制造业中的自主巡检与维护智能体：从0到1构建工业级预测性运维解决方案

---

引言 (Introduction)

痛点引入 (Hook)

还在为工厂车间里“三天两头的设备停机打乱生产计划”头疼吗？还在为“巡检员漏检高危设备、事后追责无据可查”而焦虑吗？还在为“传统预防性维护要么过度保养浪费成本、要么保养不及时酿成重大事故损失百万甚至千万”而纠结吗？

作为一名深耕工业AI领域近8年的软件工程师，我见过太多传统制造业工厂在设备运维上的“血泪史”：珠三角的一家大型电子代工厂，SMT贴片机的某个微型轴承突然过热卡死，直接导致整线停产24小时，订单延期违约金就付了200万；长三角的一家化工企业，巡检员因连续加班加上现场高温高湿，没能及时发现反应釜的压力传感器漂移故障，差点引发爆炸事故，后续整改和停产整顿又花了半年；更不用说国内无数中小型机械加工厂，要么设备坏了才修（事后维护，成本最高），要么不管好坏每月按固定时间拆换所有易损件（预防性维护，过度率普遍超过30%），利润的一大块都被运维成本吃掉了。

文章内容概述 (What)

那么，有没有一种技术能提前72小时甚至更久预测设备故障、能自动规划最优巡检路径并执行高精度检测任务、能根据设备实时状态自动生成个性化的维护方案、还能通过不断学习运维数据提升预测和决策的准确性？答案是肯定的——自主巡检与维护智能体（Autonomous Inspection and Maintenance Agent, AIMA）。

本文将带你系统地从0到1构建一个工业级的AIMA原型系统，涵盖从核心概念理解、技术栈选型、环境搭建、数据采集与预处理、模型训练与部署、智能体决策逻辑设计、实际场景验证到性能优化的完整落地路径。我们不会只讲空洞的理论，而是会提供大量可直接运行的Python代码示例（基于TensorFlow/PyTorch做预测模型、基于Reinforcement Learning做路径规划、基于Docker做部署）、清晰的架构设计图（用Mermaid绘制）、完整的接口文档和最佳实践Tips。

读者收益 (Why)

读完本文并跟着动手实践后，你将能够：

1. 系统理解自主巡检与维护智能体的核心概念、组成结构和工作原理；
2. 熟练掌握工业物联网数据采集与预处理的关键技术；
3. 独立开发基于LSTM/Transformer的设备剩余使用寿命（RUL）预测模型和基于DQN/DDPG的最优巡检路径规划模型；
4. 完整搭建一个包含“感知层-认知层-决策层-执行层-反馈层”的AIMA原型系统；
5. 了解工业级AIMA的性能优化策略、部署方案和安全合规要求；
6. 明确自主巡检与维护智能体在制造业的发展趋势和未来应用方向。

---

准备工作 (Prerequisites)

在开始动手实践之前，请确保你已经具备以下技术栈/知识和环境/工具：

技术栈/知识

1. Python编程基础：熟悉Python 3.8+的语法、面向对象编程（OOP）、常用第三方库（如Pandas、NumPy、Matplotlib、Scikit-learn）；
2. 深度学习基础：了解神经网络的基本原理（如前向传播、反向传播、损失函数、优化器），至少使用过TensorFlow或PyTorch中的一种框架；
3. 强化学习基础：了解强化学习的核心概念（如状态、动作、奖励、策略、环境），至少听说过DQN、DDPG、PPO等常用算法；
4. 物联网基础：了解MQTT、OPC UA等工业物联网通信协议的基本原理；
5. 数据库基础：了解关系型数据库（如MySQL、PostgreSQL）和时序数据库（如InfluxDB、Prometheus）的基本原理和使用方法；
6. 容器化基础（可选但强烈推荐）：了解Docker的基本原理和使用方法。

