Skip to content

About

Industrial IoT monitoring and predictive maintenance lab with simulated sensors, alerts, and a trained machine learning model.

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

ForgePulse — Industrial Intelligence

Industrial IoT · Predictive Maintenance · Machine Learning · Data Engineering

ForgePulse — centro de control

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.

Vista rápida

Centro de control Telemetría por activo
Monitoreo Sensores
Inventario y condición Clasificador predictivo
Activos Machine learning
Gestión de alertas Pipeline de datos
Alertas Pipeline
Más capturas: simulador interactivo y responsive

Escenario de desgaste ejecutado:

Simulación de desgaste

Modal para inyectar lecturas sintéticas:

Simulador

Vista móvil:

ForgePulse responsive en móvil

Funciones implementadas

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

Tecnologías

Python · FastAPI · scikit-learn · NumPy · SQLite · REST · HTML5 · CSS3 · JavaScript · SVG · Pytest · GitHub Actions

Arquitectura

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
Loading
  • Backend: src/forgepulse/api.py, storage.py, simulator.py y modeling.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.sqlite3 se 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.

Ejecución local — Windows, macOS y Linux

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 8000

Abre http://127.0.0.1:8000. Documentación de API: http://127.0.0.1:8000/docs.

En PowerShell, usa .venv\Scripts\Activate.ps1 en lugar de source .venv/bin/activate. Si python no está disponible, prueba py en Windows o python3 en Linux/macOS.

Demostración sugerida

  1. Entra a Centro de control para comparar áreas y equipos críticos.
  2. Selecciona C-201 en Telemetría IoT y alterna temperatura, vibración y corriente.
  3. Visita Predictive AI para ver métricas y variables importantes del clasificador.
  4. Pulsa Simular evento y selecciona un activo con el escenario Desgaste de rodamiento.
  5. Regresa al centro de control para ver el nuevo riesgo; en Centro de alertas, marca el evento como revisado.
  6. 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.

API REST

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"}'

Cómo se entrenó el modelo

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.py

Pruebas y calidad

python -m pip install -r requirements-dev.txt
python -m pytest -q

Incluye 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.

Estructura del repositorio

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

Alcance y futuras mejoras

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.


Autor y licencia

Fanaker Labs · Proyecto personal de monitoreo industrial, IoT simulado y mantenimiento predictivo con Machine Learning. Código bajo licencia MIT.

About

Industrial IoT monitoring and predictive maintenance lab with simulated sensors, alerts, and a trained machine learning model.

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages