物联网智能监控系统：搭建 MQTT + AI 模型

一、项目背景

这不是一个实践应用项目，只是一个摸索，AI在物联领域赋能的验证测试，希望给大家思路和启发。在物联网设备大规模部署的背景下，如何高效地监控海量设备、快速识别异常、智能分析数据成为核心挑战。本文分享一个完整的物联网智能监控系统DEMO，涵盖：

• MQTT 协议接入

• 多协议数据解析（JSON/NMEA/TLV/Modbus/CoAP）

• 向量数据库 + 时序数据库

• 大模型意图识别 + 工具调用

• 异常检测 + 自动训练

**技术栈**：Python + Ollama + ChromaDB + SQLite + Streamlit

二、系统架构

┌─────────────────────────────────────────────────────────────┐

│ 物联网设备层 │

│ GPS设备 │ 传感器设备 │ 摄像头 │ 其他IoT设备 │

└─────────────────────────────────────────────────────────────┘

↓ MQTT / RTSP

┌─────────────────────────────────────────────────────────────┐

│ 数据接入层 │

│ MQTT 监控 │ 摄像头监控 │

└─────────────────────────────────────────────────────────────┘

↓

┌─────────────────────────────────────────────────────────────┐

│ 协议识别层 │

│ 11种协议识别器（JSON/NMEA/GNSS/TLV/Modbus/CoAP/...） │

└─────────────────────────────────────────────────────────────┘

↓

┌─────────────────────────────────────────────────────────────┐

│ AI 智能层 │

│ 意图识别(微调模型) │ 视觉分析 │ 对话 │ 工具调用 │

└─────────────────────────────────────────────────────────────┘

↓

┌─────────────────────────────────────────────────────────────┐

│ 存储层 │

│ ChromaDB(指纹库) │ SQLite(时序库) │ 告警日志 │

└─────────────────────────────────────────────────────────────┘

↓

┌─────────────────────────────────────────────────────────────┐

│ 应用层 │

│ Web界面 │ 仪表盘 │ 告警通知 │ 反馈学习 │ 自动训练 │

└─────────────────────────────────────────────────────────────┘

三、核心功能实现

3.1 MQTT 数据接入

import paho.mqtt.client as mqtt
MQTT_BROKERS = [
    {"host": "IP", "port": 1883},
    {"host": "IP", "port": 1883}
]
def on_message(client, userdata, msg):
    payload_str = msg.payload.decode('utf-8')
    process_data(payload_str, msg.topic, broker_str)

3.2 协议识别器（11种格式）

|------------------------------|------------------------------|
| 识别器 | 说明 |
| JsonRecognizer | 标准 JSON |
| Base64JsonRecognizer | Base64JsonRecognizer |
| ModbusRecognizer | Modbus RTU/TC |
| BinaryRecognizer | 二进制兜底 |
| NmeaRecognizer | NMEA 定位协议 |
| ...... | .... |

3.3 意图识别（微调模型 + qwen3:0.6b）

USE_FINETUNED_MODEL = True
FALLBACK_MODEL = "qwen3:0.6b"
def identify_intent(prompt):
    if _intent_classifier:
        result = _intent_classifier(prompt)[0]
        return result['label'].split('_')[-1]
    
    resp = requests.post(
        "http://localhost:11434/api/generate",
        json={"model": FALLBACK_MODEL, "prompt": prompt}
    )
    return resp.json()["response"]

3.4 工具调用（Function Calling）

TOOLS = [
    {"name": "get_weather", "description": "获取天气"},
    {"name": "get_device_status", "description": "获取设备状态"},
    {"name": "get_device_list", "description": "获取设备列表"},
]

def chat_with_function_calling(user_message):
    response = requests.post(
        "http://localhost:11434/api/chat",
        json={"model": "llama3.2:3b", "messages": messages, "tools": TOOLS}
    )
    return response.json()["message"]["content"]

3.5 自动训练（随机森林）

def full_train():
    data = get_all_data()
    X, y = prepare_features(data)
    
    model = RandomForestClassifier(n_estimators=100)
    model.fit(X, y)
    
    joblib.dump(model, "models/device_identifier_latest.pkl")

四、部署与运行

安装依赖

pip install -r requirements.txt

拉取模型

ollama pull qwen3:0.6b

ollama pull llama3.2:3b

ollama pull qwen3-vl:4b

ollama pull mxbai-embed-large

启动服务

python mqtt_auto_ai.py # 终端1

streamlit run web_app.py # 终端2

五、技术亮点

1. **多协议识别**：11 种协议识别器，覆盖主流物联网格式
2. **混合 AI 架构**：微调模型做分类 + LLM 做对话
3. **双数据库**：向量库存指纹，时序库存原始数据
4. **自动训练闭环**：数据积累 → 自动训练 → 模型更新
5. **反馈学习**：用户纠正入库，系统越用越准
6. **完全离线**：所有模型本地部署，数据不外传

六、效果展示

对话示例

用户: 有多少个设备？

系统: 当前共有 45 个设备

用户: XXXX 状态

系统: 设备XXX 最新状态：温度25.5°C，湿度60%，状态正常

用户: 成都天气怎么样

系统: 成都天气：晴，温度25°C

训练效果

设备识别模型准确率: 98.05%

LSTM 异常检测: 已训练

时序数据积累: 5000+ 条

七、项目结构

D:\py\

├── mqtt_auto_ai.py # MQTT 监控主程序

├── web_app.py # Streamlit Web 界面

├── camera_ai.py # 摄像头监控

├── ai_intent.py # 意图识别模块

├── ai_tools.py # 工具函数

├── fingerprint_utils.py # 指纹库管理

├── protocol_recognizer/ # 11种协议识别器

├── full_train.py # 全量训练脚本

├── timeseries.db # 时序数据库

├── device_fingerprints_db/ # 向量数据库

└── models/ # 训练好的模型

八、总结

已完成

• ✅ MQTT 多 Broker 数据接入

• ✅ 11 种协议自动识别

• ✅ 设备 ID 智能提取

• ✅ 意图识别 + 工具调用

• ✅ 双数据库存储

• ✅ LSTM + IsolationForest 异常检测

• ✅ 随机森林自动训练（98% 准确率）

• ✅ Web 可视化界面

• ✅ 反馈学习闭环

可以参考的模型清单

一、Ollama 部署的模型（4个）

模型	大小	用途
<b>qwen3:0.6b</b>	522 MB	意图识别
<b>llama3.2:3b</b>	2.0 GB	对话生成、工具调用
<b>qwen3-vl:4b</b>	3.3 GB	视觉分析、图片理解
<b>mxbai-embed-large</b>	669 MB	文本向量化（1024维）

二、自训练模型（4个）

模型	类型	用途	准确率
<b>微调意图识别</b>	BERT 分类	意图分类加速	99%
<b>LSTM 异常检测</b>	神经网络	时序异常检测	已训练
<b>IsolationForest</b>	随机森林	数值异常检测	在线学习
<b>设备识别模型</b>	随机森林	识别设备类型	98%

**如果这篇文章对你有帮助，欢迎点赞、收藏、转发！**