Soluções de serviços públicos conectados para medição de água e gás com AWS IoT


Os hidrômetros estão presentes em quase todos os locais que consomem água, como casas residenciais ou plantas de produção em larga escala. Evitar a perda de água é cada vez mais importante, pois a escassez de água é mais frequente em todos os continentes. Devido a uma infraestrutura envelhecida, 30% da água que flui pelos canos é perdida em vazamentos (AWS anuncia 6 novos projetos para ajudar a enfrentar os desafios da escassez de água). Soluções de medição de água conectadas podem ajudar a enfrentar esse desafio.

Os medidores tradicionais de água e gás não são conectados à nuvem ou à Web. Eles também tendem a implementar protocolos padrão da indústria, como Modbus ou Profinetque foram publicados pela primeira vez em 1979 e 2003, respectivamente. Embora esses protocolos não tenham sido projetados com a conectividade em nuvem em mente, existem soluções oferecidas pela AWS e Parceiros da AWS que ainda podem ajudar a transferir dados de serviços públicos para a nuvem.

Medidores inteligentes oferecem muitas vantagens sobre medidores tradicionais – incluindo a oportunidade de analisar padrões de consumo para vazamentos ou outras ineficiências que podem levar a economias de custo e recursos. Ter relatórios de consumo aprofundados ajuda as empresas a apoiar suas metas de sustentabilidade ambiental e iniciativas de responsabilidade social corporativa.

Você pode combinar serviços baseados em nuvem com medidores conectados para utilizar recursos de manutenção preditiva e habilitar análises automatizadas para identificar problemas emergentes antes que eles causem interrupções. Esse tipo de automação ajuda a simplificar o processo de análise e reduzir a necessidade de intervenção guide.

Este publish apresenta uma solução amplamente aplicável para usar modelos de machine studying (ML) pré-treinados para detectar anomalias, como vazamentos em dados registrados. Para fazer isso, usamos um exemplo de medidor de água do mundo actual para ilustrar a integração da infraestrutura de medição de água e gás existente por meio de AWS IoT Greengrass e para dentro Núcleo de IoT da AWS.

Antes de mergulhar na solução actual, vamos revisar a arquitetura do sistema e seus componentes.

Soluções de serviços públicos conectados para medição de água e gás com AWS IoT

Figura 1: Uma visão geral da arquitetura da solução.

A Figura 1 ilustra a arquitetura da solução AWS. Neste exemplo, usamos um medidor de água eletromagnético padrão. Este medidor pode ser configurado para transmitir sinais analógicos ou se comunicar com um Hyperlink IO mestre. Para simplificar, usamos saídas analógicas. As medições do medidor de vazão são processadas por um computador de placa única – neste caso, um Raspberry Pi Zero W porque é acessível e leve.

Se preferir, você pode substituir outro dispositivo pelo Raspberry Pi que também pode executar o AWS IoT Greengrass. Da mesma forma, você pode substituir outro protocolo para se comunicar com o medidor. Uma opção é o Modbus porque ele tem um componente IoT Greengrass fornecido pela AWS. Para obter mais informações, consulte Adaptador de protocolo Modbus-RTU.

Os dados do sensor de entrada são processados ​​no dispositivo de borda e, em seguida, enviados ao AWS IoT Core usando MQTT mensagens. O AWS IoT Guidelines Engine roteia mensagens recebidas para uma função AWS Lambda. Esta função Lambda analisa a carga útil da mensagem e armazena medições individuais em Amazon Timestream. (Timestream, que é um banco de dados de séries temporais, é very best para este caso de uso porque é bem integrado com Amazon gerenciou Grafana e Amazon SageMaker.) A função Lambda então chama vários endpoints do SageMaker que são usados ​​para calcular pontuações de anomalias para pontos de dados recebidos.

Figura 2: Fluxo de dados para o AWS IoT Core.

A Figura 2 ilustra como as medições fluem do medidor de água para o AWS IoT Core. Para este projeto e seu sensor, dois fios são usados ​​para receber duas medições separadas (temperatura e fluxo). Notavelmente, o sinal transmitido é apenas uma voltagem com um limite inferior e superior conhecido.

O Raspberry Pi Zero tem apenas cabeçalhos GPIO digitais e você deve usar um conversor analógico-digital (ADC) para tornar esses sinais utilizáveis. O componente de dados do sensor no Raspberry Pi usa a saída do ADC para calcular os valores reais por meio de uma interpolação linear com base na voltagem fornecida e nos limites conhecidos. (Saiba que o componente de dados do sensor foi escrito especificamente para essa arquitetura e não é um componente gerenciado do AWS IoT Greengrass.) Por fim, os valores calculados, juntamente com metadados adicionais, como o nome do dispositivo, são enviados ao AWS IoT Core.

