Cours:BUTiot
Révision datée du 30 janvier 2024 à 10:45 par Fredmn (discussion | contributions)
S5/S5 - AII - Objets connectés (IoT) : génération, transmission, traitement et analyse de données distribuées
Sommaire
Syllabus
Comment acquérir des données distribuées (d'objets connectés ou de serveurs), les analyser (détecter), les traiter (ie les modifier) et le redistribuer, tout ceci en temps réel.
Programme National
S5
- Architectures IoT (Extreme edge/edge/mist/fog/cloud, passerelle);
- Communication indirecte orientée message (Publier/Souscrire, broker, MQTT);
- Gestion de la qualité de service (QoS);
- Notions d’API (déclaration, appel de services);
- Tableau de bord (node-red, grafana...).
- Big Data et Cloud computing : définition et technologies;
- Relations entre IoT, Cloud et Big Data;
- Applications aux systèmes automatisés.
S6
- Développer un programme permettant de transmettre des données issues d’un ou plusieurs nœuds de capteurs (clients) vers un serveur afin de réaliser des applications diverses : stockage de données dans une base SQL, génération d’une page web pour l’affichage des données, ainsi que des fenêtres de commande graphique ou de supervision (utilisation des protocoles de communication liés à l’internet des objets, création de tableaux de bord pour la visualisation de données);
- Développer un programme, coté objet (cible microcontrôleur de type ESP32), pour générer des données utiles (basées sur la récupération d’informations fournies par des capteurs, après mise en forme).
- Présentation du concept de l’IIoT en automatisation industrielle;
- Exemples d’IoT industriels;
- Apprentissage des bases d’un langage de programmation classique de l’IoT;
- Génération de données à l’aide d’une cible microcontrôleur.
Volumes horaires
- S5 - Informatique Spécialisée : 12h = 3h CM + 9h TD
- S6 - Industrie du futur : 19,5h = 4,4h CM + 9h TD + 6h TP
Contenu/progression sur les deux semestres
S5
- Contexte Objets Connectés
- MQTT : envoyer/recevoir des données
- Javascript => Node.js => NodeRed
- analyser des données temps réel : détection d'anomalies ponctuelles (type abberation) par approche statistique
- traiter des données temps réel : filtrage
S6 (prévision)
- Traitement numérique du signal : traitement de donnnées temps réel -> lissage, détection de changements, détection de motifs
- Apprentissage artificiel : classification supervisée/non supervisée
- Traitement de données : ACP
- Génération de données avec capteurs et SBC
Évaluations
- BUT3 AII : Dossier à rendre sur Étape 3 - Node.js : Détection temps réel d'anomalies de type données aberrantes
- Deadline : 19 janvier 2023 (inclu)
- Envoi par email : codes sources + pdf
- Contenu du PDF :
- Courte introduction
- Pour chaque source d'anomalie :
- Description de l'anomalie présente
- Description/explication (texte/math/graphiques) de votre solution de détection
- Validation/conclusion sur votre solution de détection
- Courte conclusion
Élements de Cours Magistral
- S5 : Support de cours en pdf
- S6 :
Travaux Dirigés / Pratiques
S5
- Étape 1 - MQTT : envoyer/recevoir des données
- Étape 2 - Node.js : envoyer/recevoir des données avec MQTT
- Étape 3 - Node.js : Détection temps réel d'anomalies de type données aberrantes
- Étape 4 - Node.js : filtrage de données temps réels
- NodeRed
- Projet Node.js/NodeRed : suivi de données météorologiques
S5
Note sur l'installation de paquets avec npm
- L'installation d'un paquet par
npm install mqttest locale à un module (donc à un emplacement de dossier). Le paquet est installé dans le dossiernode_moduledu dossier où la commande est lancée. - L'installation d'un paquet par
npm install -g mqttest globale. Le paquet est installé dans le dossier%APPDATA%/npm/node_modules. - Le dossier d'installation global n'est pas reconnu par défaut par Node.js. Pour utiliser un paquet global, une des solutions est de créer la variable d'environnement
NODE_PATHavec le contenu%AppData%/npm/node_modules
