Een intelligent, goedkope waterkwaliteitsmonitor met on‑device machine learning en cloudintegratie

Waarom slimere watercontroles ertoe doen

Veilig drinkwater wordt door de meeste mensen als vanzelfsprekend beschouwd, maar vervuiling en verouderende infrastructuur betekenen dat wat uit de kraan komt niet altijd zo schoon is als het lijkt. Traditionele watertests vereisen vaak dat monsters naar een verafgelegen laboratorium worden gestuurd en dat je een dag of twee op uitslagen moet wachten — een gevaarlijke vertraging als dat water al in huizen, scholen of op boerderijen wordt gebruikt. Dit artikel beschrijft een goedkope, kofferformaat oplossing die direct op een leiding of opslagtank kan worden geplaatst, continu het water bewaakt met eenvoudige sensoren en ingebouwde kunstmatige intelligentie gebruikt om in real time te beslissen of het water normaal is, verdund door regen of verontreinigd door agressieve chemicaliën.

Hoe een klein kastje je kraan in de gaten houdt

Het hart van het systeem is een kleine maar krachtige microcontrollerkaart genaamd ESP32, die fungeert als een uitgeklede computer. Deze is aangesloten op vier goedkope sensoren die basiskenmerken van water meten: hoe zuur of basisch het is (pH), hoeveel opgeloste zouten en mineralen het bevat (totale opgeloste stoffen, of TDS), hoe helder het is (troebelheid) en de temperatuur. Samen geven deze metingen een snelle gezondheidscontrole: bijvoorbeeld zeer troebel water of een ongewone stijging van opgeloste stoffen kan wijzen op afspoeling van straten of een lek van reinigingsmiddelen. De ESP32 verzamelt honderden ruwe metingen per seconde, filtert de ruis uit de signalen en zet ze om in fysisch zinvolle waarden die in de tijd met elkaar vergeleken kunnen worden.

Intelligentie naar de edge brengen

De meeste bestaande “slimme” watersystemen sturen deze sensorgegevens simpelweg naar het internet en laten verre servers bepalen wat ze betekenen. Die aanpak faalt wanneer het netwerk traag, duur of helemaal niet beschikbaar is. In dit werk trainen de auteurs een compact neuraal netwerk — een vorm van machine learningmodel — dat zo klein is dat het in ongeveer 14,5 kilobyte geheugen past, en slaan het vervolgens direct op de ESP32 op. Met behulp van 6.000 zorgvuldig verzamelde voorbeelden van hun eigen prototype (normaal kraanwater, regenwater en water waaraan huishoudbleekmiddel is toegevoegd om chemische morsingen te simuleren) leert het model patronen te leggen tussen de vier sensormetingen en drie categorieën: Normaal, Regenafspoeling en Chemische verontreiniging. Eenmaal getraind kan het in ongeveer een duizendste van een seconde een beslissing nemen, met een gerapporteerde nauwkeurigheid van ongeveer 99 procent op hun testgegevens.

Besparing van stroom, opslag en reactietijd

Aangezien dergelijke systemen maandenlang in afgelegen gebieden moeten kunnen draaien, ligt de ontwerpfocus naast intelligentie ook op zuinigheid. In plaats van elke seconde van gegevens op te slaan, kan het apparaat overschakelen naar een “fluctuatie‑gebaseerde” modus die alleen gegevens naar een geheugenkaart schrijft wanneer de watermetingen daadwerkelijk meer veranderen dan de normale sensorruis. In een 24‑uurstest verminderde dit het aantal geheugenbewerkingen met meer dan 98 procent, wat helpt de levensduur van de kaart te verlengen en het energieverbruik te verminderen. Tegelijkertijd gebruikt de ESP32 ingebouwde draadloze netwerkmogelijkheden om momentopnames van metingen en modelbesluiten naar een clouddatabase te sturen, waar een eenvoudige web‑ en mobiele dashboard live grafieken en statusindicatoren voor externe gebruikers toont.

Van inzicht naar automatische veiligheid

Het systeem doet meer dan alleen het water labelen; het kan ook op die labels handelen. De auteurs verbinden de ESP32 met een relais dat een kleine pomp aanstuurt die water van een tank naar de rest van het systeem, bijvoorbeeld een huisaansluiting, voedt. Wanneer het on‑board model of basisveiligheidsdrempels aangeven dat het water buiten een door de gebruiker gedefinieerd veilig bereik valt, schakelt de controller onmiddellijk de voeding naar de pomp uit — zonder op een signaal uit de cloud te wachten. Een ingebouwde buffer, bekend als hysterese, voorkomt dat de pomp snel aan en uit schakelt wanneer metingen dicht bij de grens schommelen. In een daglange proef draaide de volledige opstelling continu zonder vastlopen, terwijl sensorkontroles aantoonden dat de metingen nauwkeurig genoeg waren voor dagelijks monitoren.

Wat dit betekent voor alledaagse waterveiligheid

Voor een niet‑specialist is de belofte van dit werk eenvoudig: voor minder dan tachtig dollar aan onderdelen is het nu mogelijk een compact “wachter”‑apparaat te bouwen dat constant basiswaterkwaliteit bewaakt en binnen enkele seconden een toevoer kan afsluiten als er iets verdacht uitziet. De huidige prototype is afgestemd op slechts enkele typen verontreiniging en gebruikt hobby‑klasse sensoren die langzaam kunnen driften en periodiek onderhoud en herkalibratie nodig hebben, dus het is nog geen volledige vervanging voor gecertificeerde tests. Maar zoals de auteurs betogen, biedt het combineren van goedkope elektronica met slimme on‑site leermodellen een krachtige nieuwe beschermingslaag, vooral voor landelijke of laagresources gemeenschappen die niet kunnen vertrouwen op snelle laboratoriumanalyse of een onfeilbare internetverbinding om te weten of hun water veilig is.

Bronvermelding: Sharma, S., Mishra, D., Yadav, A. et al. An Intelligent, low-cost water quality monitoring system with on-device machine learning and cloud integration. Sci Rep 16, 11106 (2026). https://doi.org/10.1038/s41598-026-37287-3

Trefwoorden: waterkwaliteitsmonitoring, IoT‑sensoren, edge machine learning, TinyML, drinkwaterveiligheid