Visualize and compare multiple events by a simple click in TDengine

這么多年來，PI System 里有一個概念一直讓我印象非常深刻：Event Frames（事件框架）。對于處理工業(yè)運營數(shù)據(jù)的人來說，這個想法既簡單又非常強大。傳統(tǒng)上，我們往往只是看連續(xù)的時序數(shù)據(jù)信號。但 Event Frames 的思路是：把連續(xù)的數(shù)據(jù)流轉(zhuǎn)換成離散的運營事件。

一個 Event Frame 通常包含：

• 開始時間
• 結(jié)束時間
• 持續(xù)時間
• 描述該事件的屬性（attributes）
• 與其他事件之間的關(guān)系（父子事件）

例如：

• 一個生產(chǎn)班次（Shift）
• 可能包含多個批次（Batch）
• 每個批次又包含多個工藝階段（Phase）
• 每個階段可能產(chǎn)生報警或異常事件。

這種結(jié)構(gòu)把原始的傳感器信號轉(zhuǎn)換成了具有業(yè)務(wù)語義的生產(chǎn)運營上下文。一旦有了這些事件，很多問題就變得容易回答：

• 上周發(fā)生了多少次停機事件？
• 哪些批次消耗的能源最多？
• 壓縮機喘振持續(xù)了多久？
• 設(shè)備故障發(fā)生之前發(fā)生了什么？

從某種意義上說，Event Frames 把信號變成了關(guān)于生產(chǎn)運營的故事。

現(xiàn)代數(shù)據(jù)基礎(chǔ)設(shè)施帶來的挑戰(zhàn)

今天，很多企業(yè)開始采用現(xiàn)代實時數(shù)據(jù)技術(shù)，比如 Spark 或 Flink 來做流式分析。這些系統(tǒng)非常強大，但它們主要是為數(shù)據(jù)工程師（Data Engineers） 設(shè)計的，而不是為 OT 工程師設(shè)計的。理論上，你完全可以在這些流處理系統(tǒng)里實現(xiàn)事件檢測。但在實際工程中，通常需要：

• 用 Java 或 Scala 編寫流處理程序
• 自己實現(xiàn)狀態(tài)機邏輯
• 管理分布式狀態(tài)和定時器
• 維護復(fù)雜的數(shù)據(jù)管道

在傳統(tǒng) OT 系統(tǒng)里的一條簡單規(guī)則，在現(xiàn)代流處理框架中，往往會變成上百行代碼。對于制造現(xiàn)場的工程師來說，這就帶來了一個明顯的問題：技術(shù)雖然更強大了，但使用門檻卻變高了。

為什么 Event Frames 在 AI 時代更重要

在 AI 時代，僅僅有原始的時序數(shù)據(jù)是不夠的。AI 系統(tǒng)更擅長處理結(jié)構(gòu)化、有語義、有上下文的數(shù)據(jù)。

例如，與其把模型訓(xùn)練在大量原始信號上：

• temperature(t)
• pressure(t)
• vibration(t)

很多時候更有價值的是這樣的結(jié)構(gòu)化事件：

• 事件：壓縮機喘振
• 開始時間：10:23:15
• 持續(xù)時間：12 秒
• 嚴(yán)重程度：高
• 設(shè)備：Compressor-7

這些事件成為運營智能的重要基礎(chǔ)單元。它們可以用于：

• 根因分析
• 異常檢測
• 批次對比分析
• 預(yù)測性維護
• 機器學(xué)習(xí)訓(xùn)練
• AI Agent 對生產(chǎn)過程進行推理

換句話說，Event Frames 實際上是連接原始數(shù)據(jù)與運營洞察之間的橋梁。這也是為什么我認(rèn)為，在 AI 時代，這個概念反而比當(dāng)年剛提出時更加重要。

傳統(tǒng) Data Historian 的局限

PI System 在 Event Frames 的設(shè)計上做得非常出色，并且讓 OT 工程師能夠非常容易地使用它。但很多傳統(tǒng)的數(shù)據(jù) Historian 架構(gòu)并不是為今天的 AI 和現(xiàn)代數(shù)據(jù)生態(tài)設(shè)計的。今天我們需要的平臺，能夠同時結(jié)合：

• 高性能時序數(shù)據(jù)存儲
• 實時流處理
• 情景化資產(chǎn)模型（Contextualized Asset Model）
• 事件生成
• 面向 AI 的開放數(shù)據(jù)接口

Start/Stop Trigger can be configured manually or automatically by AI in TDengine

TDengine 的設(shè)計思路

在 TDengine 中，我們采用了一種稍微不同的方式。TDengine 內(nèi)置了流處理引擎，并提供了圖形化界面（GUI）用于配置規(guī)則和表達式，可以直接從實時的時序數(shù)據(jù)流中生成 Event Frames。

在 大語言模型（LLM） 的幫助下，TDengine 甚至可以根據(jù)數(shù)據(jù)的上下文自動生成事件檢測規(guī)則，或者自動識別異常。在很多情況下，用戶還可以用自然語言描述自己的需求，系統(tǒng)就可以將其轉(zhuǎn)換成底層的規(guī)則。我們的一個核心設(shè)計原則是：OT 工程師不應(yīng)該需要編寫流處理代碼。

用戶只需要在運營層定義規(guī)則和邏輯，而系統(tǒng)會自動處理：

• 狀態(tài)管理
• 事件檢測
• 事件生命周期管理
• 數(shù)據(jù)存儲與索引

最終的用戶體驗與工程師在 PI System 中熟悉的方式類似，但底層架構(gòu)則建立在現(xiàn)代基礎(chǔ)設(shè)施之上，并且從一開始就是 AI-ready 的工業(yè)數(shù)據(jù)平臺。

Align the start time and even normalize the event duration for different events in TDengine

展望未來

工業(yè)數(shù)據(jù)平臺正在快速演進。但很多時候，最有價值的想法并不是最新的，而是那些真正解決問題的設(shè)計。

Event Frames 就是這樣一個理念。它把原始傳感器信號轉(zhuǎn)換成有意義的運營事件——既能被工程師理解，也能被 AI 系統(tǒng)利用。隨著 Industrial AI 的發(fā)展，我相信以事件為中心的業(yè)務(wù)運營數(shù)據(jù)模型（event-centric operational data model） 會變得越來越重要。

未來，AI Agent 不只是分析時序信號。它們會理解事件、流程和運營上下文。

而這一切的起點，就是把數(shù)據(jù)變成事件。