Как IoT развертывается в Мексике для обеспечения безопасной питьевой воды

В Мексике проживает более 120 миллионов человек, и по всей стране установлены тысячи питьевых фонтанов, чтобы обеспечить людей эффективной и первоклассной питьевой водой. Однако для обеспечения доступа к безопасному водоснабжению через питьевые фонтанчики на большой географической территории требуется надежная технологическая инфраструктура для обеспечения доступности и качества воды для защиты здоровья населения.

В этой статье мы расскажем, как Интернет вещей (IoT), искусственный интеллект (AI) и машинное обучение (ML) были развернуты для разработки системы прогнозирования на основе математических алгоритмов для обеспечения доступности воды и прогнозирования качества воды, проходящей через трубы города. Кроме того, мы говорим о том, как прогностический аспект системы предусматривает необходимые услуги по техническому обслуживанию для повышения эффективности цепочки поставок благодаря анализу структурированной и неструктурированной информации из официальных источников и измерений датчиков Интернета вещей.

При этом у обслуживающего персонала с большей вероятностью будут запасные части и расходные материалы, необходимые для ремонта и модернизации физической системы водоснабжения по мере необходимости.

Измерение состояния и качества воды

С целью измерения доступности воды в основных городских и мегаполисных районах страны, NDS Cognitive Labs внедрила несколько датчиков, которые подключаются к сети SigFox. Эти механические датчики были ориентированы на измерение трех основных характеристик водной системы:объема, давления и расхода. С помощью этой платформы с поддержкой Интернета вещей группы данных собирали данные из первых рук о наличии воды в различных питьевых фонтанчиках, трубах и резервуарах для воды по всей стране. Датчики дополняются микроконтроллером и памятью для большей гибкости и надежности системы.

Каждый модуль локально хранит информацию о каждом событии потребления воды, которое происходит в течение определенного интервала отбора проб, в данном случае 10 минут, подтверждая, что это подходящее время для точного считывания данных для экстраполяции моделей использования воды в течение дня. В конце этого интервала отчет с записанными данными передается через сеть SigFox в центральный концентратор, и начинается новый интервал выборки.

После отправки информации из модулей платформа SigFox обрабатывает данные, включая синхронизацию, обнаружение ошибок и исправление, а также их повторную передачу на платформу NDS Cognitive Labs, где конечная точка концентратора Azure IoT настроена для получения информации.

Чтобы правильно получать и хранить данные с платформы SigFox, настроенный API-KEY служит заголовком отправляемого HTTP-запроса. Тело сообщений с данными имеет следующий формат JSON:

После получения информации в центре Интернета вещей Azure выполняется функция Azure для предварительной обработки полученных данных и их вставки в базу данных NoSQL, которая служит источником информации для платформы прогнозирования и аналитики. В частности, система использует CosmosDB с драйвером MongoDB.

Возможности и преимущества профилактического обслуживания

После того, как эта информация была собрана и проанализирована, команды разработчиков приступили ко второй задаче проекта - прогнозированию качества воды и необходимому обслуживанию оборудования.

Для достижения этих целей группы обработки данных извлекали структурированную и неструктурированную информацию из официальных правительственных источников, из федеральных, государственных и муниципальных учреждений, а также из баз данных государственного учреждения, отвечающего за систему водоснабжения в Мексике (КОНАГУА), а также из частные организации, такие как независимые лаборатории. Эта информация имела разные форматы и временные рамки, поэтому, помимо извлечения информации, был проведен анализ информации для получения различных показателей воды, которые позволили бы точно отобразить качество в конкретной географической точке.

Функция прогнозирования сосредоточена на прогнозировании обслуживания фильтров и датчиков, установленных в питьевых фонтанчиках, глубоких трубах и резервуарах. В нем используется модель линейной регрессии, которая учитывает различные ключевые переменные, полученные датчиками Интернета вещей, такие как давление, объем, расход, срок службы фильтра, качество воды в районе и условия эксплуатации.

Аналогичным образом, с помощью этих анализов платформа рекомендует использовать определенные типы фильтров, которые лучше всего подходят для условий и потребностей каждого географического местоположения, принимая во внимание более высокую производительность, обратный осмос, объем, давление, качество воды, срок службы фильтры, среди других параметров. Таким образом, система дает рекомендации относительно необходимости закрытия питьевого фонтанчика, проведения технического обслуживания, замены или добавления фильтра или любого другого необходимого ремонта, чтобы обеспечить качество воды и доступность для населения

Функция прогнозирования качества воды в географических точках, где не было датчиков, была еще одной проблемой для надежного обеспечения населения безопасной питьевой водой. Для этой цели группы разработчиков использовали алгоритм Кригинга, который представляет собой метод интерполяции, способный оценивать переменные в географической точке с использованием данных, полученных из выборок и неструктурированной информации, таким образом получая наилучшую линейную и объективную оценку с минимально возможной дисперсией.