环境/工具

1. 操作系统：Windows 10/11（专业版或以上，建议使用WSL2）、macOS（10.15+）或Linux（Ubuntu 20.04+）；
2. 硬件配置：
   • 最低配置：8核CPU、16GB内存、256GB SSD；
   • 推荐配置：16核CPU、32GB内存、512GB SSD、NVIDIA GTX 1660Ti或以上显卡（带CUDA 11.8+）；
3. 开发工具：
   • 代码编辑器/IDE：PyCharm（专业版或社区版）、VS Code（推荐安装Python、TensorFlow、PyTorch、Docker等插件）；
   • Git：用于版本控制；
4. 软件环境：
   • Python 3.8+（建议使用Anaconda或Miniconda创建虚拟环境）；
   • CUDA Toolkit 11.8+（如果使用NVIDIA GPU进行深度学习训练）；
   • cuDNN 8.9+（配合CUDA使用）；
   • Docker Desktop（如果使用容器化部署）；
5. 测试数据：
   • 我们将使用NASA提供的CMAPSS（Commercial Modular Aero-Propulsion System Simulation）数据集作为RUL预测模型的训练和测试数据；
   • 我们将使用Python生成一个模拟的工厂车间环境和设备数据作为巡检路径规划模型的训练和测试数据；
   • 我们将使用Eclipse Mosquitto作为MQTT Broker模拟工业物联网数据采集。

---

核心内容：手把手实战 (Step-by-Step Tutorial)

核心概念

在开始动手实践之前，我们首先需要系统地理解自主巡检与维护智能体的核心概念、组成结构和工作原理，这是我们后续构建原型系统的基础。

什么是自主巡检与维护智能体？

自主巡检与维护智能体（Autonomous Inspection and Maintenance Agent, AIMA）是一种部署在工业生产环境中的人工智能实体，它能够通过工业物联网传感器和自主移动机器人（AMR/AGV）感知环境和设备的状态，通过深度学习、强化学习等AI技术认知设备的健康状况和预测未来的故障，通过专家系统、强化学习等技术自主生成最优的巡检路径和维护方案，并能够与人类运维人员和工业控制系统（ICS）进行交互，执行或协助执行巡检和维护任务，最后通过反馈机制不断学习和优化自己的感知、认知和决策能力。

简单来说，AIMA就像是工厂车间里的一位24小时不休息、永不疲惫、永不漏检、永不误判的“超级运维工程师”。

AIMA的核心组成结构

根据“感知-认知-决策-执行-反馈”的经典AI智能体架构，结合制造业的实际需求，AIMA通常由以下5个核心层组成：

1. 感知层（Perception Layer）：

   • 核心功能：负责采集工业生产环境和设备的原始数据，包括设备的振动、温度、压力、电流、电压、转速等物理量数据，自主移动机器人的位置、姿态、速度等运动数据，以及车间的温度、湿度、噪音、烟雾等环境数据。
   • 核心设备：工业物联网传感器（如振动传感器、温度传感器、压力传感器、电流互感器、电压互感器）、自主移动机器人（AMR/AGV，通常配备激光雷达、摄像头、超声波传感器等）、工业相机、红外热成像仪等。
   • 核心通信协议：MQTT、OPC UA、Modbus、CAN Bus等工业物联网通信协议。

2. 认知层（Cognition Layer）：

   • 核心功能：负责对感知层采集到的原始数据进行预处理、特征提取、健康评估和故障预测，是AIMA的“大脑核心”之一。
   • 核心技术：
     • 数据预处理：数据清洗（去除异常值、缺失值填充）、数据归一化/标准化、数据降噪（如小波变换、卡尔曼滤波）；
     • 特征提取：时域特征（如均值、方差、均方根、峭度、偏度）、频域特征（如功率谱密度、主频、次主频）、时频域特征（如小波包能量、Hilbert-Huang变换边际谱）；
     • 健康评估：分类模型（如SVM、Random Forest、CNN、LSTM）、聚类模型（如K-Means、DBSCAN），用于判断设备当前处于“健康状态”、“亚健康状态”还是“故障状态”；
     • 故障预测：回归模型（如LSTM、Transformer、TCN）、生存分析模型（如Cox比例风险模型），用于预测设备的剩余使用寿命（RUL）或故障发生的时间窗口。

