Паттерн капучино: как FESCOM получил данные от кофемашины и причем здесь сервисы Яндекс.Облака
Интегратор и разработчик FESCOM создает умные технологии агрегации и управления электрической нагрузкой, реализует проекты в сфере интернета вещей, является партнером Яндекс.Облака и Tibbo Systems.
Кто пил мой кофе и весь выпил?
В этом кейсе заказчиком выступила розничная точка в Подмосковье, в которой расположена профессиональная кофемашина. При покупке к ней не был заказан IoT-блок, который позволял бы собирать точные данные и получать аналитику по потреблению напитков. Когда владелец начал считать стоимость расходников и задумался о контроле над оборудованием, выяснилось, что получить данные для анализа непросто. Нужно распознать режимы работы, организовать хранение данных, визуализировать нужные показатели в виде графиков. За решение этой задачи брались четыре подрядчика, и пятым стала компания FESCOM.
Строго говоря, изначально цели были шире и охватывали также сбор данных с аппарата для выпечки и с датчика СО2, но наиболее интересной и сложной оказалась задача с кофемашиной, которую FESCOM решил с помощью сервисов Яндекс.Облака и компании Tibbo.
Что было важно для бизнеса:
• разобраться в реальных расходах и повысить прозрачность процессов;
• построить эффективную систему учета и сократить потери, обеспечив точные и надежные измерения.
От пилотного проекта ожидалась проверка двух гипотез:
• Совместимы ли программная IoT-платформа AggreGate и вычислительная инфраструктура Яндекс.Облака в части IaaS-сервисов.
• Возможно ли использовать IoT-платформу в облачной среде так, чтобы обеспечить одновременно простой и удобный доступ и надежное промышленное функционирование.
Кто трогал мою мощность и всю потратил?
Общее описание. Основой решения стали виртуальные машины Яндекс.Облака, на которых без труда была запущена IoT-платформа AggreGate. Важно было обеспечить безопасный обмен данными с устройствами заказчика по протоколу MQTT поверх TLC-соединения. Для этого выбрали сервис Yandex IoT Core.
Так как с интеграцией с Яндекс.Облаком разобрались очень быстро, основной упор сделали на проработку бизнес-логики: сопряжение программируемого контроллера, разработка структуры хранения и агрегации данных, выполнение сервисной модели, содержащей основные функции, необходимые для получения данных с датчиков, настройка дашбордов.
Обследование. Большую роль в успехе проекта сыграло внимательное предпроектное обследование объекта. Обнаружили типичную для небольших розничных точек проблему: очень плохо сделана электрика. Перекосы фаз и плохая организация управления климатической техникой заметно влияют на энергопотребление. Кофеварка оказалась сложным оборудованием, которое совмещает в себе холодильник, нагреватель и другие электротехнические устройства, усложняющие анализ энергопотребления и распознавание режимов работы. Большой опыт специалистов FESCOM позволил успешно решить эти задачи.
Режимы работы определили с максимальной детализацией, даже более подробно, чем задумывалось изначально. Например, очевидно, что система понимает тип приготовленного напитка и размер порции, но помимо этого удалось выявить многие внутренние режимы, например включение внутреннего холодильника молочника для капучино. То есть у капучино и правда есть свой паттерн с точки зрения аналитической системы.
Тестирование. На основе данных предпроектного обследования был развернут тестовый стенд, произведена проверка работоспособности аппаратных и программных компонентов решения, а также их совместимости с вычислительной инфраструктурой Яндекс.Облака в части виртуальных машин.
Реализация включала несколько этапов:
- монтаж оборудования для мониторинга на объекте заказчика;
- разворачивание вычислительной инфраструктуры в Яндекс.Облаке (виртуальный сервер X64, 12 GB RAM, 4 ядра, 200 GB свободной памяти в системе хранения данных);
- сопряжение программируемого контроллера, расположенного на объекте автоматизации, и AggreGate Server;
- тестирование сервиса Yandex IoT Core для безопасного обмена данными.
Использование. Заказчику доступна информационная панель, на которой в удобном виде отображаются данные об устройстве и контролируемых режимах: статус включено/выключено, дата и время включения, статистика включений режимов.
Кто влиял на продажи и все-таки повлиял ли?
Чаще всего в этой розничной точке пили капучино. Это, конечно, не главный результат проекта, но созданная система смогла «увидеть» и этот факт. Пилот реализован успешно и в полном объеме. Все задачи были выполнены в сжатые сроки — до 4 недель.
Заказчик доволен тем, что может в реальном времени наблюдать за использованием оборудования в торговом зале и получать регулярные статистические отчеты. Ему удалось оценить влияние персонала на расход продуктов и продажи.
Промышленный интернет вещей скорее наводит на мысль о станках и цехах. На самом деле оборудование может быть любым. Это решение — классика интеграции Облака с популярной и давно представленной на рынке IoT-платформой.
IaaS сервисы Яндекс.Облака позволяют:
• достаточно легко и с минимальными трудозатратами разворачивать IoT-платформы под задачи каждого пользователя и строить полноценный SaaS IoT-сервис;
• повысит эффективность, масштабируемость и отказоустойчивость IoT-платформ за счет использования PaaS (например, Yandex IoT Core и Managed Databases).