Исследование и разработка модели сбора данных о дорожном покрытии в промышленном интернете вещей

Введение

Глава 1. Обзор и анализ методов сбора данных о дорожном покрытии

1.1 Обзор существующих методов сбора данных о дорожном покрытии

1.2 Сравнительный анализ методов сбора данных о дорожном покрытии

Выводы по 1 главе

Глава 2. Выбор платформы для моделирования

2.1 Обзор существующих платформ для моделирования

2.2 Сравнительный анализ платформ для моделирования

Выводы по 2 главе

Глава 3. Выбор протокола передачи данных

3.1 Обзор существующих протоколов передачи данных для интернета вещей

3.2 Сравнительный анализ протоколов передачи данных для интернета вещей

Выводы по 3 главе

Глава 4. Теоретическая часть

4.1 Разработка модели

4.1.1 Описание модели сбора данных

4.1.2 Подключение дополнительных сервисов

Глава 5. Экспериментальная часть

5.1 Создание основы модели сбора данных

5.1.1 Подготовка виртуального устройства ESP

5.1.2 Создание и настройка виджета карты

5.1.3 Создание и настройка панели мониторинга

5.2 Разработка приложения

5.3 Экспериментальная проверка

5.3.1 Отправление и получение текущего местоположения

5.3.2 Отправление и получение тестовых данных

5.3.3 Проведение эксперимента на автомобиле

Вывод по 5 главе

Заключение

Список литературы

Приложение А

Приложение Б

Введение

В современном мире технологий человека окружает огромное количество информации, которую необходимо анализировать для отслеживания того, что происходит вокруг в данный момент. Самому человеку сложно ориентироваться в таком огромном количестве поступающей информации, поэтому здесь на помощь приходят современные технологии, позволяющие автоматизировать сбор информации и представление ее в удобный вид для анализа, а также позволяющие автоматизировать непосредственно анализ информации, если это необходимо.

На данный момент для сбора и анализа данных используется концепция, называемая Интернет вещей (IoT - Internet of Things).

Концепция интернета вещей подразумевает под собой объединение в сеть устройств, датчиков, сенсоров, используя один протокол доступа к глобальной сети.

В том случае, если речь идет о производственных процессах, тогда используют понятие промышленного или, другими словами, индустриального интернета вещей (IIoT - Industrial Internet of Things) [1,2].

Промышленный интернет вещей может найти применение в различных сферах - здравоохранении, транспорте, производстве, финансах, энергетике, строительстве, а также в добыче полезных ископаемых.

К примеру, в случае производства это автоматизация производственных процессов, а в случае транспорта это может быть управление и обслуживание.

Предметной областью данного исследования служит сфера безопасности транспорта в промышленном интернете вещей, а именно повышение безопасности на дорогах.

По статистическим данным аварийности на дорогах за последние несколько лет (2016 - 2018) наименее удачным был 2017 год, а наиболее безопасным 2018.

Количество ДТП в 2018 году снизилось на 6%, количество раненых - на 4%, а количество погибших в ДТП - на 16% [3]. Однако, используя дополнительные способы предупреждения о потенциальной опасности на дороге данные показатели можно улучшить.

В данной сфере для повышения безопасности на дорогах, с использованием концепции промышленного интернета вещей было проведено мало исследований и разработок.

Необходимость разработки подтверждается в следующем источнике - [4], поэтому проведение данного исследования актуально на сегодняшний день. дорожный автомобиль устойчивость мониторинг

Данное исследование и разработка направлены на повышение безопасности на дорогах путем предупреждения водителей об опасных участках на дорогах, отображая опасные места на карте.

Для осуществления предупреждения водителей о проблемах на дороге в данной работе предлагается метод сбора данных с системы курсовой устойчивости автомобиля (ESP - Electronic Stability Program) [5], которая позволяет сохранить устойчивость и управляемость автомобиля в сложных и критических ситуациях на дороге.

Система курсовой устойчивости включает в себя другие системы безопасности, такие как антиблокировочную систему тормозов (ABS) [6], антипробуксовочную систему (ASR) [7], систему распределения тормозных усилий (EBD) [8] и электронную блокировку дифференциала (EDS) [9,10].

Кроме вышеперечисленных систем в системе ESP входят блок управления, гидравлический блок и следующие датчики: датчики ускорения (поперечного и продольного), датчик давления в тормозной системе, датчик скорости поворота, датчик угла поворота рулевого колеса, датчики угловой скорости колес.

Блок управления считывает показания датчиков, отражающие действия водителя, передавая при необходимости управляющие воздействия на устройства систем безопасности, входящих в систему ESP.

Система срабатывает в том случае, когда возникает аварийная ситуация. Ситуация считается аварийной тогда, когда фактические показания датчиков отличаются от желаемых показаний.

Таким образом, когда срабатывает система, можно определить состояние дорожного покрытия на конкретном участке дороги, учитывая, к примеру, погодные условия.

Если срабатывание произошло зимой или дождливую погоду, можно сказать, что на данном участке дороге скользко и нужно быть крайне внимательным.