Esta arquitetura é flexível o suficiente para suportar uma ampla gama de tipos de medidores, adaptando apenas o componente de dados do sensor. Para casos de uso que envolvem a coleta de dados de um número maior de medidores, algumas modificações podem ser necessárias para suportá-los. Para saber mais sobre as escolhas de arquitetura relevantes, consulte Melhores práticas para ingestão de dados de dispositivos usando AWS IoT Core e/ou Amazon Kinesis.

As seções a seguir discutem os três principais componentes desta solução.

Para obter os dados do seu medidor, o dispositivo de borda pesquisa o sensor em intervalos configuráveis. Depois que esses dados são processados ​​no dispositivo, uma carga útil de mensagem (Listagem 1) é enviada ao AWS IoT Core. Especificamente, o componente AWS IoT Greengrass usa o built-in Serviço de mensagens IPC MQTT para comunicar os dados do sensor ao corretor.

{ 
    "response": {  
        "circulation": "1.781", 
        "temperature": "24.1", 
    }, 
    "standing": "success", 
    "device_id": "water_meter_42", 
} 

Listagem 1: Exemplo de carga útil de mensagem MQTT

Assim que a mensagem chega ao corretor, um AWS Regra da IoT dispara e retransmite os dados recebidos para uma função Lambda. Esta função armazena os dados no Timestream e obtém pontuações de anomalias. Armazenar os dados em um banco de dados de séries temporais garante que uma visão histórica das medições esteja disponível. Isso é útil se você também quiser executar análises em dados históricos, treinar modelos de aprendizado de máquina ou apenas visualizar medições anteriores.

Visualizar dados históricos pode ajudar na exploração de dados e na execução de verificações manuais de sanidade, se desejado. Para esta solução, usamos o Amazon Managed Grafana para fornecer um ambiente de visualização interativo. O Amazon Managed Grafana integra-se ao Timestream por meio de um plug-in de fonte de dados fornecido. (Para obter mais informações, consulte Conecte-se a uma fonte de dados do Amazon Timestream.) O plug-in ajuda a configurar um painel que exibe todas as métricas coletadas.

Os gráficos a seguir são do painel Amazon Managed Grafana. Os gráficos exibem o fluxo de água medido em litros por minuto e a temperatura medida em graus Celsius ao longo do tempo.

Figura 3: Painel de monitoramento do Amazon Managed Grafana

O gráfico superior na Figura 3 exibe medições de fluxo ao longo de um período de cerca de onze horas. O padrão de fluxo de água retratado é característico de uma bomba de água que foi ligada e desligada repetidamente. O gráfico inferior exibe variações de temperatura da água de cerca de 20 °C a 40 °C, ao longo do mesmo período de tempo que o outro gráfico.

Outra vantagem de ter um conjunto de dados históricos para cada sensor é que você pode usar o SageMaker para treinar um modelo de aprendizado de máquina. Para o caso de uso de dados de medição, pode ser útil ter um modelo que forneça detecção de anomalias em tempo actual. Ao empregar tal sistema, os operadores podem ser rapidamente alertados sobre anormalidades ou mau funcionamento e investigá-los antes que grandes danos sejam causados.

Figura 4: Dois exemplos de anomalias no monitoramento do fluxo de água

A Figura 4 contém dois exemplos de como uma anomalia de fluxo de água pode parecer. O gráfico exibe medições de fluxo de água durante um período de aproximadamente 35 minutos e contém duas irregularidades. Ambas as anomalias duram aproximadamente dois minutos e são destacadas com retângulos vermelhos. Elas foram causadas por um vazamento temporário em um cano de água e podem ser identificadas graças às mudanças perceptíveis no padrão de fluxo.

