本数据来源于缩尺斜拉桥模型的真实传感器(加速度计、应变片、温湿度传感器等)采集数据。

**四、研究结果**

**4.1 双总线架构与硬件约束评估**

通过逻辑分析仪验证了双总线时序:UART控制平面与I2C数据平面物理隔离,控制指令(如TASK_ASSIGN)可在I2C持续传输时无冲突插入,确保调度确定性。任务分配延迟测量显示,在I2C Fast-mode Plus(1 MHz)下,8.6 KB二进制传输约98 ms;而缓存命中时仅需1.15 ms传输128字节载荷,避免了I/O瓶颈。

**4.2 任务调度算法评估**

**收敛性分析与算法稳定性**:在任务批大小M=600、权重ω=0.5、30次独立运行下,标准PSO因早熟收敛陷入次优局部最小值,而QL-PSO持续下降并收敛至更低适应度值,证明Q学习强化循环维持了种群多样性,成功找到最小化传输延迟和能耗的调度策略。

**完工时间与能耗比较**:在不同任务负载(M=200~1000)下,QL-PSO均优于所有基线。平均完工时间优化:vs. 随机42.53%,vs. 轮询42.60%,vs. 标准PSO 13.35%。平均能耗节约:vs. 随机38.49%,vs. 轮询38.53%,vs. 标准PSO 17.13%。物理机制分析表明,QL-PSO通过任务聚类最大化指令缓存命中率,减少I2C总线重传;同时,通过快速执行任务和休眠数据总线与高性能核,降低静态泄漏功耗。随着任务量增加,优化比例趋于收敛,符合阿姆达尔定律,但绝对时间节省仍持续增长。

**五、讨论与结论**

**讨论部分总结**:本文所提软硬件协同设计在单PCB节点内验证了有效性,但未涉及板间通信和跨板任务调度场景。实际边缘SHM系统通常由多个分布式PCB板组成,节点间通信延迟、数据同步和跨板任务卸载策略显著影响整体调度性能。未来研究可扩展至多PCB板分布式调度,开发低延迟板间通信协议、动态任务分配机制及分布式拓扑下的协同优化,以提升方案在大规模边缘SHM系统中的适用性和可扩展性。

**研究结论翻译**:本文通过提出一种全面的软硬件协同设计方案,解决了基于边缘的SHM系统中高性能计算需求与严格能耗约束之间的关键冲突。研究人员构建了异构多MCU架构,包含专用调度节点和专业化工作节点集群,并采用双总线拓扑物理解耦控制信令与批量数据传输,确保调度确定性。为弥合理论模型与物理现实之间的差距,引入了运行时特征化机制,利用集中式功率监测和基于CoreMark的容量探测,获取精确的实时功耗和计算吞吐量剖面。此外,所提出的QL-PSO算法通过强化学习动态调整粒子群邻域拓扑,克服了传统启发式算法的早熟收敛问题。由缩尺桥梁模型经验传感数据驱动的全面硬件实验表明,该框架在任务执行性能和能耗方面均实现了显著改进。具体而言,在I2C总线带宽的严格物理约束下,QL-PSO调度策略通过智能任务聚类有效规避总线拥塞并最小化缓存未命中。与随机调度基线相比,该方法平均系统完工时间减少42.53%(特定任务分布下最大减少49.89%),总能耗平均降低38%。通过确保高度确定性的处理延迟并显著延长电池寿命,这种轻量级但强大的边缘计算范式为长期、可靠的SHM提供了鲁棒且可扩展的软硬件基础。
相关新闻
生物通微信公众号
微信
新浪微博

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