3. 决策层（Decision Layer）：

   • 核心功能：负责根据认知层输出的设备健康状况和故障预测结果，结合生产计划、维护资源（如维护人员、维护工具、备品备件）、设备优先级等约束条件，自主生成最优的巡检路径和维护方案，是AIMA的“大脑核心”之二。
   • 核心技术：
     • 路径规划：传统路径规划算法（如A*、Dijkstra、RRT）、强化学习路径规划算法（如DQN、DDPG、PPO），用于规划AMR/AGV的最优巡检路径（考虑路径长度、巡检时间、设备优先级、环境障碍物等约束条件）；
     • 维护调度：专家系统、遗传算法、粒子群优化算法、强化学习调度算法，用于生成最优的维护方案（考虑维护类型、维护时间、维护成本、生产损失、设备优先级等约束条件）。

4. 执行层（Execution Layer）：

   • 核心功能：负责执行决策层生成的巡检路径和维护方案，或协助人类运维人员执行这些任务。
   • 核心设备：自主移动机器人（AMR/AGV）、工业机械臂、自动检测设备、自动维护设备等。
   • 核心交互方式：
     • 人机交互：工业平板电脑、AR/VR设备、语音助手等；
     • 机机交互：工业物联网通信协议（如MQTT、OPC UA）、工业以太网协议（如Profinet、EtherNet/IP）。

5. 反馈层（Feedback Layer）：

   • 核心功能：负责收集执行层的执行结果和人类运维人员的反馈意见，并将这些数据反馈给认知层和决策层，用于不断优化模型和决策逻辑，实现AIMA的“终身学习”。
   • 核心数据：AMR/AGV的巡检执行记录、设备的维护执行记录、设备的实际故障发生时间、人类运维人员的评价意见等。
   • 核心技术：模型重训练、模型在线更新、强化学习在线策略优化等。

为了更直观地展示AIMA的核心组成结构，我们用Mermaid绘制了一个架构图：

AIMA的核心属性维度对比

为了帮助大家更好地理解AIMA与传统运维方式（事后维护、预防性维护、预测性维护）的区别，我们从“响应时间”、“维护成本”、“生产损失”、“准确率”、“自动化程度”、“智能化程度”、“终身学习能力”等7个核心属性维度进行了对比：

核心属性维度	事后维护 (Breakdown Maintenance)	预防性维护 (Preventive Maintenance)	预测性维护 (Predictive Maintenance)	自主巡检与维护智能体 (AIMA)
响应时间	故障发生后才响应（最慢）	按固定时间间隔响应（固定）	故障发生前的预测时间窗口响应（较快）	实时感知、实时预测、实时响应（最快）
维护成本	最高（设备故障后的维修成本通常是预防性维护的5-10倍）	较高（过度保养率普遍超过30%）	较低（按需保养，过度保养率低于10%）	最低（不仅按需保养，还能自主规划最优维护方案，最大化利用维护资源）
生产损失	最大（整线/整个车间停产，订单延期）	中等（按固定时间停产保养，可能错过生产高峰期）	较小（在生产间隙或非高峰期保养）	最小（结合生产计划自主规划保养时间，几乎不影响生产）
准确率	无（无法预测故障）	低（过度保养或保养不及时）	中高（依赖静态模型和离线数据）	最高（依赖动态模型和在线数据，不断学习优化）
自动化程度	最低（完全依赖人类运维人员）	低（部分自动化，但主要依赖人类制定计划）	中（数据采集和预测自动化，但决策和执行依赖人类）	最高（感知、认知、决策、执行全流程自动化，仅复杂任务需要人类协助）
智能化程度	无智能化	低智能化（仅基于固定规则）	中智能化（基于静态机器学习模型）	高智能化（基于动态深度学习和强化学习模型，具备自主决策能力）
终身学习能力	无	无	弱（需要人类手动重训练模型）	强（通过反馈机制自动重训练模型和优化决策逻辑）

