1. PI System计算分析与实时指标开发导论

在流程工业、电力、水务、油气和离散制造等场景中,控制系统每秒都在产生海量过程数据。这些数据本身并不直接等于价值,真正决定生产透明度与决策效率的,是能否把原始测量值转化为可理解、可复用、可实时刷新的指标。PI System 正是围绕这一目标构建的工业数据基础设施,而“计算分析与实时指标开发”则是把数据资产转化为运营洞察的关键环节。

本课程的目标不是孤立地介绍某个工具按钮,而是建立一条完整的能力链:理解 PI System 的核心组件及其分工,掌握在 PI Asset Framework 中建立资产模型的方法,学会使用 PI Analysis 编写表达式与计算模板,最终通过 PI Vision 与 PI Web API 将实时指标交付给操作人员、工程师和上层应用。学完本课程后,你应当能够独立完成一个从数据接入、模型搭建、计算配置到可视化发布的闭环项目。

PI System 核心组件与职责边界

PI System 并不是单一软件,而是一组协同工作的组件。理解它们各自的职责边界,是后续开发不迷路的前提。

PI Data Archive 是时间序列数据的存储核心,负责高效写入和读取带时间戳的过程数据。它保存的是“某测点在某时刻的值”,例如 CDT158 在 2024-06-01 08:00:00 的流量为 125.6 m³/h。它擅长高吞吐写入和长时间历史存储,但不擅长表达设备层级和业务语义。

PI Asset Framework(AF) 在数据之上建立资产模型。它把测点组织成设备、单元、管线等对象,并允许为对象附加属性、层级关系和计算模板。例如,把 CDT158 挂到“1号锅炉给水泵”元素下,并定义“泵效率”属性。AF 是计算分析与实时指标开发的建模基础。

PI Analysis 是运行在 AF 之上的计算引擎。它通过表达式、分析模板和回填机制,把原始测点或已有属性计算成新的属性值,并写回 AF 或 PI Data Archive。实时指标、KPI、报警条件、班次统计等,通常都在这里定义。

PI Vision 是面向操作与监控的可视化层。它读取 AF 属性和 PI Data Archive 数据,以趋势、仪表盘、表格、KPI 卡片等形式展示实时指标,支持浏览器访问和移动端查看。

PI Web API 则是对外集成接口。它把 PI System 的数据和模型以 RESTful 方式暴露给第三方系统,例如 MES、报表平台、数据中台或自研看板,使实时指标能够进入更广泛的业务系统。

PI System 计算分析与实时指标开发组件协作关系 现场数据源 DCS / PLC / SCADA 流量、温度、压力、电流 PI Data Archive 时间序列存储 测点 / 时间戳 / 质量码 PI Asset Framework 资产模型 / 元素层级 / 属性 / 模板 为计算提供语义化对象 采集 引用 PI Analysis 表达式 / 分析模板 / 回填 实时指标、KPI、报警条件计算 输入属性 结果回写 PI Vision 趋势 / 仪表盘 / KPI 卡片 操作员与工程师实时监控 PI Web API RESTful 接口 / JSON 数据 MES、报表、数据中台集成 读取指标 暴露数据 数据自下而上流动:采集 → 存储 → 建模 → 计算 → 可视化 / 集成

计算分析与实时指标在工业场景中的价值

很多工厂并不缺数据,缺的是“能直接用于判断的数据”。原始测点只能回答“当前值是多少”,而实时指标回答的是“当前运行得好不好、是否偏离、偏离多少”。例如,一台给水泵的电流和流量是原始测点,而“泵效率 = 有效功率 / 轴功率”才是能反映设备状态的指标。当泵效率从 78% 缓慢下降到 65% 时,操作人员可能不会注意到电流的微小变化,但效率指标的持续下降会直接提示叶轮磨损或内部泄漏。

实时指标的价值主要体现在三个层面。第一是可观测性:把分散测点聚合成设备级、单元级、产线级指标,让管理者一眼看清运行水平。第二是可预警性:通过计算偏差、变化率、累计量,在异常演变为故障之前触发提醒。第三是可复用性:在 AF 中定义一次计算模板,可以批量应用到同类型设备,避免每个测点单独写逻辑。以某化工厂的 12 台循环水泵为例,若每台泵都手工配置效率计算,维护成本高且容易不一致;使用 AF 分析模板后,只需维护一套表达式,新增泵时实例化模板即可。

实时指标并不等于“越复杂越好”。一个可用的指标应当具备明确的业务含义、稳定的数据来源、可解释的计算逻辑,以及可判断的阈值或趋势方向。否则它只会成为看板上无人关注的数字。

整体学习路径与实战项目说明

本课程按照“先建模型、再写计算、后做交付”的顺序推进。前期重点放在 PI Data Archive 与 AF 的关系上,理解测点如何被引用、属性如何被组织;中期进入 PI Analysis,学习表达式语法、时间函数、条件判断、模板参数化和回填策略;后期则把计算结果接入 PI Vision 和 PI Web API,完成从计算到展示的最后一公里。

贯穿课程的实战项目是“循环水泵运行效率实时监测”。项目对象为一组循环水泵,每台泵包含流量、出口压力、电机电流、电压、运行状态等测点。你需要完成以下工作:在 AF 中建立“循环水站 → 泵组 → 单泵”的层级结构;为单泵定义“有效功率”“轴功率”“泵效率”“累计运行时长”等属性;使用 PI Analysis 编写效率计算表达式,并设置当效率低于 65% 且持续 10 分钟时输出预警状态;最后在 PI Vision 中制作泵组效率总览,并通过 PI Web API 将效率数据提供给报表系统。

示例参数仅用于说明计算逻辑:假设某泵流量为 1250 m³/h,出口压力为 0.42 MPa,电机输入功率为 210 kW,介质密度取 1000 kg/m³。有效功率可按 P有效 = ρ × g × Q × H / 3600 估算,其中 Q 为体积流量,H 为扬程。若扬程由出口压力换算得到约 42.8 m,则有效功率约为 145.8 kW,泵效率约为 69.4%。这些数值属于教学假设,实际项目中应以仪表实测和设计参数为准。

阶段 核心任务 关键产出
建模阶段 在 AF 中建立泵组层级与属性 可被引用的资产模型
计算阶段 编写效率、累计时长、预警分析 实时刷新的 AF 属性
交付阶段 PI Vision 看板与 PI Web API 接口 可查看、可集成的指标服务