Bagaimana IoT diterapkan di Meksiko untuk memastikan air minum yang aman

Lebih dari 120 juta orang tinggal di Meksiko, dan ribuan air mancur minum telah dipasang di seluruh negeri untuk menyediakan layanan air minum yang efisien dan kelas satu bagi orang-orang. Namun, menawarkan akses ke pasokan air yang aman melalui air mancur minum di wilayah geografis yang luas memerlukan infrastruktur teknologi yang kuat untuk memastikan ketersediaan dan kualitas air guna menjaga kesehatan masyarakat.

Dalam artikel ini, kami menguraikan bagaimana internet of things (IoT), kecerdasan buatan (AI), dan pembelajaran mesin (ML) dikerahkan untuk mengembangkan sistem prediktif berdasarkan algoritme matematika untuk memastikan ketersediaan air dan memprediksi kualitas air yang mengalir. pipa kota. Selain itu, kita berbicara tentang bagaimana aspek prediktif sistem mengantisipasi layanan pemeliharaan yang diperlukan untuk efisiensi rantai pasokan yang lebih besar, berkat analisis informasi terstruktur dan tidak terstruktur dari sumber resmi dan pengukuran dari sensor IoT.

Dalam melakukannya, personel pemeliharaan lebih mungkin memiliki suku cadang dan persediaan yang dibutuhkan untuk melakukan perbaikan dan peningkatan sistem air fisik, sesuai kebutuhan.

Mengukur status dan kualitas air

Dengan tujuan mengukur ketersediaan air di wilayah perkotaan dan metropolitan utama negara tersebut, NDS Cognitive Labs mengimplementasikan beberapa sensor yang terhubung ke jaringan SigFox. Sensor mekanis ini difokuskan pada pengukuran tiga atribut utama sistem air:volume, tekanan, dan aliran. Dengan platform berkemampuan IoT ini, tim data mengumpulkan data langsung mengenai ketersediaan air di berbagai sumber air minum, pipa, dan tangki air di seluruh negeri. Melengkapi sensor adalah mikrokontroler dan penyimpanan memori untuk kelincahan dan keandalan sistem yang lebih baik.

Setiap modul secara lokal menyimpan informasi setiap kejadian konsumsi air yang terjadi selama interval pengambilan sampel yang ditentukan, dalam hal ini 10 menit, yang mengonfirmasikan bahwa ini adalah waktu yang tepat untuk memiliki pembacaan data yang akurat untuk memperkirakan pola penggunaan air sepanjang hari. Pada akhir interval ini, laporan dengan data yang direkam dikirim melalui jaringan SigFox ke hub pusat dan interval pengambilan sampel baru dimulai.

Setelah informasi dari modul dikirim, platform SigFox memproses data, termasuk sinkronisasi, deteksi kesalahan, dan koreksi, serta transmisi ulang ke platform NDS Cognitive Labs, di mana titik akhir hub Azure IoT dikonfigurasi untuk menerima informasi.

Untuk menerima dan menyimpan data dengan benar dari platform SigFox, API-KEY yang dikonfigurasi berfungsi sebagai header permintaan HTTP yang dikirim. Isi pesan data memiliki format JSON berikut:

Setelah informasi diterima di hub Azure IoT, fungsi Azure dijalankan untuk melakukan pra-proses data yang diterima dan memasukkannya ke dalam database NoSQL, yang berfungsi sebagai sumber informasi untuk platform prediktif dan analitik. Secara khusus, sistem menggunakan CosmosDB dengan Driver MongoDB.

Kemampuan dan manfaat pemeliharaan prediktif

Setelah informasi ini dikumpulkan dan dianalisis, tim pengembang melanjutkan dengan tantangan proyek kedua, yaitu prediksi kualitas air dan pemeliharaan peralatan yang diperlukan.

Untuk mencapai tujuan ini, tim data mengekstrak informasi terstruktur dan tidak terstruktur dari sumber resmi pemerintah, dari kantor federal, negara bagian, dan kota, dan database kantor pemerintah yang bertanggung jawab atas sistem air di Meksiko (CONAGUA), serta dari organisasi swasta, seperti laboratorium independen. Informasi ini memiliki format dan temporalitas yang berbeda sehingga, selain mengekstrak informasi, analisis informasi dilakukan untuk mendapatkan berbagai metrik air yang memungkinkan tampilan kualitas yang akurat pada titik geografis tertentu.

Fungsi prediktif berfokus pada prediksi perawatan filter dan sensor yang dipasang di air mancur minum, pipa dalam, dan tangki. Ini menggunakan model regresi linier, yang mempertimbangkan berbagai variabel kunci yang diperoleh oleh sensor IoT, seperti tekanan, volume, aliran, masa pakai filter, kualitas air di area tersebut, dan kondisi pengoperasian.

Demikian juga, dengan analisis ini, platform merekomendasikan penggunaan jenis filter tertentu yang paling sesuai dengan kondisi dan kebutuhan setiap lokasi geografis, dengan mempertimbangkan kapasitas yang lebih tinggi, osmosis balik, volume, tekanan, kualitas air, masa pakai air. filter, di antara parameter lainnya. Dengan cara ini, sistem memberikan rekomendasi apakah perlu menutup sumber air minum, melakukan perawatan, mengganti atau menambah filter, atau perbaikan lain yang diperlukan untuk memastikan kualitas dan ketersediaan air untuk publik

Fungsi prediksi kualitas air di titik-titik geografis yang tidak memiliki sensor merupakan tantangan lain dalam menyediakan air minum yang aman bagi masyarakat secara andal. Untuk tujuan ini, tim pengembang menggunakan algoritma Kriging, yang merupakan metode interpolasi yang mampu memperkirakan variabel dalam titik geografis dengan menggunakan data yang diperoleh dari sampel dan informasi tidak terstruktur, sehingga memperoleh estimasi linier dan tidak bias terbaik dengan varians seminimal mungkin.

