Desenvolvida pela Elipse Software, a biblioteca Epmwebapi permite a interação com os dados da sua plataforma Elipse Plant Manager(EPM). Ela possibilita flexibilidade para buscar, organizar, analisar, compartilhar e monitorar os dados dos processos industriais.

Seu uso típico, mas não exclusivo, é a geração de indicadores, análises de dados, estatísticas e inteligência de processo voltados para sistemas industriais, como:

• Indústria Química;
• Petroquímica;
• Papel e Celulose;
• Siderúrgica;
• Energia;
• Saneamento;
• Gerenciamento de Infraestrutura de Centros de Dados (DCIM);
• Prédios Inteligentes;
• Outros.

Mais informações sobre o EPM podem ser encontradas no site https://www.elipse.com.br/produto/elipse-plant-manager/

Requisitos:

• Python 3.10 (x64) ou superior, inferior à 3.14.

Instalação:

Online (Recomendado):

• Após instalar o Python, abra o prompt de comando ou terminal e digite o seguinte comando: pip install epmwebapi. O instalador se encarregará de baixar e instalar a biblioteca e suas dependências.

Offline:

• Faça do download do pacote através do site PyPI.
• Faça a descompactação da pasta epmwebapi e copie para o diretório site-packages da instalação do Python.
• Instale as dependências: Bibliotecas Numpy, Requests e Python-dateutil.

Exemplos:

• Exemplo básico - Exemplos de leituras e escritas de dados e anotações.
• Matplotlib - Utilizando essa biblioteca para gerar gráficos.
• Pandas - Use Pandas para manipular dados tabulares.
• Pandas e dataviz - Utilizando essas bibliotecar para manipular dados e gerar visualizções gráficas.
• Numpy - Numpy é uma biblioteca essecial para trabalhar com cálculos de dados em matrizes.
• Regressão por árvore de decisão - Veja como utilizar a biblioteca Scikit-learn para fazer uma regressão.
• Utilizando Concorrência - Usando concorrência para alta performance de consultas ao EPM Server.
• Buscando em um webserver e escrevendo no EPM Server - Lendo dados de temperatura do Webserver do INPE e escrevendo em uma variável do EPM Server.
• Machine Learning - Noções e exemplos de uso dessa técnica cada vez mais utilizada em dados de processo.
• Análise de temperatura e conforto térmico - Análises de dados reais de temperaturas das salas da Elipse.
• Criando mapas - Trabalhando com dados de geolocalização e mapas interativos.
• Acessando informações do EPM Server - Acessando informações como versão, chave de produto, diagnósticos dos Interface Servers, etc.
• Melhorando desempenho em consultas historyReadRaw - Trabalhando com o módulo concurrent.futures para fazer consultas Raw, trazendo possíveis ganhos de desempenho, principalmente quando se tem muitas variáveis a serem pesquisadas.
• Melhorando desempenho em consultas historyReadAggregate - Trabalhando com o módulo concurrent.futures para fazer consultas Aggregate, trazendo possíveis ganhos de desempenho, principalmente quando se tem muitas variáveis a serem pesquisadas.
• Buscando informações de Interfaces de Comunicação - Verificando informações de interfaces de comunicação (EPM Interfaces).
• Exemplo de gáfico 3D e polar - Exemplo de como fazer um gráfico 3D e polar com dados de processo.
• Lendo dados de arquivos TXT, CSV, XLSX e JSON - Exemplos de leitura de dados de diversos tipos de arquivos (TXT, CSV, XLSX e JSON).
• Lendo dados de processo e convertendo para DataFrame do Pandas - leitura de dados de processo do EPM Server (OPC UA Server), criação de um DataFrame do módulo Pandas e exemplos de análises.
• Análise do conforto térmico - leitura de dados de processo do EPM Server (OPC UA Server), criação de um DataFrame do módulo Pandas e análise de conforto térmico (Webinar - Análise de Dados com Python e Dashboard Web).
• Gerando relatórios em HTML e/ou PDF - Gerando relatórios em HTML ou PDF, abordando questões sobre Jinja2, Base64, lendo informações de variáveis de ambiente, criando séries temporais na Pandas convertendo UTC para hora local.
• CRUD em Basic Variables - Criando, alterando configurações e excluindo Basic Variables do EPM Server.