67 lines
2.7 KiB
Python
67 lines
2.7 KiB
Python
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}' ---") |