FTA

[andrew11112222]

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

1. Carga o Simulación de Datos

Simulación de un dataset de fallos en activos industriales

np.random.seed(42)
num_samples = 1000

data = {
"Vibración": np.random.uniform(0, 1, num_samples),
"Temperatura": np.random.uniform(0, 1, num_samples),
"Presión": np.random.uniform(0, 1, num_samples),
"Corriente": np.random.uniform(0, 1, num_samples),
"Falla": np.random.choice([0, 1], num_samples, p=[0.8, 0.2]) # 0: Sin falla, 1: Con falla
}

df = pd.DataFrame(data)

2. Preprocesamiento de Datos

X = df.drop(columns=["Falla"]) # Variables predictoras
y = df["Falla"] # Variable objetivo

Normalización de datos

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

División en datos de entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

3. Creación de la Red Neuronal

model = keras.Sequential([
keras.layers.Dense(16, activation='relu', input_shape=(X_train.shape[1],)),
keras.layers.Dense(8, activation='relu'),
keras.layers.Dense(1, activation='sigmoid') # Salida binaria (0 o 1)
])

Compilación del modelo

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

4. Entrenamiento del Modelo

history = model.fit(X_train, y_train, epochs=50, batch_size=16, validation_data=(X_test, y_test))

5. Evaluación del Modelo

test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Precisión del modelo: {test_acc:.2f}")

6. Visualización de Resultados

plt.plot(history.history['accuracy'], label='Precisión de entrenamiento')
plt.plot(history.history['val_accuracy'], label='Precisión de validación')
plt.xlabel('Épocas')
plt.ylabel('Precisión')
plt.legend()
plt.show()