{"id":3726,"date":"2019-03-25T17:45:40","date_gmt":"2019-03-25T20:45:40","guid":{"rendered":"http:\/\/xexeu.elipse.com.br\/pt\/agilizando-analises-no-epm-studio-dataset-analysis-epm-3-atraves-de-plugins\/"},"modified":"2024-03-28T14:46:10","modified_gmt":"2024-03-28T17:46:10","slug":"agilizando-analises-no-epm-studio-dataset-analysis-epm-3-atraves-de-plugins","status":"publish","type":"post","link":"https:\/\/kb.elipse.com.br\/en\/agilizando-analises-no-epm-studio-dataset-analysis-epm-3-atraves-de-plugins\/","title":{"rendered":"Agilizando an\u00e1lises no EPM Studio Dataset Analysis (EPM 3) atrav\u00e9s de plugins."},"content":{"rendered":"
\n

INTRODU\u00c7\u00c3O<\/b><\/u><\/p>\n

Al\u00e9m de apresentar funcionalidades b\u00e1sicas para a realiza\u00e7\u00e3o de diversos tipos de consultas hist\u00f3ricas (m\u00e9dias, m\u00e1ximos, m\u00ednimos, totaliza\u00e7\u00f5es, etc.) a dados de processo armazenados em um EPM Server e exibir estes resultados em um ambiente gr\u00e1fico,\u00a0 a ferramenta Dataset Analysis<\/b> do EPM Studio tamb\u00e9m disponibiliza um ambiente para an\u00e1lises mais complexas atrav\u00e9s e a sua integra\u00e7\u00e3o com a linguagem Python<\/a><\/b>.<\/p>\n

Para acessar este ambiente, \u00e9 necess\u00e1rio expandir a \u00e1rea de Scripting; isto abrir\u00e1 um espa\u00e7o de trabalho integrado \u00e0 linguagem Python onde \u00e9 poss\u00edvel utilizar todos os seus recursos e m\u00f3dulos (bibliotecas).<\/p>\n

Este ambiente faz com que o processo de an\u00e1lises via chamada de fun\u00e7\u00f5es (pr\u00f3prias, propriet\u00e1rias ou desenvolvidas por terceiros) seja bastante flex\u00edvel; ainda assim, este processo pode ser agilizado ainda mais atrav\u00e9s da cria\u00e7\u00e3o de plugins<\/b>, que s\u00e3o comandos que aparecem na pr\u00f3pria faixa de op\u00e7\u00f5es do ambiente do Dataset Analysis, e que possibilitam ao analista um acesso direto e mais simples \u00e0s fun\u00e7\u00f5es implementadas nele.<\/p>\n

Para mais detalhes sobre o Dataset Analysis, consulte o manual do EPM.<\/p>\n

AN\u00c1LISE DE CASO<\/b><\/u><\/p>\n

O exemplo abaixo ilustra como se d\u00e1 o ganho de agilidade no processo de an\u00e1lise atrav\u00e9s da cria\u00e7\u00e3o de plugins.<\/p>\n

Problema:<\/b>
\nO analista precisa identificar todas as temperaturas m\u00e1ximas e m\u00ednimas di\u00e1rias que ocorreram durante o m\u00eas de mar\u00e7o de 2014.<\/p>\n

Solu\u00e7\u00e3o: <\/b>
\nPrimeiramente, foi criado um novo Dataset no EPM Studio com a vari\u00e1vel que armazena a temperatura em quest\u00e3o. As consultas a serem realizadas sobre esta vari\u00e1vel, dispon\u00edveis no padr\u00e3o OPC UA, s\u00e3o: minimum <\/b>e maximum<\/b>. Ambas s\u00e3o realizadas para o per\u00edodo que vai do dia 01\/03\/2014 (inclusive) at\u00e9 01\/04\/2014 (exclusive), com um intervalo de processamento di\u00e1rio.<\/p>\n

Resultado desta opera\u00e7\u00e3o:<\/p>\n

\"\"
\nFigura 1<\/b>: Resultado da consulta min\/max di\u00e1rias da temperatura no m\u00eas de mar\u00e7o\/2014<\/span><\/div>\n

