Comment l'IoT est déployé au Mexique pour garantir l'eau potable

Plus de 120 millions de personnes vivent au Mexique et des milliers de fontaines à eau ont été installées dans tout le pays pour fournir aux gens un service d'eau potable efficace et de première classe. Cependant, offrir un accès à un approvisionnement en eau salubre via des fontaines à eau sur une vaste zone géographique nécessite une infrastructure technologique robuste pour garantir la disponibilité et la qualité de l'eau afin de protéger la santé publique.

Dans cet article, nous décrivons comment l'Internet des objets (IoT), l'intelligence artificielle (IA) et l'apprentissage automatique (ML) ont été déployés pour développer un système prédictif basé sur des algorithmes mathématiques pour garantir la disponibilité de l'eau et prédire la qualité de l'eau traversant les tuyaux de la ville. De plus, nous expliquons comment l'aspect prédictif du système anticipe les services de maintenance nécessaires pour une plus grande efficacité de la chaîne d'approvisionnement, grâce à l'analyse d'informations structurées et non structurées provenant de sources officielles et de mesures provenant de capteurs IoT.

Ce faisant, le personnel de maintenance est plus susceptible d'avoir les pièces et les fournitures nécessaires pour effectuer des réparations et des mises à niveau du système d'eau physique, au besoin.

Mesure de l'état et de la qualité de l'eau

Dans le but de mesurer la disponibilité de l'eau dans les principales zones urbaines et métropolitaines du pays, NDS Cognitive Labs a mis en place plusieurs capteurs qui se connectent au réseau SigFox. Ces capteurs mécaniques étaient axés sur la mesure de trois attributs principaux du système d'eau :le volume, la pression et le débit. Avec cette plate-forme compatible IoT, les équipes de données ont collecté des données de première main concernant la disponibilité de l'eau dans les différentes fontaines, canalisations et réservoirs d'eau à travers le pays. Un microcontrôleur et une mémoire de stockage complètent les capteurs pour une plus grande agilité et fiabilité du système.

Chaque module stocke localement les informations de chaque événement de consommation d'eau qui se produit pendant un intervalle d'échantillonnage défini, dans ce cas 10 minutes, confirmant que c'était le bon moment pour avoir une lecture précise des données pour extrapoler les modèles d'utilisation de l'eau tout au long de la journée. A la fin de cet intervalle, un rapport avec les données enregistrées est transmis via le réseau SigFox à un hub central et un nouvel intervalle d'échantillonnage est démarré.

Une fois les informations des modules envoyées, la plateforme SigFox traite les données, y compris la synchronisation, la détection et la correction des erreurs, ainsi que leur retransmission vers la plateforme NDS Cognitive Labs, où un point de terminaison Azure IoT Hub est configuré pour recevoir les informations.

Afin de recevoir et de stocker correctement les données de la plate-forme SigFox, une API-KEY configurée sert d'en-tête de la requête HTTP envoyée. Le corps des messages de données a le format JSON suivant :

Une fois les informations reçues dans le hub Azure IoT, une fonction Azure est exécutée pour pré-traiter les données reçues et les insérer dans une base de données NoSQL, qui sert de source d'informations pour la plateforme prédictive et analytique. Plus précisément, le système utilise CosmosDB avec un pilote MongoDB.

Capacités et avantages de la maintenance prédictive

Une fois ces informations recueillies et analysées, les équipes de développeurs ont poursuivi le deuxième défi du projet, qui est la prédiction de la qualité de l'eau et la maintenance nécessaire des équipements.

Afin d'atteindre ces objectifs, les équipes de données ont extrait des informations structurées et non structurées de sources gouvernementales officielles, des bureaux fédéraux, étatiques et municipaux, et des bases de données du bureau gouvernemental en charge du système d'eau au Mexique (CONAGUA), ainsi que de des organisations privées, telles que des laboratoires indépendants. Ces informations avaient différents formats et temporalités de sorte qu'en plus d'extraire des informations, une analyse des informations a été effectuée pour obtenir les différentes métriques de l'eau qui permettraient un affichage précis de la qualité à un point géographique spécifique.

La fonction prédictive s'est concentrée sur la prévision de l'entretien des filtres et des capteurs installés dans les fontaines à eau, les canalisations profondes et les réservoirs. Il utilise un modèle de régression linéaire, qui prend en compte différentes variables clés obtenues par les capteurs IoT, telles que la pression, le volume, le débit, la durée de vie du filtre, la qualité de l'eau dans la zone et les conditions de fonctionnement.

De même, avec ces analyses, la plate-forme recommande l'utilisation de certains types de filtres qui conviennent le mieux aux conditions et aux besoins de chaque emplacement géographique, en tenant compte de la capacité plus élevée, de l'osmose inverse, du volume, de la pression, de la qualité de l'eau, de la durée de vie du filtres, entre autres paramètres. De cette façon, le système fournit des recommandations sur la nécessité de fermer une fontaine à eau, de l'entretenir, de changer ou d'ajouter un filtre, ou de toute autre réparation nécessaire pour assurer la qualité et la disponibilité de l'eau pour le public

La fonction de prédiction de la qualité de l'eau dans les points géographiques où il n'y avait pas de capteurs était un autre défi pour fournir de manière fiable de l'eau potable au public. Pour cet objectif, les équipes de développement ont utilisé l'algorithme de Krigeage, qui est une méthode d'interpolation capable d'estimer des variables en un point géographique à l'aide de données obtenues à partir d'échantillons et d'informations non structurées, obtenant ainsi la meilleure estimation linéaire et sans biais avec un minimum de variance possible.

