Wie IoT in Mexiko eingesetzt wird, um sicheres Trinkwasser zu gewährleisten

In Mexiko leben mehr als 120 Millionen Menschen, und im ganzen Land wurden Tausende von Trinkbrunnen installiert, um den Menschen eine effiziente und erstklassige Trinkwasserversorgung zu bieten. Der Zugang zu einer sicheren Wasserversorgung über Trinkbrunnen in einem großen geografischen Gebiet erfordert jedoch eine robuste technologische Infrastruktur, um die Wasserverfügbarkeit und -qualität zum Schutz der öffentlichen Gesundheit zu gewährleisten.

In diesem Artikel skizzieren wir, wie Internet der Dinge (IoT), künstliche Intelligenz (KI) und maschinelles Lernen (ML) eingesetzt wurden, um ein Vorhersagesystem basierend auf mathematischen Algorithmen zu entwickeln, um die Verfügbarkeit von Wasser sicherzustellen und die Qualität des durchfließenden Wassers vorherzusagen die Pfeifen der Stadt. Darüber hinaus sprechen wir darüber, wie der prädiktive Aspekt des Systems dank der Analyse strukturierter und unstrukturierter Informationen aus offiziellen Quellen und Messungen von IoT-Sensoren notwendige Wartungsdienste für eine höhere Effizienz der Lieferkette vorwegnimmt.

Auf diese Weise verfügt das Wartungspersonal mit größerer Wahrscheinlichkeit über die erforderlichen Teile und Verbrauchsmaterialien, um bei Bedarf Reparaturen und Upgrades am physischen Wassersystem durchzuführen.

Messung des Wasserzustands und der Wasserqualität

Mit dem Ziel, die Wasserverfügbarkeit in den wichtigsten städtischen und großstädtischen Gebieten des Landes zu messen, implementierten NDS Cognitive Labs mehrere Sensoren, die sich mit dem SigFox-Netzwerk verbinden. Diese mechanischen Sensoren waren darauf ausgerichtet, drei Hauptattribute des Wassersystems zu messen:Volumen, Druck und Durchfluss. Mit dieser IoT-fähigen Plattform sammelten Datenteams Daten aus erster Hand über die Verfügbarkeit von Wasser in den verschiedenen Trinkbrunnen, Rohren und Wassertanks im ganzen Land. Ergänzt werden die Sensoren durch einen Mikrocontroller und Speicher für mehr Systemagilität und -zuverlässigkeit.

Jedes Modul speichert lokal die Informationen zu jedem Wasserverbrauchsereignis, das während eines definierten Probenahmeintervalls, in diesem Fall 10 Minuten, auftritt, und bestätigt, dass es der richtige Zeitpunkt war, die Daten genau abzulesen, um Wasserverbrauchsmuster im Laufe des Tages zu extrapolieren. Am Ende dieses Intervalls wird ein Bericht mit den aufgezeichneten Daten über das SigFox-Netzwerk an einen zentralen Hub gesendet und ein neues Abtastintervall wird gestartet.

Sobald die Informationen von den Modulen gesendet wurden, verarbeitet die SigFox-Plattform die Daten, einschließlich der Synchronisierung, Fehlererkennung und -korrektur sowie ihrer erneuten Übertragung an die NDS Cognitive Labs-Plattform, wo ein Azure IoT Hub-Endpunkt für den Empfang der Informationen konfiguriert ist.

Um die Daten von der SigFox-Plattform korrekt zu empfangen und zu speichern, dient ein konfigurierter API-KEY als Header des gesendeten HTTP-Requests. Der Textkörper der Datennachrichten hat das folgende JSON-Format:

Sobald die Informationen im Azure IoT Hub eingegangen sind, wird eine Azure-Funktion ausgeführt, um die empfangenen Daten vorzuverarbeiten und in eine NoSQL-Datenbank einzufügen, die als Informationsquelle für die Vorhersage- und Analyseplattform dient. Insbesondere verwendet das System CosmosDB mit einem MongoDB-Treiber.

Vorausschauende Wartungsfunktionen und Vorteile

Nachdem diese Informationen gesammelt und analysiert waren, fuhren die Entwicklerteams mit der zweiten Herausforderung des Projekts fort, der Vorhersage der Wasserqualität und der notwendigen Wartung der Ausrüstung.

