IT-архитектура проектаПроект Canary Sensor базируется на комплексной системе, объединяющей аппаратные компоненты, программное обеспечение и облачные технологии. Основные элементы:
Аппаратный слой:
Датчики: Используются сенсоры для измерения ключевых параметров воды: pH, проводимость, мутность, растворенный кислород, температура. Поддерживаются как специализированные, так и бюджетные IoT-устройства.
Логгеры данных:
MCLOG — беспроводной регистратор для работы с SDI-12, вибропроволочными датчиками, расходомерами.
MLDAQ — станция для сбора данных с поддержкой MEMS-сенсоров, термопар, погодных приборов. Интегрирован с роботизированными системами (например, Leica Total Stations).
MLTDR — система для мониторинга деформаций в склонах или скважинах через коаксиальные кабели.
Программное обеспечение:
MLSuite®:
MLWeb — веб-платформа для управления данными в реальном времени с поддержкой 2D/3D-визуализации, GIS-карт и гибкой аналитики. Интегрирует данные с SCADA-систем, сторонних баз и телеметрии.
MultiLogger — приложение для автоматизации сбора данных и управления системами.
MLField — мобильное приложение для синхронизации полевых данных (через QR-коды, геолокацию) с центральной базой.
Облачная инфраструктура:
Данные хранятся на серверах с поддержкой AWS, что обеспечивает масштабируемость и доступность. MLWeb позволяет обрабатывать временные ряды и генерировать отчеты через облачные вычисления.
Коммуникации:
Беспроводные технологии (Wi-Fi, сотовая связь, LoRa) для передачи данных с удаленных станций. Например,
MLRemote обеспечивает связь на расстоянии до 100 км с использованием усиленных антенн.
Архитектура искусственного интеллектаИИ в проекте применяется для анализа данных и автоматизации принятия решений. Ключевые компоненты:
Алгоритмы обнаружения аномалий:
Двухэтапная модель:
Прогнозирование значений (state estimation): Используются методы машинного обучения (например, LSTM-сети) для предсказания нормативных показателей на основе исторических данных.
Сравнение с реальными данными: Отклонения от прогноза идентифицируются как потенциальные загрязнения. Для фильтрации ложных срабатываний интегрируются метеоданные (например, исключение аномалий, вызванных дождем).
Интеграция с внешними системами:
Автоматические пробоотборники: При обнаружении аномалий ИИ активирует сбор проб для лабораторного анализа.
Уведомления: Алгоритмы отправляют оповещения через MLSuite® в формате SMS или email, сокращая время реагирования до 2–4 часов.
Обучение моделей:
Данные для обучения включают исторические записи качества воды, метеорологические данные и результаты лабораторных анализов. Используются библиотеки на Python (например, TensorFlow, PyTorch) для настройки нейросетей.
Технологический пул проекта- Языки программирования: Python (для анализа данных), C++ (для встраиваемых систем).
- Фреймворки: TensorFlow, PyTorch, Apache Spark (для обработки больших данных).
- Базы данных: PostgreSQL с поддержкой временных рядов, интеграция с облачными хранилищами AWS S3.
- Инструменты визуализации: GIS-карты в MLWeb, Grafana для дашбордов