Fungsi prediksi sistem didasarkan pada 17 faktor yang dipersyaratkan oleh standar nasional dan internasional:konduktivitas listrik, pH air, fecal coliform, total coliform, padatan terlarut, kekeruhan, sulfat, fluorida, arsenik, mangan, timbal, besi, merkuri, kromium , kadmium, nitrat dan kesadahan total (jumlah dari kesadahan individu karena ion kalsium, magnesium, strontium, dan barium dalam bentuk karbonat atau bikarbonat).

Untuk memprediksi nilai masing-masing parameter di atas pada titik dalam sistem pengiriman air di mana tidak ada sampel yang tersedia, model pembelajaran mesin digunakan untuk masing-masing dari 17 parameter. Model ini dilatih dan disimpan dalam format yang dapat digunakan kembali yang diterapkan selama inferensi (prediksi pada titik baru).

Untuk estimasi kualitas air, penting untuk tidak hanya memperhitungkan nilai pengukuran sebelumnya di titik geografis terdekat, tetapi juga informasi dari sumber resmi pemerintah, dari kantor federal, negara bagian, dan kota, database dari kantor pemerintah yang bertanggung jawab atas sistem air di Meksiko (CONAGUA) serta dari organisasi swasta seperti laboratorium independen.

Dengan menganalisis informasi terstruktur ini dari sampel dan informasi tidak terstruktur dari sumber pemerintah dan swasta, sistem ini mampu memberikan pengukuran yang paling akurat. Berkat penggunaan teknologi, algoritme, dan analisis ini, platform mencapai tingkat akurasi lebih dari 91%, yang berarti bahwa sistem dapat mendeteksi 91% kasus di mana ada masalah dengan pipa, air mancur, dan tangki air. , memungkinkan upaya pemeliharaan yang lebih cepat dan akurat untuk menjaga kualitas dan ketersediaan air bagi masyarakat.

Visualisasi data dan protokol IAM

Untuk menampilkan semua informasi yang dikumpulkan, serta prediksi dan analisis, tim pengembang membuat aplikasi web sebagai REST API, menggunakan kerangka Flask dengan Python sebagai bahasa pemrograman untuk backend. Bagian depan platform dikembangkan menggunakan AngularJS, kerangka kerja Javascript untuk pengembangan web, dengan desain yang sepenuhnya responsif yang beradaptasi dengan lancar ke berbagai perangkat, seperti laptop, tablet, dan ponsel cerdas.

Untuk memvisualisasikan data, berbagai lapisan informasi digunakan untuk tujuan dan peran personel yang berbeda dalam badan yang bertanggung jawab atas sistem. Contoh titik fokus dari pajangan khusus termasuk lapisan kualitas air minum, lapisan indikator sosial ekonomi (yang meliputi rumah tanpa layanan air minum, tanpa akses ke jaringan listrik, tanpa paving, dan indeks marginalisasi, antara lain), lapisan ketersediaan tekanan air, lapisan laboratorium, lapisan air mancur minum dan lapisan kualitas air limbah (informasi yang terakhir diperoleh dalam format KMZ untuk setiap parameter yang ditetapkan dan diperoleh dari database kantor pemerintah yang bertanggung jawab atas sistem air di Meksiko). Format Geo-JSON digunakan untuk merender dan memvisualisasikan lapisan informasi pada platform peta, milik Google Maps.

Untuk meningkatkan pengalaman pengguna dan fungsionalitas platform, filter informasi digunakan, yang mencakup status air saat ini (sangat terkontaminasi, terkontaminasi, buruk, baik, dan sangat baik), parameter informasi spesifik, radius kontaminasi (melalui penggunaan peta panas), sumber informasi (bergantung pada sensor yang berbeda) atau kombinasi lapisan informasi yang dapat disesuaikan.

Terakhir, proses manajemen identitas dan akses (IAM) diaktifkan oleh layanan Auth0, dengan peran dan tipe pengguna yang berbeda yang ditentukan. Setiap peran diberikan serangkaian akses dan izin khusus yang memungkinkannya untuk mengakses hanya informasi yang sesuai dengannya, sehingga memastikan kerahasiaan informasi dan memfasilitasi efektivitas platform untuk setiap peran. Dengan sejumlah besar data yang dikumpulkan melalui sistem, penting bagi pengguna untuk dilengkapi dengan alat untuk menyaring informasi yang tidak berkaitan dengan fungsi pekerjaan spesifik mereka.

Kesimpulan

Dengan diterapkannya proyek ini secara penuh, sekarang dimungkinkan untuk mengidentifikasi dan mengantisipasi bila kota mana pun membutuhkan filter baru dalam sistem air untuk menjaga kualitas dan ketersediaan air. Sistem ini menghasilkan banyak manfaat, seperti mengurangi biaya pemeliharaan, meningkatkan waktu kerja sistem, dan yang terpenting, memastikan pengiriman air yang aman dan andal kepada mereka yang membutuhkan di sekitar kota.

Proyek ini sangat penting bagi Meksiko karena mewakili penggunaan teknologi seperti IoT, AI, dan ML dengan sistem prediktif berdasarkan algoritme dan ilmu data yang diterapkan pada sesuatu yang umum seperti air minum. Menawarkan, dan yang paling penting, memelihara layanan pasokan air di air mancur minum di kota atau negara memerlukan infrastruktur teknologi yang kuat untuk menjaga kesehatan masyarakat.