2. PI System数据模型与质量影响

在 PI System 中，数据质量并不是某一个组件单独决定的属性，而是由 PI Interfaces（采集层）→ PI Data Archive（存储层）→ PI Asset Framework（语义层） 这条链路逐级传递、逐级叠加的结果。理解这条链路的架构分工，是判断“一个坏值到底从哪里来”的前提。本节先建立三层架构与质量属性的对应关系，再给出可落地的源头定位方法。

三层架构各自负责什么质量属性

PI Interfaces 负责把外部系统的原始值转换为 PI 点值，它决定的是采集质量：时间戳从哪来、值是否被换算、通信中断时写什么。PI Data Archive 负责按时间序列存储这些值，它决定的是存储质量：时间戳精度、压缩行为、异常值是否被保留、历史回填是否覆盖。PI Asset Framework 不改变原始值，它决定的是语义质量：一个点被挂到哪个设备、单位与量程是否一致、计算模板是否引入了新的派生值。

关键结论是：AF 层看到的“坏数据”，绝大多数并不是 AF 造成的，而是采集或存储阶段已经写入的。AF 只是把问题放大并暴露出来。因此排障方向应当是从 AF 反向追溯，而不是在 AF 里直接修补。

从 AF 现象反向追溯的三个判断点

当 AF 中某个元素显示异常时，按以下顺序判断，可以快速缩小范围。

第一，看时间戳是否连续。如果点值在故障时段完全缺失，或时间戳出现大段空白，问题通常在 Interface 侧——采集进程停止、网络中断或源系统未响应。此时 PI Data Archive 中该时段没有记录，AF 自然无法显示。判断依据是查看该点的归档记录时间间隔，而不是看 AF 的显示结果。

第二，看值是否被压缩。如果时间戳连续但数值呈台阶状、长时间不变，说明 Interface 正常写入，但 PI Data Archive 的压缩参数把中间变化过滤掉了。PI Data Archive 默认对每个点使用 Exception 和 Compression 两个偏差值，当新值与上一归档值的偏差小于设定阈值时不存储。对于需要保留细节的工艺参数，压缩偏差设置过大会造成“看起来数据正常、实际丢失过程”的隐性质量问题。

第三，看单位与量程是否一致。如果同一个物理测点在两个 AF 元素下显示不同数值，或数值量级明显偏离工艺常识，问题在 AF 模板的属性映射。AF 不修改原始值，但会通过单位换算、量程映射和分析计算产生新的显示值。这类问题不影响 PI Data Archive 中的原始数据，但会直接影响上层报表和看板。

一个可复用的源头定位检查表

下表把上述判断整理为可直接使用的检查项，适用于日常巡检和故障排查。表中“判断依据”列给出的是可观察的客观证据，而不是主观印象。

架构分工对质量治理的启示

三层架构的分工决定了质量治理不能只在一个层级做文章。Interface 层要保证采集周期、时间戳来源和通信恢复策略明确；PI Data Archive 层要针对不同工艺参数设置差异化的压缩偏差，而不是全部使用默认值；AF 层要保证模板属性、单位和量程映射的一致性，并对派生计算值单独标注来源。

实际工作中，一个常见的误区是：发现 AF 显示异常后，直接在 AF 中修改属性或添加计算来“修正”数值。这种做法会掩盖原始数据的问题，使后续排障更加困难。正确的做法是保留原始归档值不变，在 AF 中通过分析或属性映射表达修正逻辑，并记录修正原因。这样既保证了原始数据的可追溯性，也让质量问题在正确的层级被解决。

总结来说，PI Data Archive、PI Asset Framework、PI Interfaces 分别对应存储质量、语义质量和采集质量。识别质量问题源头的核心方法，是沿着“AF 现象 → 归档值 → 采集日志”的方向反向追溯，用时间戳连续性、压缩行为和单位一致性三个判断点逐层排除，最终把问题定位到正确的层级再处理。