У сьогоднішньому швидко розвиваючомуся технологічному середовищі інтеграція пристроїв Інтернету речей (IoT) з моделями машинного навчання (ML) відкриває безпрецедентні можливості. У цій статті ми розглянемо новаторський проект, спрямований на прогнозування сонячної радіації за допомогою пристроїв IoT. Цей проект використовує технології для моніторингу параметрів навколишнього середовища та прогнозування небезпечних умов сонячної радіації в реальному часі за допомогою сенсора BM280 та ESP32 розробницької плати. Ми розглянемо шлях, методологію та результати цього проекту.
Вступ
Проект зосереджений на реальному часі виявлення та прогнозування сонячної радіації, разом з факторами навколишнього середовища, такими як вологість, температура та тиск. Використовуючи сенсори BME280 з IoT та мікроконтролери ESP32, дані збираються та передаються на хмарну платформу ThingSpeak для зберігання та аналізу для майбутніх робіт. Інтеграція моделі машинного навчання дозволяє здійснювати прогнозування, надаючи своєчасні попередження щодо небезпечних рівнів сонячної радіації. Основною метою є покращення моніторингу навколишнього середовища та забезпечення безпеки громадян.
Технічна структура
Апаратні компоненти
- Сенсор BME280: Моніторить вологість, температуру та тиск для фіксації умов навколишнього середовища.
- Мікроконтролер ESP32: Забезпечує збір даних та їх передачу на хмарну платформу.
Програмне середовище
- Середовище програмування: Мікроконтролери ESP32 програмувались за допомогою Thonny IDE та micropython.
- ThingSpeak: Хмарна платформа для зберігання даних, візуалізації та інтеграції з моделлю ML.
- Інструменти машинного навчання: Використовувались фреймворки Torch та Scikit-Learn для розробки прогностичної моделі в Google Colaboratory. Дані, що я використовував для створення моделі машинного навчання, це Dataset для прогнозування сонячної радіації.
[
SolarRadiationPredication
Це файл colab, що використовувався в цьому проекті для отримання даних, їх очищення та візуалізації, а також для навчання моделі
colab.research.google.com
](https://colab.research.google.com/drive/1GPFN7ftsWf5oyQzwwusBTVGPEcK1r7X?usp=sharing&source=postpage-----2ecfb4ec6b7f--------------------------------)
- Мобільний додаток: Розроблений для відображення даних в реальному часі як андроїд додаток, використовуючи android studio.
Методологія
Інтеграція сенсора: Сенсори BME280 підключались до мікроконтролерів ESP32 за допомогою протоколу I2C, що забезпечує ефективне отримання даних. Ви можете знайти вихідний код ESP32 за посиланням на GitHub цього проекту.
З'єднання сенсора та ESP32
Передача та зберігання даних: Дані з сенсора передавались на ThingSpeak, що дозволяло здійснювати візуалізацію в реальному часі та зберігання даних.
Візуалізація даних на хмарній платформі ThingSpeak
Розробка моделі машинного навчання: Зібрані дані слугували навчальною вибіркою для моделі ML, зосереджуючись на ключових характеристиках, таких як рівень радіації, температура та вологість. Модель була навчена та перевірена на точність перед розгортанням.
Оцінка результатів навчання моделі
Інтеграція з хмарою: Навчена модель була розгорнута в Google Cloud за допомогою Flask API, що забезпечило безперебійну інтеграцію з ThingSpeak для прогнозів в реальному часі. Ви можете знайти Docker файл та коди Flask API на GitHub.
Ми повинні побудувати Flask API для використання файлу .pth з Python-скриптами, щоб забезпечити основну функцію IoT-проектів у будь-якому місці та в будь-який час. Для цього ми створимо наш Flask API в Google Cloud.
Мобільний додаток: Було розроблено зручний додаток для відображення прогнозів радіації та попереджень користувачів про критичні умови.
Візуалізація мобільного додатку
Досягнення
- Успішна інтеграція: IoT система, хмарна платформа та модель машинного навчання були безшовно інтегровані, що дозволило отримувати прогнози сонячної радіації в реальному часі.
- Мобільна доступність: Мобільний додаток надав користувачам легкий доступ до даних та сповіщень, покращуючи зручність використання системи.
- Масштабоване рішення: Проект створив надійну основу для подальшого розвитку систем моніторингу навколишнього середовища.
Перспективи на майбутнє
З додатковим фінансуванням і ресурсами система може бути розширена для охоплення більших територій та включення більшої кількості сенсорів. Покращення збору даних та вдосконалення моделі машинного навчання дозволить підвищити точність прогнозування, забезпечуючи надійні рішення для моніторингу навколишнього середовища для різних застосувань.
Висновок
Цей проект демонструє трансформаційний потенціал технологій IoT та ML в моніторингу навколишнього середовища. Прогнозуючи рівні сонячної радіації та відображаючи результати в реальному часі, система вирішує критичні проблеми безпеки.
Перехрестя технології та науки про навколишнє середовище ніколи не було таким обіцяючим. Як показує цей проект, можливості безмежні, коли креативність поєднується з технологіями IoT.
Перекладено з: Predict Solar Radiation with IOT Device