Hoe IoT wordt ingezet in Mexico om veilig drinkwater te garanderen

Er wonen meer dan 120 miljoen mensen in Mexico en er zijn duizenden drinkfonteinen in het hele land geïnstalleerd om mensen te voorzien van een efficiënte en eersteklas drinkwatervoorziening. Het aanbieden van toegang tot veilige watervoorziening via drinkfonteinen in een groot geografisch gebied vereist echter een robuuste technologische infrastructuur om de beschikbaarheid en kwaliteit van water te waarborgen om de volksgezondheid te beschermen.

In dit artikel schetsen we hoe internet of things (IoT), kunstmatige intelligentie (AI) en machine learning (ML) werden ingezet om een ​​voorspellend systeem te ontwikkelen op basis van wiskundige algoritmen om de beschikbaarheid van water te garanderen en de kwaliteit van het water dat door het water stroomt te voorspellen. de leidingen van de stad. Daarnaast praten we over hoe het voorspellende aspect van het systeem anticipeert op noodzakelijke onderhoudsdiensten voor een grotere efficiëntie van de toeleveringsketen, dankzij de analyse van gestructureerde en ongestructureerde informatie uit officiële bronnen en metingen van IoT-sensoren.

Door dit te doen, is de kans groter dat onderhoudspersoneel over de onderdelen en benodigdheden beschikt die nodig zijn om reparaties en upgrades aan het fysieke watersysteem uit te voeren, indien nodig.

Waterstatus en -kwaliteit meten

Met als doel de waterbeschikbaarheid in de belangrijkste stedelijke en grootstedelijke gebieden van het land te meten, heeft NDS Cognitive Labs verschillende sensoren geïmplementeerd die verbinding maken met het SigFox-netwerk. Deze mechanische sensoren waren gericht op het meten van drie primaire kenmerken van het watersysteem:volume, druk en stroom. Met dit IoT-enabled platform verzamelden datateams uit de eerste hand gegevens over de beschikbaarheid van water in de verschillende drinkfonteinen, leidingen en watertanks in het hele land. Als aanvulling op de sensoren is er een microcontroller en geheugenopslag voor een grotere flexibiliteit en betrouwbaarheid van het systeem.

Elke module slaat lokaal de informatie op van elke waterverbruiksgebeurtenis die plaatsvindt tijdens een bepaald bemonsteringsinterval, in dit geval 10 minuten, om te bevestigen dat het het juiste moment was om de gegevens nauwkeurig uit te lezen om patronen van watergebruik gedurende de dag te extrapoleren. Aan het einde van dit interval wordt een rapport met de geregistreerde gegevens via het SigFox-netwerk naar een centrale hub verzonden en wordt een nieuw bemonsteringsinterval gestart.

Zodra de informatie van de modules is verzonden, verwerkt het SigFox-platform de gegevens, inclusief synchronisatie, foutdetectie en -correctie, evenals de hertransmissie naar het NDS Cognitive Labs-platform, waar een Azure IoT-hubeindpunt is geconfigureerd om de informatie te ontvangen.

Om de gegevens van het SigFox-platform correct te ontvangen en op te slaan, dient een geconfigureerde API-KEY als header van het HTTP-verzoek dat wordt verzonden. De hoofdtekst van de databerichten heeft het volgende JSON-formaat:

Zodra de informatie is ontvangen in de Azure IoT-hub, wordt een Azure-functie uitgevoerd om de ontvangen gegevens voor te verwerken en in te voegen in een NoSQL-database, die dient als informatiebron voor het voorspellende en analyseplatform. Het systeem gebruikt met name CosmosDB met een MongoDB-stuurprogramma.

Voorspellende onderhoudsmogelijkheden en voordelen

Nadat deze informatie was verzameld en geanalyseerd, gingen de ontwikkelaarsteams verder met de tweede uitdaging van het project, namelijk het voorspellen van de waterkwaliteit en het noodzakelijke onderhoud van de apparatuur.

