如何在墨西哥部署物联网以确保安全饮用水

超过1.2亿人生活在墨西哥，全国各地安装了数千个饮水机，为人们提供高效、一流的饮用水服务。然而，在大的地理区域内通过饮水机提供安全的供水需要强大的技术基础设施，以确保水的可用性和质量，从而保障公众健康。

在本文中，我们概述了物联网（IoT）、人工智能（AI）和机器学习（ML）是如何部署的，以开发基于数学算法的预测系统，以确保水的可用性，并预测流经城市管道的水质。此外，我们还讨论了系统的预测方面如何通过分析来自官方来源的结构化和非结构化信息以及来自物联网传感器的测量结果来预测必要的维护服务，从而提高供应链效率。

这样，维护人员更有可能根据需要获得维修和升级物理水系统所需的零件和用品。

测量水质和水质

为了测量该国主要城市和大都市地区的水资源可用性，NDS认知实验室实施了几个连接到SigFox网络的传感器。这些机械传感器专注于测量水系统的三个主要属性：体积、压力和流量。通过这个物联网平台，数据团队收集了全国各地不同饮水机、管道和水箱中的水可用性的第一手数据。补充传感器的是一个微控制器和内存存储，以提高系统的灵活性和可靠性。

每个模块本地存储在定义的采样间隔（在本例中为10分钟）内发生的每个用水事件的信息，以确认是准确读取数据以推断全天用水模式的正确时间。在该间隔结束时，记录数据的报告通过SigFox网络传输到中心集线器，并开始新的采样间隔。

一旦来自模块的信息被发送，SigFox平台将处理数据，包括同步、错误检测和纠正，以及将其重新传输到NDS认知实验室平台，在那里Azure IoT中心端点被配置为接收信息。

为了从SigFox平台正确接收和存储数据，配置的API-KEY用作发送的HTTP请求的标头。数据消息的正文具有以下JSON格式：

一旦在Azure IoT中心接收到信息，就会执行Azure功能来预处理接收到的数据并将其插入NoSQL数据库，该数据库作为预测和分析平台的信息源。具体来说，系统使用CosmosDB和MongoDB驱动程序。

预测性维护功能和好处

一旦收集并分析了这些信息，开发团队就继续进行项目的第二个挑战，即水质预测和设备的必要维护。

为了实现这些目标，数据团队从政府官方来源、联邦、州和市政办公室、墨西哥负责水系统的政府办公室（CONAGUA）数据库以及独立实验室等私人组织中提取结构化和非结构化信息。这些信息具有不同的格式和时间性，因此，除了提取信息外，还对信息进行分析，以获得能够准确显示特定地理点水质的各种水质指标。

预测功能侧重于预测安装在饮水机、深管道和水箱中的过滤器和传感器的维护情况。它使用线性回归模型，该模型考虑了物联网传感器获得的不同关键变量，如压力、体积、流量、过滤器寿命、该区域的水质和操作条件。

同样，通过这些分析，平台建议使用最适合每个地理位置的条件和需求的特定类型的过滤器，同时考虑到更高的容量、反渗透、体积、压力、水质、过滤器的寿命等参数。通过这种方式，该系统就是否有必要关闭饮水机、对其进行维护、更换或添加过滤器或任何其他必要的维修提供建议，以确保水质和公众可用性

在没有传感器的地理位置进行水质预测是向公众可靠提供安全饮用水的另一个挑战。为此，开发团队使用克里格算法，这是一种插值方法，能够使用从样本和非结构化信息获得的数据来估计地理点中的变量，从而以最小的可能方差获得最佳线性和无偏估计。

该系统的预测功能基于国家和国际标准要求的17个因素：电导率、水pH值、粪大肠杆菌、总大肠杆菌、溶解固体、浊度、硫酸盐、氟化物、砷、锰、铅、铁、汞、铬、镉、，硝酸盐和总硬度（由于碳酸钙或碳酸氢盐形式的钙、镁、锶和钡离子导致的单个硬度的总和）。

为了预测在供水系统中没有可用样本的点处的上述每个参数的值，对17个参数中的每个参数使用机器学习模型。这些模型被训练并以可重用的格式存储，该格式在推理过程中应用（在新的点进行预测）。

为了估计水质，不仅要考虑附近地理点的先前测量值，还要考虑来自联邦、州和市政府官方来源的信息，来自墨西哥负责水系统的政府办公室（CONAGUA）以及独立实验室等私人组织的数据库。

通过分析来自样本的结构化信息和来自政府和私人来源的非结构化信息，系统能够提供尽可能精确的测量。由于使用了这些技术、算法和分析，该平台的准确率超过91%，这意味着该系统可以检测91%的管道、饮水机和水箱出现问题的情况，从而实现更快、更准确的维护工作，以保持公众用水的质量和可用性。

数据可视化和IAM协议

为了显示收集的所有信息以及预测和分析，开发团队创建了一个web应用程序作为REST API，使用Flask框架和Python作为后端编程语言。该平台的前端是使用AngularJS开发的，AngularJS是一个用于web开发的Javascript框架，具有完全响应的设计，可以平滑地适应不同的设备，如笔记本电脑、平板电脑和智能手机。

为了可视化数据，在负责系统的机构内，不同的信息层用于不同的目的和人员角色。专门展示的焦点的例子包括饮用水质量层、社会经济指标层（其中包括没有饮用水服务、没有电力网络、没有铺面的房屋和边缘化指数等）、水压力可用性层、实验室层、，饮水机层和废水质量层（后者的信息以KMZ格式获得，用于每个确定的参数。Geo JSON格式用于在属于Google地图的地图平台上呈现和可视化信息层。

为了改善用户体验和平台的功能，使用了信息过滤器，其包括当前水状态（严重污染、污染、不良、良好和极好）、特定信息参数、污染半径（通过使用热图）、，信息源（取决于不同的传感器）或信息层的可定制组合。

最后，身份和访问管理（IAM）过程由Auth0服务启用，定义了不同的角色和用户类型。为每个角色分配了一组特定的访问权限，使其只能访问与其对应的信息，从而确保信息的机密性，并促进平台对每个角色的有效性。由于系统中聚集了大量数据，用户必须配备工具，以过滤出与其特定工作职能无关的信息。

结论

随着该项目的全面部署，现在可以确定和预测任何市政当局何时需要在水系统中安装新的过滤器以保持水质和可用性。该系统带来了多种好处，例如降低了维护成本，增加了系统运行时间，最重要的是，确保了向城市周围有需要的人安全可靠地供水。

该项目对墨西哥非常重要，因为它代表了物联网、人工智能和ML等技术的使用，以及基于算法和数据科学的预测系统，应用于饮用水等常见事物。最重要的是，在一个城市或一个国家的饮水机中提供供水服务需要强大的技术基础设施，以保障公众健康。

---

古斯塔沃·帕雷斯是公司的首席执行官和创始合伙人NDS认知实验室作为国际技术专家和全球教育工作者，Parés领导NDS认知实验室，设计和实施数字转型、对话式AI和技术人才解决方案。他拥有蒙特雷理工大学工商管理硕士学位、行政计算系统学士学位、麻省理工学院管理和领导力证书以及哈佛大学和斯坦福大学的高级研究。