Sistema de Análise de Alarmes (SAA)

Descrição

Sistema de Business Intelligence desenvolvido em Python + Streamlit para análise e monitoramento de alarmes gerados por equipamentos em usinas de geração de energia solar.

Características Principais

• Queries SQL otimizadas com índices e UNION ALL eficiente
• Código modular separado em módulos específicos
• Clean Code com funções pequenas e responsabilidade única
• Variáveis descritivas que deixam claro o propósito
• Comentários claros explicando funções, parâmetros e retornos

Estrutura do Projeto

sistema_analise_alarmes/
├── app.py                          # Arquivo principal Streamlit
├── config.py                       # Configurações (DATABASE_URL)
├── requirements.txt                # Dependências
├── README.md                       # Este arquivo
├── database/
│   ├── __init__.py
│   ├── conexao.py                  # SQLAlchemy engine e session
│   ├── models.py                   # Modelos ORM
│   └── queries.py                  # Funções de consulta SQL
├── calculos/
│   ├── __init__.py
│   ├── kpis.py                     # Cálculo de KPIs
│   ├── agregacoes.py               # Agregações
│   └── formatacao.py               # Formatação de tempo
├── visualizacoes/
│   ├── __init__.py
│   ├── graficos.py                 # Gráficos PyEcharts
│   ├── tabelas.py                  # Tabelas Streamlit
│   └── cards.py                    # Cards de KPIs
└── utils/
    ├── __init__.py
    └── helpers.py                  # Funções auxiliares

Requisitos

• Python 3.9 ou superior
• PostgreSQL 12 ou superior
• Acesso ao banco de dados

Instalação

1. Clone ou copie o projeto

cd /home/ubuntu/sistema_analise_alarmes

2. Crie um ambiente virtual (recomendado)

python3 -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate  # Windows

3. Instale as dependências

pip install -r requirements.txt

4. Configure a conexão com o banco de dados

Edite o arquivo config.py e ajuste a variável DATABASE_URL conforme necessário:

DATABASE_URL = "postgresql+psycopg2://usuario:senha@host:porta/banco"

Execução

Executar o Sistema

streamlit run app.py

O sistema estará disponível em: http://localhost:8501

Acessar de outra máquina na rede

streamlit run app.py --server.address=0.0.0.0

Funcionalidades

Página HOME

• Filtros: Ano (dropdown) e Meses (checkboxes, máx 3)
• KPIs Gerais: Total de Usinas, Total de Alarmes, Tempo Total, Tempo Médio
• Gráfico Pizza: Distribuição de Alarmes por Usina
• Gráfico Barras: Top 10 Usinas com Mais Alarmes
• Tabela Ranking: Todas as 55 usinas com botão "Analisar"

Página ANÁLISE DETALHADA

Sidebar

• Seleção de Usina (dropdown)
• Seleção de Ano (dropdown)
• Seleção de Meses (checkboxes, máx 3)

Área Principal

• 4 KPIs principais:

  1. Total de Alarmes
  2. Tempo Total Alarmado
  3. Tempo Médio por Alarme
  4. Tempo Médio de Reconhecimento

• 11 Gráficos:

  1. Pizza - Tempo Total por Severidade
  2. Barras Horizontais - Top 5 Equipamentos (toggle Quantidade/Duração)
  3. Barras Horizontais - Top 5 Teleobjetos (toggle Quantidade/Duração)
  4. Barras Horizontais - Top 5 Equipamentos Sem Comunicação
  5. Barras Horizontais - Tempo Médio de Reconhecimento por Severidade
  6. Barras Horizontais - Top 5 Usuários que Mais Reconhecem
  7. Barras Horizontais - Alarmes Críticos por Equipamento
  8. Barras Horizontais - Alarmes Críticos por Teleobjeto
  9. Barras Horizontais - Top 10 Alarmes Não Finalizados
  10. Linha - Evolução Diária (toggle Quantidade/Tempo)
  11. Barras - Resumo por Mês (quando multi-mês)

• Tabela de Alarmes:

  • Paginação de 50 alarmes por página
  • Colunas: Data Início, Data Fim, Duração, Equipamento, Teleobjeto, Severidade, Descrição, Reconhecimento

Regras de Negócio

Limites

• Máximo de 3 meses por consulta
• Alarmes não finalizados: clear_date IS NULL
• Sem comunicação: description ILIKE '%sem comunicação%'
• Alarmes críticos: alarm_severity_id = 1

Cálculos

• Duração: (clear_date - date_time) ou (NOW() - date_time) se não finalizado
• Evolução diária: Alarmes que iniciaram naquele dia (date_time)
• Tempo formatado: X dias, Y horas, Z minutos

Dados

• Sempre usar NOMES (não IDs) fazendo JOINs
• Tabelas dinâmicas: alarm_{usina_id}_{ano}_{mes}
• 55 usinas solares com dados de 2021 a 2025
• 1.637 tabelas dinâmicas de alarmes

Tecnologias Utilizadas

• Frontend: Streamlit
• Backend: Python 3.9+
• Banco de Dados: PostgreSQL
• ORM: SQLAlchemy
• Visualização: PyEcharts
• Manipulação de Dados: Pandas, NumPy

Estrutura do Banco de Dados

Tabelas Principais

1. power_station: Cadastro de usinas
2. equipment: Cadastro de equipamentos
3. skid: Agrupamento de equipamentos
4. tele_object: Teleobjetos (pontos de monitoramento)
5. tele_object_config: Configuração de teleobjetos
6. alarm_severity: Níveis de severidade
7. users: Usuários do sistema
8. alarm_*: Tabelas dinâmicas de alarmes (por usina/ano/mês)

Severidades (com cores)

| ID | Nome | Cor | Descrição | |----|------|-----|------------| | 1 | Crítica | #f14e4e | Vermelho | | 2 | Alta | #fdc262 | Laranja | | 3 | Média | #ffe00a | Amarelo | | 4 | Baixa | #80FFFF | Azul claro | | 5 | Não Apl. | #F0F0F0 | Cinza | | 6 | Urgente | #000000 | Preto |

Troubleshooting

Erro de Conexão com Banco de Dados

sqlalchemy.exc.OperationalError: (psycopg2.OperationalError) could not connect to server

Solução:

1. Verifique se o PostgreSQL está rodando
2. Verifique as credenciais em config.py
3. Verifique se o host/porta estão corretos