AIMA的概念联系的ER实体关系图

为了帮助大家更好地理解AIMA核心概念之间的关系，我们用Mermaid绘制了一个ER实体关系图：

AIMA的工作原理

为了帮助大家更好地理解AIMA的工作原理，我们用Mermaid绘制了一个交互关系图：

---

问题背景

在上一节中，我们系统地理解了AIMA的核心概念、组成结构和工作原理。那么，为什么我们需要AIMA？AIMA是在什么样的背景下产生的？

制造业设备运维面临的挑战

随着工业4.0和智能制造的不断推进，制造业的生产设备变得越来越复杂、越来越精密、越来越昂贵，传统的事后维护、预防性维护和预测性维护方式已经无法满足现代制造业的需求，主要面临以下挑战：

1. 设备复杂度高、故障原因难以排查：现代制造业的生产设备（如SMT贴片机、数控机床、工业机器人、化工反应釜）通常由成千上万的零部件组成，任何一个零部件的故障都可能导致整台设备甚至整线停产，而且故障原因往往非常复杂，需要经验丰富的运维人员花费大量时间才能排查出来；
2. 生产压力大、停机成本高：现代制造业的生产节奏非常快，订单交付时间非常紧，整线停产1小时的损失可能就超过10万元，停产1天的损失可能就超过100万元，停产1周的损失可能就超过1000万元；
3. 运维人员短缺、经验难以传承：随着人口老龄化的加剧和制造业劳动力成本的不断上升，经验丰富的运维人员越来越短缺，而且很多老运维人员即将退休，他们的宝贵经验难以传承给年轻的运维人员；
4. 数据孤岛严重、数据价值难以挖掘：很多制造业工厂的设备数据分散在不同的系统中（如PLC、DCS、SCADA、MES），形成了“数据孤岛”，数据之间无法共享，数据的价值难以挖掘；
5. 传统预测性维护方式存在局限性：传统的预测性维护方式通常依赖静态的机器学习模型和离线数据，无法适应设备状态的动态变化，预测准确率随着时间的推移会逐渐下降，而且决策和执行仍然依赖人类运维人员，自动化程度和智能化程度不高。

工业4.0和智能制造的推动

工业4.0和智能制造的核心目标是实现生产的自动化、数字化、网络化和智能化，而自主巡检与维护智能体正是实现这一目标的关键技术之一：

1. 工业物联网（IIoT）的发展：工业物联网的发展使得我们能够低成本、高频率地采集工业生产环境和设备的原始数据，为AIMA的感知层提供了数据基础；
2. 云计算和边缘计算的发展：云计算的发展使得我们能够存储和处理海量的工业数据，边缘计算的发展使得我们能够在设备端或车间端实时处理数据，降低了网络延迟和带宽需求，为AIMA的认知层和决策层提供了计算基础；
3. 深度学习和强化学习的发展：深度学习的发展使得我们能够构建高准确率的健康评估和故障预测模型，强化学习的发展使得我们能够构建自主决策的路径规划和维护调度模型，为AIMA的认知层和决策层提供了技术基础；
4. 自主移动机器人（AMR/AGV）和工业机器人的发展：自主移动机器人和工业机器人的发展使得我们能够自动化地执行巡检和维护任务，为AIMA的执行层提供了设备基础；
5. 数字孪生（Digital Twin）的发展：数字孪生的发展使得我们能够在虚拟环境中模拟工业生产环境和设备的状态，为AIMA的训练和测试提供了虚拟环境基础。

---

问题描述

在了解了AIMA的核心概念和问题背景之后，我们需要明确本文要解决的具体问题：

具体问题1：如何低成本、高频率地采集工业生产环境和设备的原始数据？

在很多中小型制造业工厂中，工业物联网传感器的部署成本非常高，而且很多老旧设备没有预留传感器接口，如何低成本、高频率地采集这些设备的原始数据是我们要解决的第一个问题。

具体问题2：如何对采集到的原始数据进行预处理和特征提取？

采集到的原始工业数据通常存在异常值、缺失值、噪声大、维度高等问题，如何对这些数据进行有效的预处理和特征提取是我们要解决的第二个问题。

具体问题3：如何构建高准确率的设备剩余使用寿命（RUL）预测模型？

设备剩余使用寿命预测是预测性维护的核心，如何构建一个高准确率、泛化能力强、能够适应设备状态动态变化的RUL预测模型是我们要解决的第三个问题。

具体问题4：如何构建自主决策的最优巡检路径规划模型？

传统的路径规划算法（如A*、Dijkstra）通常只考虑路径长度，无法考虑设备优先级、环境障碍物动态变化、AMR/AGV电量等约束条件，如何构建一个自主决策的、能够考虑多种约束条件的最优巡检路径规划模型是我们要解决的第四个问题。

具体问题5：如何完整搭建一个工业级的AIMA原型系统？

如何将感知层、认知层、决策层、执行层和反馈层整合在一起，完整搭建一个工业级的AIMA原型系统是我们要解决的第五个问题。

---

问题解决

在明确了本文要解决的具体问题之后，我们将分步骤解决这些问题，手把手教你构建一个工业级的AIMA原型系统。

---

步骤一：技术栈选型与环境搭建

首先，我们需要进行技术栈选型，并搭建开发环境。

1.1 技术栈选型

根据本文要解决的具体问题和制造业的实际需求，我们选择以下技术栈：

层级/模块	技术选型	选型理由
整体开发语言	Python 3.10	Python语法简洁、生态丰富，拥有大量的工业物联网、深度学习、强化学习第三方库，是工业AI应用开发的首选语言。
感知层通信协议	MQTT 3.1.1/5.0	MQTT是一种轻量级的、基于发布/订阅模式的工业物联网通信协议，非常适合工业设备的低带宽、高延迟网络环境。
感知层MQTT Broker	Eclipse Mosquitto 2.0.18	Eclipse Mosquitto是一种开源的、轻量级的MQTT Broker，支持MQTT 3.1.1/5.0，部署简单、性能稳定。
数据存储	InfluxDB 2.7.5（时序数据）、PostgreSQL 15.4（关系型数据）、MinIO RELEASE.2024-03-15T01-07-19Z（对象存储）	InfluxDB是一种专门用于存储和处理时序数据的数据库，非常适合存储工业设备的振动、温度、压力等时序数据；PostgreSQL是一种开源的、功能强大的关系型数据库，非常适合存储生产计划、维护资源、任务记录等关系型数据；MinIO是一种开源的、轻量级的对象存储，非常适合存储工业相机、红外热成像仪采集的图像数据。
数据预处理与特征提取	Pandas 2.2.1、NumPy 1.26.4、SciPy 1.12.0、PyWavelets 1.5.0	Pandas和NumPy是Python数据处理的基础库；SciPy提供了大量的科学计算函数，包括数据降噪函数；PyWavelets提供了小波变换和小波包变换函数，非常适合工业数据的时频域特征提取。
健康评估与故障预测（深度学习框架）	PyTorch 2.2.2、TensorFlow 2.15.0（可选）	PyTorch语法简洁、动态图机制灵活、调试方便，拥有大量的预训练模型和开源项目，是当前工业AI应用开发最流行的深度学习框架；TensorFlow生态丰富、部署方便，适合大规模工业应用。本文主要使用PyTorch。
健康评估与故障预测（模型架构）	CNN-LSTM（健康评估）、Transformer（RUL预测）	CNN擅长提取图像数据和时序数据的局部特征，LSTM擅长提取时序数据的长期依赖关系，CNN-LSTM结合了两者的优点，非常适合工业设备的健康评估；Transformer擅长处理长序列数据，能够捕捉时序数据的全局依赖关系，是当前RUL预测的SOTA（State-of-the-Art）模型架构之一。
路径规划与维护调度（强化学习框架）	Stable Baselines3 (SB3) 2.0.0	Stable Baselines3是一种基于PyTorch的强化学习框架，提供了大量的常用强化学习算法（如DQN、DDPG、PPO、SAC），API简洁、文档丰富、性能稳定，非常适合强化学习入门和工业应用开发。
路径规划与维护调度（算法选型）	PPO（Proximal Policy Optimization）	PPO是一种策略梯度强化学习算法，具有训练稳定、样本效率高、超参数鲁棒性强等优点，是当前工业强化学习应用开发的首选算法。
模拟环境	OpenAI Gymnasium 0.29.1（基础框架）、自定义工厂车间环境	OpenAI Gymnasium是一种强化学习模拟环境的基础框架，提供了大量的预定义环境，非常适合强化学习入门和自定义环境开发；本文将基于OpenAI Gymnasium开发一个自定义的工厂车间环境，用于路径规划模型的训练和测试。
容器化部署	Docker 25.0.3、Docker Compose 2.24.6	Docker是一种开源的容器化技术，能够将应用程序及其依赖打包成一个轻量级的、可移植的容器，非常适合工业应用的部署；Docker Compose是一种用于定义和运行多容器Docker应用程序的工具，非常适合AIMA这种多组件系统的部署。
代码编辑器/IDE	VS Code 1.87.2	VS Code是一种开源的、轻量级的代码编辑器，拥有大量的插件（如Python、PyTorch、Docker、Git），非常适合工业AI应用开发。
版本控制	Git 2.44.0、GitHub/GitLab（可选）	Git是一种开源的分布式版本控制系统，非常适合代码的版本控制；GitHub/GitLab是一种基于Git的代码托管平台，非常适合代码的协作开发和管理。

