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，控制系统每秒都在产生温度、压力、流量、液位、振动、电流等过程数据。这些数据具有典型的时序特征：按时间戳连续写入、写多读少、测点数量巨大、需要长期归档、并且必须与设备、工位、批次、报警等业务语义关联。传统关系数据库擅长事务处理，却难以高效承载每秒数十万甚至数百万点的持续写入与跨年度历史查询。PI System（Plant Information System，现属 AVEVA）正是为解决这一类问题而诞生的工业时序平台。
一、PI System 的定位：工业数据的“时间底座”
PI System 不是一个单纯的实时数据库，而是一套覆盖数据采集、时序存储、语义建模、事件管理、分析计算、可视化与开放接口的完整平台。它的核心定位可以概括为三点：
- 统一采集层：通过 PI Interface、PI Connector、OPC UA/DA、Modbus、MQTT 等把 DCS、PLC、SCADA、仪表、实验室系统、MES 的数据汇聚到同一时间轴。
- 统一存储层：以 PI Data Archive 为时序主库，以 PI Asset Framework（AF）为资产语义模型，把“位号”升级为“设备—属性—关系”的可理解对象。
- 统一服务层：通过 PI Vision、PI DataLink、PI Web API、AF SDK、PI SQL 等向运行监控、报表、KPI、机器学习、数字孪生等上层应用提供一致的数据服务。
因此，PI System 在工厂信息化架构中通常位于控制层与业务层之间，向下连接自动化设备，向上支撑经营分析与智能决策，是工业数据从“信号”走向“资产”和“洞察”的关键枢纽。
二、工业时序平台的核心价值
理解 PI System 的价值，不能只停留在“能存很多点”。真正的价值来自它把时间、设备、事件和计算组织成可复用的数据资产。可以从四个维度来看：
| 价值维度 | 传统方式的问题 | PI System 的解决方式 | 典型收益 |
|---|---|---|---|
| 高吞吐采集 | 轮询数据库写入瓶颈，数据丢失 | 接口缓冲、压缩、异常与质量码管理 | 数据完整率提升，秒级数据可追溯 |
| 长期归档 | 历史数据分散、口径不一致 | 统一时间轴、旋转门压缩、跨年查询 | 趋势分析、审计与合规更可靠 |
| 语义建模 | 位号难懂，依赖老师傅经验 | AF 元素模板、属性、层级与关系 | 设备健康、能效、批次分析可复用 |
| 事件与计算 | 报警、停机、批次靠人工记录 | PI Event Frame、AF Analytics、通知 | 事件自动捕获，KPI 实时计算 |
一句话总结：PI System 的核心价值，是把“海量、快速、带时间戳的原始信号”转化为“可查询、可计算、可共享、可治理的工业数据资产”。
三、从信号到洞察：PI System 的数据链路
下面这张图展示了 PI System 在典型工厂中的整体数据流与组件关系。它从现场设备出发，经过采集、归档、建模、计算，最终服务于监控、报表与高级分析。
从图中可以看到，PI System 并不是一个孤立数据库，而是一条“现场—采集—存储—建模—计算—应用”的完整链路。任何一环缺失，都会导致数据无法真正产生业务价值。例如只有 Data Archive 而没有 AF，位号仍然难以被业务人员理解；只有 AF 而没有稳定的 Interface，模型就会缺少实时数据支撑。
四、典型应用场景
在真实工程中，PI System 常被用于以下场景：
- 实时运行监控：在 PI Vision 中构建全厂总貌、装置流程图、关键机组趋势，替代传统 SCADA 的局部画面。
- 设备健康与预测性维护：采集振动、温度、电流，结合 AF 模板计算设备劣化趋势，提前发现异常。
- 能源与能效管理：按班组、产线、批次统计电、汽、水、气消耗，定位能耗异常。
- 批次与质量追溯：用 Event Frame 记录批次起止，关联工艺参数与实验室结果，实现质量回溯。
- 数据开放与智能分析：通过 PI Web API 或 AF SDK 把时序数据送入数据湖、Python 模型或机器学习平台。
学习提示：本课程后续章节会围绕“采集—存储—建模—计算—可视化—接口—运维”逐层展开。建议在学习每个组件时，都回到上面这张链路图，明确它位于哪一层、解决什么问题、与上下游如何衔接。
五、课程学习目标与整体知识框架
本课程面向希望系统掌握 PI System 工程实施与运维的工程师、系统集成人员和数据分析人员。学完本课程，你应当能够：
- 理解 PI System 各组件职责，独立规划一套中小型 PI 系统架构；
- 完成 PI Interface / Connector 的安装、点位配置、缓冲与故障排查；
- 使用 PI System Explorer 建立 AF 层级、元素模板、属性与关系；
- 编写 AF Analytics 计算 KPI、事件帧与通知规则；
- 使用 PI Vision、PI DataLink、PI Web API 交付监控与数据服务；
- 掌握备份、权限、性能、升级与日常运维的基本方法。
整体知识框架可以概括为“一条主线、六个层次”：
主线：现场信号 → 工业数据资产 → 业务洞察
层次1 采集接入：Interface / Connector / OPC / MQTT
层次2 时序存储：Data Archive / Buffer / 压缩 / 质量码
层次3 语义建模：Asset Framework / 模板 / 属性 / 关系
层次4 计算事件：AF Analytics / Event Frame / 通知
层次5 可视化与服务：PI Vision / DataLink / Web API / SDK
层次6 运维治理：权限 / 备份 / 性能 / 升级 / 安全
六、常见误区与复盘
初学者最容易陷入以下误区，值得在课程开始时就建立正确认知：
- 把 PI 当成普通数据库：PI Data Archive 不是用来做事务写入和复杂关联查询的，它的优势在时序写入与历史检索，复杂关系应交给 AF 或上层数据库。
- 只建位号不建模型：没有 AF 的 PI 系统，数据仍然难以被业务复用，后期维护成本极高。
- 忽视采集缓冲：网络中断或 PI Server 维护时，没有 PI Buffer 会导致数据永久丢失。
- 先做画面后做模型：正确的顺序通常是“采集稳定 → 模型清晰 → 计算准确 → 画面呈现”，否则画面越多，返工越大。
- 忽略时间同步与质量码：时间戳漂移和质量码缺失会让后续分析结果不可信。
工程提醒：PI System 项目的成败往往不取决于软件安装，而取决于数据源梳理、位号命名规范、AF 模型设计和运维制度。技术只是基础，数据治理才是长期价值所在。
至此，你已经建立了对 PI System 的整体认知：它是什么、为什么需要它、它由哪些层次组成、能解决哪些工业问题，以及本课程将如何带你逐层深入。接下来，我们将从最基础的采集接入开始，进入真正的工程实践。