乌龟冬眠箱湿度监控系统和AI辅助建议功能的实现

家里小朋友养了一只小乌龟，到了冬天就冬眠了，早早地准备了一个冬眠箱，铺上椰土，在室温低于15℃时，就把小乌龟放到冬眠箱里，不一会儿它就自己钻入土中把自己藏了起来。按照惯例，需要每隔一定时间，对冬眠箱进行补水，以保持土壤湿润，防止小乌龟缺水，但有时候也会忘记补水的工作，造成冬眠箱过于干燥，不利于乌龟健康。

翻箱倒柜，找到一个9年前买的树莓派2 Model B，32位，4核1GB的设备，正好可以利用起来，做一个冬眠箱湿度实时监控系统，设计一下用户需求，大致如下：

1. 每隔一定时间，采集冬眠箱中土壤的湿度数值，并将数据推送到网上的数据库中
2. 提供一个前端页面，这个页面负责从数据库中读取数据，并以图表形式展现湿度走势
3. 在这个前端页面上，通过人工智能AI服务，给出乌龟冬眠箱内的补水建议，比如建议几天后或者什么时机应该考虑补水等等

这个需求其实没有做到业务闭环：理论上讲，这个前端页面只不过是提供给我一个访问湿度数据并获得AI建议的一个"周边"功能而已，真正做的更为完整的话，应该是，在获得AI建议后，根据AI建议，将补水指令发送到设备，设备控制继电器完成自动补水，而不是让我看到数据后，再自己拿起喷水壶走向乌龟冬眠箱。

废话不多说，直接开整。

技术设计与实现效果

总结起来，我打算使用下面的这些硬件、技术和软件开发框架，来完成整个系统的实现：

1. 硬件：树莓派2 Model B，负责从土壤湿度传感器读入数据，然后推送到Microsoft Azure IoT Hub
2. 在数据被推送到IoT Hub前，使用ADS1115模数转换模块，将传感器模拟量转换为数字量，交由树莓派处理
3. 树莓派2 Model B中，使用C语言编程，由Azure IoT C SDK实现与Microsoft Azure IoT Hub的交互；使用pigpio实现树莓派GPIO和I2C模数转换数据采集
4. 树莓派中运行的这个数据采集程序，由cron服务负责调度，每15分钟运行一次程序，在运行时采集一次数据，推送一次数据
5. 数据推送到IoT Hub后，通过Azure Function，将数据插入到后端的Azure Database for PostgreSQL flexible server数据库
6. 使用ASP.NET Core Web App (Razor Pages)实现前端页面，访问PostgreSQL数据库，提供数据查询和呈现能力，数据趋势图表使用chartjs渲染
7. 在这个前端页面上，通过Ajax异步调用，由Microsoft Semantic Kernel访问Azure OpenAI Services，通过预先部署好的gpt-4o模型，获取补水建议，并把结果显示在页面上

在这些技术的选择上，有些地方是经过一些考量并最终决定方案的：

1. 选用C语言编程，而不是Python或者.NET，因为我对Python并不熟悉，加上树莓派2 Model B本身配置不高，所以跑.NET会比较耗费资源；因此，在现有的条件下，对于我来说，C语言是实现最快最方便的
2. 使用Cron定时任务来调度程序，而不是让程序自己长期驻留后端，在程序内部每隔一段时间做一次数据采集和上传，原因如下：
   • Cron功能简单易用，Cron表达式灵活度非常强，可以随时调整调度时机
   • 程序长期驻留后端，更容易出现问题，比如如果编程习惯不好，产生内存泄漏，时间一长势必把系统搞挂，不利于系统稳定运行
   • 反复的GPIO I2C调用，容易产生缓存和脏数据，造成数据错误，每次调度都重新启动一次进程，可以避免这类问题的发生
3. 选择Microsoft Azure作为服务层的基础设施，因为它能提供全套所需后端服务，生态也比较成熟，而且我每个月还是有那么一点点额度在上面
4. 选择ASP.NET Core Web App (Razor Pages)作为前端技术，而不是选择所谓的单页面应用和前后端分离的架构，是因为虽然我每个月有那么一点点Azure额度，但是不多，省一个算一个，不想因为一个简单的应用把东西搞得太复杂

