2. 工业历史数据模型与AVEVA资产框架

在工业现场，历史数据并不是“一张大表”那么简单。一个反应釜的温度、一台泵的振动、一条产线的能耗，背后都对应着明确的设备对象、层级位置和工程属性。如果只把数据按时间戳堆进数据库，后续做趋势分析、批次追溯或KPI计算时，就会陷入“知道有数、不知道数属于谁”的困境。AVEVA的工业历史数据体系正是为解决这一问题而设计：它把时间序列数据与资产模型绑定，让每个数值都有明确的归属和上下文。

时间序列数据的基本结构

时间序列数据由“时间戳 + 数值 + 质量码”三要素构成。以PI System为例，一个典型的PI Point（位号）记录如下：

Tag: REACTOR101.TEMP
Timestamp: 2024-06-15 08:30:00
Value: 152.3
Quality: Good
UOM: °C

其中质量码用于标识数据可信度，常见状态包括Good、Bad、Questionable、Substituted等。当现场仪表故障或通信中断时，质量码会变为Bad，后续计算必须据此过滤，否则会污染统计结果。时间戳通常采用UTC或本地时间，工程中需统一约定，避免跨时区产线对比时出现偏差。

历史数据按存储方式可分为三类：原始归档数据（按采集周期逐点存储）、压缩数据（如旋转门压缩，只保留趋势变化点）、汇总数据（按小时/班次/批次计算的平均值、最大值、累计值）。理解这三类数据的区别，是后续选择查询方式的基础。

资产层级：从企业到设备

AVEVA PI Asset Framework（AF）用层级结构组织物理资产。典型层级为：企业 → 工厂 → 区域 → 产线 → 设备 → 部件。例如：

• 企业：华东化工集团
• 工厂：南京一厂
• 区域：反应车间
• 产线：A线
• 设备：反应釜R101
• 部件：搅拌电机、温度传感器、压力变送器

每个层级节点称为一个Element，Element可以挂载属性（Attribute）。属性分为静态属性（如设备型号、安装日期）和动态属性（如温度、压力、流量）。动态属性通过数据引用（Data Reference）关联到PI Point或计算表达式，从而实现“资产模型驱动数据访问”。

属性模板与继承机制

属性模板（Attribute Template）是AF的核心复用机制。假设车间有20台同型号反应釜，每台都需要温度、压力、液位、搅拌转速四个属性。如果逐台手工创建，不仅耗时且容易遗漏。正确做法是：

1. 创建一个名为“反应釜模板”的Element Template；
2. 在模板中定义四个Attribute，并设置默认数据引用格式，如\\%Element%.TEMP；
3. 将模板实例化到20台反应釜Element上，系统自动生成对应属性；
4. 实例化后，各Element可覆盖默认引用，指向各自实际的PI Point。

模板还支持继承：子模板可继承父模板属性，再追加特有属性。例如“带夹套反应釜模板”继承“反应釜模板”，额外增加夹套温度属性。这种机制让资产模型既统一又灵活。

事件帧：把时间序列切成业务片段

事件帧（Event Frame）是AF中用于描述“有始有终”业务事件的容器。它不同于普通时间序列的连续记录，而是标记一段特定时间区间，并附带上下文属性。典型应用包括：

• 批次生产：从投料到出料为一个Event Frame，关联批次号、配方、操作员；
• 设备停机：从停机信号触发到恢复运行为一个Event Frame，关联停机原因、影响产量；
• 报警事件：从报警产生到确认消除为一个Event Frame，关联报警级别、处理人。

Event Frame可以嵌套，也可以与Element关联。例如“批次B20240615-03”Event Frame关联到“反应釜R101”Element，其时间区间内所有温度、压力数据自动归属该批次。这样，做批次追溯时只需查询该Event Frame，即可拉取完整过程数据，无需手工拼接时间范围。

AVEVA Historian数据模型的组织方式

AVEVA Historian（原Wonderware Historian）采用“Tag + 存储过程”的模型。其核心表包括：

查询时通常使用sp_GetHistory或sp_GetWideHistory存储过程，按Tag名和时间范围拉取数据。与PI AF不同，Historian更偏向“位号中心”模型，资产层级通常通过命名约定或外部表维护。实际工程中，常将Historian作为数据源，在AF中建立资产模型并引用Historian Tag，从而兼顾存储效率与资产语义。

数据模型与资产框架的协同关系

理解两者关系的关键在于：时间序列数据回答“值是多少”，资产框架回答“值属于谁、在什么上下文中”。下图展示了从现场设备到上层应用的完整数据组织链路：

从图中可以看出，现场设备产生的原始数据先进入Historian或PI Data Archive存储，再通过AF的数据引用机制挂载到资产层级上。Event Frame则把连续时间轴切分为有业务意义的片段。最终，趋势分析、批次追溯、KPI计算和报警管理都基于这套“数据+模型”的组合来工作。

掌握时间序列数据、资产层级、属性模板和事件帧这四个核心概念后，就能理解AVEVA PI AF与Historian数据模型的基本组织方式。下一阶段的实际工程中，需要根据具体产线对象，设计合理的Element层级和Attribute模板，并配置正确的数据引用，才能让历史数据真正“活”起来。