Реализация мониторинга промышленного оборудования через мобильное приложение

Реализация мониторинга промышленного оборудования через мобильное приложение

Мониторинг промышленного оборудования — это задача не столько разработки, сколько правильного выбора архитектуры сбора данных. Вибродатчик на подшипнике генерирует 25 600 сэмплов в секунду. Температурный датчик — раз в 5 секунд. Ток двигателя — 1000 измерений в секунду. Мобильное приложение не может и не должно работать с этим потоком напрямую — только агрегированные показатели, тренды и алерты.

Архитектура сбора данных

На уровне оборудования данные собирает Edge-компонент: промышленный шлюз (Moxa, Advantech, Siemens IPC) или кастомный Linux-сервер. Он нормализует данные с разных протоколов и публикует агрегаты в MQTT или отдаёт через REST/WebSocket.

Для мобильного приложения важны два потока:

• Реальное время — текущие значения ключевых параметров, обновление раз в 1-5 секунд. WebSocket.
• История — тренды за смену, сутки, неделю. REST API с пагинацией и агрегацией.

Датчики → PLC / Edge Gateway → Time-Series DB (InfluxDB / TimescaleDB)
                                         ↓
                                 Backend API (REST + WebSocket)
                                         ↓
                                 Мобильное приложение

Реальное время через WebSocket: Flutter

class EquipmentMonitorRepository {
  WebSocketChannel? _channel;
  final StreamController<EquipmentState> _stateController =
      StreamController.broadcast();

  Stream<EquipmentState> get stateStream => _stateController.stream;

  void connect(String equipmentId, String token) {
    _channel = WebSocketChannel.connect(
      Uri.parse('wss://iiot.factory.com/ws/equipment/$equipmentId'),
    );

    _channel!.stream
        .map((event) => json.decode(event as String))
        .map(EquipmentState.fromJson)
        .listen(
          _stateController.add,
          onError: _handleError,
          onDone: _scheduleReconnect,
        );

    _channel!.sink.add(json.encode({'auth': token}));
  }

  void _scheduleReconnect() {
    Future.delayed(const Duration(seconds: 5), () => connect(_lastId, _lastToken));
  }
}

BLoC для управления состоянием экрана мониторинга:

class EquipmentMonitorBloc extends Bloc<EquipmentEvent, EquipmentMonitorState> {
  StreamSubscription<EquipmentState>? _subscription;

  EquipmentMonitorBloc(this._repository) : super(EquipmentMonitorInitial()) {
    on<StartMonitoring>((event, emit) async {
      _subscription = _repository.stateStream.listen(
        (state) => add(StateUpdated(state)),
      );
      _repository.connect(event.equipmentId, event.token);
    });

    on<StateUpdated>((event, emit) {
      final current = event.state;
      final isAlert = current.temperature > 85.0 || current.vibrationRms > 12.5;
      emit(EquipmentMonitorRunning(state: current, hasAlert: isAlert));
    });
  }
}

Визуализация трендов

Для исторических данных используем fl_chart (Flutter) или MPAndroidChart (Android native). Ключевая оптимизация — не передавать в чарт все 86 400 точек за сутки, а агрегировать на стороне API. Запрос к InfluxDB-based API:

GET /api/v1/equipment/{id}/trend?
  parameter=temperature&
  from=2024-01-15T06:00:00Z&
  to=2024-01-15T18:00:00Z&
  resolution=300  # агрегация по 5 минут

Ответ — массив из 144 точек вместо 43 200. Чарт рисует без фризов.

Baseline и отклонения

Полезная функция — отображение baseline (нормального диапазона) на графике. Если ток двигателя в норме 12-15А, выделяем зону, и оператор сразу видит отклонение:

LineChartData buildTrendChart(List<TrendPoint> data, Range baseline) {
  return LineChartData(
    extraLinesData: ExtraLinesData(
      horizontalLines: [
        HorizontalLine(y: baseline.min, color: Colors.green.withOpacity(0.3)),
        HorizontalLine(y: baseline.max, color: Colors.green.withOpacity(0.3)),
      ],
    ),
    betweenBarsData: [
      BetweenBarsData(
        fromIndex: 0,
        toIndex: 0,
        color: Colors.green.withOpacity(0.1),
      ),
    ],
    lineBarsData: [
      LineChartBarData(
        spots: data.map((p) => FlSpot(p.timestamp.toDouble(), p.value)).toList(),
        color: data.any((p) => p.value > baseline.max || p.value < baseline.min)
            ? Colors.red
            : Colors.blue,
      ),
    ],
  );
}

Алерты и эскалация

Простой алерт — пуш-уведомление через FCM/APNs. Но для критических ситуаций нужна эскалация: если оператор не подтвердил алерт за 5 минут — уведомление идёт мастеру смены, потом начальнику цеха.

Логику эскалации держим на бэкенде, мобильное приложение только отображает и подтверждает. Подтверждение алерта:

Future<void> acknowledgeAlert(String alertId) async {
  await _dio.post('/api/v1/alerts/$alertId/acknowledge', data: {
    'acknowledgedBy': currentUser.id,
    'acknowledgedAt': DateTime.now().toIso8601String(),
    'note': _noteController.text,
  });
}

Экран алерта показывает историю эскалации — кто получил, кто видел, кто подтвердил. Это важно для постсменного анализа.

Офлайн и работа в цехе

Производственные цеха — зона нестабильного Wi-Fi. Критичные данные (текущие показатели, активные алерты) кешируем в SQLite через Room или Drift. При потере соединения показываем последнее известное состояние с меткой «данные от HH:MM, нет связи».

Разработка приложения мониторинга для одного типа оборудования с WebSocket телеметрией и историческими трендами — 4-6 недель. Добавление поддержки нескольких типов оборудования, сложных алертов с эскалацией, офлайн-режима — 2-3 месяца. Стоимость рассчитывается индивидуально после анализа источников данных и требований к надёжности.