从整体上看，整个系统的架构如下图所示：

在整个系统完成之后，通过使用手机访问部署于Azure App Service的前端页面，我们可以看到如下的效果：

在这个页面的上半部分，提供时间区间选择功能，可以指定数据观察的起始时间和结束时间，点击【确定】按钮后，在页面的下半部分就会用曲线图来显示这个时间区间中的数据。其中"历史数据"部分显示了各个时间点（每15分钟）的湿度数据，而"湿度趋势"则是将每6个小时的数据进行平均，然后显示在曲线图上。需要注意的是，每个数据点的值并不是对应真实的物理上的"湿度"概念，它只是一个参考值，在通过I2C采集数据时，我并没有对数据进行特殊处理，所以，这个值越大，表明传感器两侧之间的电阻值越大，也就是模拟量输出端（AO）上的电压越高，这也就意味着土壤湿度越小，越干燥，根据多次实验，确定了如果土壤干燥程度很严重，这个相对值是31840（电压就是31840 * 2.048 / 32768 = 1.99V）。所以可以从上面的图表看到，随着时间的推移，土壤变得越来越干。

在这个页面的中间部分，提供了"听听AI怎么说"功能，它通过将近期的数据汇总并发送给gpt-4o大语言模型，并由gpt-4o给出建议，显示在页面上，一开始的时候，这个建议不是特别靠谱，随着时间的推移，能够给出的参考数据越来越丰富，它的推测也越来越显得合理了。

源代码

所有代码都放在了码云上了，方便国内读者访问：https://gitee.com/daxnet/humidty。代码都在src目录下：

• function子目录：保存了用于将Azure IoT Hub中的湿度数据保存到后端PostgreSQL数据库的Azure Function App的项目源代码
• iot子目录：保存了从树莓派的土壤湿度传感器读入数据，并将数据推送到Azure IoT Hub的C语言程序
• web子目录：保存了前端页面以及通过Semantic Kernel调用Azure OpenAI Services获取AI建议的ASP.NET Core Web Pages项目代码

技术实现

技术实现分为硬件连接与调试、Azure云环境搭建以及软件开发部分。当然这里也无法单靠一篇文章就把所有的细节都解释清楚，我会挑一些重点内容进行介绍。

硬件连接与调试

主机就是闲置的树莓派2 Model B，上网搜索了一下，这个型号的低配树莓派价格好像还很坚挺，也要小两百块，如果不是手上有个闲置，大概率我会入手一个基础版的树莓派Zero或者是Arduino开发板，价格会相对亲民。此外，土壤传感器是必不可少的，某宝上一大把，随便入手一个就行，价格也很便宜，就几块钱的事情：

当然，模数转换模块（ADC）也必不可少，因为传感器的AO端口它会输出模拟量（连续量），而树莓派GPIO本身读入的是数字量（0或者1），因此，中间需要做一个转换。可以考虑入手ADS1115的ADC模块，我是直接购买了适用于树莓派的ADS1115 ADC，这样直接往树莓派的GPIO上一插就完事儿了，省得自己还需要去排线，减少工作量。我购买的是下面这款，只是相对于基础版的ADS1115，这一款价格稍微有点高，大概3、40块的样子。

将ADS1115插在树莓派GPIO端口上，然后，按下面的图纸接线将湿度传感器接入即可：

当时购买ADS1115时，不知道是不是少发了跳线帽，手头也没有现成的，所以暂时只能用杜邦线直连0x48地址跳线（下图黄色的那根），加上也没有找到使用说明，所以当时也只能用万用表来测试是否连线正确：

调试通过后，将湿度传感器插入乌龟冬眠箱，效果如下。由于传感器顶部有裸露的接线线头，所以还特地用废弃的酒精瓶做了一个防水罩，以免补水的时候造成短路。

接下来就是配置Azure云服务和软件开发部分了。

配置Microsoft Azure云服务

在整个系统方案中，使用了下面这些Azure云服务：

• Azure IoT Hub（包含内建Event Hub）
• Azure Database for PostgreSQL flexible server
• Azure Function App
• Azure App Service
• Azure OpenAI Services

当然，还有一些基础服务，比如Virtual Network、DNS Zone、Private Endpoint等等，这些也就不一一列举了。事实上，配置过程内容也不少，这里也就不一步步介绍了，这里仅对其中主要的部分进行介绍。

Azure IoT Hub

直接从Azure Portal的主页上，选择IoT Hub服务新建就可以了，整个过程比较简单，在创建IoT Hub服务之后，记得添加一个IoT设备。由于我们的应用场景比较简单，所以，直接创建设备就行，在设备创建完之后，点击已创建的设备，然后在设备页面中，将Primary connection string复制保存下来，后面会用到：

