1. 课程导入
在流程工业、电力、水务、制药、冶金等连续生产场景中，设备每天产生海量过程数据。这些数据大多以秒级或毫秒级频率写入PI System（Plant Information System，工厂信息系统），形成一条条随时间延伸的时序曲线。然而，数据被存储并不等于被利用。很多企业拥有多年历史数据，却仍然依赖人工报表、经验判断和事后抢修来管理设备。本课程要解决的核心问题正是：如何把PI系统中的时序数据，转化为可度量、可对比、可追踪的设备KPI，并进一步支撑设备健康管理与生产决策。
一、学习目标：从“看数据”到“用数据管设备”
本课程不是单纯的PI操作培训，也不是孤立的KPI指标讲解，而是把两者打通，形成一条从数据采集到指标落地、再到业务闭环的完整链路。学完本课程，学员应达到以下目标：
- 理解PI System的架构、数据模型与典型接口方式，能说清PI Data Archive、PI AF、PI Vision、PI Web API等组件各自承担的角色。
- 掌握设备KPI的定义方法，能够把“设备可用率”“故障停机时长”“OEE”“MTBF”“MTTR”等指标拆解为可计算的PI标签与时间区间。
- 能够使用PI AF建立设备层级模型，把资产、属性、模板、分析表达式组织成可复用的KPI计算框架。
- 能够设计KPI看板与报警规则，让异常在发生早期被识别，而不是在停机后才被追溯。
- 具备排障与复盘能力，能判断KPI异常是数据质量问题、计算逻辑问题，还是设备真实劣化。
核心转变：从“记录历史”转向“驱动行动”。PI系统提供事实，KPI工程提供判断，二者结合才能让数据产生管理价值。
二、核心价值：为什么设备KPI必须建立在PI系统之上
设备KPI的价值取决于三个要素：数据是否真实、计算是否一致、结果是否可行动。传统手工报表往往在这三点上同时失守：数据靠人工抄录，口径随人而变，结果滞后到无法干预。PI系统恰好提供了解决基础：
- 高密度时序数据：PI Data Archive以高效压缩方式存储长期历史数据，保留设备启停、振动、温度、电流、压力等关键信号。
- 统一资产模型：PI AF把标签按设备、产线、工厂层级组织，使KPI计算有稳定的上下文，而不是散落的位号。
- 实时与历史一致：同一套表达式既可算实时值，也可回溯历史，避免“实时看板”和“月度报表”两套口径。
- 可追溯与可审计：每个KPI都能追溯到原始标签、时间区间和计算逻辑，便于复盘和争议处理。
因此，设备KPI工程的核心价值可以概括为：用统一的数据底座，支撑一致的设备绩效度量，让停机、降速、小停、质量损失等隐性成本显性化。
三、整体知识框架：四层结构
本课程的知识体系可以组织为四层：数据层、模型层、指标层、应用层。四层之间是逐层支撑的关系，而不是并列罗列。
| 层级 | 核心对象 | 关键任务 | 典型工具 |
|---|---|---|---|
| 数据层 | PI标签、时间戳、质量码 | 采集、压缩、补数、质量校验 | PI Interface、PI Buffer、PI Data Archive |
| 模型层 | AF元素、模板、属性、层级 | 资产建模、标签映射、单位统一 | PI AF、PI System Explorer |
| 指标层 | KPI定义、时间区间、表达式 | 可用率、OEE、MTBF、MTTR计算 | AF Analytics、PI Web API |
| 应用层 | 看板、报警、报表、工单 | 监控、预警、复盘、持续改进 | PI Vision、Power BI、CMMS |
下面这张图展示了从现场信号到设备KPI应用的整体数据流与层级关系。它把四层结构、关键组件和典型输出放在同一张图中，便于建立全局认知。
四、典型应用场景：KPI工程在设备管理中的落点
设备KPI工程不是抽象概念，它在日常运维中有非常具体的落点。以下场景在本课程中会反复出现：
- 关键机组可用率监控：把电机、压缩机、泵的启停信号与计划运行时间结合，计算每日、每周可用率，识别非计划停机趋势。
- OEE分解与瓶颈定位：将OEE拆为时间开动率、性能开动率、合格品率，分别对应停机损失、降速损失和质量损失，定位产线瓶颈。
- 故障预警与维修策略优化：基于振动、温度、电流等PI标签，结合MTBF分析，把事后维修转为预防性维护。
- 能源与设备绩效联动：把单位产品能耗与设备运行状态关联，识别低效运行区间。
- 跨工厂对标：利用PI AF统一模型，把不同工厂同类设备的KPI放在同一口径下比较，发现管理差距。
学习建议：每学完一个模块，回到自己工厂选一台关键设备，尝试用PI标签定义它的可用率和停机时长。只有把课程内容映射到真实设备上，KPI工程才算真正入门。
五、常见误区与复盘视角
在导入阶段先建立“避坑意识”，比后面返工更省成本。以下是设备KPI工程中最常见的误区：
- 误区一：有PI就等于有KPI。PI只是数据平台，KPI需要业务定义、计算逻辑和责任人，三者缺一不可。
- 误区二：指标越多越好。KPI过多会稀释注意力，设备管理应聚焦可用率、OEE、MTBF、MTTR等少数核心指标。
- 误区三：忽视数据质量。质量码异常、时间戳错位、单位不统一，会让KPI计算结果完全失真。
- 误区四：只做看板不做闭环。看板不连接报警、工单和复盘，就只是“好看的图表”，无法驱动改进。
- 误区五：口径频繁变更。KPI定义一旦确定，应有版本管理和变更记录，否则历史对比失去意义。
设备KPI工程最小闭环示例：
1. 选设备：关键机组 A
2. 选标签：运行状态、计划运行时间、故障停机信号
3. 建模型：AF 元素 A，绑定上述标签
4. 定KPI：可用率 = 实际运行时间 / 计划运行时间 × 100%
5. 做看板：PI Vision 展示日/周/月趋势
6. 设报警：可用率低于阈值触发通知
7. 做复盘：月度分析停机原因，调整维护策略