面向 AI 时代的 PI System——让数据"AI-Ready"，让分析更高效

一、引言：AI 把工业数据的"水位线"抬高了

2026年9月10日，烟台，AVEVA INSPIRE。PI System 技术服务经理徐初以《面向 AI 时代的 PI System——让数据"AI-Ready"，让分析更高效》为题，回应了一个正在困扰所有工业企业的现实问题：

大模型来了，人人都能"用嘴分析数据"。但真当你向 AI 提出一个工艺问题时，它能不能答得准，取决于它吃到的是什么数据。LLM 降低了分析和开发的门槛，却把对数据平台能力的要求抬高到了前所未有的水平。

整场演讲沿着四条主线展开：AI 赋能 PI System 能力跃升、AI-Ready 的 PI System 数据治理、AI 应用案例分享，以及一条贯穿始终的判断——有效的数据治理 → 高质量的数据 → 高质量的输出。

二、Demo 复盘：搅拌罐批次最佳运行区间的三步落地

演讲从一个极具代表性的真实问题切入："如何基于历史批次，找到搅拌罐关键工艺参数的最佳运行区间，并以此进行实时监控？"

这是一个典型的"老师傅经验难以传承"的难题——老师傅知道怎么调，但说不清参数到底该落在哪个区间。落地路径被清晰地拆成三步：

第一步，批次数据处理。 先定义什么是「良好」批次——以产出、合格率、活性成分等指标作为判据；据此在系统中搜索并筛选符合条件的 Event Frames（批次）；再按批次起止时间读取温度、转速等关键过程参数，进行重采样、特征工程与缺失值补偿。

第二步，最佳运行区间计算。 不同批次的曲线长度天然不齐，需要 DTW（动态时间规整） 来做对齐；PCA / Hotelling T² / SPE 负责多变量异常检测；3-sigma 给出单变量统计包络。算法最终由 Python/R 实现建模与区间计算。

第三步，实时可视化监控。 演讲理性对比了三种方案：Excel 报表实时性有限、适合离线报告；PI Vision 定制 Symbol 可复用现有平台、开发量适中；独立 APP 灵活度最高但开发与维护成本最大。综合实时性、便利性与投入产出比后，PI Vision 定制 Symbol 成为最优解。

三、MCP：把 AI"接进"PI 的通用插头

这场 Demo 真正的技术支点，是 MCP（Model Context Protocol）——一个连接 AI 与外部数据、工具及服务的系统。

AVEVA 基于此构建了 PI-MCP：基于 PI Web API，实现对 PI Point、AF、EF 的查询与读取。有了它，AI 不再需要对着导出的 CSV 说话，而是可以直接"触达"实时数据库。

于是，原本需要工程师写代码完成的工作，被压缩成四轮自然对话：

• 对话 1
  ：找到符合条件的历史批次（Event Frames）；
• 对话 2
  ：找到所有批次的关键参数演进过程（Batch Evolution）；
• 对话 3
  ：指定或由 AI 推荐算法，找到关键参数的最佳运行区间；
• 对话 4
  ：基于 AVEVA 官方 PI Vision 扩展开发文档提炼生成的 Agent Skill，由 AI 快速开发 PI Vision 定制 SPC Symbol。

最终落地到 PI Vision 监控画面：选择要监控的参数（温度、压力、转速……），为每个参数配置找到的最佳运行区间，选择要监控的 EF 批次——一个可复用的实时 SPC 监控就此成型。

四、引入 AI 前后：从人工试错到"对话即交付"

演讲用一组对比，把 AI 带来的变化讲得极为直白：

引入 AI 前：依赖人工梳理批次、试错算法、人工开发 Symbol。

引入 AI 后：AI 自动搜索良批、算法实现、AI 开发 Symbol。

具体拆开看——批次数据处理环节，AI 自动搜索「良好」批次、提取特征、补全缺失值；运行区间计算环节，AI 推荐 DTW/PCA/3σ 等算法并自动调参；可视化监控环节，AI 辅助生成 PI Vision Symbol。

由此得出的结论掷地有声：基于 LLM 的 AI 应用，让数据分析进化到 AI 对话时代，降低甚至消除了数据分析与应用开发的门槛，同时极大地提升了对数据平台能力的要求。 门槛在前端被抹平，压力全部转移到了后端——数据是否可信、是否有语义、是否成体系。