Однако, не всегда срабатывание системы говорит о скользком участке дороги или плохих погодных условиях.

На дороге может быть разлито масло, или же произошло резкое торможение или ускорение одного из участников дорожного движения, вследствие чего сработала система, поэтому при разработке модели сбора данных в данной работе погодные условия учитываться не будут.

Объектом исследования являются платформы для моделирования инфраструктуры промышленного интернета вещей.

Рис. 1. Дерево целей

Новизна данного исследования заключается в разработке модели сбора данных о дорожном покрытии с системы курсовой устойчивости автомобиля в промышленном интернете вещей.

С помощью сбора данных с системы курсовой устойчивости появится возможность дополнительно повысить безопасность на дорогах.

Практическая значимость данного исследования заключается в обеспечении возможности мониторинга качества дорог водителями автомобилей для объезда опасных участков, а также дорожными и коммунальными службами для повышения безопасности и качества дорог.

Критериями оценки эффективности данной выпускной квалификационной работы считаются:

ѕ Исследованы существующие решения по сбору данных о дорожном покрытии.

ѕ Выбрана платформа для моделирования.

ѕ Разработана модель сбора данных о дорожном покрытии:

· Собираются геоданные о местоположении срабатывания системы.

· Данные отображаются на карте.

Глава 1. Обзор и анализ методов сбора данных о дорожном покрытии

Проект «Дороги России». Проект «Дороги России» [12,13] -- это некоммерческий проект от компании Google, который помогает в оценке дорожного покрытия по России.

Глава 2. Выбор платформы для моделирования

В данной работе для проведения исследования и разработки необходима IoT платформа, на которой будет производиться моделирование. В процессе исследования были выбраны следующие платформы: ThingsBoard, IBM Bluemix, Iotify, Microsoft Azure IoT Suite, ThingWorx.

В данной главе необходимо выбрать одну платформу для разработки модели.

Для выбора платформы будет проведен обзор и сравнительный анализ платформ.

В сравнительном анализе для выбора платформы будет применен один из методов поддержки принятия решений - метод анализа иерархий (МАИ) [16], так как в соответствии с системным анализом [17] и теорией принятия решений данная задача является слабоструктурированной.

МАИ относится к методам принятия индивидуальных решений в условиях определенности исходной информации и помогает выбрать лучшее решение среди множества альтернатив, однако его можно применять не только для сравнения, но и для прогнозирования и решения задач управления.

К достоинствам данного метода можно отнести возможность использования в широком круге задач, независимо от предметной области.

К недостаткам данного метода можно отнести необходимость получения большого количества информации от экспертов в предметной области, чтобы была больше вероятность выбрать наилучший вариант, так как в большей части выбор зависит от предпочтений того, кто принимает решения.

2.1 Обзор существующих платформ для моделирования

IBM Watson IoT. IBM Watson IoT [18] - это платформа, помогающая разворачивать решения в области Интернета вещей, и использующая платформу как сервис IBM Bluemix.

Данная платформа поддерживает следующие некоторые возможности: регистрация устройств, хранение и визуализация данных, и так как она использует Bluemix, то имеет интегрированную среду разработки, поддержку многих языков программирования, а также пробную версию в 30 дней.

Microsoft Azure IoT Suite. Microsoft Azure IoT Suite [19,20] - Это решение для облачной платформы Microsoft Azure, которое позволяет разворачивать и запускать корпоративным предприятиям свои проекты, основанные на концепции интернета вещей.

Данное решение включает в себя набор облачных сервисов, которые интегрированы с Azure.

Также у этой платформы есть предварительно настроенные решения для часто используемых сценариев Интернета вещей, например, удаленный мониторинг.

Наряду с решениями для Интернета вещей у Microsoft Azure IoT Suite есть функции управления, хранения и анализа данных.

За анализ данных на данной платформе отвечает служба Azure Stream Analytics, которая отвечает за обработку поступающих данных телеметрии, агрегирования и обнаружение событий.

За хранение поступающих на платформу данных отвечает служба Azure DocumentDB, а за возможность визуализации данных отвечает веб-приложение Microsoft Power BI, с помощью которой можно создавать панели мониторинга.

Microsoft Azure IoT Suite предоставляет возможность создать учетную запись бесплатно пользоваться службами в течение одного года. Данным решением удобно пользоваться для решения корпоративных бизнес задач.

ThingsBoard. ThingsBoard [21] - платформа для развертывания масштабных IoT проектов с открытым исходным кодом и большим количеством документации, однако является бесплатной лишь частично. Имеет пробную версию. С данной платформой можно работать локально, установив на компьютер.

В бесплатной версии community есть возможность создавать свои виртуальные устройства, виджеты и панели для мониторинга каких-либо процессов и подключать имеющиеся виртуальные (Arduino, ESP8266 и др.).

Так же для работы со своими проектами можно подключать и реальное оборудование, собирать данные и затем визуализировать их на панелях управления.

