2. DeltaV数据模型与实时数据库

DeltaV 的数据模型可以理解为一条从现场信号到运营决策的“数据链”：现场仪表信号进入控制器，经过扫描、量程转换、报警判断后，形成过程变量、报警、事件、批次和历史数据，最终由实时数据库与历史库分别承担“当前状态”和“历史轨迹”的职责。理解这条链上每一类数据的产生位置、存储结构和时间特性，是后续做数据集成、报表、批次追溯和性能分析的基础。

一、过程变量：从信号到工程值

DeltaV 中最基础的数据对象是过程变量（PV）。一个模拟量输入通道通常经历以下转换：现场 4～20 mA 信号进入 I/O 卡件，被转换为原始计数或百分比，再经量程变换为工程单位值。例如某压力变送器量程为 0～1.0 MPa，输出 4～20 mA，若卡件读回 12 mA，则对应百分比为 (12−4)/(20−4)=50%，工程值为 0.5 MPa。这个工程值才是操作员画面、报警判断和趋势记录所使用的 PV。

DeltaV 中与 PV 相关的常见属性包括：PV 值、工程单位、量程上下限、报警限值（HI/HI_HI/LO/LO_LO）、死区、PV 质量码以及时间戳。质量码用于标识该值是否可信，例如 Good、Bad、Uncertain，集成到上层系统时必须一并传递，否则会把无效值当作真实值使用。数字量则表现为离散状态，如阀门开/关、电机运行/停止，通常以 0/1 或布尔量表达。

二、报警、事件与批次数据

报警是过程变量越过限值或设备异常时产生的状态通知，具有优先级、确认状态、发生时间和恢复时间。事件的范围更广，包括操作员动作、模式切换、下载、报警确认、系统诊断等，它记录“发生了什么”，而不一定代表异常。报警可以视为事件的一个子集。批次数据则面向批处理过程，把一次生产运行中的配方、阶段、步骤、参数和结果关联起来，用于追溯“这一批产品用了什么条件”。

这三类数据的共同点是都带时间戳，区别在于：报警强调异常与优先级，事件强调动作与审计，批次强调生产批次上下文。集成时若只取报警而忽略事件，就无法还原操作过程；若只取批次结果而忽略批次内报警，就难以解释质量偏差。

三、实时数据库与历史库结构

DeltaV 的实时数据库保存当前值，特点是访问快、更新频繁、只保留最新状态；历史库保存时间序列，按时间戳存储采样值，用于趋势、报表和回溯。历史库通常按“节点—模块—参数”的层级组织，每个被采集的参数形成一条时间序列。采集方式主要有周期采样和例外报告（死区压缩）两种：周期采样按固定间隔记录，例外报告只在数值变化超过死区或时间超过最大间隔时记录，从而在精度和存储量之间取得平衡。

四、采集频率与精度的实际取舍

采集频率不是越高越好。以温度控制回路为例，若回路响应时间常数为数十秒，用 1 s 周期采样已足够；若用于捕捉压力脉动或快速联锁，则可能需要 100 ms 甚至更快。频率过高会带来历史库膨胀和网络负载，频率过低则可能漏掉短时超限。工程上常按“被测量的变化速度”和“用途”两个维度确定：用于闭环控制的值由控制器扫描周期决定，用于趋势和报表的值可适当降频。

精度方面，需要区分“测量精度”和“记录精度”。测量精度由变送器和卡件决定，记录精度则由量程、小数位和死区决定。例如量程 0～1.0 MPa、保留两位小数，记录分辨率约为 0.01 MPa；若死区设为 0.005 MPa，则小于该变化不会被记录。若报警限为 0.85 MPa，而死区过大，可能导致实际值已接近限值但历史趋势上仍显示平稳，从而影响分析判断。

五、面向集成的数据组织建议

做数据集成时，建议按“对象—属性—时间戳—质量码”四元组组织每条记录。对象用 DeltaV 的节点、模块、参数路径唯一标识；属性区分 PV、报警状态、事件类型、批次号；时间戳统一到同一时区并保留毫秒；质量码随值一起传递。对于报警和事件，还应保留优先级、确认人和确认时间，以便审计。对于批次数据，应把批次号作为关联键，将批次内的 PV、报警、事件串联起来，形成可追溯的数据包。

下面给出一个集成映射的示例结构，用于说明字段组织方式（示例为合理假设，非实测数据）：

{
  "tag": "REACTOR1.PRESS.PV",
  "value": 0.52,
  "unit": "MPa",
  "quality": "Good",
  "timestamp": "2025-03-18T08:15:30.250+08:00",
  "alarm": { "state": "NORMAL", "priority": "—" },
  "batch_id": "B20250318-007"
}

当实时库与历史库的数据同时进入上层平台时，应明确“当前值”和“历史值”的用途边界：实时值用于画面刷新和即时判断，历史值用于趋势、统计和追溯。两者时间戳不一致时，以历史库时间戳为准做对齐，避免用实时值回填历史造成时间错位。掌握这套数据模型，后续无论是做 OPC 集成、报表开发还是批次分析，都能清楚知道数据从哪里来、以什么频率和精度存在、以及如何正确关联。