1. 课程导入与全景认知

在流程工业、电力、油气、制药等连续生产场景中，PI System 往往承担着“全厂时序数据底座”的角色：DCS、PLC、SCADA、振动监测、实验室系统、能源计量表计等数据源持续写入，上层再支撑实时看板、批次分析、设备健康、能耗优化与报表合规。一旦这个底座出现性能瓶颈或数据质量问题，表现通常不是“系统报错”，而是更隐蔽的现象——历史回补变慢、趋势曲线断点、KPI 与现场对不上、事件序列错位。本课程的目标，是让学员既能看懂 PI System 的组件协作关系，也能在真实场景中定位并解决性能与数据质量两类问题。

一、PI System 的核心组件与数据链路

理解 PI System，先要理解它的数据链路。最典型的一条链路是：现场设备或控制系统产生原始信号，经接口层采集进入 PI Data Archive，再由 PI AF（Asset Framework）做资产建模与上下文关联，最后通过 PI Vision、PI DataLink、PI Web API 或第三方分析工具消费。围绕这条链路，还有几个关键角色：PI Interface 负责协议转换与采集；PI Buffer Subsystem 负责在网络中断时缓存数据，避免丢数；PI Analysis Service 负责在 AF 上执行计算与事件检测；PI Collective 负责高可用与负载分担。

需要特别强调的是，PI Data Archive 存储的是带时间戳的时序数据，其核心对象是 PI Point（位号）。每个 PI Point 有名称、点类型、工程单位、量程、压缩偏差、异常限值等属性。压缩（Compression）与异常检测（Exception/Compression Testing）决定了哪些值会被真正写入归档，这直接关系到“数据是否完整”和“存储是否膨胀”。很多数据质量问题，根源并不在采集端，而在位号配置与压缩策略。

二、性能优化与数据质量治理的边界

这两类问题经常被混为一谈，但它们的判断依据和处置手段不同。性能问题关注“系统是否跟得上”：接口扫描是否延迟、归档写入是否堆积、查询是否超时、AF 计算是否拖慢整体响应。数据质量问题关注“数据是否可信”：值是否正确、时间戳是否对齐、是否存在断点或重复、单位与量程是否一致、AF 属性是否映射到正确的位号。

两者的边界并非绝对。例如，压缩偏差设置过大，会同时造成“存储压力下降”（性能变好）和“趋势细节丢失”（质量变差）；接口扫描周期过长，会降低负载，但可能漏掉短时脉冲。因此，实际治理中需要先明确目标：是保实时性、保完整性，还是保精度。这个判断会直接决定后续的参数取舍。

三、典型工业场景痛点

结合常见项目经验，可以归纳出几类高频痛点。第一类是“趋势断点”：现场操作员发现某段曲线缺失，排查后发现是接口在切换网络时 Buffer 未正确回补，或位号被误设为“关闭压缩”导致写入异常。第二类是“KPI 对不上”：AF 计算属性引用了错误的位号，或单位未换算，导致能耗指标与电表读数偏差。第三类是“历史回补慢”：大批量回补时归档 I/O 饱和，影响在线查询。第四类是“位号命名混乱”：同一测点在 DCS、PI、AF 中出现三种名称，后续分析难以复用。

四、学习路径与实战目标

本课程按“认知—诊断—治理—验证”的路径展开。前几章建立组件与链路认知，中间章节分别深入接口与缓冲、归档与压缩、AF 建模与计算、客户端与查询性能，随后进入数据质量规则、断点修复、命名与单位治理，最后通过综合案例完成一次从问题发现到验证闭环的实战。

学习完成后，学员应能独立完成以下任务：读懂 PI System 数据链路图并定位瓶颈环节；根据位号属性判断压缩与异常限设置是否合理；使用 PI SMT、PI System Explorer、PI Vision 等工具观察采集状态与数据质量；针对断点、重复值、单位不一致等问题给出可执行的修复方案；并在修改后通过趋势对比、统计校验和业务核对确认治理效果。

五、一个可参考的初始检查清单

在正式进入各专题前，建议先对现有系统做一次轻量盘点。以下清单可作为起点，字段可根据实际环境调整。