LI Solutions
Forrige

ForrestApp

En helhetlig IoT-løsning for sanntidsdeteksjon og lokalisering av miljøutslipp over store, avsidesliggende områder

Neste
  • 99 %+
    Oppnådde deteksjon av luftkvalitetsavvik på minuttskala med over 99 % nøyaktighet
  • ~1 km²
    Hver IoT-sensor dekker ~1 km², noe som sikrer bred dekning uten blindsoner selv i områder uten nettverksinfrastruktur
Kunde
ForrestApp (oppstartsbedrift innen miljø-IoT)
Bransje
Miljøovervåking / IoT
Kundeprofil

ForrestApp er en klimateknologisk oppstartsbedrift i tidlig fase som spesialiserer seg på overvåking av luftkvalitet og utslipp. Deres flaggskipprodukt (ForrestApp-systemet) hjelper virksomheter som forsyningsselskaper, gruver, deponier og olje- og gassvirksomheter med å overvåke klimagassutslipp og luftforurensning i sanntid.

Deres «digital nese»-sensorer kombinerer gassdeteksjon med AI for å peke ut hvor et utslipp kommer fra. Utplassert som et nettverk skal de fange opp lekkasjer og forurensningshendelser tidlig nok til at man kan gjøre noe med dem.

Vi bygde hele programvaresiden fra bunnen av, fra IoT-ryggraden til appene.

forrest app screenshot
Problemstilling

Å overvåke luftkvalitet over enorme og avsidesliggende områder er svært utfordrende med tradisjonelle metoder. Kunden sto overfor behovet for å oppdage gasslekkasjer, forurensning eller skogbrannrøyk raskt og presist på steder som skoger og industriområder.

Eksisterende løsninger (faste stasjoner eller manuelle inspeksjoner) var enten for trege, manglet dekning eller ga utilstrekkelig dataanalyse. De ønsket et system som kunne identifisere avvik i sanntid og lokalisere utslippskilden til et lite område, slik at man kunne reagere raskt før små problemer ble til store katastrofer.

forrest app screenshot
Kontekst

ForrestApp måtte plassere ut sensorer i avsidesliggende regioner (f.eks. store rancher, vingårder, fjellskoger) ofte uten pålitelig internett eller strøm. Det betydde at løsningen måtte fungere offline og likevel samle inn data kontinuerlig.

Smertepunkter
  • Tilkoblingshull

    Mange aktuelle steder har begrenset mobildekning. Systemet måtte overføre data via alternative metoder (f.eks. satellittkommunikasjon) for å sikre at ingen data gikk tapt. På samme måte trengte feltpersonell offline tilgang til kart og sensordata når de jobbet ute på stedet.

  • Sanntidsvarsler

    Å oppdage en utslippshendelse (som en metanlekkasje eller brann) selv noen få timer for sent kunne føre til regulatoriske bøter eller sikkerhetsfarer. Kunden krevde umiddelbare varsler og oppdateringer i sanntid fra hver enhet.

  • Skalerbarhet og dekning

    For å dekke store geografiske områder ville flere sensorer bli plassert ut (hver sensor kan overvåke ~1 kvadratkilometer). Plattformen måtte håndtere titalls eller hundrevis av enheter og samle dataene deres i ett dashbord.

  • Nøyaktighet og pålitelighet

    Falske alarmer eller uteblitte deteksjoner måtte minimeres. Løsningens analyse måtte være robust og AI-drevet for å sikre høy presisjon i å identifisere reelle utslippshendelser, ettersom kunden lovet >99 % deteksjonsnøyaktighet til sluttbrukerne sine. I tillegg måtte enhetene være vedlikeholdsfrie (batteridrevne med lang levetid), og programvarearkitekturen måtte være feiltolerant gitt den kritiske naturen til dataene.

Tilnærming

Utviklingsteamet vårt konstruerte en fullstack IoT-plattform som møtte ForrestApps utfordringer ved å kombinere en plattformuavhengig app, IoT-tilkobling og skyinfrastruktur.

Vi valgte Flutter for klientapplikasjonen for å levere en enhetlig opplevelse på Android, iOS og web fra én enkelt kodebase. På backend integrerte vi IoT-plattformen ResIOT og AWS-skytjenester for å håndtere enhetskommunikasjon, databehandling og skalering.

