?
Интеграция предиктивно-аналитических моделей с IoT-платформой цифрового экомониторинга
Исследование направлено на развитие прикладных программных систем для автоматизированного мониторинга окружающей среды. Рассматривается задача по разработке и интеграции прикладного программного обеспечения, в частности расчетно-аналитических моделей на основе методов машинного обучения (ML), с IoT-платформой цифрового экомониторинга для промышленных предприятий. Такая платформа используется для создания программно-аппаратных систем класса CEMS – Continuous Emissions Monitoring System, предназначенных для непрерывного контроля выбросов загрязняющих веществ в атмосферный воздух на производствах. Использование ML-инструментов, интегрированных с платформой, позволяет значительно расширить функциональность существующих CEMS, в частности оперативно конструировать новые SaaS-сервисы для прогнозирования динамики распространения загрязнений. С учетом высоких требований к промышленным системам возникает необходимость создания специализированного программного продукта – аналитического сервера, реализующего управление подключаемыми предиктивно-аналитическими ML-моделями с требуемым уровнем качества обслуживания, в том числе автоматической инициализацией новых аналитических скриптов в виде классов, изолированностью отдельных компонентов, автоматическим восстановлением после возникновения сбоев, защищенностью и безопасностью данных. В статье предложена схема функционально-алгоритмического взаимодействия IoT-платформы цифрового экомониторинга и аналитического сервера. Предложенный вариант реализации аналитического сервера имеет иерархическую структуру, в вершине которой стоит приложение, способное принимать высокоуровневые REST-запросы на инициализацию расчетов в реальном времени. Данный подход позволяет минимизировать влияние одного аналитического скрипта (класса) на другой, а также расширять функциональность платформы в «горячем» режиме, то есть без остановки или перезагрузки. Приведены результаты, демонстрирующие автоматическую инициализацию и подключение базовых ML-моделей для прогнозирования концентраций вредных веществ.