📚 课程目录第3章 PI System数据质量监控指标体系

3. PI System数据质量监控指标体系

在PI System中谈数据质量，不能停留在“这个点看起来不对”的直觉判断上。真正可运维的数据质量监控，必须把模糊的“好/坏”转化为可计算、可告警、可追溯的量化指标。本节围绕完整性、准确性、及时性、一致性四个维度，结合PI System原生工具（PI Data Archive、PI Asset Framework、PI Analysis、PI Vision、PI Web API）与行业标准（如ISO 8000、ISA-95、NAMUR NE 107），设计一套可落地的指标体系。

一、为什么需要指标体系而不是单点检查

PI System中一个典型问题：某流量计在凌晨2:00到4:00之间没有数据。如果只看单个点的当前值，可能显示为“I/O超时”或“无数据”。但运维人员真正需要知道的是：这个缺失持续了多久？影响了多少条记录？是否导致下游报表偏差？是否触发过报警？这些问题的答案，必须由一组指标来回答，而不是一个状态码。

指标体系的另一个作用是统一口径。同一个“数据质量差”，在仪表工程师、自控工程师、工艺工程师和IT运维眼中含义不同。通过定义完整性、准确性、及时性、一致性四个维度的量化指标，可以让不同角色在同一套数字上对话。

二、四个维度的指标定义与计算

完整性（Completeness）衡量的是“应有数据是否都在”。在PI System中，完整性通常以时间窗口内有效数据点占比来定义。例如，对于一个采样周期为1秒的PI Point，在1小时窗口内理论应有3600个值。如果实际有效值（非“No Data”、非“I/O Timeout”、非“Shutdown”）为3540个，则完整性为3540/3600=98.33%。PI System原生工具中，PI Data Archive的Archive Editor可以查看数据空洞，PI AF的Analysis可以计算“有效值计数/理论值计数”。行业标准中，ISO 8000对数据完整性有类似定义，但PI场景下更强调时间序列的连续性。

准确性（Accuracy）衡量的是“数据值是否接近真实值”。在PI System中，准确性不能仅靠PI自身判断，必须引入参考源。常见做法包括：与实验室化验值对比、与冗余仪表对比、与历史同期统计基线对比。例如，某温度点TIC-101的PI值与相邻冗余点TIC-102的差值超过2°C且持续5分钟，则判定为准确性异常。PI Analysis中可以用“差值绝对值”表达式计算，PI Vision中可以用趋势对比展示。准确性指标通常以“偏差率”或“超限次数”表示。

及时性（Timeliness）衡量的是“数据是否按时到达”。在PI System中，及时性关注的是数据从现场设备到PI Data Archive的延迟。例如，一个PI Point的采集周期为5秒，但实际数据到达PI的时间戳与当前时间相差超过15秒，则及时性不达标。PI Interface Status Utility可以查看接口延迟，PI Data Archive的“Snapshot”时间戳可以判断最新值的新鲜度。及时性指标通常以“延迟秒数”或“按时到达率”表示。

一致性（Consistency）衡量的是“同一对象在不同系统或不同维度上是否一致”。在PI System中，一致性包括：PI AF中属性值与PI Data Archive中实际值是否一致、同一物料在PI AF层级与MES系统中编码是否一致、同一时间窗口内不同来源的数据是否矛盾。例如，PI AF中某设备的状态属性为“运行”，但PI Data Archive中该设备电流点为0，则一致性异常。一致性指标通常以“冲突记录数”或“一致率”表示。

三、指标如何落地到PI System原生工具

定义完指标后，关键问题是“在哪里算、怎么算、怎么展示”。PI System提供了一条从底层到展示的完整链路。

在PI Data Archive层，完整性可以通过PI SQL Commander或PI Web API的“/streams/{webId}/recorded”接口，按时间窗口统计有效值数量。及时性可以通过PI Interface Status Utility查看接口的“Last Execution Time”和“Next Execution Time”，或者通过PI Data Archive的“Snapshot”时间戳与当前时间对比。准确性需要引入外部参考，通常用PI AF的Analysis规则实现，例如定义一个“偏差计算”属性，表达式为“Abs('TIC-101' - 'TIC-102')”，再设置阈值触发。一致性则更多依赖PI AF的层级结构和属性映射，通过PI AF SDK或PI Web API对比不同来源的属性值。

在PI AF层，可以建立一套“数据质量监控”模板。每个关键PI Point关联一个AF Element，Element下挂四个属性：Completeness、Accuracy、Timeliness、Consistency。每个属性由Analysis规则自动计算，并写入PI Data Archive或AF属性。这样，PI Vision就可以直接绑定这些属性，用仪表盘展示实时质量分。

在PI Vision层，建议设计一个“数据质量总览”页面：左侧是四个维度的当前值卡片，右侧是趋势图，下方是异常点列表。异常点列表可以按“告警级别”排序，点击后跳转到PI Vision的趋势页面，查看具体时间段的原始数据。

四、一个可参考的指标配置示例

以下是一个PI AF Analysis表达式的示例，用于计算某流量点FIC-201的完整性。假设采样周期为1秒，窗口为1小时：

// PI AF Analysis 表达式示例（伪代码）
// 计算1小时窗口内有效值数量
ValidCount = TagCount('FIC-201', '*-1h', '*', 'Good')
// 理论值数量
TheoreticalCount = 3600
// 完整性
Completeness = ValidCount / TheoreticalCount * 100
// 输出到AF属性
Output('Completeness', Completeness)

对于准确性，可以配置一个“偏差监控”Analysis：

// 计算FIC-201与冗余点FIC-202的偏差
Deviation = Abs('FIC-201' - 'FIC-202')
// 如果偏差超过量程的2%，且持续5分钟
If Deviation > 0.02 * 'FIC-201.Range' Then
    Output('AccuracyAlarm', 1)
Else
    Output('AccuracyAlarm', 0)
End If

这些表达式在PI AF Analysis中可以直接配置，计算结果可以写入PI Data Archive，也可以直接在PI Vision中展示。需要注意的是，上述参数（3600、0.02、5分钟）均为教学示例，实际项目中应根据仪表精度、工艺要求和历史数据分布来确定。

五、指标体系的持续改进

指标体系不是一次配置就结束的。建议每季度回顾一次：哪些指标频繁告警但实际影响很小？哪些指标从未告警但现场确实出现过问题？根据回顾结果调整阈值和权重。同时，随着PI System版本升级，PI Web API和PI AF Analysis的能力也在增强，可以逐步把更多计算从外部脚本迁移到PI原生工具中，减少维护成本。

最终目标不是追求100%的完美数据，而是让数据质量“可见、可量化、可行动”。当完整性低于95%时，运维人员知道该去检查哪个接口；当准确性偏差超过3%时，工艺工程师知道该去校验哪个仪表；当一致性冲突出现时，系统管理员知道该去核对哪个AF属性映射。这才是PI System数据质量监控指标体系的真正价值。