Industrial IoT · Predictive Maintenance · Machine Learning · Data Engineering
ForgePulse es un laboratorio de ingeniería de software que combina telemetría industrial simulada, análisis de condición, un modelo supervisado de Machine Learning y una interfaz web estilo centro de operaciones. Ayuda a explorar cómo priorizar el mantenimiento de bombas, compresores, motores y ventiladores cuando una planta produce series temporales de sensores.
Alcance: laboratorio de simulación industrial ejecutable localmente. Los equipos, sensores, lecturas, incidentes, etiquetas de entrenamiento y probabilidades son sintéticos. No es un SCADA certificado, no controla maquinaria ni predice fallas reales de equipos industriales.
| Centro de control | Telemetría por activo |
|---|---|
![]() |
![]() |
| Inventario y condición | Clasificador predictivo |
![]() |
![]() |
| Gestión de alertas | Pipeline de datos |
![]() |
![]() |
Más capturas: simulador interactivo y responsive
Escenario de desgaste ejecutado:
Modal para inyectar lecturas sintéticas:
Vista móvil:
| Área | Capacidades reales del prototipo |
|---|---|
| Centro de control | KPIs, riesgos de 10 activos, evolución de la flota, zonas de planta, eventos abiertos |
| Sensores IoT simulados | 960 muestras iniciales de temperatura (°C), vibración (mm/s), corriente (A), presión de línea (bar), RPM y horas de uso |
| Machine Learning | Entrenamiento reproducible de RandomForestClassifier, conjunto train/test, matriz de confusión, F1, precisión, recall, AUC e inferencias con predict_proba |
| Equipos industriales | Inventario por tipo y zona, estado calculado, ficha del equipo y series temporales |
| Simulador interactivo | Casos normales, desgaste de rodamiento, sobrecalentamiento y pérdida de presión; inserta nuevas lecturas por API |
| Alertas | Eventos de riesgo, niveles de gravedad, historial y marcado de eventos revisados |
| Data engineering | Generación determinista, validación básica, índice SQL por equipo/fecha, historial, exportación CSV y restablecimiento de demo |
| Interfaz web | 6 secciones navegables, gráficos SVG, búsqueda y filtros, diseño adaptable, sin CDN ni servicios externos |
Python · FastAPI · scikit-learn · NumPy · SQLite · REST · HTML5 · CSS3 · JavaScript · SVG · Pytest · GitHub Actions
flowchart LR
S[Generador IoT sintético\nNumPy] --> V[Validación y normalización]
V --> DB[(SQLite\nHistoriador)]
DB --> API[FastAPI REST]
T[Datos de entrenamiento\nsintéticos] --> ML[RandomForest\nscikit-learn]
ML --> API
API --> UI[Dashboard web\nHTML/CSS/JS/SVG]
UI --> R[Simulador de escenarios]
R --> API
- Backend:
src/forgepulse/api.py,storage.py,simulator.pyymodeling.py. - ML: se entrena desde cero con una semilla fija; el modelo y la ficha de métricas están en
model/. - Persistencia: la base
data/forgepulse.sqlite3se crea al primer arranque y está excluida de Git. - Frontend:
web/sirve una SPA ligera sin instalar paquetes de Node.js. - Evidencias:
docs/screenshots/contiene capturas de vistas renderizadas usando respuestas reales de la API local.
Más detalles en Arquitectura y Modelo y limitaciones.
Requiere Python 3.10 o superior. No requiere Node.js, Supabase, Docker, suscripciones ni dispositivos físicos.
# Clonar el repositorio
# git clone https://github.com/TU-USUARIO/ForgePulse.git
cd ForgePulse
# Crear un entorno virtual
python -m venv .venv
# Activar: Windows PowerShell
# .venv\Scripts\Activate.ps1
# Activar: macOS / Linux
source .venv/bin/activate
# Instalar dependencias
python -m pip install -e .
# Preparar el modelo y los datos de muestra (opcional; se inicializan al arrancar)
python scripts/bootstrap.py
# Iniciar la interfaz y la API
python -m uvicorn forgepulse.api:app --reload --host 127.0.0.1 --port 8000Abre http://127.0.0.1:8000. Documentación de API: http://127.0.0.1:8000/docs.
En PowerShell, usa
.venv\Scripts\Activate.ps1en lugar desource .venv/bin/activate. Sipythonno está disponible, pruebapyen Windows opython3en Linux/macOS.
- Entra a Centro de control para comparar áreas y equipos críticos.
- Selecciona C-201 en Telemetría IoT y alterna temperatura, vibración y corriente.
- Visita Predictive AI para ver métricas y variables importantes del clasificador.
