Edge AI 全栈实战 ⑤：云边协同收尾——MQTT 桥接 + 云端看板管 N 台边缘设备

我们走到了哪一步

这个连载的目标，是把"从一块开发板到一朵云"的全链路走通。前四篇已经打完地基：

① ESP32 传感器采集 → 云端推理：打通"端能采、云能算"；
② MQTT + Flink IoT 数据管道：让数据流式汇聚，不再手工 POST；
③ Flink 联动云端大模型生成诊断：云不只是存，还能"想"；
④ 向量数据库 + RAG 让 IoT 诊断拥有记忆：设备历史故障可检索、可引用。

但前四篇都是单设备视角 。真实工厂是 100 台、1000 台设备同时在线。本篇做最后一块拼图：规模化云边协同------一套云端，统管 N 台边缘设备。

一、目标架构

复制代码

[ESP32 ×N] --MQTT(pub)--> [EMQX Broker] --订阅--> [云端服务]
                                    │                    │
                                    │                    ├─ 规则引擎 / Flink：异常判定(接 ②/③)
                                    │                    ├─ 向量库 RAG 记忆(接 ④)
                                    │                    └─ 看板(WebSocket 实时推) + 命令下发(sub)
[云端命令] <--MQTT(sub)-- [EMQX] <--下发--> [ESP32 ×N]

核心思想一句话：MQTT 做"神经"，云端做"大脑"，边缘做"手脚"。端侧负责采和快反，云负责聚合、记忆、决策、可视化。

二、核心实现一：设备遥测上报（端侧 Python 模拟）

真实 ESP32 用 PubSubClient，这里用 Python 模拟网关，逻辑完全一致：

python 复制代码

import paho.mqtt.client as mqtt
import json, random, time

client = mqtt.Client()
client.connect("emqx", 1883, 60)

DEVICE_ID = "motor-07"
while True:
    payload = {
        "deviceId": DEVICE_ID,
        "ts": int(time.time() * 1000),
        "temp": round(40 + random.uniform(-3, 8), 2),
        "vibration": round(random.uniform(0.1, 2.5), 3),
    }
    # 主题分层：telemetry/{设备ID}，便于云端按设备精确订阅
    client.publish(f"telemetry/{DEVICE_ID}", json.dumps(payload))
    time.sleep(0.5)

三、核心实现二：云端订阅 + 实时看板（Flask + WebSocket）

python 复制代码

from flask import Flask, render_template
from flask_sock import Sock
import paho.mqtt.client as mqtt, json
from collections import defaultdict

app = Flask(__name__)
sock = Sock(app)
clients = set()
latest = defaultdict(dict)

def on_message(c, u, msg):
    data = json.loads(msg.payload)
    latest[data["deviceId"]] = data
    # 把最新遥测推给所有看板连接
    for ws in list(clients):
        try: ws.send(json.dumps(dict(latest)))
        except: clients.discard(ws)

mqttc = mqtt.Client()
mqttc.on_message = on_message
mqttc.connect("emqx", 1883, 60)
mqttc.subscribe("telemetry/+")          # 通配订阅所有设备
mqttc.loop_start()

@sock.route("/stream")
def stream(ws):
    clients.add(ws)
    while True: ws.receive()             # 保持连接

@app.route("/")
def index(): return render_template("dashboard.html")   # 前端用 ECharts 画实时曲线

前端 dashboard.html 用 ECharts 把 latest 里的 N 台设备温度/振动画成多条实时曲线------一个页面，统管全厂设备，这就是云边协同的"上帝视角"。

四、核心实现三：命令下发（云 → 端）

看板发现某台设备异常，点"降速"按钮，云端把指令发回 MQTT：

python 复制代码

def send_command(device_id, cmd):
    mqttc.publish(f"command/{device_id}", json.dumps({"op": cmd}))
    # 端侧订阅 command/{自身ID}，收到后调 API 降速 / 重启采集

端侧 ESP32 同时订阅 command/{DEVICE_ID}，实现云端反向控制------完整的"感知→决策→执行"闭环。

五、一键部署：docker-compose

python 复制代码

services:
  emqx:    { image: emqx/emqx:5.7, ports: ["1883:1883","18083:18083"] }
  cloud:   { build: ./cloud, ports: ["5000:5000"] }
  # 可选：接 Tuesday 的 Flink 做异常检测，接 ④ 的向量库做记忆检索

六、系列收尾：你现在已经拥有的能力

走完 ①→⑤，你已经能独立搭出一个生产雏形的 Edge AI 系统：

python 复制代码

端：ESP32 采 + 轻推理        →  云：MQTT 汇聚 + Flink 判异常
                              →  云：大模型诊断 + 向量库记忆
                              →  云：看板可视化 + 命令回写

这恰好闭环了本系列"数据→智能→硬件"的三条主线------大数据（Flink/Kafka）、AI（大模型/RAG）、硬件（ESP32/边缘）。

还没解决两个工程真问题：设备身份与证书安全（OTA 签名、防伪造） ，以及断网续传（边缘自治）。这正是第二月收官 W8 之后、第三月"嵌入式安全加固 / AIoT 架构实践"要展开的方向。

往期回顾：