Функция прогнозирования системы основана на 17 факторах, которые требуются национальными и международными стандартами:электропроводность, pH воды, фекальные колиформные бактерии, общие колиформные бактерии, растворенные твердые вещества, мутность, сульфаты, фториды, мышьяк, марганец, свинец, железо, ртуть, хром. , кадмий, нитраты и общая жесткость (сумма индивидуальных жесткостей, обусловленных ионами кальция, магния, стронция и бария в карбонатной или бикарбонатной форме).

Чтобы предсказать значение каждого из вышеперечисленных параметров в той точке системы подачи воды, где не было доступных образцов, используются модели машинного обучения для каждого из 17 параметров. Эти модели были обучены и сохранены в формате многократного использования, который применяется во время вывода (прогнозирование в новой точке).

Для оценки качества воды важно принимать во внимание не только значения предыдущих измерений в близлежащих географических точках, но также информацию из официальных государственных источников, из федеральных, государственных и муниципальных учреждений, базы данных из государственного учреждения, отвечающего за системы водоснабжения в Мексике (КОНАГУА), а также от частных организаций, таких как независимые лаборатории.

Анализируя эту структурированную информацию из образцов и неструктурированную информацию из государственных и частных источников, система может обеспечить максимально точные измерения. Благодаря использованию этих технологий, алгоритмов и анализа платформа достигает уровня точности более 91%, что означает, что система может обнаруживать 91% случаев, когда есть проблемы с трубами, питьевыми фонтанчиками и резервуарами для воды. , что позволяет быстрее и точнее проводить техническое обслуживание для поддержания качества и доступности воды для населения.

Визуализация данных и протоколы IAM

Чтобы отобразить всю собранную информацию, а также прогнозы и анализ, команды разработчиков создали веб-приложение как REST API, используя фреймворк Flask с Python в качестве языка программирования для серверной части. Интерфейс платформы был разработан с использованием AngularJS, фреймворка Javascript для веб-разработки, с полностью адаптивным дизайном, который легко адаптируется к различным устройствам, таким как ноутбуки, планшеты и смартфоны.

Для визуализации данных используются различные информационные слои для разных целей и ролей персонала в агентстве, ответственном за систему. Примеры фокусных точек специализированных дисплеев включают слой качества питьевой воды, слой социально-экономических показателей (который включает в себя дома без питьевого водоснабжения, без доступа к электросети, без мощения и индексы маргинализации, среди прочего), слой доступности водного стресса, слой лабораторий, слой питьевых фонтанов и слой качества сточных вод (информация о последнем получается в формате KMZ для каждого установленного параметра и берется из баз данных государственного учреждения, отвечающего за систему водоснабжения в Мексике). Формат Geo-JSON используется для рендеринга и визуализации информационных слоев на картографической платформе, принадлежащей Google Maps.

Чтобы улучшить взаимодействие с пользователем и функциональность платформы, используются информационные фильтры, которые включают в себя текущее состояние воды (сильно загрязненная, загрязненная, плохая, хорошая и отличная), конкретные информационные параметры, радиус загрязнения (за счет использования тепловая карта), источники информации (в зависимости от различных датчиков) или настраиваемые комбинации информационных слоев.

Наконец, процесс управления идентификацией и доступом (IAM) активируется службой Auth0 с определением различных ролей и типов пользователей. Каждой роли назначается определенный набор доступа и разрешений, который позволяет ей получать доступ только к той информации, которая ей соответствует, тем самым обеспечивая конфиденциальность информации и повышая эффективность платформы для каждой роли. Поскольку в системе собирается огромное количество данных, важно, чтобы пользователи были оснащены инструментами для фильтрации информации, не имеющей отношения к их конкретной должности.

Заключение

После того, как этот проект полностью развернут, теперь можно определить и предвидеть, когда какой-либо муниципалитет потребует новые фильтры в системе водоснабжения для поддержания качества и доступности воды. Система дала множество преимуществ, таких как снижение затрат на техническое обслуживание, увеличение времени безотказной работы системы и, что наиболее важно, обеспечение безопасной и надежной доставки воды нуждающимся по всему городу.

Этот проект невероятно важен для Мексики, поскольку он представляет собой использование таких технологий, как IoT, AI и ML, с системой прогнозирования, основанной на алгоритмах и науке о данных, применяемых к чему-то столь же распространенному, как питьевая вода. Обеспечение водоснабжения питьевых фонтанов в городе или стране и, что самое важное, требует наличия надежной технологической инфраструктуры для защиты здоровья населения.