此外，在IoT Hub的Hub settings 中，找到Event hub-compatible name 和Event hub-compatible endpoint，也复制保存下来，后续也会用到：

与IoT Hub配置相关的内容也就这些，其它选项默认即可。

Azure Database for PostgreSQL flexible server

在创建Azure Database for PostgreSQL flexible server资源之前，需要先把整个解决方案的网络拓扑设计好，否则到后面发现错误需要修改，就会变得很被动，比如如果一开始的时候网络配置不正确，就会影响后续的服务部署，或者你所使用的Subscription在有些区域有服务限制，从而造成某些资源无法创建的尴尬局面。

在创建Azure Database for PostgreSQL flexible server时，我选择了Development模式，因为这种模式最省钱，它本身也就只是为了开发测试的目的，而不是为生产环境而配置的，不过在我的场景中，已经够用了。另外为了安全起见，数据库默认是不会打开公网访问的，这也就意味着需要有对应的虚拟网络和子网的配置。在Azure中，PostgreSQL flexible server需要被部署在一个独立的子网中，这个子网至少需要有16个可用IP地址（CIDR范围：/28），在这16个地址中，Azure会使用其中的5个地址用于Azure网络相关的目的，剩下的11个地址中，如果PostgreSQL flexible server配置为高可用，它还将占用另外4个IP地址。

正如上文架构图中所述，我创建了一个Virtual Network，它包含两个子网：subnet-default和subnet-pgsql。Azure Database for PostgreSQL flexible server被部署在了subnet-pgsql子网中。为了能让Azure Function App和Azure Web App能够访问数据库，在PostgreSQL数据库上，我还配置了Private Endpoint：

这个Private Endpoint是附着在subnet-pgsql子网上的，并且由privatelink.postgres.database.azure.com这个Private DNS负责域名解析。在Private Endpoint的DNS configuration中，将FQDN复制下来，这就是数据库中连接字符串的主机名称。

通过数据库的主页上的Connect链接，就能获得访问数据库的连接字符串，这里就不多做说明了。

Azure Function App

仍然在Azure Portal主页上，新建一个Azure Function App的资源，Azure Function App是需要由一个宿主（hosting）提供运行环境的，这个宿主环境可以有多个选择，在Azure中称为Hosting plan。Azure提供下面这些Hosting plan：

我选择的是App Service hosting plan，此时，它需要在你的Subscription下创建一个App Service Plan，一个App Service Plan其实是定义了一组计算资源（如虚拟机实例、CPU、内存、存储等）和功能级别，用于支持托管在该计划下的应用程序。通过选择不同的 App Service Plan，就可以根据应用程序的需求来调整计算资源和功能级别，以满足性能、可用性和成本方面的要求。因此，请量力而行，我所选择的App Service Plan如下，仅供参考，不好意思，囊中羞涩，选了个最便宜的方案：

在创建完Azure Function App之后，别忘了启用VNet Integration，否则你的Function App无法访问PostgreSQL数据库。启用过程也比较简单，首先在Azure Database for PostgreSQL flexible server的子网所在的虚拟网络中，另外再新建一个子网，然后，将Function App的子网设置为这个新建的子网就可以了。

此外，由于我们的Azure Function App需要从IoT Hub读取IoT事件，并将事件数据写入数据库，因此，需要配置如下这些环境变量：

• ConnectionStringSetting：设置为IoT Hub上内建（Built-in Endpoint）的Event hub-compatible endpoint地址（上文中有提到）
• PostgresConnectionString：数据库的连接字符串（使用Private Endpoint的地址）

说明一下，这个"ConnectionStringSetting"的取名是任意的，你也可以选择不取这个名字，但是，它需要跟将来Azure Function App代码中的配置保持一致。

Azure App Service

与创建Azure Function App类似，直接从Azure Portal上新建App Service资源就行，在创建Azure App Service时，同样需要选择一个App Service plan，可以考虑使用上面Azure Function App相同的Service Plan，当然，如果经济条件允许，并且有另外的需求的话，则可以选择使用另一个独立的Service Plan，以使用不同的系统配置和计价模式。此外，由于我们的前端应用仍然需要访问PostgreSQL数据库，因此，与Azure Function App类似，需要启用VNet Integration，方法类似，不再赘述。

