Detektor ucpání odtoku: 11 kroků (s obrázky)

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:24

Nedovolte, aby vás ucpaný odtok zpomalil! Když jsme se vrátili z dovolené, byli jsme s manželkou překvapeni vodou pokrývající podlahu našeho bytu a zjistili jsme, že to není ani čistá voda, ale všude to odtéká. Poté, co jsem vyčistil odtok a vyčistil podlahu, měl jsem tuto otázku: proč nemáme poplašný systém pro potenciální ucpávky odtoku? Ucpané odtoky mohou nejen zastavit váš domov, ale také spotřebují další náklady z vašich kapes, v průměru 206 dolarů jsou náklady na čištění ucpaného odtoku podle HomeAdvisor, kromě skrytých nákladů na poškozené koberce, dřevěný nábytek atd. Naší myšlenkou je umožnit majitelům domů i podnikům, jako jsou oddělení údržby měst/komplexů a specializovaní poskytovatelé služeb, účinný a inteligentní systém, který co nejdříve upozorní všechny odpovědné osoby, aby přijaly opatření, což přispěje k obohacení chytrých měst o důležité Vlastnosti.

Idea Ačkoli detekci ucpání lze provést řadou technik, jako je použití plynových senzorů nebo interních mechanismů, náš tým se zaměřil na použití zvuku jako vstupu, protože víme, že klepání na trubku, kde je otevřena, je jiný zvuk, než jaký se stal. když je zavřený. Podle tohoto jednoduchého konceptu, pokud můžeme natrénovat model zvukových vzorů vyskytujících se na povrchu trubice během ucpání, stejně jako se tyto vzory vyskytují v otevřených trubkách, můžeme pak model použít proaktivně detekovat, kdy se ucpání začne skládat, a my pak zazvonit nějaké účty.

Kredity za

• Mohamed Hassan
• Ahmed Emam

Podrobně projekt V tomto projektu jsou implementovány 3 fáze: Shromažďování dat, učení a predikce.

Před aplikací tohoto systému v reálném životě jsme potřebovali vytvořit vynucené simulační prostředí, kde máme potrubí, tekoucí vodu a nějakým způsobem simulovat ucpání. Takže jsme dostali tubu, vodní hadici se zdrojem vody, která to dělá ve vaně, a pomocí povrchu vany uzavřeme trubku, která představuje ucpání. V tomto videu vysvětlujeme, jak jsme vytvořili prostředí a jak jsme sbírali data pro modelové školení.

A v tomto dalším videu, které ukazuje, jak jsme provedli testování systému a modelu, v otevřeném režimu, poté v režimu ucpání a zpět do otevřeného režimu, nicméně

Pojďme tedy krok za krokem prozkoumat naši implementaci:

Krok 1: Experiment

V tomto scénáři používáme malou vodní trubku připojenou k našemu hardwarovému a zvukovému senzoru. Hardware načte hodnotu senzoru a odešle ji zpět do cloudu. To bylo provedeno po dobu 10 minut pro zablokovanou zkumavku, poté dalších 10 minut pro zkumavku, která není zablokována.

Krok 2: Hardware

I- Arduino

K detekci zvuku vody uvnitř potrubí potřebujeme zvukový senzor. Raspberry Pi 3 však nemá analogové GPIO. K řešení tohoto problému používáme Arduino, protože Arduino má analogové GPIO. Připojíme tedy Grove Sound sensor na Grove Arduino shield a Shield připojíme na Arduino UNO 3. Poté připojíme Arduino & Raspberry pomocí USB kabelu. Chcete -li získat další informace o zvukovém senzoru Grove, můžete zkontrolovat jeho datový list. V datovém listu najdete ukázkový kód, jak číst hodnoty senzorů. Ukázkový kód se téměř používá při malých změnách. V níže uvedeném kódu připojujeme senzor k A0 ve štítu. Pro psaní na seriál používáme funkci Serial.begin (). Pro komunikaci s přenosovou rychlostí Raspberry nastavenou na 115200 budou data odeslána do Raspberry, pokud je větší než určitá prahová hodnota pro snížení šumu. Bylo provedeno mnoho pokusů pro výběr požadovaných prahových hodnot a hodnot zpoždění. Bylo zjištěno, že prahová hodnota je 400, a hodnota zpoždění je 10 milisekund. Byla zvolena prahová hodnota pro filtrování normálního šumu a zajištění, že do cloudu budou odesílána pouze smysluplná data. Zpoždění bylo zvoleno v režimu pryč, aby bylo zajištěno, že senzor okamžitě detekuje jakékoli změny zvuku toku uvnitř trubice.

II- Raspberry Pi 3 Ke stažení věcí pro Android na Raspberry si můžete stáhnout nejnovější verzi z konzoly Android Things. V tomto projektu používáme verzi: OIR1.170720.017. podle pokynů na webu Raspberry nainstalujte operační systém na malinu, pro Windows můžete použít tyto kroky Po instalaci můžete Raspberry připojit k počítači pomocí USB. Poté ve své počítačové konzole použijte níže uvedený příkaz k získání Raspberry IP

nmap -sn 192.168.1.*

Po získání IP se připojte k Raspberry pomocí níže uvedeného příkazu

připojení adb

Chcete -li připojit Raspberry k Wifi (přidejte SSID a heslo)

adb am startervice

-n com.google.wifisetup/. WifiSetupService

-a WifiSetupService. Connect

-e ssid *****

-e heslo ****

Krok 3: Google Cloud - registrace

Google nabízí bezplatnou úroveň pro všechny uživatele na jeden rok se stropem 300 $, díky Google:). Sledujte obrazovky a vytvořte nový projekt ve službě Google Cloud

Krok 4: Google Cloud - Pub/Sub

Google Cloud Pub/Sub je plně spravovaná služba zasílání zpráv v reálném čase, která vám umožňuje odesílat a přijímat zprávy mezi nezávislými aplikacemi.

Krok 5: Google Cloud - IOT Core

II- IOT CoreA plně spravovaná služba pro snadné a bezpečné připojení, správu a příjem dat z globálně rozptýlených zařízení. IOT Core stále beta, abyste k němu měli přístup, musíte společnosti Google podat žádost s odůvodněním. Podali jsme požadavek, naším důvodem byla tato soutěž. Google schválil, ještě jednou díky Google:). Raspberry odešle data ze senzorů do IOT Core, který bude předávat údaje na téma PubSub vytvořené v předchozím kroku

Krok 6: Google Cloud - cloudové funkce

Cloud Functions je prostředí bez serveru pro vytváření a připojení cloudových služeb. Spouštěčem této funkce je téma PubSup, které bylo vytvořeno v kroku 1.;; Tato funkce se spustí, když je v PubSup zapsána nová hodnota a zapisována do Cloud DataStore s Kind "SoundValue"

Krok 7: Google Cloud - Cloud DataStore

Google Cloud Datastore je databáze dokumentů NoSQL vytvořená pro automatické škálování, vysoký výkon a snadný vývoj aplikací. Rozhraní Cloud Datastore má mnoho stejných funkcí jako tradiční databáze, ale jako databáze NoSQL se od nich liší způsobem, jakým popisuje vztahy mezi datovými objekty. Není třeba žádné nastavení, protože jakmile Cloud Functions zapíše hodnoty senzoru do DataStore, data budou přidána do DataStore

Krok 8: Google Cloud - BigQuery

Shromáždíme vzorek 10 minut z normální trubky a 10 minut z blokované trubky s rozdílem přesně 1 hodinu mezi 2 iteracemi. Po stažení dat DataStore a provedení určité manipulace přidejte klasifikaci pro každý řádek. Nyní máme 2 soubory CSV, jeden pro každou kategorii. Jako osvědčený postup nejprve nahrajte soubory CSV dat do cloudového úložiště. Na níže uvedené obrazovce vytvoříme nový kbelík a nahrajeme 2 soubory CSV. Protože tento kbelík bude použit pouze pro analýzu, není nutné volit víceregionální segment, poté v BigQuery vytvořte novou datovou sadu a novou tabulku a nahrajte 2 soubory CSV z segmentu do nový stůl

Krok 9: Google Cloud - Data Studio

Poté pomocí Data Studia nakreslíme nějaké poznatky. Data Studio bude číst data z tabulky BigQuery. Z grafů vidíme rozdíl mezi 2 kategoriemi v počtu telemetrií a součtem hodnot za minutu. Na základě těchto poznatků můžeme navrhnout jednoduchý model, potrubí je považováno za zablokované, pokud do 3 po sobě jdoucích minut počet telemetrických hodnot, které jsou vyšší než práh hluku (400), je více než 350 telemetrických. a za 3 po sobě jdoucí minuty je počet telemetrických hodnot, které jsou vyšší než prahová hodnota jiskry (720), více než 10 telemetrických.

Krok 10: Fáze predikce

Odkazujeme na čtení, když překročí určitou hodnotu (THRESHOLD_VALUE), která byla nastavena na 350, která filtruje hluk a nižší průtoky vody v trubici, aby nebyla považována za čtení

Analýza dat ukázala, že v otevřeném režimu je počet naměřených hodnot menší než 100, ale v režimu ucpávání jsou hodnoty mnohem vyšší (dosáhly 900 za minutu), ale ve vzácných případech byly také nižší než 100. Tyto případy se však následně neopakují, a po dobu tří po sobě následujících minut celkový počet naměřených hodnot vždy překročil 350. Když je otevřený režim ve stejných třech minutách, shrne to méně než 300, mohli bychom s jistotou stanovit toto pravidlo: Pravidlo č. 1 Po dobu tří minut v hrubých, pokud je celkový počet odečtů > 350, pak je zjištěno ucpání. Zjistili jsme, že maximální hodnota dosažená v otevřeném režimu nepřekračuje určitou hodnotu (SPARK_VALUE), která je 770, proto jsme přidali toto pravidlo: Pravidlo č. 2 Pokud je hodnota> 350, pak je většinou detekován ucpání.

Kombinace obou pravidel nám poskytla snadný způsob implementace logiky detekce, jak je ukázáno. Všimněte si, že na Arduino byl nasazen níže uvedený kód, který poté vyhodnotí přijaté telemetrie na základě našeho modelu a odešle na malinu, pokud je potrubí ucpané nebo otevřené.

Krok 11: Kód

Veškerý kód pro funkce Arduino, Raspberry a Cloud najdete na Githubu.

Pro více informací můžete zkontrolovat tento odkaz