Опубликовано: 22.04.2026 | Источник: ZDNet – Enterprise Software

IoT-системы в дипломе: как на примере умного цветочного горшка сделать ВКР по Data Engineering защищаемым

Поддомен: Data Engineering

Роль: Data/ML-инженер

Введение

Автор статьи оставил умный горшок LeafyPod без присмотра на два месяца — и растение выжило. Почему? Потому что система автономно собирала данные, анализировала влажность, освещённость, температуру и принимала решения. Это не просто «умный гаджет» — это полноценный кейс для диплома по Data Engineering. Такие системы — основа умных домов, агротеха и промышленного IoT. А для студента это шанс показать в работе реальные навыки: от сбора данных до построения пайплайнов и валидации моделей. И всё это — с минимальными затратами и максимальной защищаемостью.

Темы ВКР: как превратить LeafyPod в дипломный проект

Основная часть: как встроить кейс в структуру ВКР

Глава 1: Теоретический анализ — от LeafyPod к архитектурным паттернам

Не просто пересказывайте статью — анализируйте. Задайте вопросы: как LeafyPod обрабатывает данные? Локально или в облаке? Какие протоколы использует? Это позволяет перейти к архитектурным паттернам: event-driven architecture, edge computing, publish-subscribe.

Используйте C4-модель для описания системы:

• C1 (Контекст): Пользователь → LeafyPod → Облако → Мобильное приложение
• C2 (Контейнеры): Микроконтроллер (ESP32), MQTT-брокер, база данных, веб-интерфейс
• C3 (Компоненты): Датчик влажности, насос, логика принятия решений

Сравните с вашим решением — это покажет глубину анализа. Упомяните ГОСТ 34.19-93 при описании диаграмм — это важно для нормоконтроля.

Глава 2: Проектирование и реализация — от схемы к коду

Реализуйте пайплайн, аналогичный LeafyPod. Например, на ESP32 с датчиками влажности и освещённости. Данные отправляются через MQTT в брокер (Mosquitto), затем — в InfluxDB, визуализируются в Grafana.

Пример конфигурации MQTT-клиента на Python:

import paho.mqtt.client as mqtt
import json
import time

def on_connect(client, userdata, flags, rc):
    print("Connected with result code " + str(rc))

client = mqtt.Client()
client.on_connect = on_connect
client.connect("localhost", 1883, 60)

while True:
    data = {
        "sensor_id": "soil_moisture_01",
        "value": read_moisture(),  # функция чтения с датчика
        "timestamp": time.time()
    }
    client.publish("iot/plants/moisture", json.dumps(data))
    time.sleep(60)  # отправка раз в минуту

Для хранения используйте TimescaleDB — она оптимизирована под временные ряды. В схеме БД — таблица sensor_readings с полями: time, sensor_id, value, unit.

Глава 3: Тестирование и оценка эффективности

Не ограничивайтесь фразой «система работает». Считайте метрики:

• Время автономной работы — аналог ситуации из статьи (2 месяца)
• Точность срабатывания насоса — сколько раз полив был избыточным/недостаточным
• Задержка передачи данных — критично для edge-устройств
• Надёжность — количество потерянных сообщений (по ISO/IEC 25010)

Сравните с ручным уходом: например, ведите два горшка — один автоматический, другой ручной. Это даст статистику для защиты.

Чему вы научитесь

• Проектировать отказоустойчивые data pipeline для IoT-устройств
• Работать с временными рядами: сбор, хранение, визуализация
• Оценивать эффективность системы по метрикам ISO/IEC 25010
• Оформлять архитектурные диаграммы по C4 и ГОСТ 34.19-93
• Считать и интерпретировать метрики: latency, uptime, accuracy

FAQ

Какой стек выбрать для реализации, если нет железа?

Используйте симуляторы. Например, в Python напишите скрипт, генерирующий фейковые данные влажности. Имитируйте ESP32 через Docker. Главное — показать пайплайн. На защите можно сказать: «Реализация выполнена в симуляции, так как оборудование недоступно, но архитектура полностью соответствует промышленным стандартам».

Сколько кода должно быть в приложении?

Достаточно 300–500 строк ключевого кода: MQTT-клиент, обработка данных, логика полива. Остальное — конфиги, тесты. Главное — чтобы код был работоспособным и прокомментированным. Не гонитесь за объёмом — ценится качество и воспроизводимость.

Как считать эффективность, если нет реального растения?

Используйте модель. Например, задайте диапазон «нормальной влажности» (30–70%). Считайте, сколько % времени система поддерживала этот диапазон. Это и будет метрика эффективности. Можно сравнить с «идеальным» сценарием (ручной контроль по логам).

Как оформить схему архитектуры, чтобы прошла нормоконтроль?

Используйте C4 или UML. Все элементы — с подписями. Масштаб, легенда, номер рисунка (например, «Рисунок 2.1 — Контекстная диаграмма системы»). Сохраняйте в вектор (SVG или PDF), вставляйте в приложение. Обязательно ссылайтесь в тексте: «Как показано на рисунке 2.1…».

Источник: I let a smart planter maintain itself while I was away for 2 months - here's the result (опубликовано 2026-04-05)