Um diese Ziele zu erreichen, extrahierten Datenteams strukturierte und unstrukturierte Informationen aus offiziellen Regierungsquellen, aus Bundes-, Landes- und Gemeindeämtern und Datenbanken der für das Wassersystem in Mexiko zuständigen Regierungsstelle (CONAGUA) sowie aus private Organisationen wie unabhängige Labors. Diese Informationen hatten unterschiedliche Formate und Zeiträume, so dass zusätzlich zur Extraktion der Informationen eine Analyse der Informationen durchgeführt wurde, um die verschiedenen Wasserkennzahlen zu erhalten, die eine genaue Anzeige der Qualität an einem bestimmten geografischen Punkt ermöglichen würden.

Die Vorhersagefunktion konzentrierte sich auf die Vorhersage der Wartung der Filter und Sensoren, die in den Trinkbrunnen, tiefen Rohren und Tanks installiert sind. Es verwendet ein lineares Regressionsmodell, das verschiedene Schlüsselvariablen berücksichtigt, die von den IoT-Sensoren erhalten werden, wie Druck, Volumen, Durchfluss, Filterlebensdauer, Wasserqualität in der Umgebung und Betriebsbedingungen.

Ebenso empfiehlt die Plattform bei diesen Analysen die Verwendung bestimmter Filtertypen, die den Bedingungen und Bedürfnissen jedes geografischen Standorts am besten entsprechen, unter Berücksichtigung der höheren Kapazität, der Umkehrosmose, des Volumens, des Drucks, der Wasserqualität, der Lebensdauer der Filter, unter anderen Parametern. Auf diese Weise gibt das System Empfehlungen, ob es notwendig ist, einen Trinkbrunnen zu schließen, ihn zu warten, einen Filter zu wechseln oder hinzuzufügen oder andere notwendige Reparaturen durchzuführen, um die Wasserqualität und die Verfügbarkeit für die Öffentlichkeit zu gewährleisten

Die Funktion der Wasserqualitätsvorhersage an geografischen Punkten, an denen es keine Sensoren gab, war eine weitere Herausforderung, um der Öffentlichkeit zuverlässiges Trinkwasser bereitzustellen. Zu diesem Zweck verwendeten die Entwicklungsteams den Kriging-Algorithmus, eine Interpolationsmethode, mit der Variablen an einem geografischen Punkt unter Verwendung von Daten aus Stichproben und unstrukturierten Informationen geschätzt werden können, um so die beste lineare und unverzerrte Schätzung mit minimaler Varianz zu erhalten.

Die Vorhersagefunktion des Systems basiert auf 17 Faktoren, die von nationalen und internationalen Standards gefordert werden:elektrische Leitfähigkeit, Wasser-pH, Fäkalcoliformen, Gesamtcoliformen, gelöste Feststoffe, Trübung, Sulfate, Fluoride, Arsen, Mangan, Blei, Eisen, Quecksilber, Chrom , Cadmium, Nitrate und Gesamthärte (Summe der Einzelhärten durch Calcium-, Magnesium-, Strontium- und Bariumionen in Karbonat- oder Bikarbonatform).

Um den Wert jedes der oben genannten Parameter an einem Punkt im Wasserversorgungssystem vorherzusagen, an dem keine Proben verfügbar waren, werden Modelle des maschinellen Lernens für jeden der 17 Parameter verwendet. Diese Modelle wurden trainiert und in einem wiederverwendbaren Format gespeichert, das während der Inferenz (Vorhersage an einem neuen Punkt) angewendet wird.

Für die Einschätzung der Wasserqualität ist es wichtig, nicht nur die Werte früherer Messungen an nahegelegenen geografischen Punkten zu berücksichtigen, sondern auch Informationen aus offiziellen Regierungsquellen, von Bundes-, Landes- und Gemeindeämtern, Datenbanken der zuständigen Regierungsstelle das Wassersystem in Mexiko (CONAGUA) sowie von privaten Organisationen wie unabhängigen Labors.

