电力 AIoT 智能监测平台

10+ 核心模块 ｜ 3 层设备架构 ｜ 多租户 SaaS ｜ MQTT 实时通信 ｜ Web + 小程序双端 ｜ AI 原生研发

项目背景

某电力科技企业长期服务于电力设备监测领域。

在变压器、开关柜、互感器等设备运行过程中，温度异常往往是设备故障和安全风险的重要前兆。随着测温终端和集中器数量不断增加，传统分散式设备管理方式逐渐难以满足多客户、多区域、多设备并行管理的需求。

客户希望建设一套统一的 AIoT 智能监测平台，将现场测温终端、通信集中器、云平台和移动端连接起来，实现设备实时监控、异常告警、趋势分析和远程运维。

项目范围涵盖平台与多租户、集中器与测温终端管理、监控大屏、报警中心、数据报表、SIM 管理、日志管理、移动端小程序以及技术底座等完整能力。

核心挑战

与传统企业管理系统不同，AIoT 项目需要同时处理设备、通信、平台、数据和用户多个层面的复杂问题。

现场设备需要持续向云端上传温度、电池电压、信号强度、在线状态等数据。平台还需要管理客户、集中器和测温终端之间的层级关系，形成明确的设备归属。

系统定义了清晰的三层设备架构：

客户 → 集中器（4G 模块）→ 测温终端。

同时，该平台需要提供多租户能力。平台运营方需要从全局视角查看全部客户和设备，而每个客户只能访问自己的设备和数据，因此系统必须同时具备数据隔离、角色权限和全局运营能力。

这意味着整个项目横跨：IoT 接入、实时通信、多租户 SaaS、实时数据处理、可视化大屏、告警引擎、数据分析和移动端开发。

端到端 AIoT 技术架构

针对现场设备实时连接需求，我们构建了完整的 AIoT 技术链路：

测温终端 → 集中器 → MQTT 通信 → 云平台 → Web / 小程序

集中器与服务器之间采用 MQTT 协议进行数据通信，通过设备编码和 Topic 机制完成设备身份识别及消息路由。上报数据包括温度、电量、信号强度等关键指标。

这种架构将现场硬件与云端业务平台解耦，使设备接入、通信处理、数据存储和业务应用能够独立演进，为后续规模化扩展预留空间。

多租户 SaaS 平台

平台采用多租户架构，以客户为基本数据隔离单位。平台管理员能够查看所有客户及设备，并可一键切换到指定客户视角；而客户操作员登录后，只能访问本企业所属的设备和数据。

这种设计使平台不再是单一项目型软件，而具备了面向多个企业客户持续运营的产品化能力。对于设备厂商而言，也为后续形成"硬件 + SaaS 平台 + 运维服务"的持续商业模式提供了技术基础。

实时监控大屏

平台管理员大屏：全平台客户、集中器分布、设备告警与 SIM 运营一屏总览

平台建设了客户监控大屏和管理员大屏两种视图。

客户大屏能够展示：设备在线、离线和报警状态；集中器地图分布；测温终端实时温度；历史最高温度；传感器电池电压；信号强度；实时报警信息。

平台管理员则可以从更高层级查看所有客户设备，包括全省或全国范围的设备地图分布，以及在线、离线和报警设备数量汇总。

通过数字化大屏，原本分布在不同现场的物理设备被映射到统一的数字空间中。

智能告警中心

设备监测真正的价值，不只是看到数据，而是在异常发生时快速做出响应。

平台设计了完整的分级告警机制。系统设置黄色报警阈值为 80℃，红色报警阈值为 125℃，同时支持设备离线报警、报警频率控制、免打扰和联系人通知。每个客户最多可以配置 10 名报警联系人。

当设备出现异常时，平台可以按照规则触发通知，实现：

设备主动上报 → 平台实时判断 → 异常触发告警 → 人员及时处置

这一闭环将传统"人工巡检"模式升级为"实时监测 + 主动预警"。

数据分析与趋势监测

平台不仅关注设备当前状态，也持续积累设备历史运行数据。系统能够展示测温终端温度变化趋势，同时记录历史报警和设备上下线情况。

管理人员可以通过趋势数据识别设备是否存在持续升温、频繁离线或异常报警等情况，使平台具备从实时监控向设备运行分析进一步演进的基础。

Web + 小程序双端协同

为了满足现场运维场景，平台同时提供微信小程序。现场人员可以通过移动端查看线路、集中器数量、运行状态、报警信息和实时温度，并进行告警处理和终端信息维护。

系统还支持通过二维码扫描方式录入 15 位 SN 编码，用于快速绑定测温终端。从设备安装、绑定，到运行、监控、报警和维护，形成完整移动化运维闭环。

AI 原生研发，让复杂 AIoT 项目快速落地

这个项目的另一个重要特点，是整个交付过程采用了 AI 原生研发流程。

AI 深度参与需求分析、系统设计、代码生成、接口开发、测试用例生成、问题定位和文档编写等多个研发环节。

在传统开发模式下，一个同时涉及 IoT 通信、多租户 SaaS、大屏、小程序和告警中心的项目，需要前后端、测试和架构人员进行大量重复性开发和联调工作。

通过 AI 原生研发流程，我们将大量标准化、重复性和规则明确的研发任务交给 AI 完成，开发人员重点负责架构设计、业务建模、复杂问题判断以及质量把控。

研发模式由传统的：

需求 → 人工编码 → 人工测试 → 人工修复

升级为：

需求结构化 → AI 生成 → 自动测试 → AI 辅助修复 → 工程师审核

这种方式显著提升了需求到代码之间的转换效率，也使整个团队可以把更多精力投入系统架构、可靠性和最终交付质量。项目覆盖完整平台、移动端小程序、源代码、部署与操作文档，并完成设计、开发、联调、测试和上线部署支持。在这样一个跨端、跨协议、跨业务模块的系统中采用 AI 原生研发模式，也充分体现了我们在 AI Coding 和现代软件工程体系方面的实践能力。

从实时监控走向设备智能

这套平台构建的不只是一个"测温后台"，而是一套完整的设备智能基础设施，包括：

• 设备感知层：负责采集真实世界的温度、电量和信号数据。
• IoT 通信层：基于 MQTT 建立现场设备与云平台之间的实时数据通道。
• SaaS 平台层：负责多租户、设备管理、权限和业务流程。
• 数据层：负责实时数据和历史数据沉淀。
• 告警引擎：负责异常判断和通知。
• Web 与移动端：负责运营管理和现场运维。

随着设备历史数据不断积累，平台未来还可以进一步扩展 AI 异常识别、设备健康评分和预测性维护等能力。

项目价值

• 统一管理多客户、多设备：通过多租户架构实现平台规模化运营。
• 现场设备实时连接云端：基于 MQTT 建立稳定的实时数据通信链路。
• 从人工巡检走向主动预警：通过分级告警机制实现异常主动通知。
• Web + 小程序双端协同：同时覆盖集中运营和现场运维场景。
• 数据持续积累形成设备资产：为后续趋势分析和智能运维提供数据基础。
• AI 原生研发提升交付效率：AI 深度参与研发全过程，以更小团队、更高效率完成复杂 AIoT 系统交付。