Løsningen ble designet med en offline-first-tankegang og sanntidsfunksjonalitet fra dag én.

forrest app screenshot
Teknologier som ble brukt

Flutter · ResIOT IoT-plattform · AWS (sky- og IoT-tjenester) · satellitt- og LoRaWAN-kommunikasjon · kart-APIer (med offline-fliser) · MQTT/WebSockets for sanntidsoppdateringer

forrest app screenshot
  • Sentrale funksjoner i løsningen
    Integrasjon av IoT-sensornettverk

    Vi koblet et distribuert nettverk av smarte miljøsensorer («digitale neser») til skyen. Hver sensorenhet var utstyrt med LoRaWAN-radio og satellittoppkobling for å overføre data. Ved hjelp av ResIOTs plattform kommuniserer sensorene avlesningene sine i sanntid til en sentral server, selv fra avsidesliggende steder uten internett på bakken. Denne IoT-ryggraden sikret kontinuerlig overvåking døgnet rundt, ettersom sensorene kunne sende telemetri via satellitt hvis 4G/LTE ikke var tilgjengelig.

  • Sentrale funksjoner i løsningen
    Offline-modus og kart

    ForrestApp-mobilappen (bygget i Flutter) ble designet for å fungere pålitelig offline. Vi implementerte lokal datacaching slik at brukere fortsatt kan se de sist synkroniserte sensoravlesningene og statusen hvis de havner utenfor nettverksdekning. Interaktive kart (basert på OpenStreetMap-data) er tilgjengelige i offline-modus ved å laste ned kartfliser på forhånd, slik at feltteknikere kan navigere til sensorplasseringer og se dekningsområder uten tilkobling. Denne offline-first-tilnærmingen var avgjørende for bruk i felt og i landlige utplasseringer.

  • Sentrale funksjoner i løsningen
    Sanntidsovervåking og varsler

    Systemet leverer sanntidsoppdateringer av enhetsstatus og umiddelbare avviksvarsler. Vi utnyttet MQTT- og WebSocket-kanaler (via ResIOT og AWS IoT-tjenester) for å sende sanntidsdata til appens dashbord. I det øyeblikket en sensor oppdager en unormal avlesning (f.eks. en topp i metannivåer eller røykpartikler), genereres et varsel på plattformen. Brukere mottar push-varsler og kan se hendelsen på kartet med den berørte sensoren uthevet. Backend-analysen, drevet av ForrestApps AI-algoritmer, filtrerer ut støy og falske positiver, slik at bare troverdige trusler utløser varsler. Operatørene ser hendelsen mens den fortsatt pågår, ikke i neste ukes rapport.

  • Sentrale funksjoner i løsningen
    Samlet dashbord og plattform

    Vi utviklet et brukervennlig dashbord som er tilgjengelig både via mobilappen og en webportal. Alle sensordata strømmer inn i denne sentraliserte plattformen. Grensesnittet lar kunden og deres kunder se gjeldende avlesninger, historiske trender og analyseinnsikt for hver sensor eller gruppe av sensorer. Nøkkeltall (som gasskonsentrasjon, batteristatus, signalstyrke) oppdateres i sanntid. Vi inkorporerte ResIOTs widget-funksjoner for å inkludere diagrammer, enhetskontroller og kartvisninger av sensorplasseringer på dashbordet. Alt lander på ett sted, på tvers av alle lokasjoner.

  • Sentrale funksjoner i løsningen
    Robust skyinfrastruktur

    Backenden kjører på AWS. Sensordata hentes inn i sanntid og utløser serverløse funksjoner som kjører avviksdeteksjon og sender varsler. Infrastrukturen skalerer fra 10 sensorer til 10 000 uten manuell inngripen, og telemetri lagres på tvers av flere tilgjengelighetssoner med failover, for et overvåkingssystem som går ned er verre enn ingen overvåking i det hele tatt.

Dra
01
02
03
  1. Implementeringsdetaljer
    Fase 1. Innledende kartlegging og design
    • I denne fasen samarbeidet vi tett med kunden for å samle inn krav og forstå arbeidsflyten for miljøovervåking. Vi definerte systemarkitekturen, valgte Flutter for appen og identifiserte ResIOT som en egnet IoT-plattform for enhetshåndtering og kommunikasjon. Teamet planla for sentrale funksjoner som offline-drift, sanntidsvarsler og integrasjon med kundens AI-modell for avviksdeteksjon. Vi laget wireframes for brukergrensesnittet (dashbord og mobilskjermer) og designet databaseskjemaet på AWS for å lagre sensordata og hendelseslogger.
  2. Implementeringsdetaljer
    Fase 2. Utvikling og integrasjon
    • Ingeniørene våre utviklet Flutter-applikasjonen og sky-backenden parallelt. På frontend implementerte vi et intuitivt grensesnitt med dashbord, kart og enhetskontroller, og sikret en god brukeropplevelse både på mobil og desktop. Vi integrerte kartfunksjonalitet med offline-caching slik at brukere kunne laste ned kart over lokasjonene sine. Samtidig konfigurerte IoT-integrasjonsteamet ResIOT-plattformen for å registrere ForrestApp-sensorer og sette opp datakoblinger. Vi skrev backend-tjenester på AWS (ved hjelp av AWS Lambda og API Gateway) for å grensesnitte mot ResIOTs MQTT-datastrøm, og behandlet innkommende sensordata i sanntid. I løpet av denne fasen integrerte vi også kundens AI-logikk: sensordata ble matet inn i en avviksdeteksjonsalgoritme (enten på edge-enheter eller i skyen) for å avgjøre om en utslippshendelse er i ferd med å skje. Utviklingen var iterativ, med ukentlige demoer til kunden, slik at vi kunne innarbeide tilbakemeldinger på funksjoner som varselterskler og rapporteringsanalyse.
  3. Implementeringsdetaljer
    Fase 3. Testing, utrulling og lansering
    • Vi gjennomførte omfattende testing av hele systemet. Dette inkluderte simulering av sensordata for å teste sanntidsvarsling, offline-scenariotester (kjøring av appen uten internett for å sikre datapersistens) og felttester med faktiske maskinvareenheter. Vi finjusterte arbeidsflytene for satellittkommunikasjon for å håndtere ustabil tilkobling på en elegant måte (f.eks. mellomlagring av sensoravlesninger hvis en satellittpassering ble forsinket). Når dette var validert, rullet vi ut sky-komponentene til kundens AWS-miljø og publiserte Flutter-appen til App Store/Play Store for en kontrollert lansering. I sin første feltutplassering oppdaget systemet et testutslipp av gass på under to minutter.

