Cómo se implementa IoT en México para garantizar agua potable segura

Más de 120 millones de personas viven en México, y se han instalado miles de bebederos en todo el país para brindar a las personas un servicio de agua potable eficiente y de primera clase. Sin embargo, ofrecer acceso a un suministro de agua potable a través de fuentes de agua potable en una gran área geográfica requiere una infraestructura tecnológica sólida para garantizar la disponibilidad y la calidad del agua para salvaguardar la salud pública.

En este artículo, describimos cómo se implementaron Internet de las cosas (IoT), la inteligencia artificial (IA) y el aprendizaje automático (ML) para desarrollar un sistema predictivo basado en algoritmos matemáticos para garantizar la disponibilidad de agua y predecir la calidad del agua que se mueve a través de ella. las tuberías de la ciudad. Además, hablamos de cómo el aspecto predictivo del sistema anticipa los servicios de mantenimiento necesarios para una mayor eficiencia de la cadena de suministro, gracias al análisis de información estructurada y no estructurada de fuentes oficiales y mediciones de sensores de IoT.

Al hacerlo, es más probable que el personal de mantenimiento tenga las piezas y los suministros necesarios para realizar reparaciones y actualizaciones en el sistema de agua físico, según sea necesario.

Medición del estado y la calidad del agua

Con el objetivo de medir la disponibilidad de agua en las principales áreas urbanas y metropolitanas del país, NDS Cognitive Labs implementó varios sensores que se conectan a la red SigFox. Estos sensores mecánicos se enfocaron en medir tres atributos principales del sistema de agua:volumen, presión y flujo. Con esta plataforma habilitada para IoT, los equipos de datos recopilaron datos de primera mano sobre la disponibilidad de agua en los diferentes bebederos, tuberías y tanques de agua en todo el país. Complementando los sensores hay un microcontrolador y almacenamiento de memoria para una mayor agilidad y confiabilidad del sistema.

Cada módulo almacena localmente la información de cada evento de consumo de agua que ocurre durante un intervalo de muestreo definido, en este caso 10 minutos, confirmando que era el momento adecuado para tener una lectura precisa de los datos para extrapolar los patrones de uso de agua a lo largo del día. Al final de este intervalo, se transmite un informe con los datos registrados a través de la red SigFox a un concentrador central y se inicia un nuevo intervalo de muestreo.

Una vez que se envía la información de los módulos, la plataforma SigFox procesa los datos, incluida la sincronización, detección de errores y corrección, así como su retransmisión a la plataforma NDS Cognitive Labs, donde se configura un endpoint de Azure IoT hub para recibir la información.

Para recibir y almacenar correctamente los datos de la plataforma SigFox, una API-KEY configurada sirve como encabezado de la solicitud HTTP que se envía. El cuerpo de los mensajes de datos tiene el siguiente formato JSON:

Una vez que se recibe la información en Azure IoT hub, se ejecuta una función de Azure para preprocesar los datos recibidos e insertarlos en una base de datos NoSQL, que sirve como fuente de información para la plataforma predictiva y analítica. Específicamente, el sistema usa CosmosDB con un controlador MongoDB.

Beneficios y capacidades de mantenimiento predictivo

Una vez recopilada y analizada esta información, los equipos de desarrollo continuaron con el segundo desafío del proyecto, que es la predicción de la calidad del agua y el mantenimiento necesario de los equipos.

Para lograr estos objetivos, los equipos de datos extrajeron información estructurada y no estructurada de fuentes gubernamentales oficiales, de oficinas federales, estatales y municipales, y bases de datos de la oficina gubernamental a cargo del sistema de agua en México (CONAGUA), así como de organizaciones privadas, como laboratorios independientes. Esta información tuvo diferentes formatos y temporalidades por lo que, además de extraer información, se realizó un análisis de la información para obtener las distintas métricas del agua que permitirían visualizar con precisión la calidad en un punto geográfico específico.

La función predictiva se centró en predecir el mantenimiento de los filtros y sensores instalados en los bebederos, tuberías profundas y tanques. Utiliza un modelo de regresión lineal, que considera diferentes variables clave obtenidas por los sensores de IoT, como presión, volumen, flujo, vida útil del filtro, calidad del agua en el área y condiciones de operación.

Asimismo, con estos análisis, la plataforma recomienda el uso de ciertos tipos de filtros que mejor se adapten a las condiciones y necesidades de cada ubicación geográfica, teniendo en cuenta mayor capacidad, ósmosis inversa, volumen, presión, calidad del agua, la vida útil del filtros, entre otros parámetros. De esta forma, el sistema brinda recomendaciones sobre si es necesario cerrar un bebedero, darle mantenimiento, cambiar o agregar un filtro, o cualquier otra reparación necesaria para asegurar la calidad y disponibilidad del agua para el público

La función de la predicción de la calidad del agua en puntos geográficos donde no había sensores fue otro desafío para proporcionar agua potable segura al público de manera confiable. Para este objetivo, los equipos de desarrollo utilizaron el algoritmo de Kriging, que es un método de interpolación capaz de estimar variables en un punto geográfico con el uso de datos obtenidos de muestras e información no estructurada, obteniendo así la mejor estimación lineal e insesgada con la mínima varianza posible.

La función de predicción del sistema se basa en 17 factores que son requeridos por las normas nacionales e internacionales:conductividad eléctrica, pH del agua, coliformes fecales, coliformes totales, sólidos disueltos, turbidez, sulfatos, fluoruros, arsénico, manganeso, plomo, hierro, mercurio, cromo. , cadmio, nitratos y dureza total (suma de las durezas individuales debidas a los iones calcio, magnesio, estroncio y bario en forma de carbonato o bicarbonato).

Para predecir el valor de cada uno de los parámetros anteriores en un punto del sistema de suministro de agua donde no había muestras disponibles, se utilizan modelos de aprendizaje automático para cada uno de los 17 parámetros. Estos modelos se entrenaron y almacenaron en un formato reutilizable que se aplica durante la inferencia (predicción en un nuevo punto).

Para la estimación de la calidad del agua, es importante no solo tomar en cuenta los valores de mediciones previas en puntos geográficos cercanos, sino también información de fuentes gubernamentales oficiales, de oficinas federales, estatales y municipales, bases de datos de la oficina gubernamental a cargo de el sistema de agua en México (CONAGUA) así como de organizaciones privadas como laboratorios independientes.

Al analizar esta información estructurada de las muestras y la información no estructurada de fuentes gubernamentales y privadas, el sistema puede proporcionar las mediciones más precisas posibles. Gracias al uso de estas tecnologías, algoritmos y análisis, la plataforma alcanza una tasa de precisión de más del 91%, lo que significa que el sistema puede detectar el 91% de los casos en los que hay un problema con las tuberías, bebederos y tanques de agua. , lo que permite esfuerzos de mantenimiento más rápidos y precisos para mantener la calidad y disponibilidad del agua para el público.

Visualización de datos y protocolos IAM

Para mostrar toda la información recopilada, así como las predicciones y análisis, los equipos de desarrolladores crearon una aplicación web como API REST, utilizando el marco Flask con Python como lenguaje de programación para el backend. La interfaz de la plataforma se desarrolló utilizando AngularJS, un marco de Javascript para el desarrollo web, con un diseño totalmente receptivo que se adapta sin problemas a diferentes dispositivos, como computadoras portátiles, tabletas y teléfonos inteligentes.

Para visualizar los datos, se utilizan varias capas de información para diferentes propósitos y roles de personal dentro de la agencia responsable del sistema. Ejemplos de puntos focales de exhibiciones especializadas incluyen la capa de calidad del agua potable, la capa de indicadores socioeconómicos (que incluyen casas sin servicio de agua potable, sin acceso a la red eléctrica, sin pavimentar, índices de marginación, entre otros), capa de disponibilidad de estrés hídrico, capa de laboratorios, capa de bebederos y capa de calidad de aguas residuales (la información de esta última se obtiene en formato KMZ para cada parámetro establecido y se obtiene de las bases de datos de la oficina gubernamental a cargo del sistema de agua en México). El formato Geo-JSON se utiliza para renderizar y visualizar las capas de información en una plataforma de mapas, perteneciente a Google Maps.

Para mejorar la experiencia del usuario y la funcionalidad de la plataforma, se utilizan filtros de información, que incluyen el estado actual del agua (muy contaminada, contaminada, mala, buena y excelente), parámetros de información específicos, radio de contaminación (mediante el uso de un mapa de calor), fuentes de información (dependiendo de los diferentes sensores) o combinaciones personalizables de capas de información.

Finalmente, el proceso de gestión de identidades y accesos (IAM) es habilitado por el servicio Auth0, con diferentes roles y tipos de usuarios definidos. A cada rol se le asigna un conjunto específico de accesos y permisos que le permite acceder solo a la información que le corresponde, asegurando así la confidencialidad de la información y facilitando la efectividad de la plataforma para cada rol. Con una gran cantidad de datos agregados a través del sistema, es importante que los usuarios estén equipados con las herramientas para filtrar la información que no pertenece a su función laboral específica.

Conclusión

Con este proyecto completamente implementado, ahora es posible identificar y anticipar cuando cualquier municipio requiera nuevos filtros en el sistema de agua para mantener la calidad y disponibilidad del agua. El sistema generó múltiples beneficios, como la reducción de los costos de mantenimiento, el aumento del tiempo de actividad del sistema y, lo que es más importante, la garantía de un suministro de agua seguro y confiable para los necesitados en la ciudad.

Este proyecto es increíblemente importante para México ya que representa el uso de tecnologías como IoT, AI y ML con un sistema predictivo basado en algoritmos y ciencia de datos aplicados a algo tan común como el agua potable. Ofrecer, y lo más importante, mantener el servicio de suministro de agua en fuentes de agua potable en una ciudad o un país requiere una infraestructura tecnológica sólida para salvaguardar la salud pública.