2. 过程历史数据基础

在过程历史数据平台（如 Honeywell Uniformance PHD）中，所有工程活动——接口配置、存储规划、查询优化、报表与先进控制取数——都建立在对“过程历史数据”本身特性的正确理解之上。本节从四个基础维度展开：时序数据的固有特征、过程数据的分类方式、采样与压缩的机理，以及数据质量与完整性的判定概念。这四点决定了后续章节中标签建模、采集频率设定、压缩参数选择与数据可信度评估的具体做法。

一、时序数据的固有特征

过程历史数据本质上是“带时间戳的数值序列”，但它与普通业务数据有显著区别。第一是时间戳是主键的一部分：同一个位号（Tag）在不同时刻的值构成一条时间序列，查询几乎总是“某位号在某时间段内的值”。第二是数据到达不均匀：现场仪表可能按 1 秒、5 秒或变化触发上报，网络抖动、控制器扫描周期、接口批量提交都会造成时间间隔不等。第三是数值具有强相关性与缓变段：温度、液位、压力等过程量在稳态时长时间近似不变，只有工况切换时才快速变化。第四是数据量随时间线性增长且不可逆：历史库只追加、极少修改，因此存储与压缩策略必须在写入侧就确定。

这些特征直接决定了历史库不能简单套用关系型数据库的行存储模型，而需要按时间分块、按位号组织，并支持时间范围与降采样查询。

二、过程数据分类

从工程使用角度，过程数据通常分为以下几类，分类决定了采集方式与质量要求：

• 模拟量（连续量）：如温度、压力、流量、液位，取值连续，通常带工程单位与量程，需要死区与压缩处理。
• 数字量（状态量）：如泵运行/停止、阀门开/关、报警触点，只有有限状态，变化即事件，通常按变化记录。
• 累计量：如累计流量、累计产量，单调递增，需要处理清零、溢出与回退。
• 计算量与派生量：由原始位号经公式、物料平衡或统计计算得到，依赖上游数据质量。
• 事件与报警记录：带时间戳的状态变更与报警信息，常与过程值关联分析。

分类的意义在于：模拟量关注压缩与精度，数字量关注事件顺序与抖动，累计量关注单调性与单位换算，计算量关注依赖链与重算能力。

三、采样与压缩

采样是把连续过程信号离散化为时间戳数值的过程。采样周期越短，越能捕捉快速变化，但数据量与存储成本越高。工程上常按信号带宽与工艺要求选择：快速回路（如压缩机防喘振）可能 100 ms～1 s，一般温度压力 1～10 s，慢变量（如储罐液位）可 30 s～1 min。

压缩是在写入历史库前减少冗余点的技术。Honeywell PHD 等系统常用旋转门压缩（Swinging Door）：对模拟量设定一个压缩偏差（如 0.5% 量程），只要新点落在以“上一点与当前保留点”构成的偏差带内，就不存储，只更新“门”的边界；一旦超出偏差带，才把前一个点写入并重新开始。这样稳态段只保留少量点，变化段保留细节。

下面用一张图说明旋转门压缩的判定逻辑与数据流：

需要强调：压缩是有损的，压缩偏差越大，存储越省，但回放曲线越“粗”。对用于先进控制、软测量或事故追溯的位号，应减小偏差甚至关闭压缩；对仅用于趋势监视的位号可适当放宽。

四、数据质量与完整性概念

历史数据“有值”不等于“可用”。工程上常用以下概念描述：

• 质量码（Quality）：标识该点是否有效，如 Good、Bad、Uncertain、Not Connected。Bad 可能来自仪表故障、通信中断或接口异常。
• 完整性：在查询时间段内，实际存在的点数与理论应有点数之比。例如 1 分钟按 1 秒采样应有 60 点，实际 54 点，完整性约 90%。
• 时间戳精度与顺序：同一秒内多点、时间戳回退、时区不一致都会破坏趋势与统计。
• 量程与工程单位一致性：同一物理量在不同接口若单位不同（如 ℃ 与 ℉），直接合并会得到错误结果。

一个实用的完整性检查思路是：对目标位号，按查询时间段与标称采样周期计算理论点数，再统计实际 Good 点数，得到完整性百分比；若低于阈值（如 95%），则需检查采集接口、控制器通信或压缩配置。对于累计量，还要额外检查单调性：若出现下降，可能是清零或溢出，应结合质量码判断是否为真实事件。

综上，时序特征决定了存储模型，数据分类决定了采集与压缩策略，采样与压缩决定了精度与成本，质量与完整性决定了数据能否被信任。这四者共同构成过程历史数据平台工程的数据基础，也是后续标签建模、接口调试与查询优化的判断依据。