La fonction de prédiction du système est basée sur 17 facteurs requis par les normes nationales et internationales :conductivité électrique, pH de l'eau, coliformes fécaux, coliformes totaux, solides dissous, turbidité, sulfates, fluorures, arsenic, manganèse, plomb, fer, mercure, chrome , cadmium, nitrates et dureté totale (somme des duretés individuelles dues aux ions calcium, magnésium, strontium et baryum sous forme carbonate ou bicarbonate).

Pour prédire la valeur de chacun des paramètres ci-dessus à un point du système de distribution d'eau où aucun échantillon n'était disponible, des modèles d'apprentissage automatique sont utilisés pour chacun des 17 paramètres. Ces modèles ont été entraînés et stockés dans un format réutilisable qui est appliqué lors de l'inférence (prédiction à un nouveau point).

Pour l'estimation de la qualité de l'eau, il est important non seulement de prendre en compte les valeurs des mesures précédentes dans les points géographiques proches, mais aussi les informations provenant de sources gouvernementales officielles, des bureaux fédéraux, étatiques et municipaux, des bases de données du bureau gouvernemental en charge de le système d'eau au Mexique (CONAGUA) ainsi que d'organisations privées telles que des laboratoires indépendants.

En analysant ces informations structurées provenant des échantillons et des informations non structurées provenant de sources gouvernementales et privées, le système est en mesure de fournir les mesures les plus précises possibles. Grâce à l'utilisation de ces technologies, algorithmes et analyses, la plate-forme atteint un taux de précision de plus de 91 %, ce qui signifie que le système peut détecter 91 % des cas où il y a un problème avec les tuyaux, les abreuvoirs et les réservoirs d'eau. , permettant des efforts de maintenance plus rapides et plus précis pour maintenir la qualité et la disponibilité de l'eau pour le public.

Visualisation des données et protocoles IAM

Afin d'afficher toutes les informations collectées, ainsi que les prédictions et analyses, les équipes de développeurs ont créé une application Web en tant qu'API REST, utilisant le framework Flask avec Python comme langage de programmation pour le backend. L'interface de la plate-forme a été développée à l'aide d'AngularJS, un framework Javascript pour le développement Web, avec une conception entièrement réactive qui s'adapte facilement à différents appareils, tels que les ordinateurs portables, les tablettes et les smartphones.

Pour visualiser les données, diverses couches d'informations sont utilisées à différentes fins et rôles du personnel au sein de l'agence responsable du système. Des exemples de points focaux d'affichages spécialisés incluent la couche de qualité de l'eau potable, la couche d'indicateurs socio-économiques (qui incluent les maisons sans service d'eau potable, sans accès au réseau électrique, sans pavage, et les indices de marginalisation, entre autres), la couche de disponibilité de stress hydrique, couche laboratoires, couche fontaines et couche qualité des eaux usées (les informations de ces dernières sont obtenues au format KMZ pour chaque paramètre établi et sont obtenues à partir des bases de données du bureau gouvernemental en charge du système d'eau au Mexique). Le format Geo-JSON est utilisé pour restituer et visualiser les couches d'informations sur une plate-forme cartographique appartenant à Google Maps.

Afin d'améliorer l'expérience utilisateur et la fonctionnalité de la plate-forme, des filtres d'informations sont utilisés, qui incluent l'état actuel de l'eau (fortement contaminé, contaminé, mauvais, bon et excellent), des paramètres d'information spécifiques, le rayon de contamination (grâce à l'utilisation d'un carte thermique), sources d'informations (selon les différents capteurs) ou combinaisons personnalisables de couches d'informations.

Enfin, le processus de gestion des identités et des accès (IAM) est activé par le service Auth0, avec différents rôles et types d'utilisateurs définis. Chaque rôle se voit attribuer un ensemble spécifique d'accès et d'autorisations qui lui permet d'accéder uniquement aux informations qui lui correspondent, assurant ainsi la confidentialité des informations et facilitant l'efficacité de la plateforme pour chaque rôle. Avec une grande quantité de données agrégées dans le système, il est important que les utilisateurs soient équipés d'outils pour filtrer les informations qui ne se rapportent pas à leur fonction spécifique.

Conclusion

Avec ce projet entièrement déployé, il est maintenant possible d'identifier et d'anticiper quand une municipalité a besoin de nouveaux filtres dans le système d'eau pour maintenir la qualité et la disponibilité de l'eau. Le système a entraîné de nombreux avantages, tels que la réduction des coûts de maintenance, l'augmentation du temps de fonctionnement du système et, plus important encore, la garantie d'une distribution d'eau sûre et fiable à ceux qui en ont besoin dans la ville.

Ce projet est extrêmement important pour le Mexique car il représente l'utilisation de technologies telles que l'IoT, l'IA et le ML avec un système prédictif basé sur des algorithmes et la science des données appliqués à quelque chose d'aussi commun que l'eau potable. Offrir et surtout maintenir un service d'approvisionnement en eau dans les bornes fontaines d'une ville ou d'un pays nécessite une infrastructure technologique robuste afin de préserver la santé publique.