Azure App Service前端应用需要使用以下这些环境变量，这里大致介绍一下：

• AzureOpenAIApiKey：在完成Azure OpenAI Services大语言模型的部署之后，可以获得大语言模型的访问密钥，将密钥内容填入此处
• AzureOpenAIEndpoint：在完成Azure OpenAI Services大语言模型的部署之后，可以获得大语言模型的访问目标URI，从而获得Endpoint地址，填入此处
• AzureOpenAIModelId：在部署Azure OpenAI Services大语言模型时所选取的模型名称
• DbConnectionString：PostgreSQL数据库连接字符串，与上述Azure Function App的PostgresConnectionString环境变量取值相同

Azure OpenAI Services

在我之前的文章《在C#中基于Semantic Kernel的检索增强生成（RAG）实践》中，包含了如何在Azure上部署大语言模型的相关介绍，因此，这里就不再重复了。事实上，这套乌龟缸湿度监控系统中所使用的大语言模型，正是当时写那篇文章时所使用的大语言模型，因此，这里所使用的OpenAI API Key、Open AI Endpoint以及Model ID这些参数，都跟当时所使用的参数是相同的。

完成微软Azure云服务的配置之后，就可以开始进行编码开发了。

软件编码与实现

软件部分包括树莓派中收集湿度数据并推送到Azure IoT Hub的一个小程序，一个将Azure IoT Hub上的数据保存到后端PostgreSQL数据库的Azure Function App，以及一个用来显示湿度数据趋势和AI推荐的前端页面。

树莓派中应用程序的开发

在树莓派中，需要有一个应用程序专门负责收集湿度数据，然后将数据推送到Azure IoT Hub。我选择使用pigpio库来访问土壤湿度传感器，以获得湿度模拟量数据，并使用Azure IoT C SDK实现数据上传到Azure IoT Hub，编程使用C语言。首先是在树莓派中安装pigpio库，按照【官方文档】中介绍的步骤安装就可以了，安装过程基本就是下载源代码然后在本地编译安装。然后就是安装Azure IoT C SDK，并配置Visual Studio Code开发环境，我已经把详细步骤整理在代码库的文档中了，详情可以直接点击【这篇文档】获取，这里就不详细展开介绍了，重点介绍一下开发的几个要点。

第一件事情是从湿度传感器读取湿度数值，它是通过I2C（Inter-Integrated Circuit）实现的，所以需要在树莓派上启用I2C的支持，在树莓派命令提示符下，输入sudo raspi-config，打开设置界面，然后选择Interface Options：

在子菜单中，选择I2C然后启用就可以了：

下面是通过I2C访问湿度传感器获取湿度数据的主要代码：

#include <pigpio.h>

#define I2C_ADDR                0x48 // 上面跳线所选择的地址
#define I2C_CONFIG_HI           0xC4 // I2C的配置高位字节
#define I2C_CONFIG_LO           0x83 // I2C的配置低位字节
#define I2C_CONFIG_REG          0x01 // 配置数据写入寄存器

static float get_humidty_value ()
{
    // 初始化pigpio库
    if ( gpioInitialise() < 0 )
    {
        log_error ( "GPIO initialize failed." );
        return -1;
    }

    // 打开I2C
    int i2c_handle = i2cOpen ( 1, I2C_ADDR, 0 );
    if ( i2c_handle < 0 )
    {
        log_error ( "I2C open failed, error no: %d", i2c_handle );
        return -1;
    }

    // 写入配置数据，对I2C进行配置
    char config[2] = { I2C_CONFIG_HI, I2C_CONFIG_LO };
    int config_res = i2cWriteI2CBlockData(i2c_handle, I2C_CONFIG_REG, config, 2);
    if ( config_res != 0 )
    {
        switch ( config_res )
        {
            case PI_I2C_WRITE_FAILED:
                log_error ( "I2C write failed." );
                break;
            case PI_BAD_HANDLE:
                log_error ( "I2C write bad handle.");
                break;
            case PI_BAD_PARAM:
                log_error ( "I2C write bad parameter." );
                break;
        }

        return -1;
    }

    time_sleep ( 0.2 );

