Опубликовано: 20.09.2026 | Источник: ZDNet – Enterprise Software

IoT-телеметрия в дипломе: сенсоры Dyson V15 как основа измеримой архитектуры

Сначала — семантический разбор материала, из которого мы будем строить тему.

Почему пылесос вообще попал в разговор про диплом

ZDNet пишет: Dyson V15 Detect Plus получает скидку 29% в рамках Amazon Big Spring Sale, а сама модель уверенно переключается между ковром и твёрдым покрытием. Для потребителя это просто выгодная покупка. Для выпускника ИТ-направления — готовый сценарий технического задания.

Смотрите, что здесь есть с инженерной точки зрения. Устройство непрерывно генерирует поток данных: пьезоэлектрический сенсор считает и классифицирует частицы, лазерная подсветка помогает обнаруживать пыль на гладком полу, контроллер двигателя перестраивает мощность, батарея отдаёт состояние заряда. Это классический edge-узел: сенсоры, локальная обработка, адаптивное управление, телеметрия наружу. Именно на таких узлах строятся современные системы промышленного интернета вещей, удалённого мониторинга оборудования и предиктивной диагностики.

Плюс вторая сюжетная линия — сама скидка 29% на маркетплейсе. Цена меняется, покупатель хочет понимать, когда брать. Это уже задача сбора, хранения и прогнозирования временных рядов. Двух этих векторов хватает, чтобы собрать полноценную ВКР, которую комиссия примет не из вежливости, а по существу.

Три темы, которые реально защищаются

Тема 1. Сервис сбора и обработки телеметрии парка IoT-устройств

Актуальность. Умная бытовая техника превратилась в массовый источник данных, но большинство производителей отдают её в закрытые приложения. Открытая архитектура сбора телеметрии (как у Dyson V15, где состояние и режим работы доступны наружу) — это то, что востребовано в промышленности и умном доме.

Цель: спроектировать и реализовать сервис приёма, нормализации и хранения телеметрии с гарантией доставки и наблюдаемостью.

• Обосновать транспортный протокол и сравнить MQTT 5.0, HTTP/REST и gRPC по накладным расходам.
• Спроектировать схему топиков и формат сообщения, рассчитать пиковую нагрузку на 5 000 устройств.
• Развернуть хранилище временных рядов и настроить политики ретенции.
• Собрать дашборды и провести нагрузочное тестирование.

Структура. Глава 1 — обзор протоколов и стандартов (MQTT 5.0, Sparkplug B, ISO/IEC 25010). Глава 2 — архитектура: брокер, нормализатор, TimescaleDB, Kubernetes. Глава 3 — тестирование, метрики производительности и расчёт стоимости владения.

Тема 2. Классификация типа покрытия по данным бортовых сенсоров

Актуальность. Фраза из статьи про «легко переходит с ковра на паркет» — это задача распознавания поверхности в реальном времени. Решается на устройстве, без облака, — значит, TinyML, ограничения по памяти и энергопотреблению.

Цель: построить модель, которая по току двигателя и показаниям IMU определяет тип покрытия и переключает режим всасывания.

• Сформировать и разметить датасет переходов ковёр/паркет/плитка.
• Выполнить извлечение признаков во временной и частотной областях.
• Сравнить логистическую регрессию, случайный лес и одномерную CNN по метрикам accuracy и F1.
• Оценить задержку инференса и потребление на микроконтроллере.

Структура. Глава 1 — теория обработки сигналов и обзор TinyML-фреймворков. Глава 2 — пайплайн данных, обучение, квантизация. Глава 3 — метрики качества и энергопрофиль.

Тема 3. Система мониторинга цен и прогноза момента покупки на маркетплейсе

Актуальность. Скидка 29% во время Big Spring Sale — типичный пример акционного окна. Розничные цены на маркетплейсах меняются ежедневно, и задача прогнозирования момента покупки имеет прямую экономическую ценность.

Цель: разработать систему сбора ценовых рядов, их анализа и выдачи рекомендации о времени покупки.

