def predict_frio_2_cop():
cop_model = cop.COP()
diccionario = []
for i in range(0, 10):
df = dataFrio2_cop.iloc[i]
# get data to be predicted
X = [[
float(df['POTENCIA GRUPO FRÍO 2']),
float(df['POTENCIA TERMICA GRUPO FRIO 2']),
float(df['TEMPERATURA EXTERIOR'])
]]
prediction_ = cop_model.predict_grupo_frio_2(X)
prediction = float(prediction_[0])
valorReal = float(df['C_O_P MÁQUINA GRUPO FRÍO 2'])
# COP malo --> diagnostico (clustering)
kmeans_prediction = ' '
if (((valorReal <= 3.5) or (valorReal >= 4.5)) and
((prediction <= 3.5) or (prediction >= 4.5))
or (valorReal <= prediction - 0.5)
or (valorReal >= prediction + 0.5)):
kmeans_ = clustering.KMeans_()
kmeans_prediction = kmeans_.predict_frio_2_cop(X)
# Diccionario con todas las variables de un registro que se va retornar
df.loc['C_O_P MÁQUINA GRUPO FRÍO 2 PREDICHO'] = prediction
df.loc['Diagnostico'] = kmeans_prediction
df2 = df.drop(labels=['Diagnostico', 'Fecha- hora de lectura'])
df2 = df2.apply(lambda x: round(float(x), 3))
dfAux = df[['Diagnostico', 'Fecha- hora de lectura']]
dfR = pd.concat([df2, dfAux], axis=0, sort=False)
registro_dict = dfR.to_dict()
diccionario.append(registro_dict)
dataFrio2_cop.drop(range(0, 10), inplace=True)
dataFrio2_cop.reset_index(drop=True, inplace=True)
return jsonify(diccionario)
def predict_felipe_potencia():
potencia_model = potencia.Potencia()
diccionario = []
for i in range(0, 10):
df = dataFelipe_potencia.iloc[i]
# get data to be predicted
X = [[
float(df['TEMPERATURA SALIDA BOMBA CALOR FELIPE']),
float(df['POTENCIA TERMICA BOMBA CALOR FELIPE']),
float(df['C_O_P BOMBA CALOR FELIPE']),
float(df['POTENCIA TRAFO 4']),
float(df['POTENCIA TRAFO 5']),
float(df['TEMPERATURA EXTERIOR']),
float(df['TEMPERATURA AMBIENTE BOMBA CALOR FELIPE'])
]]
prediction_ = potencia_model.predict_felipe(X)
prediction = float(prediction_[0])
valorReal = float(df['POTENCIA BOMBA CALOR FELIPE'])
# Potencia mala --> diagnostico (clustering)
kmeans_prediction = ' '
tolerancia = valorReal * valorToleranciaPotencia
if (prediction < (valorReal - tolerancia) or prediction >
(valorReal + tolerancia)):
kmeans_ = clustering.KMeans_()
kmeans_prediction = kmeans_.predict_felipe_potencia(X)
# Diccionario con todas las variables de un registro que se va retornar
resultado = {
'Diagnostico': kmeans_prediction,
'POTENCIA BOMBA CALOR FELIPE PREDICHA': round(prediction, 3)
}
diccionario.append(resultado)
dataFelipe_potencia.drop(range(0, 10), inplace=True)
dataFelipe_potencia.reset_index(drop=True, inplace=True)
return jsonify(diccionario)
def predict_frio_2_potencia():
potencia_model = potencia.Potencia()
diccionario = []
for i in range(0, 10):
df = dataFrio2_potencia.iloc[i]
# get data to be predicted
X = [[
float(df['POTENCIA TERMICA GRUPO FRIO 2']),
float(df['ENTRADA AGUA A TORRE 2']),
float(df['SALIDA AGUA TORRE 2']),
float(df['POTENCIA TRAFO 4']),
float(df['POTENCIA TRAFO 5']),
float(df['POTENCIA MEDIA CONECTADA']),
float(df['CONTROL FRÍO']),
float(df['KIGO FRIGORÍAS GENERADAS GRUPO DE FRÍO 2']),
float(df['TEMPERATURA EXTERIOR'])
]]
prediction_ = potencia_model.predict_grupo_frio_2(X)
prediction = float(prediction_[0])
valorReal = float(df['POTENCIA GRUPO FRÍO 2'])
# Potencia mala --> diagnostico (clustering)
kmeans_prediction = ' '
tolerancia = valorReal * valorToleranciaPotencia
if (prediction < (valorReal - tolerancia) or prediction >
(valorReal + tolerancia)):
kmeans_ = clustering.KMeans_()
kmeans_prediction = kmeans_.predict_frio_2_potencia(X)
# Diccionario con todas las variables de un registro que se va retornar
resultado = {
'Diagnostico': kmeans_prediction,
'POTENCIA GRUPO FRÍO 2 PREDICHA': round(prediction, 3)
}
diccionario.append(resultado)
dataFrio2_potencia.drop(range(0, 10), inplace=True)
dataFrio2_potencia.reset_index(drop=True, inplace=True)
return jsonify(diccionario)
def train_kmeans_felipe_potencia():
kmeans_ = clustering.KMeans_()
centroides = kmeans_.kmeans_felipe_potencia()
return jsonify({'centroides': centroides})
def train_kmeans_carlos_cop():
kmeans_ = clustering.KMeans_()
centroides = kmeans_.kmeans_carlos_cop()
return jsonify({'centroides': centroides})