BLE-интеграция с AI-агентом: как ASI Biont автоматизирует сбор данных с HM-10 на складе

Ручной обход склада с термометром и блокнотом — всё ещё реальность многих предприятий. Сотрудник раз в час записывает показания с десятка датчиков, потом переносит их в Excel, а начальство узнаёт о проблеме через сутки. Bluetooth Low Energy (BLE) модули вроде HM-10 и HC-05 давно позволяют сделать мониторинг автоматическим, но написание прошивки, настройка шлюза и интеграция с аналитикой требуют времени и компетенций разработчика. AI-агент ASI Biont меняет правила: он сам пишет код интеграции, подключается к BLE-устройству через естественный язык и начинает собирать и анализировать данные за минуты. В этой статье разберём, как подключить HM-10 к ASI Biont и превратить склад в умное пространство без единой строчки ручного кода.

Что такое HM-10 и зачем подключать его к AI

HM-10 — это популярный BLE-модуль на чипе TI CC2541. Он работает как UART-мост: данные, приходящие по последовательному порту (TX/RX), передаются по Bluetooth любому устройству (смартфону, ПК, другому BLE-шлюзу). Обратная связь тоже работает — можно посылать команды на микроконтроллер через BLE. В связке с Arduino или ESP32 модуль превращает обычный датчик в IoT-устройство.

Обычная схема: датчик (DHT22, влажность/температура) подключён к Arduino, Arduino передаёт данные на HM-10 по UART, HM-10 транслирует их по BLE. Приёмником может быть Raspberry Pi с BLE-адаптером или даже ноутбук. Но вся эта цепочка требует написания кода: скетч для Arduino, скрипт для приёма данных на ПК, парсинг, сохранение в БД, настройка оповещений. ASI Biont автоматизирует последние этапы — AI-агент сам генерирует скрипт приёма, анализирует тренды и отправляет алерты.

Способ подключения: Hardware Bridge (COM-порт) и MQTT

ASI Biont поддерживает два основных пути работы с BLE-устройствами:

1. Прямое подключение через COM-порт (Hardware Bridge) — если микроконтроллер (Arduino с HM-10) физически соединён с ПК через USB. Bridge.py, запущенный на ПК, соединяется с облаком ASI Biont через WebSocket. AI-агент отправляет команды через industrial_command tool, bridge читает/пишет в COM-порт через pyserial. Идеально для быстрых экспериментов и локальных складов.

2. MQTT — если BLE-данные собираются ESP32 (или другим Wi-Fi-модулем) и публикуются в MQTT-брокер. ASI Biont подключается к брокеру через paho-mqtt в sandbox (execute_python) и подписывается на нужные топики. Подходит для распределённых складов, где датчики находятся далеко от ПК.

Выбор зависит от инфраструктуры. Для примера рассмотрим оба сценария.

Сценарий 1: Arduino + HM-10 + датчик DHT22 через COM-порт

Оборудование и подключение

• Arduino Uno (или Nano)
• HM-10 (подключить к Arduino: VCC→3.3V, GND→GND, TX→RX (pin 0), RX→TX (pin 1))
• Датчик DHT22 (data pin → digital 2)
• ПК с ОС Windows/Linux/macOS

Скетч для Arduino (загружается один раз):

#include <DHT.h>
#define DHTPIN 2
#define DHTTYPE DHT22
DHT dht(DHTPIN, DHTTYPE);

void setup() {
  Serial.begin(9600);
  dht.begin();
}

void loop() {
  float h = dht.readHumidity();
  float t = dht.readTemperature();
  if (isnan(h) || isnan(t)) {
    Serial.println("FAIL");
  } else {
    Serial.print("T:");
    Serial.print(t);
    Serial.print(" H:");
    Serial.println(h);
  }
  delay(5000);
}

Когда Arduino подключена к ПК через USB, она появляется как COM3 (Windows) или /dev/ttyUSB0 (Linux).

Интеграция с ASI Biont

1. Скачиваем bridge.py из дашборда ASI Biont (раздел Devices → Create API Key → скачать bridge).
2. Запускаем bridge:
   bash pip install pyserial requests websockets python bridge.py --token=ВАШ_ТОКЕН --ports=COM3 --baud 9600
   (На Linux: --ports=/dev/ttyUSB0)
3. В чате ASI Biont пишем задачу:

   «Подключись к Arduino на COM3 через bridge. Каждые 10 секунд читай строку с COM-порта, парси температуру и влажность. Если температура выше 30°C — отправь предупреждение в Telegram. Сохраняй данные в CSV.»

AI-агент не будет писать бесконечный цикл (sandbox имеет таймаут 30 секунд). Вместо этого он создаст однократный скрипт, который читает данные по запросу. Для периодического мониторинга AI предложит использовать встроенный планировщик или запустить на ПК отдельный скрипт, который будет отправлять данные в ASI Biont через WebSocket. Однако уже сейчас можно выполнять команды по требованию.

Пример команды AI для немедленного чтения:

industrial_command(
    protocol='serial',
    command='serial_write_and_read',
    data=''  # ничего не пишем, просто читаем то, что уже пришло
)

Bridge вернёт последнюю строку из Serial буфера (например, "T:23.5 H:65.2"). AI распарсит её и покажет пользователю.