    // 从I2C读入数据并保存在一个字节数组中
    char data[2];
    int num_bytes_read = i2cReadI2CBlockData ( i2c_handle, 0x00, data, 2 );
    if ( num_bytes_read <= 0 )
    {
        switch ( num_bytes_read )
        {
            case PI_I2C_READ_FAILED:
                log_error ( "I2C read failed." );
                break;
            case PI_BAD_HANDLE:
                log_error ( "I2C read bad handle.");
                break;
            case PI_BAD_PARAM:
                log_error ( "I2C read bad parameter." );
                break;
        }

        return -1;
    }

    // 通过字节数组数据的拼装，得到湿度数据
    float result = (data[0] << 8) | data[1];
    // 计算出电压值，仅作日志输出参考使用
    float voltage = result * 2.048 / 32768.0;
    log_info ( "ADC value: %.3f, Voltage: %.3f", result, voltage );

    i2cClose ( i2c_handle );
    gpioTerminate ( );

    // 将结果返回
    return result;
}

在获得湿度数据之后，就可以通过Azure IoT C SDK，将数据推送到Azure IoT Hub上。主体代码如下：

#include <stdio.h>
#include <stdlib.h>
#include <sys/stat.h>
#include <azureiot/iothub.h>
#include <azureiot/iothub_client_version.h>
#include <azureiot/iothub_device_client_ll.h>
#include <azureiot/iothubtransportmqtt.h>
#include <azure_c_shared_utility/threadapi.h>

#define CONNECTION_STRING_NAME  "IOTHUB_CONNECTION_STRING"

// 发送出去的消息数目
static int g_message_count_send_confirmations = 0;

// 消息发送之后的确认回调
static void send_confirm_callback ( IOTHUB_CLIENT_CONFIRMATION_RESULT result, void* userContextCallback )
{
    g_message_count_send_confirmations++;
    log_info ( "Confirmation callback received for message %lu with status %s", 
        ( unsigned long )g_message_count_send_confirmations, 
        MU_ENUM_TO_STRING(IOTHUB_CLIENT_CONFIRMATION_RESULT, result) 
    );
}

// 与Azure IoT Hub建立连接后的回调
static void connection_status_callback(IOTHUB_CLIENT_CONNECTION_STATUS result, 
                                       IOTHUB_CLIENT_CONNECTION_STATUS_REASON reason, 
                                       void* user_context)
{
    if ( result == IOTHUB_CLIENT_CONNECTION_AUTHENTICATED )
        log_info ( "The device client is connected to iothub." );
    else
        log_info ( "The device client has been disconnected." );
}

// 发送数据
static void send_message ( IOTHUB_DEVICE_CLIENT_LL_HANDLE handle, RPI_MESSAGE_HANDLE message_handle )
{
    const char* serialized_message = Rpi_SerializeMessage ( message_handle );
    log_debug ( "Message: %s", serialized_message );
    
    IOTHUB_MESSAGE_HANDLE iot_message_handle = IoTHubMessage_CreateFromString( serialized_message );
    if ( iot_message_handle == NULL )
    {
        log_error ( "Failed to create message handle from String." );
        return;
    }

    IOTHUB_MESSAGE_RESULT send_res = IoTHubClientCore_LL_SendEventAsync ( handle, iot_message_handle, send_confirm_callback, NULL );
    if ( send_res != IOTHUB_MESSAGE_OK )
    {
        log_error ( "IoTHubClientCore_LL_SendEventAsync call failed with status %s", MU_ENUM_TO_STRING ( IOTHUB_CLIENT_RESULT, send_res ) );
    }
    else
    {
        do
        {
            IoTHubDeviceClient_LL_DoWork ( handle );
            ThreadAPI_Sleep ( 1 );
        } while (g_message_count_send_confirmations < 1);

        g_message_count_send_confirmations = 0;
    }

    IoTHubMessage_Destroy ( iot_message_handle );
}

int main ( int argc, char** argv )
{
    // 从环境变量或者命令行获得Azure IoT Hub的连接字符串
    const char* iothub_connection_string = getenv ( CONNECTION_STRING_NAME );
    if ( iothub_connection_string == NULL )
    {
        if ( argc == 2 )
        {
            iothub_connection_string = argv[1];
        }
        
        if ( iothub_connection_string == NULL )
        {
            log_error ( "Error: Missing IOTHUB_CONNECTION_STRING environment variable. Terminated." );
            fclose ( fp_log );
            return -1;
        }
    }