Платная, professional, версия отличается от community версии тем, что имеет возможность интеграции с другими IoT системами, такими как IBM Watson Iot, AWS Iot и т.д, имеет возможность подключать больше IoT устройств, чем в community, управлять доступом для пользователей, выгружать собранные данные в форматах csv и xls, создавать отчеты, а также настраивать события по расписанию. Еще одной особенностью этой платформы является интеграция IoT Устройств, которые подключены к устаревшим сторонним системам - ThingsBoard IoT Gateway.

Iotify. Iotify [22]-- это облачная платформа, позволяющая разрабатывать масштабные приложения для Интернета вещей (IoT) с поддержкой миллионов различных устройств, а также позволяющая тестировать их производительность перед тем, как передать их в бизнес слой.

Данная платформа может использоваться как виртуальная лаборатория, где можно создавать свои собственные проекты, например, такие как «Smart Trash» («Умная урна»).

Также в платформе Iotify есть поддержка множества виртуальных устройств - датчиков и аппаратных платформ (Arduino, Raspberry PI и др.).

Iotify имеет возможность интеграции с другими платформами - IBM Bluemix, Google Cloud IoT Core, Jenkins, Azure IoT, AWS IoT.

PTC ThingWorx. PTC ThingWorx [23] - основная платформа для промышленных инноваций в Интернет вещей. Данная платформа позволяет разработчиками проектов Интернета вещей быстро и эффективно разворачивать свои приложения и может применяться в корпоративной среде.

У данной платформы есть пробные версии, однако полностью бесплатной версии нету.

Как и другие платформы для Интернета вещей имеет свои средства для сбора, управления и визуализации данных. С 2018 года MS Azure стала основной облачной платформой для ThingWorx и будет предоставлять сервисы на базе Azure.

2.2 Сравнительный анализ платформ для моделирования

Для проведения сравнительного анализа были выделены следующие критерии и представлены в таблице 2:

ѕ Наличие открытого исходного кода.

ѕ Наличие пробной расширенной версии.

ѕ Наличие бесплатной версии.

ѕ Наличие примеров и документации.

ѕ Наличие графического интерфейса.

ѕ Поддержка протокола MQTT.

ѕ Наличие средств визуализации данных.

Таблица 2.

Сравнение платформ для моделирования

Дано: Kn; Am, где Kn - критерии, Am - альтернативы, n = ; m=

Алгоритм применения МАИ для решения поставленной задачи:

1. Представить в структурированном иерархическом виде выделенные критерии и альтернативы.

2. Построить матрицы попарного сравнения для выделенных критериев и альтернатив.

3. Вычислить средние геометрические и нормализованный вектор приоритетов по каждому критерию и у альтернатив по каждому критерию.

4. Выполнить проверку на согласованность для каждой из полученных матриц.

5. При необходимости повторить шаги 2 - 4.

6. Вычислить ценность для каждой альтернативы и определить наилучший вариант.

На первом этапе выполняется структуризация задачи и представление иерархического вида по задаче выбора наилучшей платформы. На рисунке 2 показано иерархическое представление критериев решения задачи.

Теперь на следующих этапах необходимо произвести попарное сравнение критериев и альтернатив - построить матрицы для всех критериев и альтернатив и найти средние геометрические по каждой из строк матриц.

Рис. 2. Схема иерархического представления

Средние геометрические в данном случае являются ценами, по которым определяется важность критериев и альтернатив в принятии решения.

Для попарного сравнения в МАИ используется специальная шкала с сопоставлением уровней важности с их количественным значением. В таблице 3 представлена шкала с уровнями важности.

Таблица 3.

Шкала уровней важности

Где - цена критерия, - количество критериев, - порядковый номер критерия.

Для альтернатив средние геометрические рассчитываются по формуле (2):

Где - цена альтернативы, - количество альтернатив, - порядковый номер альтернативы, - критерий.

После расчета средних геометрических необходимо рассчитать веса критериев и альтернатив, которые являются нормализованными векторами. Вес для критериев вычисляется по формуле (3), а вес альтернатив вычисляется по формуле (4).

Где - вес критерия, - вес альтернативы по критерию.

После того, как будут найдены веса критериев и альтернатив для каждой из матриц, необходимо провести проверку на согласованность.

Для проверки на согласованность выставленных оценок вычисляются:

ѕ максимальное собственное значение по формуле (5);

ѕ индекс согласованности (ИС) по формуле (6);

ѕ отношение согласованности (ОС) по формуле (7).

Где - количество критериев или альтернатив, - веса критериев или альтернатив, СлС - показатель случайной согласованности.

Для матриц размера 5Ч5 показатель случайной согласованности равен 1.12, а для матрицы размера 7Ч7 - 1.32. ОС не должно превышать 0.2, в противном случае необходимо повторно провести выставление оценок.

В таблицах с 4 - 11 представлены матрицы парных сравнений для критериев и альтернатив по каждому критерию с вычисленными ценами критериев и альтернатив, а также весами критериев и альтернатив и согласованностью оценок по каждой матрице.

Таблица 4.

Матрица парных сравнений критериев