1. AVEVA工业数据集成全景认知

在工业数字化转型的语境下，"数据集成"并不是把数据从一个库搬到另一个库这么简单。它要解决的是：现场设备与控制系统产生的时序数据、MES/ERP 中的业务数据、实验室与质量系统的结果数据，如何被统一采集、统一建模、统一对外服务，并最终支撑实时监控、生产分析与业务应用开发。AVEVA 的产品体系正是围绕这条主线组织的。理解各产品在链路中的位置，比记住产品名称更重要。

一、AVEVA 数据集成产品体系的定位

可以把 AVEVA 的工业数据产品理解为一条从"现场"到"应用"的分层链路，每一层解决不同的问题：

• PI System（含 PI Data Archive、PI Interface、PI AF、PI Vision）：面向工厂级的实时时序数据基础设施。PI Interface 负责从 DCS、PLC、SCADA、OPC 服务器等采集数据；PI Data Archive 存储高密度时序点；PI AF（Asset Framework）把裸测点组织成有语义的资产模型（设备、单元、管线及其属性）；PI Vision 提供实时画面与趋势展示。它解决的是"数据采得到、存得住、看得懂"。
• AVEVA Historian：面向过程与批次的历史数据平台，与 AVEVA System Platform / InTouch 等组态环境天然衔接，擅长存储带质量戳的过程值与批次上下文，常用于报表、批次追溯与合规分析。
• AVEVA Data Hub：云端数据服务层，把现场数据以流（Stream）和资产模型的形式汇聚到云上，提供 REST/OData 接口、事件与流处理能力，是跨站点、跨地域数据汇聚与云应用开发的基础。
• AVEVA Connect：统一的身份、订阅与应用入口，负责用户认证、权限与云服务的统一访问，是"人"和"应用"进入 AVEVA 云生态的门户。

四者的关系可以概括为：PI System 与 Historian 负责"现场侧的数据生产与沉淀"，Data Hub 负责"数据上云与对外服务"，Connect 负责"访问与治理"。业务应用（如能效分析、设备健康、批次追溯看板）则构建在这些数据服务之上。

二、典型架构与数据流向

以一个典型的流程工厂为例：现场 DCS 通过 OPC DA/UA 接口把约 8000 个测点接入 PI Interface，写入 PI Data Archive；PI AF 中建立"装置—单元—设备—测点"四级资产模型，例如 Plant01\常减压装置\P-101A\轴承温度，并把测点属性与设备属性绑定。Historian 侧同步采集批次号、配方号等上下文，用于批次追溯。当需要跨厂区分析时，通过 Data Hub 的 Stream 把关键测点（如各装置综合能耗、关键机组振动）以 1 分钟或 5 分钟粒度上云，云端应用通过 REST API 读取，用户经 Connect 登录并授权访问。

这条链路的关键判断点是：哪些数据留在现场、哪些上云。通常高频原始数据（1 秒级）留在 PI Data Archive 供实时监控与快速回溯；上云的是经过聚合或筛选的关键指标，以控制带宽与云存储成本。这个取舍直接决定了后续应用能做什么、不能做什么。

三、业务价值与学习路径

从业务价值看，这套体系解决三类问题：一是打破数据孤岛，把分散在各控制系统的数据统一到资产模型下；二是支撑实时决策，让操作与管理层看到同一份数据；三是赋能应用开发，通过标准 API 让开发者不必关心底层采集细节，专注业务逻辑。

本课程的学习路径按"认知—采集—建模—服务—开发—实战"推进：先建立产品全景（本章），再掌握 PI Interface 与 Historian 的采集配置，接着学习 PI AF 资产建模与 Data Hub 数据服务，然后进入 API 调用与应用开发，最后通过一个完整的实战项目串联全部环节。

理解这条分层链路后，后续每一章都会落到具体环节：接口怎么配、模型怎么建、API 怎么调、应用怎么写。带着"数据从哪来、经过什么处理、最终给谁用"这三个问题去学习，会比孤立记忆产品功能更有效。