Resultater og effekt

Sanntids hendelsesrespons
deteksjon og handling i løpet av minutter, som minimerer risikoen for ulykker, miljøskader og sanksjoner
Bred dekning med færre hull
~1 km² per sensor, kontinuerlig overvåking uten blindsoner, inkludert avsidesliggende områder
Høy presisjon og færre falske alarmer
99 %+ nøyaktighet gjennom AI-drevet analyse, med dramatisk færre falske alarmer
Forbedret driftseffektivitet
et sentralisert dashbord øker driftseffektiviteten med ~30 % og erstatter manuelle kontroller med automatisert innsikt
Effekt for kunden
lansert med pilotkunder og ble kjernen i kundens kommersielle tilbud

Teknologistakk

før implementering av forrest-appen
Før implementering

Miljøovervåking var reaktiv og fragmentert. Kundens kunder baserte seg på et lappeteppe av lokale sensorer, periodiske manuelle inspeksjoner og etterhåndsrapportering. Dekningen var begrenset, og å oppdage en utslippskilde kunne ta timer eller til og med dager.

etter implementering av forrest-appen
Etter implementering

ForrestApp gir et proaktivt, samlet overvåkingssystem. Automatiserte IoT-sensorer snuser kontinuerlig opp problemer, og i det øyeblikket et avvik oppstår, sendes det ut et varsel med den nøyaktige plasseringen. Det som en gang var en treg, manuell prosess, er nå en øyeblikkelig, datadrevet operasjon. En deponioperatør som bruker ForrestApp kan for eksempel lokalisere en gasslekkasje umiddelbart på det digitale kartet, i stedet for å lete gjennom mål etter mål med land – noe som drastisk reduserer responstiden og forbedrer sikkerheten.

Viktigste lærdommer
Tidlig deteksjon fungerer i feltskala

Å koble sensornettverk med AI-avviksdeteksjon flyttet deteksjon av lekkasjer og forurensning fra timer til minutter, i en skala der manuell inspeksjon aldri var realistisk. For bransjene det gjelder, er det forskjellen mellom en hendelseslogg og en bot.

Viktigste lærdommer
Design for offline- og fjernbruk

Offline-first var riktig valg. Satellitt-backhaul og lokal caching holder systemet i gang på steder helt uten dekning, som er nøyaktig der sensorene trengs mest.

Viktigste lærdommer
Plattformuavhengig effektivitet med Flutter

Én Flutter-kodebase dekket iOS, Android og web, noe som betydde mye på et oppstartsbudsjett. Det identiske grensesnittet på tvers av plattformer gjorde også brukeropplæringen enklere.

Viktigste lærdommer
Skalerbarhet og bærekraft

AWS- og ResIOT-grunnmuren absorberer vekst i sensorer og regioner uten omarbeid. Lang batterilevetid og oppdateringer over luften holder driftskostnaden lav nok til at en oppstartsbedrift faktisk kan drifte flåten på lang sikt.

Viktigste lærdommer
Bygget med kunden, ukentlig

Ukentlige demoer og iterativ testing med oppstartsteamet justerte varselterskler og dashbordfunksjoner mot reelle forventninger. For et helt nytt produkt var den tilbakemeldingssløyfen forskjellen mellom å levere deres idé og å levere vår.

Trenger du en lignende løsning?

Hvis du setter ut sensorer i felt og trenger at programvaresiden er like pålitelig som maskinvaren, snakk med oss. Vi designer hele pipelinen, fra enhet til dashbord.

Kontakt oss