    // 初始化IoT C SDK库
    int init_res = IoTHub_Init();

    if ( init_res != 0 )
    {
        log_error ( "IoT Hub initialize failed." );
        fclose ( fp_log );
        return -1;
    }

    log_info ( "IoT Hub client version: %s", IoTHubClient_GetVersionString() );
    
    // 创建设备连接
    IOTHUB_DEVICE_CLIENT_LL_HANDLE device_handle =
        IoTHubDeviceClient_LL_CreateFromConnectionString ( iothub_connection_string, MQTT_Protocol );
    if ( device_handle == NULL )
    {
        log_error ( "Can't get device client handle. Check connection string." );
        fclose ( fp_log );
        return -1;
    }

    IoTHubDeviceClient_LL_SetConnectionStatusCallback ( device_handle, connection_status_callback, NULL );

    // 获取湿度值
    float humidty_val = get_humidty_value ( );
    if ( humidty_val > 0 )
    {
        // 基于湿度值构建一条待发送的消息
        RPI_MESSAGE_HANDLE message = Rpi_CreateMessage ( humidty_val );
        // 将消息发送到IoT Hub
        send_message ( device_handle, message );
        // 释放消息所占用的资源
        Rpi_DestroyMessage ( message );
    }
    else
    {
        log_error ( "Message was not sent due to a failure in getting humidty value." );
    }

    // 关闭IoT Hub连接并释放资源
    IoTHubDeviceClient_LL_Destroy ( device_handle );
    // 释放IoT Hub C SDK资源
    IoTHub_Deinit();

    fclose ( fp_log );
    return 0;
}

限于文章篇幅，没有将所有代码贴出，感兴趣的话可以访问https://gitee.com/daxnet/humidty/tree/master/src/iot来阅读这部分的代码。从这部分代码可以看到，每次运行这个程序，它会收集一次数据，然后调用一次Azure IoT Hub将数据推送出去。为了达到每隔一定时间进行一次数据采集和推送的目的，我使用了Linux下的cron服务。由于调用pigpio的API需要使用root权限，因此，cron服务的配置也需要基于root用户，于是就应该使用下面的命令来编辑crontab文件：

sudo crontab -e

然后在文件中加入下面这行即可，表示每15分钟执行一次：

*/15 * * * * /home/daxnet/projects/humidty/src/iot/main "<iot_hub_connection_string>"

cron表达式的后面跟着的就是上面的C语言代码编译出来的可执行程序，编译命令类似如下。我并没有使用cmake等编译工具集来执行编译任务，因为我们的程序比较简单，没有必要搞得太重：

gcc -Wall -fdiagnostics-color=always -g main.c rpi_message.c log.c -o main \
-liothub_client -liothub_client_mqtt_transport -lumqtt -lprov_device_client \
-lprov_auth_client -lhsm_security_client -lutpm -laziotsharedutil -lpthread \
-lcurl -lssl -lcrypto -lm -lparson -lprov_mqtt_transport -lpigpio -lrt

Azure Function App的开发

在整个解决方案中，Azure Function App的作用是将推送到Azure IoT Hub的消息内容保存到后端的Azure Database for PostgreSQL flexible server数据库中，以便接下来的前端页面可以使用。可以直接使用Visual Studio 2022来实现Azure Function App的开发，开发需要安装Azure开发工作负载：

然后在新建项目时，选择Azure Functions项目模板：

Azure Function App的业务代码非常简单，如下：

public class HumidtyStoringFunction(ILogger<HumidtyStoringFunction> logger)
{
    private const string DatabaseTableName = "public.humidty_history";

    [Function("humidty_storing_function")]
    public void Run([EventHubTrigger(
        "iothub-ehub-humidty-io-56972526-7565e081a6",
        Connection = "ConnectionStringSetting")] EventData[] events)
    {
        var dbConnectionString = Environment.GetEnvironmentVariable("PostgresConnectionString");
        if (string.IsNullOrWhiteSpace(dbConnectionString))
        {
            logger.LogError("Database connection string is not specified, function will not proceed.");
            return;
        }

        try
        {
            // 初始化PostgreSQL连接
            using var sqlConnection = new NpgsqlConnection(dbConnectionString);

            // 对于收到的每一个事件（消息）
            foreach (var @event in events)
            {
                var eventJson = Encoding.UTF8.GetString(@event.EventBody);
                logger.LogInformation($"Processing event {eventJson}");
                var jobject = JObject.Parse(eventJson);
                // 获得时间和湿度值
                var t = jobject.GetValue("t")?.Value<long>();
                var v = jobject.GetValue("v")?.Value<double>();
                if (t is null || v is null)
                {
                    logger.LogError("Event received but the content is incorrect, function will not proceed.");
                    return;
                }

