Menerapkan IoT, AI, dan ML untuk Memastikan Air Minum Layak di Seluruh Meksiko
120 juta penduduk Meksiko bergantung pada ribuan air minum umum yang menyediakan air bersih, berkualitas tinggi. Memastikan akses berkelanjutan di seluruh wilayah yang luas memerlukan infrastruktur yang canggih dan didorong data yang menjamin ketersediaan dan keamanan.
Artikel ini menjelaskan bagaimana NDS Cognitive Labs memanfaatkan IoT, artificial intelligence, dan machine learning untuk membangun platform prediktif yang memantau aliran air, memprediksi kualitas, dan menjadwalkan pemeliharaan—mentransformasi data sensor mentah menjadi wawasan yang dapat ditindaklanjuti.
Dengan mengantisipasi aus komponen, sistem melengkapi teknisi dengan bagian dan persediaan yang tepat untuk perbaikan tepat waktu, mengurangi waktu henti dan memperpanjang umur aset.
Mengukur status dan kualitas air
Untuk menangkap status air real-time di kota-kota besar, tim memasang sensor mekanis rendah biaya yang terhubung ke SigFox LPWAN. Setiap modul mencatat volume, tekanan, dan aliran, menyediakan data granular tentang performa air minum, pipa, dan tangki.
Sebuah mikrokontroler khusus menyimpan pembacaan lokal dan buffer data untuk memastikan keandalan, bahkan selama gangguan jaringan.
Setiap sensor mencatat peristiwa konsumsi setiap 10 menit, menghasilkan pola penggunaan resolusi tinggi yang dimasukkan ke dalam model prediktif.
Setiap interval, modul mengunggah payload yang terkompresi melalui SigFox ke hub pusat, kemudian memulai siklus sampling berikutnya.
SigFox menangani validasi paket, koreksi kesalahan, dan meneruskan data yang sudah dibersihkan ke Azure IoT hub NDS Cognitive Labs.
Sebuah API-KEY mengautentikasi header permintaan HTTP, dan payload mengikuti struktur JSON ini:
Sebuah Azure Function menggestasi payload, menormalisasi data, dan menuliskannya ke dalam koleksi CosmosDB yang diakses melalui driver MongoDB—membentuk tulang punggung engine analitik.
Kemampuan dan manfaat pemeliharaan prediktif
Untuk memprediksi kualitas air dan kebutuhan pemeliharaan, data engineer mengagregasi data terstruktur dari CONAGUA, catatan municipals, dan laboratorium independen, bersama laporan tidak terstruktur, lalu mengekstrak metrik kunci yang menggambarkan kondisi air lokal.
Model inti adalah regresi linear yang memprediksi degradasi filter dan sensor berdasarkan tekanan, volume, aliran, usia filter, dan kualitas air regional—memungkinkan jadwal penggantian proaktif.
Berdasarkan analisis, sistem menyarankan tipe filter optimal—darunit reverse osmosis kapasitas tinggi hingga kartrid standar—yang disesuaikan dengan profil tekanan, volume, dan kontaminasi setiap situs.
Ia juga memberi tahu kapan sebuah air minum harus dimatikan, diservis, atau ditingkatkan, memastikan hanya air aman yang mencapai konsumen.
Untuk lokasi yang tidak memiliki sensor langsung, tim menggunakan interpolasi Kriging, menggabungkan data sampel dan sumber eksternal untuk menghasilkan estimasi yang tidak bias dari parameter air dengan variansi minimal.
Model ini mencakup 17 parameter yang diwajibkan oleh standar nasional dan internasional—termasuk konduktivitas, pH, koliform, zat padat terlarut, kekeruhan, logam berat, dan kekerasan.
Regressor machine learning terpisah, yang sudah di-pre-train dan di-serialize, memprediksi setiap metrik pada titik yang tidak diukur, dengan mengandalkan observasi terdekat dan dataset pemerintah.
Platform terintegrasi mencapai akurasi lebih dari 91% dalam mendeteksi masalah pipa, air minum, dan tangki, memungkinkan tindakan pemeliharaan yang lebih cepat dan lebih tepat yang menjaga pasokan air tetap andal.
Visualisasi data dan protokol IAM
Sebuah REST API berbasis Flask menggerakkan front-end AngularJS yang responsif yang menyediakan dashboard real-time untuk operator dan pembuat kebijakan.
Peta berlapis menampilkan kualitas air minum, indikator sosial-ekonomi, stres air, lokasi laboratorium, aset air minum, dan metrik air limbah, semuanya dirender dalam GeoJSON pada Google Maps.
Filter interaktif memungkinkan pengguna untuk menurunkan detail berdasarkan tingkat kontaminasi, jenis sensor, radius heat-map, dan sumber, menyediakan tampilan yang disesuaikan untuk setiap peran.
Auth0 menangani manajemen identitas dan akses, menetapkan izin berbasis peran yang membatasi tampilan setiap pengguna ke data yang relevan dengan tanggung jawab mereka—melindungi informasi sensitif sambil meningkatkan efisiensi operasional.
Kesimpulan
Dengan sistem penuh yang ada, municipals kini dapat secara proaktif mengganti filter, mengurangi biaya pemeliharaan, memperpanjang uptime sistem, dan yang terpenting, menjamin air minum aman dan andal untuk semua warga.
Inisiatif ini menunjukkan bagaimana IoT, AI, dan ML, ketika dikombinasikan dengan pipeline data yang kuat, dapat mengtransformasi utilitas dasar menjadi infrastruktur pintar yang melindungi kesehatan—model penting untuk setiap negara yang berkomitmen pada kesejahteraan publik.