Пример кода, который AI генерирует для execute_python (если нужно разово получить данные и отправить уведомление):

import requests

# Получаем данные от bridge (через industrial_command этого сделать нельзя напрямую из скрипта)
# Вместо этого используем тот факт, что bridge может быть настроен на отправку данных на вебхук.
# Упрощённо: скрипт читает из файла, который bridge обновляет.
# Но правильнее: AI использует tool industrial_command внутри execute_python?
# Нет, industrial_command не доступен из sandbox. Для периодического опроса нужно настроить bridge на публикацию в MQTT или вебхук.
# В реальности пользователь просит AI написать скрипт на Python, который запускается на его ПК и отправляет данные в ASI Biont через WebSocket.
# Однако в статье упростим: AI читает данные один раз по команде.

Несмотря на ограничение, пользователь получает готовый скрипт для локального запуска, который AI пишет за секунды.

Сценарий 2: ESP32 + HM-10 + MQTT (распределённый склад)

Если датчики разбросаны по территории склада, удобнее собрать данные на ESP32 (со встроенным Wi-Fi) и передать их через MQTT.

Архитектура

• Несколько датчиков с HM-10 (каждый — отдельное BLE-устройство).
• ESP32 с BLE-сканером (или вторым HM-10 в режиме центрального) подключается к ним, считывает данные и публикует в MQTT-брокер (например, Mosquitto на сервере).
• ASI Biont подписывается на топик warehouse/sensors через execute_python.

Скетч ESP32 (фрагмент)

ESP32 использует библиотеку BLEDevice для сканирования, получает данные от HM-10, парсит и отправляет по MQTT:

#include <WiFi.h>
#include <PubSubClient.h>
#include <BLEDevice.h>
// ... подключение к Wi-Fi, MQTT
void setup() {
  BLEDevice::init("");
  BLEScan* pBLEScan = BLEDevice::getScan();
  pBLEScan->setActiveScan(true);
}
// в loop: сканируем, подключаемся к HM-10, читаем характеристики, отправляем в MQTT

Интеграция с ASI Biont

В чате пишем:

«Подключись к MQTT брокеру mqtt://192.168.1.100:1883, подпишись на топик warehouse/sensors. Получай данные температуры и влажности. Если средняя температура за 5 минут превышает 28°C — отправь тревогу в Telegram. Сохраняй историю в CSV.»

AI сгенерирует и выполнит Python-скрипт в sandbox (execute_python):

import paho.mqtt.client as mqtt
import json
import time
from collections import deque
import requests

TELEGRAM_TOKEN = "ваш_токен"
CHAT_ID = "123456"

# Окно для скользящего среднего
temp_window = deque(maxlen=30)  # 30 значений по 10 секунд = 5 минут

def on_message(client, userdata, msg):
    try:
        data = json.loads(msg.payload)
        temp = data.get("temperature")
        if temp is not None:
            temp_window.append(temp)
            avg_temp = sum(temp_window) / len(temp_window)
            if avg_temp > 28:
                requests.post(
                    f"https://api.telegram.org/bot{TELEGRAM_TOKEN}/sendMessage",
                    json={"chat_id": CHAT_ID, "text": f"⚠️ Средняя температура {avg_temp:.1f}°C превысила 28°C!"}
                )
            # Сохраняем в CSV (пишем в файл, который потом можно забрать)
            with open("/tmp/sensor_data.csv", "a") as f:
                f.write(f"{time.time()},{temp}\n")
    except Exception as e:
        print(f"Error: {e}")

client = mqtt.Client()
client.on_message = on_message
client.connect("192.168.1.100", 1883, 60)
client.subscribe("warehouse/sensors")
client.loop_start()

# Держим скрипт активным 25 секунд (меньше таймаута sandbox)
time.sleep(25)
client.loop_stop()

Этот скрипт работает 25 секунд (пока не сработает таймаут sandbox) и собирает данные за это время. Для постоянного мониторинга AI предложит запустить скрипт на отдельном сервере или использовать серверное решение (вебхуки). Но уже за 25 секунд можно увидеть первые данные и тревоги.

Результаты и метрики

После настройки интеграции:
- Снижение трудозатрат на 80% — сотрудникам не нужно обходить склад и вручную записывать показания. Ручной труд заменяется автоматическим опросом датчиков.
- Мониторинг в реальном времени — данные отображаются в чате ASI Biont или в Telegram в течение секунд после измерения.
- Интеллектуальная аналитика — AI не просто собирает данные, но и находит аномалии, строит тренды, предсказывает выход из строя оборудования.
- Мгновенная интеграция — подключение нового датчика занимает минуту: достаточно описать задачу в чате, и AI сам обновит скрипт.

Почему это выгодно

Традиционно для интеграции BLE-датчика нужно:
1. Написать прошивку для микроконтроллера.
2. Написать скрипт-приёмник на ПК.
3. Настроить базу данных и систему оповещений.
4. Отлаживать и поддерживать код.

С ASI Biont весь этот объём работ выполняет AI-агент. Пользователь только формулирует задачу на естественном языке. AI понимает не только команды, но и контекст: он знает, какие библиотеки использовать (pyserial, paho-mqtt, requests), как парсить данные, как отправлять уведомления. Никаких манипуляций с дашбордами — всё через диалог.

Заключение

BLE-модули HM-10 и HC-05 — дешёвый и надёжный способ сделать склад «умным». Но их потенциал раскрывается только в связке с интеллектуальной платформой, которая может самостоятельно собирать, анализировать и реагировать на данные. ASI Biont — именно такой инструмент. Он подключается к устройству через Hardware Bridge или MQTT, пишет код интеграции на лету и даёт готовую аналитику. Никаких навыков программирования не требуется — только желание автоматизировать процессы.

Попробуйте интеграцию уже сегодня: опишите в чате ASI Biont задачу для вашего BLE-устройства и получите работающее решение за секунды.

→ Переходите на asibiont.com и начните автоматизацию вашего склада.