                // 将时间和湿度值插入数据库
                var sql = $@"INSERT INTO {DatabaseTableName} (""time"", ""value"") VALUES ({t}, {v})";
                sqlConnection.Execute(sql);

                logger.LogInformation("Event processed successfully.");
            }
        }
        catch (Exception e)
        {
            // 如果出错，则写日志，并抛出
            logger.LogError(e, "Failed to process event, exception details as below...");
            throw;
        }
    }
}

有两点需要注意：

1. EventHubTriggerAttribute中的Connection参数指定的是保存Azure IoT Hub连接字符串的环境变量的名称（这里是ConnectionStringSetting），而不是连接字符串本身
2. 使用try...catch合理地处理异常，此处建议在代码中完成异常处理之后，使用throw语句将异常抛出，这样，在Azure Function App的管理页面中，就会产生一个执行失败的记录

整个Function App的完整项目代码可以参考代码库：https://gitee.com/daxnet/humidty/tree/master/src/function。

Azure App Service前端应用的开发

前端应用的开发使用的是ASP.NET Core Web App (Razor Pages)项目模板，集成Chart.js实现曲线图的显示。详细代码这里就不贴出来了，可以直接访问代码库来查看完整的项目代码：https://gitee.com/daxnet/humidty/tree/master/src/web。只是在获取AI建议的时候，调用会比较慢，为了不影响页面加载和用户体验，我简单粗暴地使用Ajax实现AI建议的获取，并异步地将结果显示在界面上。在Index.cshtml代码文件中，页面加载完成时调用Ajax：

$(document).ready(function(){
    $.ajax({
        type: "GET",
        url: "/?handler=AISuggestion",
        contentType: "application/json",
        dataType: "json",
        success: function (result) {
            $('#aiSuggestion').html(result);
        }
    });
});

然后，在Index.cshtml.cs后台文件中，实现这个AISuggestion方法：

public async Task<JsonResult> OnGetAISuggestionAsync()
{
    var startTime = DateTime.Now.AddDays(-7);
    var endTime = DateTime.Now;
    var recentHumidtyData = await Utils.GetHumidtyHistory(startTime, endTime, _connectionString);
    var avgHumidtyData = recentHumidtyData
        .GroupBy(h => h.Time / 3600 / 6)
        .Select(g => new HumidtyHistory
        {
            Time = g.First().Time,
            Value = g.Average(h => h.Value)
        })
        .ToDictionary(h => Utils.UnixTimestampToLocalDateTime(h.Time), h => h.Value);
    var sb = new StringBuilder();
    sb.AppendLine("下面最近7天内每6小时的平均数据趋势：");

    var sbResponse = new StringBuilder();
    foreach (var kvp in avgHumidtyData)
    {
        sb.AppendLine($"时间：{kvp.Key.ToShortDateString()} {kvp.Key.ToShortTimeString()}，数据：{kvp.Value}");
    }

    sb.AppendLine($"""
        数据越接近31840，表明冬眠箱越干燥，越需要补水，数据越接近0，表明冬眠箱越湿润，不需要补水。
        现在时间是{DateTime.Now.ToShortDateString()} {DateTime.Now.ToShortTimeString()}，请预测乌龟冬眠箱补水的大致时间。
        """);
    _chat.Clear();
    _chat.AddUserMessage(sb.ToString());
    await foreach (var message in _chatCompletionService.GetStreamingChatMessageContentsAsync(_chat))
    {
        sbResponse.AppendLine(message.Content);
    }

    return new JsonResult(sbResponse.ToString());
}

这段代码会将最近7天内的数据，每6小时做一个平均，然后作为上下文文本提供给AI，然后让AI基于现在的时间来预测乌龟冬眠箱需要补水的大致时间。

总结

通过软硬结合，借助云计算平台和AI来实现一个解决实际问题的方案，确实是一件有趣的事情。内容比较多，本文也只是在整个乌龟冬眠箱适度监控和AI建议解决方案的各个部分进行一些简单粗略的介绍，但应该已经基本涵盖了主体流程的各个部分。如果对于某些细节问题希望能够深入展开，欢迎留言讨论。