📊 Dashboard de Manutenção de Parque Eólico

Este projeto é um dashboard interativo para monitoramento e análise de dados de turbinas de um parque eólico, com foco em manutenção preditiva e otimização operacional. Ele integra dados em tempo real, análises de Machine Learning para previsão de falhas e um sistema de alertas automáticos.

✨ Funcionalidades

• Dashboard Interativo: Visão geral com KPIs principais, gráficos de tendências e análises por classificação.
• Dados em Tempo Real: Monitoramento contínuo das turbinas com atualização automática via API.
• Mapa de Turbinas: Visualização da localização e status de criticidade de cada turbina.
• Análises Preditivas (Machine Learning): Modelos de ML para prever a probabilidade de falhas e detectar anomalias, com recomendações de manutenção.
• Sistema de Alertas Automáticos: Notificações em tempo real para situações críticas e anomalias detectadas.
• Filtros Temporais: Análise de dados por diferentes períodos (mensal, trimestral, etc.).
• Benchmarking Interno: Comparação de desempenho entre as turbinas.
• Exportação de Relatórios: Funcionalidade para exportar dashboards e relatórios em PDF e Excel.
• Design Responsivo: Interface otimizada para desktop e dispositivos móveis.

🚀 Tecnologias Utilizadas

Frontend

• React: Biblioteca JavaScript para construção da interface de usuário.
• Vite: Ferramenta de build rápida para desenvolvimento frontend.
• Tailwind CSS: Framework CSS para estilização rápida e responsiva.
• shadcn/ui: Coleção de componentes de UI reusáveis e acessíveis.
• Gráficos e Visualizações: Recharts
• Ícones: Lucide React
• Gerenciamento de Pacotes: pnpm

Backend

• Flask: Microframework Python para a construção da API RESTful.
• scikit-learn: Biblioteca de Machine Learning para modelos preditivos.
• NumPy & Pandas: Bibliotecas para computação numérica e manipulação de dados.
• Flask-CORS: Extensão para habilitar Cross-Origin Resource Sharing (CORS).
• pip: Gerenciador de pacotes para o backend.

Banco de Dados

• SQLite: Banco de dados leve e baseado em arquivo, utilizado para persistência básica de dados.
• Os dados históricos e em tempo real são simulados ou gerados dinamicamente para demonstração e treinamento do modelo de ML.

⚙️ Como Rodar o Projeto Localmente

Para configurar e executar este projeto em sua máquina local, siga os passos abaixo:

Pré-requisitos

Certifique-se de ter as seguintes ferramentas instaladas:

• Node.js (versão LTS recomendada) com npm ou pnpm
• Python (versão 3.9+) com pip

1. Clone o Repositório

git clone https://github.com/deivid0304/parque-eolico-teb.git
cd <parque-eolico-teb>

2. Configurar e Iniciar o Backend (API Flask)

Navegue até o diretório teb-api:

cd teb-api

Crie e ative um ambiente virtual (recomendado):

python3 -m venv venv
source venv/bin/activate  # No Windows: .\venv\Scripts\activate

Instale as dependências do Python:

pip install -r requirements.txt

Inicie o servidor da API. Ele será executado na porta 5001:

python src/main.py

Deixe este terminal aberto e rodando. A API estará acessível em http://localhost:5001.

3. Configurar e Iniciar o Frontend (Aplicação React)

Abra um novo terminal e navegue até o diretório parque-eolico-teb:

cd ../parque-eolico-teb

Instale as dependências do Node.js (usando pnpm):

pnpm install

Inicie o servidor de desenvolvimento do React. Ele será executado na porta 5173 (ou uma porta disponível próxima):

npm run dev

Deixe este terminal aberto e rodando. O frontend estará acessível em http://localhost:5173/ (verifique a porta exata no seu terminal).

4. Acessar o Dashboard

Abra seu navegador e acesse a URL fornecida pelo npm run dev (geralmente http://localhost:5173/).

