Feat Detecciones en Bobinas y Montos

ProyectoIA_Gestion/train_danadas.py

@@ -0,0 +1,67 @@
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+import joblib
+import pyodbc
+from datetime import datetime, timedelta
+
+print("--- INICIANDO SCRIPT DE ENTRENAMIENTO (BOBINAS DAÑADAS) ---")
+
+# --- 1. Configuración ---
+DB_SERVER = 'TECNICA3'
+DB_DATABASE = 'SistemaGestion'
+CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
+
+MODEL_FILE = 'modelo_danadas.joblib'
+CONTAMINATION_RATE = 0.02 # Un 2% de los días podrían tener una cantidad anómala de bobinas dañadas (ajustable)
+
+# --- 2. Carga de Datos desde SQL Server ---
+try:
+    print(f"Conectando a la base de datos '{DB_DATABASE}' en '{DB_SERVER}'...")
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    
+    fecha_limite = datetime.now() - timedelta(days=365)
+    
+    # << CAMBIO IMPORTANTE: Nueva consulta para contar bobinas marcadas como "Dañada" por día y planta >>
+    # Asumimos que el estado "Dañada" tiene Id_EstadoBobina = 3 y el historial lo registra
+    query = f"""
+        SELECT 
+            CAST(h.FechaMod AS DATE) as fecha,
+            DATEPART(weekday, h.FechaMod) as dia_semana,
+            h.Id_Planta as id_planta,
+            COUNT(DISTINCT h.Id_Bobina) as cantidad_danadas
+        FROM 
+            bob_StockBobinas_H h
+        WHERE
+            h.Id_EstadoBobina = 3 -- Asumiendo que 3 es el ID del estado 'Dañada'
+            AND h.TipoMod = 'Estado: Dañada' -- Filtra por el evento específico del cambio de estado
+            AND h.FechaMod >= '{fecha_limite.strftime('%Y-%m-%d')}'
+        GROUP BY
+            CAST(h.FechaMod AS DATE),
+            DATEPART(weekday, h.FechaMod),
+            h.Id_Planta
+    """
+    print("Ejecutando consulta para obtener historial de bobinas dañadas...")
+    df = pd.read_sql(query, cnxn)
+    cnxn.close()
+
+except Exception as e:
+    print(f"Error al conectar o consultar la base de datos: {e}")
+    exit()
+
+if df.empty:
+    print("No se encontraron datos de entrenamiento de bobinas dañadas en el último año. Saliendo.")
+    exit()
+
+# --- 3. Preparación de Datos ---
+print(f"Preparando {len(df)} registros agregados para el entrenamiento...")
+# Las características serán la planta, el día de la semana y la cantidad de bobinas dañadas ese día
+features = ['id_planta', 'dia_semana', 'cantidad_danadas']
+X = df[features]
+
+# --- 4. Entrenamiento y Guardado ---
+print(f"Entrenando el modelo de bobinas dañadas con tasa de contaminación de {CONTAMINATION_RATE}...")
+model = IsolationForest(n_estimators=100, contamination=CONTAMINATION_RATE, random_state=42)
+model.fit(X)
+joblib.dump(model, MODEL_FILE)
+
+print(f"--- ENTRENAMIENTO DE BOBINAS DAÑADAS COMPLETADO. Modelo guardado en '{MODEL_FILE}' ---")