Om deze doelstellingen te bereiken, hebben datateams gestructureerde en ongestructureerde informatie geëxtraheerd uit officiële overheidsbronnen, uit federale, staats- en gemeentelijke kantoren en databases van het overheidskantoor dat verantwoordelijk is voor het watersysteem in Mexico (CONAGUA), evenals van particuliere organisaties, zoals onafhankelijke laboratoria. Deze informatie had verschillende formaten en temporaliteiten, zodat, naast het extraheren van informatie, een analyse van de informatie werd uitgevoerd om de verschillende waterstatistieken te verkrijgen die een nauwkeurige weergave van de kwaliteit op een specifiek geografisch punt mogelijk zouden maken.

De voorspellende functie was gericht op het voorspellen van het onderhoud van de filters en sensoren die zijn geïnstalleerd in de drinkfonteinen, diepe leidingen en tanks. Het maakt gebruik van een lineair regressiemodel, dat rekening houdt met verschillende belangrijke variabelen die door de IoT-sensoren worden verkregen, zoals druk, volume, stroom, filterlevensduur, waterkwaliteit in het gebied en bedrijfsomstandigheden.

Evenzo beveelt het platform met deze analyses het gebruik aan van bepaalde soorten filters die het beste passen bij de omstandigheden en behoeften van elke geografische locatie, rekening houdend met hogere capaciteit, omgekeerde osmose, volume, druk, kwaliteit van het water, de levensduur van de filters, onder andere parameters. Op deze manier geeft het systeem aanbevelingen over of het nodig is om een ​​drinkfontein te sluiten, onderhoud te geven, een filter te vervangen of toe te voegen, of andere noodzakelijke reparaties om de waterkwaliteit en beschikbaarheid voor het publiek te garanderen

De functie van voorspelling van de waterkwaliteit in geografische punten waar er geen sensoren waren, was een andere uitdaging bij het betrouwbaar leveren van veilig drinkwater aan het publiek. Voor dit doel gebruikten ontwikkelingsteams het Kriging-algoritme, een interpolatiemethode die in staat is variabelen in een geografisch punt te schatten met behulp van gegevens die zijn verkregen uit steekproeven en ongestructureerde informatie, waardoor de beste lineaire en onbevooroordeelde schatting wordt verkregen met een minimaal mogelijke variantie.

De voorspellingsfunctie van het systeem is gebaseerd op 17 factoren die vereist zijn door nationale en internationale normen:elektrische geleidbaarheid, water-pH, fecale coliformen, totale coliformen, opgeloste vaste stoffen, troebelheid, sulfaten, fluoriden, arseen, mangaan, lood, ijzer, kwik, chroom , cadmium, nitraten en totale hardheid (som van de individuele hardheden als gevolg van calcium-, magnesium-, strontium- en bariumionen in carbonaat- of bicarbonaatvorm).

Om de waarde van elk van de bovenstaande parameters te voorspellen op een punt in het watertoevoersysteem waar geen monsters beschikbaar waren, worden machine learning-modellen gebruikt voor elk van de 17 parameters. Deze modellen zijn getraind en opgeslagen in een herbruikbaar formaat dat wordt toegepast tijdens inferentie (voorspelling op een nieuw punt).

Voor de schatting van de waterkwaliteit is het belangrijk om niet alleen rekening te houden met de waarden van eerdere metingen in nabijgelegen geografische punten, maar ook met informatie van officiële overheidsbronnen, van federale, staats- en gemeentekantoren, databases van het overheidsbureau dat verantwoordelijk is voor het watersysteem in Mexico (CONAGUA) en van particuliere organisaties zoals onafhankelijke laboratoria.

Door deze gestructureerde informatie uit de steekproeven en ongestructureerde informatie uit overheids- en particuliere bronnen te analyseren, is het systeem in staat om de meest nauwkeurige metingen mogelijk te maken. Dankzij het gebruik van deze technologieën, algoritmen en analyses bereikt het platform een ​​nauwkeurigheid van meer dan 91%, wat betekent dat het systeem 91% van de gevallen kan detecteren waar er een probleem is met de leidingen, drinkfonteinen en watertanks , waardoor snellere en nauwkeurigere onderhoudsinspanningen mogelijk zijn om de kwaliteit en beschikbaarheid van water voor het publiek te behouden.

Gegevensvisualisatie en IAM-protocollen

Om alle verzamelde informatie weer te geven, evenals de voorspellingen en analyses, hebben de ontwikkelaarsteams een webapplicatie gemaakt als een REST API, met behulp van het Flask-framework met Python als programmeertaal voor de backend. De frontend van het platform is ontwikkeld met behulp van AngularJS, een Javascript-framework voor webontwikkeling, met een volledig responsief ontwerp dat zich soepel aanpast aan verschillende apparaten, zoals laptops, tablets en smartphones.

Om data te visualiseren worden verschillende informatielagen gebruikt voor verschillende doeleinden en personeelsrollen binnen de instantie die verantwoordelijk is voor het systeem. Voorbeelden van de aandachtspunten van gespecialiseerde displays zijn onder meer de drinkwaterkwaliteitslaag, sociaaleconomische indicatorenlaag (waaronder huizen zonder drinkwatervoorziening, zonder toegang tot het elektriciteitsnet, zonder bestrating en marginaliseringsindexen), beschikbaarheidslaag voor waterstress, laboratorialaag, drinkfonteinenlaag en afvalwaterkwaliteitslaag (de informatie van deze laatste wordt verkregen in KMZ-formaat voor elke vastgestelde parameter en wordt verkregen uit databases van het overheidsbureau dat verantwoordelijk is voor het watersysteem in Mexico). Geo-JSON-indeling wordt gebruikt om de informatielagen weer te geven en te visualiseren op een kaartplatform, behorend tot Google Maps.

Om de gebruikerservaring en de functionaliteit van het platform te verbeteren, wordt gebruik gemaakt van informatiefilters, waaronder de huidige waterstatus (zwaar vervuild, vervuild, slecht, goed en uitstekend), specifieke informatieparameters, besmettingsradius (door middel van een heatmap), informatiebronnen (afhankelijk van de verschillende sensoren) of aanpasbare combinaties van informatielagen.

Ten slotte wordt het identiteits- en toegangsbeheerproces (IAM) mogelijk gemaakt door de Auth0-service, waarbij verschillende rollen en typen gebruikers zijn gedefinieerd. Elke rol krijgt een specifieke set toegangs- en machtigingen toegewezen waardoor deze alleen toegang heeft tot de informatie die ermee overeenkomt, waardoor de vertrouwelijkheid van de informatie wordt gewaarborgd en de effectiviteit van het platform voor elke rol wordt vergemakkelijkt. Met een enorme hoeveelheid gegevens die via het systeem worden verzameld, is het belangrijk dat gebruikers worden uitgerust met de tools om informatie uit te filteren die geen betrekking heeft op hun specifieke functie.

Conclusie

Nu dit project volledig is geïmplementeerd, is het nu mogelijk om te identificeren en te anticiperen wanneer een gemeente nieuwe filters in het watersysteem nodig heeft om de waterkwaliteit en -beschikbaarheid te behouden. Het systeem heeft meerdere voordelen opgeleverd, zoals het verlagen van de onderhoudskosten, het verhogen van de uptime van het systeem en, belangrijker nog, het garanderen van veilige en betrouwbare waterlevering aan mensen in nood in de stad.

Dit project is ongelooflijk belangrijk voor Mexico omdat het het gebruik van technologieën zoals IoT, AI en ML vertegenwoordigt met een voorspellend systeem op basis van algoritmen en datawetenschap toegepast op iets dat zo gewoon is als drinkwater. Het aanbieden, en vooral onderhouden van watervoorziening in drinkfonteinen in een stad of een land, vereist een robuuste technologische infrastructuur om de volksgezondheid te beschermen.