1. 课程导入与AVEVA PI System全景

在流程工业、电力、水务、油气、制药等重资产行业里，控制系统每秒都在产生海量数据：DCS 的位号、PLC 的寄存器、SCADA 的遥测点、实验室的化验结果、MES 的工单与批次。这些数据大多被"就地消费"——用于实时控制与报警，却很少被长期、统一、按上下文保存下来。结果是：当工程师想回答"这台泵过去三个月的振动趋势与那次非计划停机有什么关系"时，往往要在多个系统之间导出 Excel、手工对齐时间戳，甚至根本拿不到历史数据。AVEVA PI System 要解决的，正是这个"数据看得见、用不上"的根本问题。

PI System 的核心价值：把时间序列变成可运营的资产

PI System 的定位是工业数据基础设施（Industrial Data Infrastructure），而不是一个报表工具或组态软件。它的核心价值可以归纳为三点。

第一，高压缩、高吞吐的历史存储。PI Data Archive 采用专有的旋转门压缩（Swinging Door）算法，只存储趋势发生有意义变化的数据点。对于一条缓慢变化的温度位号，一天可能只落盘几十个点；对于高速采样的振动信号，也能保持毫秒级分辨率。这使得一个中型工厂数十万点位、数年历史可以在一台服务器上稳定承载。

第二，带上下文的数据模型。PI Asset Framework（AF）把裸位号组织成"资产—属性—关系"的层次结构。例如 \\PLANT1\PUMP-101\Vibration 不再是一个孤立标签，而是挂在"1 号装置 → 给水泵组 → PUMP-101"这棵资产树下，并带有设备类型、安装位置、设计参数等元数据。上下文让数据可被检索、可被复用、可被计算。

第三，面向消费的开放接口。PI Web API、PI SQL、AF SDK、PI Vision 等把数据送到工程师的浏览器、数据科学家的 Python 脚本、BI 工具和第三方应用，使同一份数据既能做实时看板，也能做机器学习训练集。

组件生态：从采集到消费的完整链路

PI System 不是单一软件，而是一组协同工作的组件。理解它们的分工，是后续所有章节的基础。下图给出典型部署下的组件关系与数据流向。

需要特别区分两个容易混淆的概念：PI Data Archive 负责"存什么值、什么时候变"，是时序数据库；PI Asset Framework 负责"这个值属于哪台设备、哪个工艺段"，是语义层。只建 Data Archive 不建 AF，系统就退化成一个大号历史库；只建 AF 不接 Data Archive，模型就是空壳。二者必须成对建设。

典型应用场景

PI System 的价值最终体现在具体场景中。以下是工业现场最常见的四类。

• 实时运行监控与绩效管理：把装置的关键 KPI（如吨蒸汽耗、机组效率、排放浓度）做成 PI Vision 看板，班组交接时直接看趋势而非翻报表。
• 设备状态监测与预测性维护：采集振动、温度、电流，用 AF 计算特征值，结合 Event Frames 自动切出"启停—稳态—异常"片段，为诊断和建模提供样本。
• 批次与质量追溯：把批次号、化验结果与过程曲线关联，出现质量偏差时可回放该批次全过程的工艺参数。
• 能源管理与碳核算：按介质、按装置、按班次汇总能耗，为能效优化和碳排放报告提供可审计的数据基础。

这些场景有一个共同前提：数据必须连续、可信、带上下文。因此在实际项目中，采集点位的筛选、时间戳对齐、坏值处理、AF 模板设计，往往比"装软件"本身更耗时，也更决定项目成败。

学习路径规划

本课程共 30 章，建议按"认知—建设—应用—运维"四段推进，而不是从第一个组件开始逐个背功能。