📚 课程目录第2章工业时序数据基础

2. 工业时序数据基础

在 PI System 的工程实践中，所有上层能力——资产建模、事件框架、分析计算、可视化看板——都建立在同一块地基之上：工业时序数据。理解时序数据的本质特征，是判断一个 PI System 项目能否落地的第一步。本节从数据特征出发，逐层展开数据源、采样频率、数据质量与典型应用场景，形成一条从"数据长什么样"到"数据能干什么"的完整认知链。

一、时序数据的四个本质特征

工业时序数据与业务数据库中的订单、用户等记录型数据有根本差异，其核心特征可归纳为四点：

时间戳强绑定：每个数值都必须携带一个时间戳，脱离时间戳的数值在工业场景中几乎没有意义。PI System 的 PI Point 结构正是以时间戳为索引组织数据。
写多读少、追加为主：传感器持续写入，历史数据几乎不被修改，形成只增不改的追加流。
高吞吐、高基数：一个中型工厂可能有数万到数十万个测点，每秒产生大量数据点，远超传统关系库的写入能力。
强时间局部性：查询通常集中在最近时段或特定时间窗口，近期数据访问频率远高于远期数据。

时序数据的价值不在单个数据点，而在于"点与点之间的时间关系"。一个温度值 85℃ 本身不说明问题，但"85℃ 持续 12 分钟后突升至 120℃"就构成了可诊断的事件。

二、工业场景数据源全景

工业现场的数据源种类繁多，接入 PI System 前需要先分类。常见数据源包括：DCS/PLC 控制系统、SCADA 系统、 historians（如 PI Data Archive 自身）、OPC UA/DA 服务器、Modbus 设备、智能仪表、实验室 LIMS 系统、MES/ERP 业务系统，以及近年来快速增长的 IIoT 边缘网关。

这些数据源在接入方式、数据频率、数据质量上差异显著。下表给出典型对比：

数据源类型	典型采样频率	接入方式	数据质量特点
DCS/PLC 控制点	100ms ~ 1s	OPC DA/UA、PI Interface	质量高，带状态位
SCADA 遥测点	1s ~ 10s	OPC、IEC 104	偶有通信中断
智能仪表	1s ~ 1min	Modbus、HART	需处理量程与单位
实验室 LIMS	批次/小时级	文件、API	离散、非等间隔
IIoT 边缘网关	可配置，秒级	MQTT、REST	需边缘缓存补传

三、采样频率：不是越高越好

采样频率决定了数据的"时间分辨率"，也直接决定存储成本与查询性能。工程上常见的误区是"频率越高越精确"，实际上需要根据工艺时间常数来选择。例如温度过程时间常数可能是分钟级，用 100ms 采样纯属浪费；而振动监测可能需要 kHz 级采样才能捕捉故障特征。

PI System 中常用 Compression（压缩）与 Exception（例外）两个参数控制数据落库量。典型配置如下：

PI Point 配置示例：
  PointSource   = OPC
  Location1     = 1
  CompDev       = 0.5        // 压缩偏差，超过才存
  CompMax       = 3600       // 最大压缩间隔（秒）
  ExcDev        = 0.1        // 例外偏差
  ExcMax        = 60         // 最大例外间隔（秒）
  Scan          = 1          // 扫描周期（秒）

合理设置压缩参数，可以在保留工艺特征的前提下将存储量降低一个数量级。这是 PI System 工程中"用参数换成本"的典型手段。

四、数据质量：比数据量更关键

工业数据普遍存在质量问题，常见类型包括：通信中断导致的数据缺失、传感器漂移导致的数值偏移、量程配置错误导致的越限值、时间戳不同步导致的时序错位，以及重复上报导致的冗余点。

PI System 通过 Questionable 标志位、数字状态集（Digital State Set）和 PI Quality 属性来标记数据可信度。工程上应建立"数据质量看板"，对关键测点统计缺失率、越限率与状态异常率，作为数据治理的输入。

不要等到分析结果异常才回头查数据质量。建议在接入阶段就为每个关键测点定义质量规则，例如"连续 5 分钟无更新即告警"，把问题拦截在数据入口。

五、典型应用场景与数据特征映射

不同应用场景对时序数据的要求差异很大，理解这种映射关系有助于合理设计采集与存储策略：

实时监控与报警：要求低延迟、高可用，关注最近数秒到数分钟的数据。
历史趋势与报表：要求数据完整、时间对齐，关注小时到年级跨度。
设备健康与预测性维护：要求高频振动/温度数据，关注特征提取与异常检测。
能效分析与 KPI 计算：要求流量、电耗等累计量准确，关注单位与积分计算。
批次追溯与质量分析：要求批次边界清晰，关注事件与时间窗口关联。

下图将上述五类场景与数据特征、采样频率、质量要求进行对应，帮助在项目初期快速定位采集策略：

六、常见误区与复盘要点

在多个 PI System 项目中，以下误区反复出现，值得在项目启动阶段就明确规避：

盲目追求高采样率：未评估工艺时间常数，导致存储与网络成本失控。应先做工艺分析，再定频率。
忽视时间戳同步：不同数据源时钟不一致，导致关联分析时出现"因果倒置"。应统一 NTP 或使用 PI 的接口时间戳校正。
压缩参数一刀切：所有测点用同一套 CompDev/ExcDev，导致关键点失真或非关键点冗余。应按测点重要性分级配置。
不做数据质量统计：接入后直接用于分析，结果异常时无法定位是工艺问题还是数据问题。应建立质量看板。
忽略批次与事件边界：批次追溯场景中，若未在数据中标记批次起止，后续分析将无法切分窗口。

复盘建议：每个 PI System 项目在接入阶段结束后，做一次"数据源—频率—质量"三方核对，输出一份测点接入清单，标注每个测点的采样周期、压缩参数、质量规则与所属应用场景。这份清单是后续资产建模与分析的直接输入。

综上，工业时序数据的工程化理解可以概括为一句话：先看清数据的时间特征与来源，再定采样与压缩策略，最后用质量规则守住入口。只有把这一层做扎实，PI System 上层的资产模型、事件框架与分析应用才有可靠的数据基础。