Durch die Analyse dieser strukturierten Informationen aus den Proben und unstrukturierten Informationen aus staatlichen und privaten Quellen ist das System in der Lage, möglichst genaue Messungen zu liefern. Dank der Verwendung dieser Technologien, Algorithmen und Analysen erreicht die Plattform eine Genauigkeit von mehr als 91 %, was bedeutet, dass das System 91 % der Fälle erkennen kann, in denen ein Problem mit den Rohren, Trinkbrunnen und Wassertanks vorliegt , was schnellere und genauere Wartungsbemühungen ermöglicht, um die Qualität und Verfügbarkeit von Wasser für die Öffentlichkeit aufrechtzuerhalten.

Datenvisualisierung und IAM-Protokolle

Um alle gesammelten Informationen sowie die Vorhersagen und Analysen anzuzeigen, erstellten die Entwicklerteams eine Webanwendung als REST-API unter Verwendung des Flask-Frameworks mit Python als Programmiersprache für das Backend. Das Frontend der Plattform wurde mit AngularJS entwickelt, einem Javascript-Framework für die Webentwicklung, mit einem vollständig responsiven Design, das sich reibungslos an verschiedene Geräte wie Laptops, Tablets und Smartphones anpasst.

Zur Visualisierung von Daten werden verschiedene Informationsschichten für unterschiedliche Zwecke und Personalrollen innerhalb der für das System verantwortlichen Stelle verwendet. Beispiele für Schwerpunkte spezialisierter Displays sind unter anderem die Ebene der Trinkwasserqualität, die Ebene der sozioökonomischen Indikatoren (einschließlich Häuser ohne Trinkwasserversorgung, ohne Zugang zum Stromnetz, ohne Pflasterung und Marginalisierungsindizes), die Ebene der Wasserstressverfügbarkeit, Laborschicht, Trinkbrunnenschicht und Abwasserqualitätsschicht (die Informationen der letzteren werden im KMZ-Format für jeden festgelegten Parameter erhalten und werden aus Datenbanken der für das Wassersystem in Mexiko zuständigen Regierungsbehörde bezogen). Das Geo-JSON-Format wird verwendet, um die Informationsebenen auf einer Kartenplattform von Google Maps zu rendern und zu visualisieren.

Um das Nutzererlebnis und die Funktionalität der Plattform zu verbessern, werden Informationsfilter verwendet, die den aktuellen Wasserzustand (stark verschmutzt, verschmutzt, schlecht, gut und ausgezeichnet), spezifische Informationsparameter, Verschmutzungsradius (durch Verwendung von a Heatmap), Informationsquellen (abhängig von den verschiedenen Sensoren) oder anpassbare Kombinationen von Informationsschichten.

Schließlich wird der Identitäts- und Zugriffsverwaltungsprozess (IAM) durch den Auth0-Dienst ermöglicht, wobei verschiedene Rollen und Benutzertypen definiert sind. Jeder Rolle wird ein bestimmter Satz von Zugriffsberechtigungen und Berechtigungen zugewiesen, die es ihr ermöglichen, nur auf die ihr entsprechenden Informationen zuzugreifen, wodurch die Vertraulichkeit der Informationen gewährleistet und die Wirksamkeit der Plattform für jede Rolle erleichtert wird. Bei einer enormen Datenmenge, die über das System aggregiert wird, ist es wichtig, dass die Benutzer mit den Tools ausgestattet sind, um Informationen herauszufiltern, die sich nicht auf ihre spezifische Jobfunktion beziehen.

Schlussfolgerung

Nachdem dieses Projekt vollständig umgesetzt wurde, ist es jetzt möglich, zu erkennen und zu antizipieren, wenn eine Gemeinde neue Filter im Wassersystem benötigt, um die Wasserqualität und -verfügbarkeit aufrechtzuerhalten. Das System führte zu mehreren Vorteilen, z. B. zur Reduzierung der Wartungskosten, zur Erhöhung der Systemverfügbarkeit und vor allem in der Sicherstellung einer sicheren und zuverlässigen Wasserversorgung der Bedürftigen in der ganzen Stadt.

Dieses Projekt ist für Mexiko unglaublich wichtig, da es den Einsatz von Technologien wie IoT, KI und ML mit einem Vorhersagesystem darstellt, das auf Algorithmen und Datenwissenschaft basiert und auf etwas so Alltägliches wie Trinkwasser angewendet wird. Das Anbieten und vor allem die Aufrechterhaltung der Wasserversorgung in Trinkbrunnen in einer Stadt oder einem Land erfordert eine robuste technologische Infrastruktur, um die öffentliche Gesundheit zu schützen.