Este resultado mostra uma situa\u00e7\u00e3o que \u00e9 comum na pr\u00e1tica: a ocorr\u00eancia de valores esp\u00farios no conjunto de dados a serem analisados. Averiguando melhor esta quest\u00e3o, constatamos que realmente os instrumentos de medida geraram alguns valores deste tipo nos dias 6, 11, 14, 24 e 27 de mar\u00e7o de 2014 — todos estes valores precisam ser removidos do conjunto de dados a ser analisado para se obter os “reais” valores m\u00ednimos e m\u00e1ximos dos correspondentes dias.<\/p>\n

Como estes valores indesej\u00e1veis podem ser removidos para que a an\u00e1lise possa continuar? Existem quatro possibilidades:<\/p>\n

    \n
  1. Refazer a consulta, desta vez buscando os dados brutos (consulta Raw<\/b>), ou seja, os dados como eles foram efetivamente armazenados. A partir do resultado desta consulta, \u00e9 poss\u00edvel: a) visualizar os dados no formato tabular do Dataset Analysis e, atrav\u00e9s de uma inspe\u00e7\u00e3o visual, identificar e anotar os valores m\u00ednimos e m\u00e1ximos de cada dia, desconsiderando aquelas valores tidos com “indesej\u00e1veis”; ou b) exportar os dados para um arquivo .CSV e abr\u00ed-lo em uma ferramenta de planilha eletr\u00f4nica (Libre Office, MS Excel, etc.), realizando o mesmo processo do item anterior ou implementando uma automatiza\u00e7\u00e3o desta an\u00e1lise nestes ambientes atrav\u00e9s de scripts\/macros\/f\u00f3rmulas.<\/li>\n
  2. Fazer uma consulta aos dados brutos (consulta Raw<\/b>) diretamente em uma planilha do MS Excel utilizando o EPM Add-in<\/b> for Microsoft Excel. Com os dados neste ambiente, prossiga como no item 1.b.<\/li>\n
  3. Fazer uma consulta aos dados brutos (consulta Raw<\/b>) no pr\u00f3prio Dataset Analysis e implementar uma fun\u00e7\u00e3o em linguagem Python para remover os valores indesej\u00e1veis e calcular os valores m\u00ednimos e m\u00e1ximos di\u00e1rios.<\/li>\n
  4. Criar um plugin em Python<\/b>. Esta solu\u00e7\u00e3o \u00e9 similar \u00e0 do item 3, por\u00e9m, n\u00e3o requer execu\u00e7\u00e3o manual informando como par\u00e2metro os dados da consulta Raw <\/b>realizada: basta selecionar no pr\u00f3prio gr\u00e1fico a pena (resultado da Consulta) e clicar sobre o comando implementado na forma de plugin.<\/li>\n<\/ol>\n

    Analisando as op\u00e7\u00f5es apresentadas, notamos que as duas \u00faltimas s\u00e3o as mais simples e flex\u00edveis; a op\u00e7\u00e3o 4, particularmente, \u00e9 a que atinge o resultado desejado em menor tempo e com o menor esfor\u00e7o dentre as quatro. Al\u00e9m disso, uma vez que o plugin tenha sido implementado, \u00e9 poss\u00edvel utiliz\u00e1-lo outras vezes para outras an\u00e1lises semelhantes, com outras vari\u00e1veis ou em outros per\u00edodos de tempo.<\/p>\n

    An\u00e1lises flex\u00edveis s\u00e3o aquelas cujos resultados podem ser apresentados da maneira mais apropriada para cada caso.\u00a0 Para isso, \u00e9 fundamental que o ambiente de an\u00e1lise disponibilize um vasto conjunto de funcionalidades que viabilizem todo o processo — o que \u00e9 facilmente obtido atrav\u00e9s da linguagem Python com pouco esfor\u00e7o, especialmente quando comparada com outras alternativas de mercado.<\/p>\n