1.2 环境搭建

接下来，我们将分步骤搭建开发环境。

1.2.1 安装Anaconda或Miniconda

首先，我们需要安装Anaconda或Miniconda，用于创建和管理Python虚拟环境。Anaconda包含了大量的科学计算和数据处理第三方库，安装包比较大（约1GB）；Miniconda只包含了Python和conda包管理器，安装包比较小（约100MB），后续可以根据需要安装第三方库。本文推荐使用Miniconda。

你可以从以下链接下载Miniconda的安装包：

• Windows：https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe
• macOS（Intel）：https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.pkg
• macOS（Apple Silicon）：https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.pkg
• Linux：https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

下载完成后，按照安装向导的提示进行安装。安装完成后，打开终端（Windows用户打开Anaconda Prompt或PowerShell，macOS/Linux用户打开Terminal），运行以下命令检查conda是否安装成功：

conda --version

如果输出类似conda 24.3.0的信息，说明conda安装成功。

1.2.2 创建Python虚拟环境

接下来，我们需要创建一个Python 3.10的虚拟环境，用于AIMA原型系统的开发。运行以下命令创建虚拟环境：

conda create -n aima_env python=3.10 -y

创建完成后，运行以下命令激活虚拟环境：

conda activate aima_env

激活虚拟环境后，终端的提示符前面会出现(aima_env)的标识，说明虚拟环境激活成功。

1.2.3 安装第三方库

接下来，我们需要安装AIMA原型系统开发所需的第三方库。我们可以将所有需要安装的第三方库列在一个requirements.txt文件中，然后使用pip install -r requirements.txt命令一次性安装。

