Эдж-обработка: как фильтровать и агрегировать данные на микроконтроллере

Представьте ситуацию: ваш датчик температуры отправляет показания каждые 100 миллисекунд. Если передавать все эти данные напрямую в облако или на сервер, канал связи быстро забьется, а батарея устройства сядет за пару дней. Именно здесь на помощь приходит эдж-обработка. Это техника обработки информации непосредственно на устройстве сбора данных, чтобы отправить только то, что действительно важно.

В мире интернета вещей (IoT) это не просто оптимизация, а необходимость. Микроконтроллеры вроде STM32 или ESP32 имеют ограниченные ресурсы памяти и процессорной мощности. Поэтому мы учимся делать работу «умнее», оставляя тяжелые вычисления на стороне устройства, а не на стороне сервера.

Почему сырые данные - это проблема

Датчики редко дают идеальный сигнал. Шум, помехи от электромагнитных полей, кратковременные сбои питания - все это приводит к тому, что значение может скакнуть с 25 градусов до 90 и сразу вернуться обратно. Если система управления примет этот скачок за реальность, она включит вентилятор на полную мощность или запишет ошибку в журнал событий.

Фильтрация решает эту проблему. Мы убираем случайные выбросы, сглаживаем резкие изменения и получаем стабильное значение, которое отражает реальный физический процесс. Агрегация же позволяет сократить объем данных. Вместо тысячи отдельных точек за час мы можем отправить одно среднее значение или максимум/минимум за этот период.

Основные методы фильтрации на MCU

Для микроконтроллеров подходят простые алгоритмы, которые требуют минимум циклов CPU и мало оперативной памяти (RAM). Вот самые эффективные подходы:

• Среднее скользящее (Moving Average): Берем последние N значений (например, 5 или 10) и считаем их среднее. Это эффективно гасит высокочастотный шум. Минус: инерция. Если температура реально меняется быстро, фильтр будет «догонять» реальность.
• Медианный фильтр: Сортируем последние N значений и берем среднее по позиции. Этот метод отлично убивает импульсные помехи (спайки), но хуже работает с плавными изменениями. Требует немного больше ресурсов на сортировку, но для N=5 или 7 это ничтожно мало для современного MCU.
• Алгоритм Калмана (упрощенный): Более сложный математический аппарат, который предсказывает следующее состояние системы и корректирует его по фактическому измерению. Идеален для задач, где есть динамика (например, отслеживание положения дрона), но требует работы с матрицами или хотя бы дробными числами.
• Пороговая фильтрация (Hysteresis): Простейший метод. Значение считается измененным только тогда, когда оно превысило порог на определенную величину. Полезно для дискретных сигналов (вкл/выкл).

Как устроена агрегация данных

После того как мы получили «чистый» сигнал, нужно решить, что именно слать дальше. Отправка каждого нового отфильтрованного значения - это часто лишняя трата энергии радиосигнала (LoRa, Zigbee, BLE).

Стратегии агрегации зависят от задачи:

1. Тайм-база: Считаем среднее, максимум, минимум и стандартное отклонение за фиксированный интервал (например, раз в минуту). Затем отправляем пакет из 4-5 чисел. Объем данных падает в разы.
2. Изменение-база (Change-based): Отправляем данные только если текущее значение отличается от последнего отправленного более чем на заданный процент (например, 2%). Если температура стоит 24.5°C часами, трафик почти нулевой.
3. Событийная: Отправляем данные только при наступлении события (превышение порога, ошибка датчика, потеря связи).

Практическая реализация на C/C++

Давайте посмотрим, как это выглядит в коде. Рассмотрим пример с использованием кольцевого буфера (circular buffer) для скользящего среднего. Это классика для встраиваемых систем, так как не требует перемещения массива в памяти.

#define BUFFER_SIZE 10
uint8_t buffer[BUFFER_SIZE];
uint8_t head = 0;
uint8_t count = 0;

float get_filtered_value(float new_sample) {
    // Записываем новое значение в буфер
    buffer[head] = new_sample;
    
    // Сдвигаем указатель
    head = (head + 1) % BUFFER_SIZE;
    
    // Увеличиваем счетчик заполненности
    if (count < BUFFER_SIZE) {
        count++;
    }
    
    // Считаем сумму всех элементов в буфере
    float sum = 0.0f;
    for (int i = 0; i < count; i++) {
        sum += buffer[i];
    }
    
    return sum / count;
}

Обратите внимание на использование типа float. Для многих простых задач достаточно даже int с фиксированной точностью (fixed-point arithmetic), что еще быстрее на архитектурах без FPU (Floating Point Unit), таких как старые AVR или базовые Cortex-M0.

Ограничения ресурсов: RAM и CPU

Главный враг эдж-обработки - ограниченность памяти. Если вам нужен длинный исторический ряд для анализа трендов, RAM закончится. Решение: использовать энергонезависимую память (Flash) или внешнюю EEPROM для хранения архива, а в RAM держать только активный рабочий буфер.

Также важно учитывать задержку обработки. Если цикл основной программы занимает 10 мс, а расчет фильтра занимает 8 мс, у вас останется всего 2 мс на обработку прерываний и другие задачи. Используйте профильеры или простой замер времени через таймер, чтобы убедиться, что алгоритм не тормозит систему.

Когда эдж-обработка не нужна?

Не стоит усложнять жизнь зря. Если у вас мощный шлюз (gateway) рядом с датчиками, лучше собирать сырые данные там и обрабатывать уже на нем. Шлюзы обычно имеют ARM-процессоры с сотнями мегабайт RAM и могут работать с Linux. Там можно запустить полноценный скрипт Python или легкую базу данных InfluxDB.

Эдж-обработка критична, когда:

• Канал связи дорогой или медленный (GSM, спутник).
• Устройство питается от батареи и должно работать годами.
• Нужна мгновенная реакция (безопасность, промышленная автоматика), где задержка рандома до облака недопустима.

Частые ошибки новичков

Одна из самых частых проблем - неправильная настройка коэффициентов фильтра. Слишком агрессивное сглаживание скрывает важные быстрые изменения. Слишком мягкое оставляет шум. Начинайте с малого окна (N=3-5) и увеличивайте, глядя на осциллограф или логгер данных.

Вторая ошибка - игнорирование дрейфа датчика. Фильтр сглаживает шум, но не исправляет смещение нуля. Периодически калибруйте датчик или используйте алгоритмы адаптивной фильтрации, которые учитывают долгосрочные тренды.