Поддомен: Data Engineering (промышленная телеметрия / IoT). Роль: Data/ML-инженер.
Калифорнийская пивоварня отказалась от закупки пищевого углекислого газа и поставила установку, которая буквально вытягивает CO₂ из атмосферного воздуха, доводит его до чистоты 99,999% и подаёт в линию розлива. Для выпускника это не курьёз, а готовый полигон для ВКР: здесь есть первичные датчики, поток телеметрии, алгоритм валидации качества и измеримый экономический эффект. Разберём, как превратить новость в защищаемую работу — с архитектурой, метриками и оформлением по ГОСТ.
| Тема | Актуальность (отсылка к статье) | Цель и задачи | Структура |
|---|---|---|---|
| 1. Контур IoT-мониторинга CO₂-рекуперации на пивоварне | Установка работает в непрерывном цикле — без телеметрии невозможно доказать, что чистота держится на уровне 99,999%. | Цель: спроектировать систему сбора и визуализации данных. Задачи: обзор датчиков (NDIR, электрохимические), выбор протокола (MQTT/OPC UA), схема хранения (time-series), дашборды, алертинг по дрейфу. |
Гл.1 — анализ предметной области и стандартов (ГОСТ 8050-85, ISO/IEC 25010). Гл.2 — проектирование: C4-диаграмма, схема развёртывания. Гл.3 — нагрузочное тестирование и оценка задержек. |
| 2. Алгоритм валидации чистоты газа по временному ряду | Заявленные «пять девяток» — это 10 ppm примесей; нужен воспроизводимый способ подтверждения, а не надпись на корпусе. | Цель: разработать методику проверки качества. Задачи: калибровка по эталону, скользящее окно, отсечение выбросов, расчёт MAE и RMSE, критерии годности партии. |
Гл.1 — метрология и пищевые требования. Гл.2 — реализация валидатора (Python). Гл.3 — испытания на ретроспективных данных. |
| 3. Оценка энергетической и экономической эффективности рекуперации | Пивоварня устала платить за газ — значит, эффект считается в деньгах и киловаттах. | Цель: построить модель TCO и окупаемости. Задачи: учёт энергопотребления компрессора, потерь, стоимости закупки CO₂, чувствительность к тарифу. |
Гл.1 — обзор рынка CO₂ и рисков поставок. Гл.2 — модель в виде BPMN + расчётная таблица. Гл.3 — сценарии «пессимистичный/базовый/оптимистичный». |
Не пересказывайте новость. Стройте рамку: какие примеси критичны для пищевого CO₂ (влага, масла, O₂, SO₂), какие нормативы применимы. ГОСТ 8050-85 задаёт технические условия на газообразную и жидкую двуокись углерода, а модель качества ISO/IEC 25010 пригодится, чтобы формализовать нефункциональные требования к вашей системе мониторинга: надёжность, производительность, сопровождаемость. Схему поставьте через ГОСТ 34.601-90 — стадии создания автоматизированной системы, это снимет половину вопросов нормоконтроля.
Классическая ошибка — нарисовать «облако» и остановиться. Нужна детализация до протоколов.
[CO₂ в атмосфере]
│
▼
[Мембранный/адсорбционный модуль] ──► [Компрессор]
│
▼
[NDIR-датчик чистоты] ──► [ESP32 / PLC] ──(Modbus RTU)──► [Шлюз]
│
(MQTT/TLS)
▼
[Брокер Mosquitto]
│
┌─────────────┴─────────────┐
▼ ▼
[Telegraf] [Alertmanager]
│
▼
[InfluxDB 2.x]
│
▼
[Grafana]
Для промышленного сегмента вместо Modbus часто уместнее OPC UA — это даст отдельный подраздел про интероперабельность. Для наблюдаемости экспериментов добавьте OpenTelemetry: трейсы помогут показать в третьей главе, где именно теряется время между замером и алертом.
# docker-compose.fragment.yml — стенд для экспериментов во 2-й главе ВКР
services:
mqtt:
image: eclipse-mosquitto:2.0
ports: ["1883:1883"]
volumes: ["./mosquitto.conf:/mosquitto/config/mosquitto.conf"]
tsdb:
image: influxdb:2.7
environment:
DOCKER_INFLUXDB_INIT_MODE: setup
DOCKER_INFLUXDB_INIT_ORG: vkr-co2
DOCKER_INFLUXDB_INIT_BUCKET: sensors
DOCKER_INFLUXDB_INIT_RETENTION: 90d
viz:
image: grafana/grafana:10.4.0
ports: ["3000:3000"]
depends_on: [tsdb]
Комиссия почти всегда спрашивает: «А как вы измерили эффект?» Держите под рукой набор:
| Метрика | Что показывает | Как считать |
|---|---|---|
| Время установления равновесия | Скорость выхода на рабочую чистоту | t от старта до входа в допуск ±5% от целевого ppm |
| MAE / RMSE датчика | Расхождение с эталонным газом | Сравнение с поверочной смесью, N ≥ 30 |
| Доля времени в допуске | Реальная надёжность, а не паспортная | Σ(время_в_допуске) / T_наблюдения |
| Задержка «замер → алерт» | Пригодность к real-time | P95 по трейсам OpenTelemetry |
| Себестоимость кг CO₂ | Экономический смысл установки | (электроэнергия + амортизация + ТО) / масса газа |
Три пути: открытые наборы по качеству воздуха и CO₂ (EPA, EEA), синтетический генератор временного ряда по паспортным характеристикам датчика, и лабораторный стенд на ESP32 + NDIR-сенсор за 3–5 тысяч рублей. Второй путь самый честный: генерируете ряд с известным шумом и дрейфом, а потом показываете, что ваш алгоритм ловит деградацию.
Смотря на кафедре. Если у вас Data Engineering, добавьте прогноз дрейфа калибровки обычной линейной регрессией или Prophet. Это уже даёт полноценную третью главу: обучение, валидация, метрики MAE/RMSE на отложенной выборке.
Нужно. Формулу TCO разобрать несложно: капитальные затраты, энергия, обслуживание, стоимость альтернативы. Комиссия ценит, когда выпускник понимает, зачем вообще внедряется система. Только не подменяйте расчёт лозунгами про экологию — приводите киловатт-часы и рубли.
Достаточно одной страницы и ссылок на источники. Ваш вклад — информационная система вокруг процесса, а не физика сорбции. Если начнёте пересказывать термодинамику, потеряете фокус и получите замечание о несоответствии темы и содержания.
Источник: Пиво из воздуха: установка всасывает CO₂ из атмосферы, очищает до 99,999% — и льёт в ваш бокал (опубликовано 2026-03-24)