• Спроектировать парсер каталога с соблюдением ограничений на частоту запросов.
• Построить хранилище временных рядов и очистку выбросов.
• Сравнить прогнозные модели: наивная, SARIMA, Prophet, градиентный бустинг.
• Оценить экономический эффект: сколько экономит пользователь, если ждёт прогнозируемого минимума.

Структура. Глава 1 — обзор рынка и методов анализа временных рядов. Глава 2 — архитектура сервиса и схема БД. Глава 3 — качество прогноза (MAPE, MAE) и расчёт эффекта внедрения.

Аналитическая глава: как превратить обзор в обоснование

Первая глава чаще всего проваливается не из-за слабого текста, а из-за отсутствия критериев сравнения. Заведите таблицу альтернатив с числовыми оценками — и вопрос «почему вы выбрали именно это?» перестанет быть опасным.

Формат сообщения лучше зафиксировать сразу — он пойдёт в приложение к ТЗ и в главу «Проектирование».

topic: vkr/vacuum/{device_id}/telemetry

{
  "ts": "2026-03-25T10:14:02Z",
  "motor_current_a": 4.82,
  "piezo_particle_count": 1420,
  "surface": "hardwood",
  "battery_soc": 0.63,
  "suction_mode": "auto_boost"
}

И не забудьте про ГОСТ. ТЗ на систему оформляется по ГОСТ 34.602-89, схемы алгоритмов и данных — по ГОСТ 19.701-90. Комиссия на защите редко читает ваш код, но на эти два документа смотрит почти всегда.

Проектная часть: слои, контракты, развёртывание

Разложите систему на слои и опишите каждый отдельным подразделом: слой устройств (MQTT-клиент, буферизация при обрыве связи), транспортный слой (брокер, аутентификация по сертификатам, топик-ACL), слой обработки (нормализация, дедупликация, потоковые правила), слой хранения (TimescaleDB с hypertable по времени и сжатием старых чанков), слой представления (Grafana).

Дальше — диаграммы. Компонентная диаграмма, диаграмма последовательности для сценария «устройство потеряло сеть на 40 секунд и восстановило отправку», диаграмма развёртывания в Kubernetes: Deployment для нормализатора, StatefulSet для брокера, PersistentVolume для базы. Каждую диаграмму сопровождайте абзацем текста — что именно она доказывает.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: telemetry-normalizer
spec:
  replicas: 3
  template:
    spec:
      containers:
      - name: normalizer
        image: registry.local/telemetry-normalizer:1.4.0
        env:
        - name: OTEL_EXPORTER_OTLP_ENDPOINT
          value: http://otel-collector:4317

Если Kubernetes кажется избыточным — так и напишите в тексте, обосновав выбор docker-compose для пилотного контура и описав критерии перехода к оркестратору. Это сильнее, чем молча развернуть кластер «потому что модно».

Тестирование и метрики: где защита выигрывается

Привяжите метрики к характеристикам качества из ISO/IEC 25010 — тогда у вас будет не список цифр, а измеримая модель качества.

Для наблюдаемости достаточно instrument-нуть сервис через OpenTelemetry и снять базовые запросы:

histogram_quantile(
  0.95,
  sum(rate(telemetry_ingest_latency_seconds_bucket[5m])) by (le)
)

Нагрузочное тестирование опишите честно: сколько виртуальных устройств, какая частота публикаций, как росла очередь на брокере. График деградации при превышении расчётной нагрузки ценится выше, чем идеально ровный график без объяснений.

Чему вы научитесь на такой работе

• Обосновывать стек числами, а не фразой «широко используется».
• Проектировать потоковые пайплайны с гарантиями доставки и ретенцией.
• Строить наблюдаемость: метрики, трассировки, дашборды, алерты.
• Оформлять ТЗ и схемы по ГОСТ 34.602-89 и ГОСТ 19.701-90.
• Считать экономику внедрения: TCO, стоимость хранения гигабайта телеметрии в месяц, эффект от сокращения простоев.

Частые вопросы

Источник: Dyson's cordless vacuum can handle kid and pet messes - and it's nearly 30% off at Amazon (опубликовано 2026-03-25)