    Al\u00e9m disso, a implementa\u00e7\u00e3o de um plugin no ambiente Dataset Analysis do EPM Studio \u00e9 bastante f\u00e1cil: para isto, bastam apenas conhecimentos b\u00e1sicos de l\u00f3gica de programa\u00e7\u00e3o e de fundamentos da linguagem Python (cuja curva de aprendizado costuma ser razoavelmente r\u00e1pida).<\/p>\n

    Plugin em Python para o Dataset Analises do EPM Studio:<\/p>\n

    \"\"
    \nFigura 2<\/b>: Esquema de um plugin em Python para o Dataset Analysis do EPM Studio<\/span><\/div>\n

    Para desenvolver um plugin em linguagem Python no Dataset Analysis do EPM Studio, siga estes passos:<\/p>\n

      \n
    1. Crie um diret\u00f3rio dentro do diret\u00f3rio “…\\Meus Documentos\\Elipse Software\\EPM Studio\\Datasets\\Plugins<\/i>” com o nome do plugin<\/u> a ser mostrado na faixa de op\u00e7\u00f5es — no caso anterior, \u00e9 Aerogenerator<\/b><\/li>\n
    2. Coloque dentro deste diret\u00f3rio uma imagem<\/u>, que ser\u00e1 apresentada na faixa de op\u00e7\u00f5es — neste caso, o icone.png<\/b><\/li>\n
    3. Crie neste mesmo diret\u00f3rio um arquivo texto<\/u> (ASCII) com a extens\u00e3o .PY (arquivo de scripts Python) com o c\u00f3digo em linguagem Python contendo as fun\u00e7\u00f5es a serem utilizadas\/disponibilizadas pelo plugin.<\/li>\n<\/ol>\n

      Depois, basta abrir um Dataset no EPM Studio e expandir a \u00e1rea scripts em linguagem Python. Al\u00e9m de carregar os m\u00f3dulos (bibliotecas) configurados no arquivo de inicializa\u00e7\u00e3o deste ambiente, todos os plugins em Python encontrados no diret\u00f3rio Plugins <\/b>(mencionado anteriormente) ser\u00e3o carregados e apresentados na faixa de op\u00e7\u00f5es do ambiente Dataset Analysis do EPM Studio:<\/p>\n

      \"\"
      \nFigura 3<\/b>: Resultado da consulta min\/max di\u00e1rias e Raw no m\u00eas de mar\u00e7o\/2014, j\u00e1 com os plugins Python carregados<\/span><\/div>\n

      Aqui vemos que al\u00e9m das consultas minimum <\/b>e maximum <\/b>di\u00e1rias, foi adicionada tamb\u00e9m uma consulta Raw <\/b>(dados brutos) \u00e0 mesma vari\u00e1vel. Al\u00e9m disso, o ambiente integrado com o Python foi expandido, o que automaticamente carregou todos os plugins dispon\u00edveis e os apresentou no grupo Python Plugins<\/b> na faixa de op\u00e7\u00f5es do EPM Studio.<\/p>\n

      Feito isso, selecione a pena TemP_raw<\/b> e clique no plugin Python implementado: o resultado ser\u00e1 automaticamente calculado e salvo em um arquivo .CSV (dailyMinMaxTemps.csv), e tamb\u00e9m apresentado nas penas Temp_Min_plugin<\/b> e Temp_Max_plugin<\/b> do mesmo gr\u00e1fico.<\/p>\n

      Abaixo o resultado final desta opera\u00e7\u00e3o, bem como o arquivo dailyMinMaxTemps.csv<\/b> aberto no Libre Office. Note que as penas referentes \u00e0s consultas OPC UA anterior foram desmarcadas, deixando vis\u00edveis apenas a pena com a consulta Raw <\/b>e as resultantes da avalia\u00e7\u00e3o do plugin.<\/p>\n

      \"\"
      \nFigura 4<\/b>: Resultado da avalia\u00e7\u00e3o do plugin desenvolvido em linguagem Python para o EPM Dataset Analysis<\/span><\/div>\n

      NOTAS<\/b><\/u><\/p>\n