- Pulsa Simular evento y selecciona un activo con el escenario
Desgaste de rodamiento. - Regresa al centro de control para ver el nuevo riesgo; en Centro de alertas, marca el evento como revisado.
- Descarga los datos con Exportar CSV y, cuando lo desees, utiliza Restaurar demo desde Data pipeline.
El primer arranque genera aproximadamente 24 horas de historial a intervalos de 15 minutos. No existe actualización automática continua de sensores: las nuevas lecturas se generan mediante el simulador de eventos.
| Método | Ruta | Función |
|---|---|---|
GET |
/api/health |
Disponibilidad de la API |
GET |
/api/overview |
Estado, indicadores, tendencias y riesgos por zona |
GET |
/api/assets |
Lista de equipos y condición actual |
GET |
/api/assets/{asset_id} |
Equipo, lecturas y alertas |
GET |
/api/model |
Evaluación, variables y matriz de confusión |
GET |
/api/alerts |
Bandeja de eventos |
POST |
/api/alerts/{id}/acknowledge |
Marcar alerta revisada |
POST |
/api/simulate |
Generar una nueva lectura sintética |
GET |
/api/pipeline |
Estadísticas de calidad y esquema |
GET |
/api/export.csv |
Exportar telemetría |
POST |
/api/demo/reset |
Regenerar datos de demostración |
Ejemplo para generar una lectura:
curl -X POST http://127.0.0.1:8000/api/simulate \
-H "Content-Type: application/json" \
-d '{"asset_id":"M-301","scenario":"bearing"}'El clasificador trabaja con 6 variables: temperature, vibration, current, pressure, rpm y hours. Se generan 9.000 observaciones artificiales y se separan en 6.750 entrenamiento / 2.250 prueba. La etiqueta de riesgo se construye aplicando una función sintética con ruido controlado.
| Métrica en el conjunto de prueba sintético | Resultado de referencia |
|---|---|
| Accuracy | 91,7 % |
| Precision | 87,2 % |
| Recall | 89,9 % |
| F1 | 88,5 % |
| ROC-AUC | 97,4 % |
Estas métricas son válidas exclusivamente para el escenario de entrenamiento generado y no constituyen evidencia de rendimiento en una planta real. El valor mostrado como riesgo en la UI es la salida predict_proba del modelo sobre esta distribución sintética, no una probabilidad industrial calibrada.
Para repetir el entrenamiento:
python scripts/train_model.pypython -m pip install -r requirements-dev.txt
python -m pytest -qIncluye 4 pruebas automatizadas que verifican endpoints, almacenamiento, simulador, reconocimiento de equipos, confirmación de alertas, validación, exportación, reinicio de datos y metadatos del clasificador. El workflow en .github/workflows/check.yml ejecuta las pruebas en GitHub Actions después de instalar dependencias.
Además, durante el desarrollo se comprobaron seis secciones del frontend en Chromium y se ejercitaron la simulación y el marcado de alertas sin errores JavaScript. El entorno de captura utilizó un puente local para consultar la API durante el renderizado del frontend.
ForgePulse/
├── src/forgepulse/
│ ├── api.py # Rutas REST + frontend
│ ├── storage.py # SQLite, índices, alertas y registros
│ ├── simulator.py # Generador IoT y escenarios
│ └── modeling.py # Entrenamiento, métricas e inferencia ML
├── web/ # Interfaz responsive (HTML, CSS, JS, SVG)
├── model/ # Pesos del modelo + evaluación reproducible
├── data/ # Base SQLite local (generada al iniciar)
├── examples/ # Muestra de lecturas exportables
├── tests/ # Pruebas API / ML
├── scripts/ # Reentrenamiento e inicialización
├── docs/
│ ├── screenshots/ # 9 imágenes de la interfaz
│ ├── ARCHITECTURE.md
│ └── MODEL_CARD.md
├── .github/workflows/ # Integración continua
├── requirements*.txt
└── README.md
ForgePulse demuestra fundamentos de Ingeniería de Sistemas + Mecatrónica + IA aplicada, pero no implementa drivers OPC-UA, MQTT real, conexión a PLC, dispositivos físicos, autenticación empresarial, streaming de producción, predicción validada de vida útil restante ni una aplicación certificada para seguridad industrial.
Siguientes iteraciones posibles: integrar un broker MQTT local, registrar datos de sensores de un laboratorio, comparar algoritmos con un dataset abierto de fallas, supervisar deriva de datos y estimar RUL con validación temporal.
Fanaker Labs · Proyecto personal de monitoreo industrial, IoT simulado y mantenimiento predictivo con Machine Learning. Código bajo licencia MIT.







