基于阿里云 IoT 平台与函数计算的工业电机实时异常检测实践
摘要
工业电机运行数据不仅需要被存储，还需要被实时消费。尤其在特种车辆、自动化产线等场景中，电流、转速、温度等指标一旦出现异常，系统需要尽快完成检测、告警甚至下发控制指令。传统做法是部署常驻服务处理数据流，但这种方式在设备数量波动、上报频率不均时容易出现资源浪费或处理延迟。本文分享如何利用阿里云 IoT 平台与阿里云函数计算构建事件驱动的电机实时异常检测链路。
一、硬件数据源
底层设备采用艾思控 AQMD BLS 系列 FOC 驱动器，能够稳定上报电流、转速、温度等运行时指标。由于 FOC 控制对反馈精度要求较高，这些数据通常具备高频、连续、维度丰富的特征，适合用于实时异常检测和预测性维护。
二、实时处理架构
我们采用如下链路：
电机驱动设备
→ 阿里云 IoT 平台（MQTT 接入）
→ 规则引擎（数据清洗与路由）
→ 消息队列
→ 阿里云函数计算（异常检测）
→ IoT 平台下行指令 / 告警通知
→ 阿里云 TSDB（持久化存储）
该架构的核心优势是事件驱动。函数计算只在有新数据到达时执行，无需维护常驻服务器，也更容易应对设备数量变化。
三、异常检测逻辑
在函数计算中，我们主要执行三类处理：
- 阈值检测：判断电流、温度是否超过安全范围；
- 连续异常判断：避免单次抖动引发误报；
- 指令下发：当确认异常时，通过 IoT 平台向设备发送减速、停机或限功率指令。
例如，当某台设备连续多次上报电流超过阈值，并且温度同时上升时，系统会判定为高风险状态，并触发告警和控制指令。
-- 查询最近 5 分钟内电流异常次数较高的设备
SELECT device_id,
COUNT(*) AS abnormal_count,
AVG(current) AS avg_current,
MAX(temp) AS max_temp
FROM motor_realtime_events
WHERE event_type = 'current_over_limit'
AND time >= NOW() - INTERVAL '5' MINUTE
GROUP BY device_id
HAVING COUNT(*) >= 3
ORDER BY abnormal_count DESC;
该查询用于告警复核和运维排查。函数计算负责实时判断单条数据是否异常，SQL 查询则用于统计一段时间内的异常分布，帮助判断是偶发波动还是持续性故障。
四、与 TSDB 的协同
函数计算完成实时检测后，会将原始数据和检测结果分别写入 TSDB。原始数据用于后续故障回溯，检测结果用于告警统计和模型训练。这样既保证了实时性，也保留了完整的数据链路。
对于高频场景，建议将原始数据按秒级或毫秒级写入 TSDB，同时将降采样结果单独保存。这样既能满足实时看板需求，也能支持长期趋势分析。
五、实践收益
相比常驻服务，函数计算方案带来了以下收益：
- 按调用计费，设备空闲时不产生额外计算成本；
- 自动扩缩容，能够应对设备集中上报带来的流量峰值；
- 与 IoT 平台、消息队列、TSDB 天然集成，减少中间件运维；
- 异常检测逻辑可以独立迭代，不影响设备接入和存储链路。
总结
工业电机实时异常检测的关键，是在低延迟、高可靠和低成本之间取得平衡。阿里云 IoT 平台负责设备接入和数据路由，函数计算负责轻量级实时处理，TSDB 负责时序数据持久化。三者结合后，可以构建一套可扩展、易运维、适合多设备接入的工业物联网实时处理架构。