首先，在项目根目录下创建一个requirements.txt文件，内容如下：

# 基础库
numpy==1.26.4
pandas==2.2.1
matplotlib==3.8.3
seaborn==0.13.2
scikit-learn==1.4.1.post1
scipy==1.12.0

# 工业物联网库
paho-mqtt==2.1.0
pyopcua==0.98.13  # 可选，用于OPC UA通信

# 时序数据库库
influxdb-client==1.39.0

# 关系型数据库库
psycopg2-binary==2.9.9
sqlalchemy==2.0.29

# 对象存储库
minio==7.2.7

# 数据降噪和时频域特征提取库
PyWavelets==1.5.0

# 深度学习框架
torch==2.2.2
torchvision==0.17.2
torchaudio==2.2.2
tensorboard==2.16.2  # 用于可视化训练过程

# 强化学习框架
gymnasium==0.29.1
stable-baselines3==2.0.0
sb3-contrib==2.0.0  # 可选，包含更多强化学习算法

# 容器化部署工具（Python SDK）
docker==7.0.0

# 其他工具库
python-dotenv==1.0.1  # 用于管理环境变量
tqdm==4.66.2  # 用于显示进度条
joblib==1.3.2  # 用于保存和加载模型

注意：如果你使用的是NVIDIA GPU进行深度学习训练，你需要安装对应CUDA版本的PyTorch。你可以从以下链接查看PyTorch的安装命令：https://pytorch.org/get-started/locally/。例如，如果你使用的是CUDA 11.8，你可以将requirements.txt文件中的PyTorch相关行替换为：

# 深度学习框架（CUDA 11.8）
torch==2.2.2+cu118
torchvision==0.17.2+cu118
torchaudio==2.2.2+cu118
--extra-index-url https://download.pytorch.org/whl/cu118

创建完成后，运行以下命令安装所有第三方库：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple  # 使用清华大学镜像源，加速安装

安装完成后，运行以下命令检查PyTorch是否安装成功，以及是否能够使用GPU：

python -c "import torch; print(f'PyTorch version: {torch.__version__}'); print(f'CUDA available: {torch.cuda.is_available()}'); print(f'CUDA version: {torch.version.cuda if torch.cuda.is_available() else \"N/A\"}')"

如果输出类似以下的信息，说明PyTorch安装成功，并且能够使用GPU：

PyTorch version: 2.2.2+cu118
CUDA available: True
CUDA version: 11.8

1.2.4 安装Docker和Docker Compose

接下来，我们需要安装Docker和Docker Compose，用于部署Eclipse Mosquitto、InfluxDB、PostgreSQL和MinIO。

你可以从以下链接下载Docker Desktop的安装包：

• Windows：https://www.docker.com/products/docker-desktop/
• macOS：https://www.docker.com/products/docker-desktop/
• Linux：https://docs.docker.com/engine/install/

下载完成后，按照安装向导的提示进行安装。安装完成后，打开终端，运行以下命令检查Docker和Docker Compose是否安装成功：

docker --version
docker-compose --version  # 或者 docker compose version（Docker Compose V2）

如果输出类似以下的信息，说明Docker和Docker Compose安装成功：

Docker version 25.0.3, build 4debf41
Docker Compose version v2.24.6

1.2.5 部署Eclipse Mosquitto、InfluxDB、PostgreSQL和MinIO

接下来，我们将使用Docker Compose部署Eclipse Mosquitto、InfluxDB、PostgreSQL和MinIO。

首先，在项目根目录下创建一个docker-compose.yml文件，内容如下：

version: '3.8'

services:
  # Eclipse Mosquitto MQTT Broker
  mosquitto:
    image: eclipse-mosquitto:2.0.18
    container_name: aima_mosquitto
    restart: always
    ports:
      - "1883:1883"  # MQTT over TCP
      - "9001:9001"  # MQTT over WebSocket（可选）
    volumes:
      - ./mosquitto/config:/mosquitto/config
      - ./mosquitto/data:/mosquitto/data
      - ./mosquitto/log:/mosquitto/log
    networks:
      - aima_network

  # InfluxDB 2.x 时序数据库
  influxdb:
    image: influxdb:2.7.5
    container_name: aima_influxdb
    restart: always
    ports:
      - "8086:8086"  # InfluxDB HTTP API
    volumes:
      - ./influxdb/data:/var/lib/influxdb2
      - ./influxdb/config:/etc/influxdb2
    environment:
      - DOCKER_INFLUXDB_INIT_MODE=setup
      - DOCKER