O SageMaker fornece vários algoritmos integrados e modelos pré-treinados você pode usar para detecção automatizada de anomalias. Usando essas ferramentas, você pode começar rapidamente porque há pouca ou nenhuma codificação necessária para começar a executar experimentos. Além disso, os algoritmos integrados já são otimizados para paralelização em várias instâncias, caso você exact.

da Amazon Algoritmo Random Minimize Forest (RCF) é um dos algoritmos integrados que é testado com esta arquitetura. RCF é um algoritmo não supervisionado que associa uma pontuação de anomalia a cada ponto de dados. Algoritmos não supervisionados treinam em dados não rotulados. Veja Qual é a diferença entre aprendizado de máquina supervisionado e não supervisionado? para saber mais. A pontuação de anomalia computada ajuda a detectar comportamento anômalo que diverge de dados bem estruturados ou padronizados em entrada de dimensão arbitrária. Além disso, o processo do algoritmo é dimensionado com o número de recursos, instâncias e tamanho do conjunto de dados. Como regra geral, pontuações altas além de três desvios-padrão da média são consideradas anômalas. Como é um algoritmo não supervisionado, não há necessidade de fornecer rótulos para o processo de treinamento, o que o torna especialmente adequado para dados de sensores onde nenhuma rotulagem precisa de anomalias está disponível.

Depois que o modelo é treinado no conjunto de dados, ele pode calcular pontuações de anomalias para todos os pontos de dados do medidor, que podem ser salvos em um banco de dados Timestream separado para referência futura. Você também deve definir um limite para classificar quando uma pontuação calculada é considerada anômala. Para fins de visualização, o Amazon Managed Grafana pode ser usado para plotar as pontuações classificadas (consulte a Figura 5).

Figura 5: Widget Amazon Managed Grafana mostrando classificação de anomalia RCF

A Figura 5 exibe um recorte de um painel do Managed Grafana com um widget de série temporal e linha do tempo de estado visível. A série temporal representa medições de fluxo de água e contém uma seção de um minuto de fluxo anômalo. O widget de linha do tempo de estado exibe as classificações de anomalia do algoritmo RCF, onde verde indica um estado regular e vermelho um anômalo.

Se o algoritmo identificar um ponto de dados anômalo, há uma ampla gama de ações automatizadas que podem ser executadas. Por exemplo, ele pode alertar os usuários por meio de uma mensagem SMS ou e-mail, usando Serviço de notificação simples da Amazon (Amazon SNS). Possíveis problemas podem ser detectados rapidamente e antes que grandes danos sejam causados ​​porque o cálculo das pontuações de anomalias acontece quase em tempo actual.

Em resumo, esta postagem do weblog discutiu como os dados de medição existentes podem ser integrados à AWS para desbloquear valor adicional. Esta solução coleta dados de sensores analógicos, os ingere no AWS IoT Core usando um dispositivo AWS IoT Greengrass, processa e armazena as medições no Amazon Timestream e realiza a detecção de anomalias usando o SageMaker.

Embora este exemplo se concentre em medidores de água, os componentes principais podem ser adaptados para funcionar com qualquer tipo de dispositivo de medição. Se você quiser implementar um sistema semelhante, discover os serviços da AWS que discutimos e experimente suas soluções de monitoramento de medidores. Se você quiser desenvolver um aplicativo pronto para produção, o RaspberryPi Zero deve ser substituído por um dispositivo mais adequado para cargas de trabalho de produção. Para sugestões e outras opções, consulte o Catálogo de dispositivos qualificados da AWS.

Para outra discussão sobre detecção de vazamentos, consulte Detecte vazamentos de água quase em tempo actual usando AWS IoT. Se você estiver interessado em detecção de anomalias aplicadas à agricultura, consulte Simplificando as operações agrícolas com detecção de anomalias sem servidor usando AWS IoT.

Sobre os autores

SEU NOME

Tim Voigt

Tim Voigt é um Resolution Architect na AWS na equipe PACE, que significa Prototyping and Cloud Engineering. Ele mora na Alemanha e trabalha na AWS enquanto faz seus estudos de pós-graduação em ciência da computação. Tim é apaixonado por desenvolver novas soluções para resolver problemas do mundo actual e se aprofundar nos conceitos técnicos que os fundamentam.

SEU NOME

Cristoph Schmitter

Christoph Schmitter é um arquiteto de soluções na Alemanha que trabalha com clientes nativos digitais. Christoph é especialista em sustentabilidade, onde ele dá suporte a empresas conforme elas se transformam para construir produtos e soluções sustentáveis. Antes da AWS, Christoph ganhou ampla experiência em desenvolvimento de software program, arquitetura e implementação de estratégias de nuvem. Ele é apaixonado por tudo que é tecnologia – desde construir sistemas escaláveis ​​e resilientes até conectar os robôs de seus filhos à nuvem. Fora do trabalho, ele gosta de ler, passar tempo com sua família e mexer com tecnologia.

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *