1. 课程导入
在流程工业、电力、水务、油气、制药等连续生产场景中，数据并不稀缺，真正稀缺的是把数据放回业务语境的能力。PI System 擅长采集与存储高密度时序数据，但一个位号 FIC101.PV 本身并不能告诉操作员它属于哪条产线、哪台泵、哪个工段，也不能直接回答“这台换热器当前效率是否下降”。PI AF（Asset Framework，资产框架）正是为解决这一问题而生的建模层：它把时序数据、关系数据库、手工属性、计算逻辑和事件框架统一组织成可复用的资产模型。
本课程《PI AF资产框架建模工程》面向已经了解 PI Data Archive 基础、希望进一步掌握资产建模与工程化落地的技术人员。课程不把 AF 当作一个“配置界面”来讲，而是把它当作一项工程活动：有需求分析、有模型设计、有命名规范、有模板复用、有版本管理、有测试验证、有运维交接。学完本课程，你应当能够独立完成从业务对象识别到 AF 层级发布、从模板设计到分析计算、从事件框架到数据引用优化的完整链路。
本节核心判断：AF 建模的成败，往往不取决于软件操作是否熟练，而取决于建模前是否想清楚了“资产边界、层级关系、属性来源、计算口径、复用方式”这五个问题。
一、学习目标：从“会点按钮”到“能交付模型”
本课程的学习目标分为四个层次，逐层递进：
- 认知层：理解 AF 在 PI System 架构中的位置，明确 AF Server、AF Client、AF SDK、PI Web API 与 Data Archive 的职责边界。
- 设计层：能够根据工艺流程图、设备清单和位号表，抽象出合理的资产层级、元素类型、属性分类与命名规范。
- 实现层：熟练使用 Element Template、Attribute Template、Analysis、Event Frame、Notification、Reference Type 等核心对象完成模型搭建。
- 工程层：掌握模型导入导出、版本备份、权限控制、性能优化与跨环境迁移，使模型可维护、可审计、可复用。
需要特别强调的是，AF 建模不是“把位号挂到树上”这么简单。一个可交付的模型必须回答：谁使用、用来做什么、数据从哪里来、异常如何触发、模型变更如何管理。否则模型会迅速退化为一张无人维护的静态目录。
二、核心价值：AF 到底解决了什么问题
AF 的价值可以概括为“四个统一”：
| 价值维度 | 传统方式的问题 | AF 建模后的效果 |
|---|---|---|
| 语境统一 | 位号孤立，依赖老师傅记忆 | 资产树承载设备、工段、位置关系 |
| 计算统一 | Excel 各算各的，口径不一致 | Analysis 集中定义，结果可追溯 |
| 事件统一 | 报警分散在 DCS、手工记录 | Event Frame 统一捕获工况事件 |
| 复用统一 | 同类设备重复配置 | 模板一次定义，批量实例化 |
从工程视角看，AF 最大的收益不是“好看”，而是降低重复劳动和口径漂移。当 200 台泵使用同一个模板时，修改一次模板即可影响全部实例；当效率计算公式集中在一个 Analysis 中时，所有报表和看板引用的是同一结果。这种一致性，是数据可信度的基础。
三、整体知识框架：本课程的 30 章地图
本课程的知识框架可以理解为一条从“认识对象”到“交付工程”的主线，下图展示了 AF 建模工程的核心结构与数据流向：
从图中可以看到，AF 位于数据源与应用消费之间，承担“语义翻译”和“计算中枢”的双重角色。左侧的“建模前五问”是每个项目启动前必须回答的问题；下方的工程保障层则决定了模型能否长期存活。
四、典型应用场景：AF 在真实项目中的落点
AF 建模的价值最终体现在具体场景中。以下是流程工业中最常见的六类应用：
- 设备健康评估：为泵、风机、换热器建立模板，挂接振动、温度、电流等位号，通过 Analysis 计算健康指数，异常时触发 Event Frame。
- 能效分析：按产线、工段、设备三级组织能耗属性，统一计算单位产品能耗，避免各班组 Excel 口径不一致。
- 批次追溯：将批次号作为 Event Frame 属性，关联当时的工艺参数与质量结果，实现“哪一批、哪一段时间、哪些条件”的快速回溯。
- 工况事件复盘：用 Event Frame 捕获开停车、切换、异常波动等工况，事后按时间轴回放关键位号趋势。
- 资产绩效管理：将 OEE、MTBF、可用率等 KPI 定义为 Analysis 输出，供 PI Vision 和报表系统直接引用。
- 报警治理：把报警位号挂到资产树上，按设备统计报警频次，识别“报警洪水”的根源设备。
学习建议：在学习每一章时，都尝试把它映射到一个你熟悉的真实设备或工段上。例如学到模板时，就想“我们厂里的循环水泵模板应该包含哪些属性”；学到 Analysis 时，就想“这台泵的效率该怎么算”。带着具体对象学习，AF 才不会变成抽象概念。
五、常见误区与复盘：为什么很多 AF 项目“建完就废”
在实际项目中，AF 建模失败的原因往往高度相似。以下是最典型的四类误区：
- 误区一：先建树，后想用途。把 P&ID 原样搬进 AF，层级很深、元素很多，但没有人用。复盘：建模应从“谁要什么结果”倒推，而不是从图纸正推。
- 误区二：模板过度定制。每台设备都单独建模板，导致无法批量维护。复盘：模板应覆盖 80% 共性，剩余 20% 用属性覆盖或可选属性处理。
- 误区三：计算逻辑散落。同一个 KPI 在 AF、Excel、报表工具中各算一遍，结果对不上。复盘：计算应尽量收敛到 AF Analysis，其他系统只做展示。
- 误区四：没有命名规范。元素名、属性名、模板名随意起，后期无法检索和迁移。复盘：命名规范应在项目启动时确定，并写入建模手册。
关键提醒：AF 模型是“活”的。设备会新增、位号会变更、计算口径会调整。如果没有版本备份和变更记录，一次误操作就可能让整个模型不可用。建议在每次重大修改前导出 AF 备份，并保留变更说明。
六、本课程的学习路径与交付标准
本课程共 30 章，整体遵循“认知—设计—实现—优化—交付”的路径。前几章建立 AF 对象模型与架构认知；中间章节深入 Element、Attribute、Template、Analysis、Event Frame、Notification 等核心对象；后段聚焦引用类型、数据引用优化、权限、导入导出、性能调优与项目实战。
每一章都会围绕一个可操作的目标展开，并配有对应的配置示例、参数说明或判断依据。学习过程中，建议你同步准备一个练习环境，包含至少一台 AF Server、一个 PI Data Archive 和若干测试位号。只有亲手建过一遍，才能真正理解模板继承、属性覆盖、分析回填这些机制的行为差异。
建议练习环境最小配置：
- PI Data Archive：1 台，含 20~50 个模拟位号
- PI AF Server：1 台，与 Data Archive 建立信任连接
- AF Client：PSE（PI System Explorer）
- 可选：PI Vision 用于验证模型输出
- 备份工具：AF Backup / Export XML学完本课程后，你应当能够独立完成一个中等规模装置的 AF 建模：从资产层级设计、模板定义、属性映射、分析计算，到事件框架配置、权限设置和跨环境迁移。更重要的是，你应当形成一套可复用的建模方法论，而不是只会操作某一个界面。
AF 建模工程的核心，不是把数据挂上去，而是把业务逻辑沉淀下来。当模型能够被复用、被审计、被交接时，它才真正成为企业数据资产的一部分。