3. 设备状态监测数据模型设计

在PI System中，PI Data Archive负责存储海量时序数据，但它本身只认识“位号”（PI Point），并不理解“位号属于哪台设备、哪台设备属于哪条产线”。要让状态监测与运维分析真正落地，必须借助PI Asset Framework（PI AF）建立一层语义化的资产模型，把散落的位号组织成有层级、有类型、有关系的资产对象。本节围绕资产层级、设备模板、属性映射与关系定义四个核心环节，说明如何设计一套可支撑状态监测的数据模型。

一、资产层级：从企业到部件的骨架

资产层级是模型的骨架，决定了后续模板继承和关系定义的作用范围。设计时应遵循“物理包含关系”原则，即父节点在物理上真实包含子节点。一个典型的制造企业层级可以设计为：企业 → 工厂 → 车间/产线 → 工艺单元 → 设备 → 部件。例如某汽车零部件工厂的层级为：华东工厂 → 冲压车间 → 冲压线A → 压机单元 → 液压泵组 → 主泵。

层级深度不宜过深，一般控制在5～7层。过深会导致属性继承链复杂、查询性能下降；过浅则无法表达设备内部的部件级监测需求。对于状态监测而言，设备层和部件层是重点：设备层承载振动、温度、电流等整体状态量，部件层承载轴承温度、密封泄漏等局部状态量。层级命名建议统一采用“类型+编号”格式，如“冲压线A”“液压泵组-01”，避免使用“1号”“大泵”这类无法被程序解析的名称。

二、设备模板：把同类设备的属性固化下来

设备模板（Element Template）是PI AF实现批量建模的关键。同一型号的设备，其监测属性、计算逻辑、报警阈值往往一致，把这些共性抽取为模板，新设备只需套用模板并绑定位号即可，避免逐台重复配置。

以“离心泵”模板为例，可定义以下属性：

• 运行状态（RunStatus）：枚举型，取值运行/停机/故障，由电机电流位号经分析计算得出；
• 轴承温度（BearingTemp）：Float32，直接映射到PI Point；
• 振动烈度（VibrationRMS）：Float32，映射到振动位号；
• 累计运行小时（RunHours）：Float64，由运行状态积分计算；
• 健康指数（HealthIndex）：Float32，由温度、振动加权计算，0～100。

模板中还应配置属性数据类型、UOM（单位）、默认值、是否只读等元数据。例如轴承温度UOM设为“°C”，振动烈度设为“mm/s”。模板设计完成后，在AF中创建模板实例时，只需为每个属性指定对应的PI Point或计算表达式，即可完成一台设备的建模。

三、属性映射：把PI Point接到资产属性上

属性映射是模型与实时数据的连接点。PI AF支持多种数据引用方式，状态监测中最常用的是PI Point Data Reference和Formula Data Reference。

PI Point Data Reference直接将属性绑定到某个PI Point，适用于原始测点，如“轴承温度”绑定到位号PMP01_BRG_TEMP。Formula Data Reference则基于其他属性做计算，适用于派生量。例如健康指数可定义为：

HealthIndex = 100 - (BearingTemp - 60) * 1.5 - (VibrationRMS - 4.5) * 8

该公式表示：轴承温度超过60°C后每升高1°C扣1.5分，振动烈度超过4.5 mm/s后每升高1 mm/s扣8分。公式中的系数应结合设备厂家标准和历史故障数据标定，此处为示例假设值。映射完成后，AF会自动从PI Data Archive拉取数据，无需额外采集程序。

映射时需注意三点：一是位号命名要与资产属性语义一致，避免“张冠李戴”；二是计算属性的依赖关系不能成环；三是对于多测点设备（如一台泵有驱动端和非驱动端两个轴承温度），应分别建立独立属性，而不是合并为一个。

四、关系定义：让资产之间可追溯、可分析

仅有层级还不够。状态监测中经常需要回答“这台泵给哪条线供油”“这个传感器装在哪台设备上”“哪台电机驱动这台泵”。这些跨层级的关联，需要通过AF关系（Relationship）来表达。

PI AF支持两种关系：父子关系（由层级自动产生）和自定义关系。自定义关系需要先定义关系规则（Relationship Rule），指定源模板、目标模板和关系名称。例如定义“驱动”关系：源模板为“电机”，目标模板为“泵”，关系名称为“Drives”。建立后，即可在电机资产上看到它驱动的泵，反之亦然。

对于状态监测，推荐建立以下关系：设备与传感器之间的“监测”关系、设备与工艺单元之间的“属于”关系、备用设备之间的“冗余”关系。这些关系在故障根因分析时非常有用：当某台泵振动超标时，可沿“驱动”关系检查电机电流是否异常，沿“监测”关系确认传感器是否正常，从而快速缩小排查范围。

五、模型落地时的关键检查点

模型建好后，不能只看“能不能显示”，而要通过几个检查点验证其可用性。第一，层级完整性：从企业到部件是否连续，有无断链；第二，模板一致性：同类设备是否都套用了同一模板，属性是否齐全；第三，映射有效性：每个属性是否都能取到实时值，计算属性是否报错；第四，关系可追溯：从任意设备能否沿关系找到其上下游对象。

实际项目中，建议先用一台典型设备做样板，验证模板、映射和关系全部正确后，再批量复制到同类设备。批量建模时可借助AF SDK或PI System Explorer的导入功能，将设备清单和位号对照表整理为CSV，一次性生成资产实例，大幅减少手工配置量。

综上，基于PI AF的设备状态监测数据模型，本质是用层级表达“设备在哪里”，用模板表达“设备是什么”，用属性映射表达“设备状态从哪来”，用关系表达“设备与谁相关”。四者配合，才能让PI System从“存数据”升级为“懂设备”，为后续的状态评估、故障预警和运维决策提供结构化基础。