📂 Estrutura do Projeto

. # Raiz do Projeto
├── teb-api/             # Diretório do Backend (API Flask)
│   ├── src/
│   │   ├── main.py      # Ponto de entrada da aplicação Flask
│   │   ├── routes/      # Definição das rotas da API
│   │   │   ├── turbine_data.py # Rotas para dados de turbinas (realtime, history)
│   │   │   └── ml_predictions.py # Rotas para ML (treinamento, previsão, alertas)
│   │   └── ml_models/   # Modelos de Machine Learning
│   │       └── predictive_model.py # Lógica do modelo preditivo
│   ├── venv/            # Ambiente virtual Python
│   └── requirements.txt # Dependências do Python
├── parque-eolico-teb/   # Diretório do Frontend (Aplicação React)
│   ├── public/
│   ├── src/
│   │   ├── App.jsx      # Componente principal da aplicação
│   │   ├── App.css      # Estilos globais
│   │   ├── main.jsx     # Ponto de entrada do React
│   │   ├── components/  # Componentes React reutilizáveis
│   │   │   ├── AlertSystem.jsx # Sistema de Alertas
│   │   │   ├── Benchmarking.jsx # Análise de Benchmarking
│   │   │   ├── Dashboard.jsx    # Componente do Dashboard principal
│   │   │   ├── DateFilter.jsx   # Filtro de datas
│   │   │   ├── KPICard.jsx      # Cartões de KPI
│   │   │   ├── MLInsights.jsx   # Insights de Machine Learning
│   │   │   ├── RealTimeData.jsx # Dados em Tempo Real
│   │   │   └── TurbineMap.jsx   # Mapa de Turbinas
│   │   ├── data/        # Dados estáticos ou simulados
│   │   │   └── turbineData.js   # Dados de turbinas (simulados)
│   │   ├── hooks/       # Hooks React personalizados
│   │   │   └── use-toast.js     # Hook para notificações (toasts)
│   │   ├── lib/         # Utilitários e configurações (ex: cn, tailwind)
│   │   └── utils/       # Funções utilitárias
│   │       └── exportUtils.js   # Funções para exportação (PDF, Excel)
│   ├── index.html       # Arquivo HTML principal
│   ├── package.json     # Dependências e scripts do Node.js
│   ├── pnpm-lock.yaml   # Lockfile do pnpm
│   ├── postcss.config.js
│   ├── tailwind.config.js
│   └── vite.config.js
├── README.md            # Este arquivo
├── Basededados-TEB_2025.xlsx # Exemplo de dataset (dados simulados)
└── ...                  # Outros arquivos de documentação ou suporte

🔌 Endpoints da API (Backend)

A API Flask oferece os seguintes endpoints:

• GET /api/turbines/realtime: Retorna dados em tempo real simulados para todas as turbinas, incluindo KPIs gerais.
• GET /api/turbines/<turbine_id>/history: Retorna dados históricos simulados para uma turbina específica.
• GET /api/alerts: Retorna alertas ativos baseados em condições de dados simuladas e previsões de ML.
• POST /api/ml/train: Inicia o treinamento dos modelos de Machine Learning. Retorna métricas de treinamento.
• GET /api/ml/predict/all: Retorna previsões de falha e anomalias para todas as turbinas, com recomendações de ação.
• GET /api/ml/predict/<turbine_id>: Retorna previsões de falha e anomalias para uma turbina específica.
• GET /api/ml/feature-importance: Retorna a importância das features para os modelos de ML.
• GET /api/ml/model-status: Verifica o status do modelo de ML (treinado/não treinado).

💡 Melhorias Futuras

• Integração com Banco de Dados Real: Substituir o SQLite por um banco de dados mais robusto (ex: PostgreSQL, MySQL) para persistência de dados históricos e em tempo real.
• Streaming de Dados em Tempo Real: Implementar WebSockets ou outras tecnologias de streaming para atualizações de dados mais eficientes.
• Autenticação e Autorização: Adicionar um sistema de login e controle de acesso para diferentes perfis de usuário.
• Dashboards Personalizáveis: Permitir que os usuários configurem seus próprios dashboards e visualizações.
• Expansão dos Modelos de ML: Explorar modelos mais avançados e incorporar mais variáveis para previsões ainda mais precisas.
• Notificações Push: Implementar notificações push para alertas críticos.
• Testes Automatizados: Adicionar testes unitários e de integração para garantir a robustez do código.

---