五、数据治理四大平衡：40 年积淀的"AI-Ready"底盘

"PI System——40+ 年专注工业大数据，超越传统、持续演进"。演讲用四组辩证关系，讲清了 AI 时代的数据治理到底该治什么。

其一，压缩 vs 精度。 PI Data Archive 提供精准到 tag 的采集与压缩策略：按类型分级配置采样频率与采集触发（周期/事件）；用例外（Exception）过滤微小波动与噪声，只记录"有意义的变化"；存储侧 Compression 参数可按变量单独设置，在"还原精度 vs 存储成本"之间做可控权衡。这里引述了一句极具警示性的话——某纸厂机器学习团队反馈："加大 Compression，提高了压缩比例，但带来变量相关性信息缺失，模型无法在实时生产时准确预测变化。"存储精度，直接决定了 AI/ML 能否学到变量间的真实相关性。

其二，位号 vs 资产。 AI 无法通过"位号"理解设备和工艺。PI AF 以"资产—组件—属性"承载业务上下文，形成对 AI 友好的语义层。位号"105TIC001.PV"来自自动化时代，只对机器友好；而 AF 资产"工厂\产线02\发酵罐01"面向数据分析时代，对人友好。配合 Template + Element 的模板复用、KPI 与工程单位的统一口径、以及把命名规范与最佳实践固化为知识资产沉淀，AI 才能听懂"帮我找出 1—6 月所有发酵罐批次中，酵母活力>750 且产量最高、工艺参数最稳定的前 100 个批次"这样的业务语言。

其三，连续 vs 事件。 PI Event Frames 以"事件"为单位对数据切片：把批次、启停、报警、异常、工况切换组织成可管理的事件单元，天然提供起止时间与持续时长，支持跨设备多变量在同一窗口对齐；并在事件内预先完成累积、均值、最值、方差等聚合，把"海量点数据"压缩成"事件级特征"。这恰好是 AI 构建训练集、检索相似过程最需要的形态。

其四，弹性 vs 性能。 面向 AI 时代指数级增长的数据访问需求，PI 提升了高并发吞吐能力，让分析负载不易"外溢"影响其他客户端；增强回填与乱序（Out of Order）写入效率，让数据更快进入可分析状态；通过 AF 资产库对接多个 PI DA，提供统一语义入口并分散 I/O 压力；再以 PI Web API、PI SQL、PI AF SDK、PI OPC DA/UA 组成工业级访问接口栈，承接从日常报表到数据科学高频迭代的多层次并发。

六、组织进化：从"数据访问型"到"数据交付型"

演讲把视角从技术拉到组织，描绘了三步转型旅程：结构化数据库（用户寻找数据）→ AI 聊天机器人（用户与数据对话）→ AI Agents（聊天机器人升级为智能体）。终极形态是"数据交付"——数据寻找用户。

一句话概括其能力：One question. Multiple systems. One answer. 事件驱动、多源输出。

Methanex 的 Manufacturing AI Agent 是这一形态的最佳注脚。以压力安全阀（PSV）触发事件审计为例：过去每次告警，工程师都要从 MXCLD Standards、公司规程、KMI 事故库、HazOp 数据库、Maximo 等系统中逐一手取数，做"信息拼接"，耗时半天才能生成报告。

现在，Agent 在事件触发时自动从多系统拉取信息并生成报告：背景信息（事件、风险与历史）、实时数据（PI System 运行趋势分析）、分析与行动（相关性、行动与参考文档）。TIME-TO-REPORT 从数小时压缩到几分钟。 更关键的是"一致性与审计"——相同事件、相同报告，结构一致、深度一致、来源一致，每次都能形成可辩护、可审计的记录。而最大的收益，是把资深工程师从检索中解放出来，把时间还给真正的工程判断与决策。

七、结语：门槛在前端，功夫在后端

通览全场，可以提炼出四点启示：

第一，AI 时代最贵的不是模型，是数据的语义与精度。 压缩参数调大一点，模型就学不到变量相关性；位号没有资产上下文，AI 就听不懂工艺问题。

第二，Event Frames 是批处理行业天然的 AI 训练数据结构。 它把"连续曲线"切成"事件过程"，既降低了查询成本，又给了 AI 可对齐、可聚合的分析单元。

第三，MCP 是连接"会说话的 AI"与"会算数的 PI"的关键插头。 对话 1 到对话 4 的顺畅，前提是 PI-MCP 让 AI 真正读得到 Point、AF 与 EF。

第四，组织的终点是"数据交付"。 当 Agent 能在事件触发时自动跨系统取证、生成可审计报告，资深工程师才真正回归判断与决策——这正是任正非那句"让听得见炮火的人呼叫炮火"在工业智能时代的回响。

门槛，正在前端被 AI 抹平；而胜负，早已在后端的数据治理中注定。