Nuestro Journey
De la idea a 99.3% accuracy en 72 horas — hitos, bugs, decisiones y lo que aprendimos en el camino.
✅ Completado
Arquitectura y diseño
- Definición de arquitectura MCU/MPU y separación deliberada de responsabilidades
- Diseño CAD del enclosure con todos los componentes posicionados — listo para impresión 3D
Calibración de sensores — Día 2
- Diagnóstico y fix DC vs AC coupling en ACS712-30A
- Factor empírico medido: 10.52 mV/A (divisor de voltaje a 3.3V)
- Sustitución de cable de bajo calibre que generaba caídas de voltaje internas
- Validación ZMPT101B: 60.02 Hz, crest factor 1.4445
Captura de datos reales — Día 2
- Dataset de voltaje: CSVs desde PicoScope 7, 6279.8 Hz, ventana 200 ms
- Dataset de corriente: 48 ventanas reales vía Monitor de Arduino App Lab
- Valores medidos: rawRMS 0.00 / 42.81 / 87.60 (sin carga / 950 W / 1900 W)
Pipeline de datos e IA
tecovolt_synth.py, tecovolt_pipeline_v2.py, tecovolt_temp_synth.py, tecovolt_demand_synth.py- Custom DSP blocks:
tecovolt_block (6 features + THD) y tecotemp_block - Fix bug crítico:
fs=6279.8 → fs=1000.0 en dsp.py
Iteraciones del modelo A (voltaje)
- v1: 94.5% — sintético puro
- v2: 63.7% — dataset mixto, bug fs detectado
- v3: 63% — THD agregado, bug aún presente
- v4: 99.3%, AUC=1.00 — bug corregido + separación agresiva en synth
Software e integración
- Lógica de predicción compuesta en MPU:
deque(maxlen=10), umbrales por patrón acumulado - Script AWG
tecovolt_demo_awg.py: secuencia automatizada de ~60 s para el demo - Twilio WhatsApp API configurada en el MPU
- GitHub Actions para gestión automática de labels
Firmware
tecovolt_voltage_daq.ino: 200 samples @ 1 kHz, formato label,s0..s199tecovolt_daq.ino: ACS712 con delay(600) y output CSV limpio- Fix
Monitor.readStringUntil: carácter a carácter para \r\n o \r - Fix
dsp-server.py: guiones en parámetros JSON → underscores
🔄 En curso
- Deployment de modelos cuantizados INT8 en el STM32U585
- Integración MCU ↔ MPU vía RouterBridge
- Pitch final para el jurado Qualcomm
⬜ Pendiente
- Dashboard Flask funcional en el MPU
- Logger SQLite de eventos históricos
- Pruebas end-to-end: sensor → modelo → relay → WhatsApp
- Optimización final vía Qualcomm AI Hub con datos reales
- Impresión 3D del enclosure
Archivos generados
| Archivo | Descripción |
tecovolt_pipeline_v2.py | Pipeline PicoScope 2208B → Edge Impulse. 6 features, augmentation ×50 |
dsp.py | DSP block custom — 6 features + THD, fs=1000 Hz |
dsp-server.py | Servidor HTTP para EI con fix scale-axes → underscore |
tecovolt_demand_synth.py | Generador sintético de demanda anclado a valores reales |
tecovolt_capture.py | Captura Serial → CSV para modelo de demanda |
tecovolt_daq.ino | Sketch ACS712 con delay(600) y output CSV limpio |
tecovolt_voltage_daq.ino | Sketch ZMPT101B, formato label,s0..s199 |
ei_voltage_train_v3.csv | Dataset voltaje: 1440 train, 6 clases |
ei_voltage_test_v3.csv | Test set voltaje: 360 muestras reales |
demand_train_final.csv | Dataset demanda: 638 train (600 sintéticos + 38 reales) |
tecovolt_demo_awg.py | Automatización AWG PicoScope para demo (~60 s) |
Gestión del proyecto
| Label | Área |
hardware | Ensamblaje físico, circuitos, enclosure |
firmware | Código MCU (C/C++), Zephyr RTOS |
software | Código MPU (Python), Flask, SQLite |
edge-ai | Modelos, Edge Impulse, Qualcomm AI Hub |
integración | Pruebas end-to-end, comunicación MCU ↔ MPU |
Ver el repositorio completo en GitHub →