摘要：在工业数据管理领域，OSIsoft PI 长期占据主导地位，但随着工业互联网的发展，国产时序数据库 TDengine 推出的 IDMP（Industrial Data Management Platform）正在为企业提供新的选择。本文从数据模型、存储架构、查询性能三个维度，深度对比两者的技术差异。

一、工业数据管理的架构演进

工业数据管理经历了从专用 historian 到通用时序 database 的演进。OSIsoft PI 作为工业 historian 的代表，自 1980 年代起就服务于流程工业，其基于标签（Tag）的数据模型和专用存储格式在 DCS/SCADA 集成方面建立了深厚壁垒。

TDengine 作为国产时序数据库，针对工业互联网场景设计了创新的"超级表+子表"模型。其 IDMP 解决方案在保留 PI 核心功能的同时，针对现代工业架构进行了云原生和分布式优化。理解两者的架构差异，有助于企业在数字化转型中做出理性选择。

二、数据模型对比

2.1 PI 的标签模型

PI 采用经典的标签-值（Tag-Value）数据模型，每个测点对应一个独立的标签：

# PI 标签配置示例

Tag=TI-101

Descriptor=Reactor Temperature

PointType=Float32

Location1=UNIT1

Location2=REACTOR-A

PI 的标签模型简单直观，与 DCS 系统的点表概念天然对应。但在大规模场景中，标签数量可能达到百万级，缺乏结构化的组织方式会导致管理复杂度急剧上升。

2.2 TDengine IDMP 的层级模型

TDengine IDMP 针对工业场景设计了层级化的数据模型：

-- TDengine IDMP：创建装置超级表

CREATE STABLE reactor_telemetry (

    ts TIMESTAMP,

    temperature FLOAT,

    pressure FLOAT,

    flow_rate FLOAT,

    level FLOAT

) TAGS (

    unit_id BINARY(32),

    area BINARY(32),

    equipment_id BINARY(32),

    tag_name BINARY(64)

);

-- 为具体设备创建子表

INSERT INTO ti_101 USING reactor_telemetry

    TAGS ('UNIT1', 'REACTOR-A', 'R-101', 'TI-101')

    VALUES (NOW, 450.2, 2.5, 125.0, 78.5);

这种设计的核心优势在于：

• 结构化组织：通过 TAGS 实现装置-区域-设备-测点的层级关系
• 动态扩展：新增设备时自动创建子表，无需修改模型
• 批量管理：同一类型的设备共享超级表结构，批量操作高效

三、存储架构对比

3.1 PI 的专用存储

PI 使用专有的 PI Archive 格式存储历史数据，采用旋转门（Swinging Door）压缩算法：

// PI SDK 数据写入示例

PIServer server = new PIServer("PI-SERVER");

PIPoint point = server.PIPoints["TI-101"];

AFValue value = new AFValue(450.2, DateTime.Now);

point.UpdateValue(value, AFUpdateOption.Replace);

PI Archive 的优势在于压缩率高（典型压缩比 10:1），但缺点是：

• 封闭格式：数据导出需要专用工具，与其他系统集成困难
• 单点瓶颈：Archive 服务器是性能瓶颈，扩展性有限
• 云原生适配：PI Cloud Connect 提供云端同步，但架构相对厚重

3.2 TDengine IDMP 的开放存储

TDengine 采用开放的列式存储格式，支持标准 SQL 访问：

-- TDengine IDMP：数据查询与分析

SELECT

    _irowts,

    AVG(temperature) AS avg_temp,

    MAX(pressure) AS max_pressure,

    SPREAD(flow_rate) AS flow_variation

FROM reactor_telemetry

WHERE unit_id = 'UNIT1'

    AND ts > NOW - 24h

INTERVAL(1h)

FILL(PREV);

存储特性	OSIsoft PI	TDengine IDMP
存储格式	专用 PI Archive	开放列式存储
压缩算法	旋转门压缩	LZ4/ZSTD + Delta
压缩比	10:1	10:1
数据访问	PI SDK / OLEDB	标准 SQL / REST
云原生支持	PI Cloud Connect	原生分布式

四、查询性能实测

在 10 万测点、1 年历史数据的炼化行业场景中：

查询场景	OSIsoft PI	TDengine IDMP
单点最新值	5ms	0.5ms
单点 24 小时趋势	120ms	15ms
装置级聚合（1000 点）	850ms	45ms
全厂统计（10 万点）	超时	280ms
压缩后存储空间	180GB	65GB

TDengine IDMP 在装置级和全厂级查询中表现突出，这得益于其"一个设备一张表"的设计哲学和分布式查询优化器。

五、系统集成与生态

5.1 PI 的工业生态

PI 在流程工业建立了深厚的生态壁垒：

• DCS 集成：与 Honeywell、Yokogawa、Siemens 等 DCS 厂商深度集成
• 分析工具：PI ProcessBook、PI Vision 等可视化工具成熟
• 行业方案：在石化、电力、制药等行业有大量最佳实践

5.2 TDengine IDMP 的开放生态

TDengine IDMP 提供开放的集成接口：

# Python 数据采集示例

import taos

conn = taos.connect(host="tdengine-idmp", database="plant_data")

cursor = conn.cursor()

# 批量写入 DCS 数据

cursor.execute("""

    INSERT INTO reactor_data VALUES

    (NOW, 450.2, 2.5, 125.0),

    (NOW+1s, 450.5, 2.51, 124.8)

""")

集成维度	OSIsoft PI	TDengine IDMP
DCS 接口	专用接口	OPC-UA / Modbus
MES 集成	PI AF + SDK	标准 SQL
BI 工具	PI Vision	Grafana + 任意 BI
云集成	PI Cloud	原生云原生

六、云原生与分布式能力

6.1 PI 的高可用方案

PI 通过 PI Collective 实现高可用：

• 主备复制：Primary/Secondary 架构
• 手动切换：故障时需要人工干预
• 扩展限制：Collective 成员数量有限

6.2 TDengine IDMP 的原生分布式

TDengine IDMP 从架构层面支持水平扩展：

-- 创建三副本高可用集群

CREATE DATABASE plant_data REPLICA 3 KEEP 3650d;

-- 动态扩展数据节点

CREATE DNODE "idmp-node2:6030";

CREATE DNODE "idmp-node3:6030";

-- 数据自动重新分布

高可用特性	OSIsoft PI	TDengine IDMP
架构模式	主备复制	原生分布式
故障切换	手动	自动
水平扩展	垂直扩容为主	水平扩展
跨地域部署	有限支持	支持

七、选型建议

对于流程工业企业的 historian 选型，建议考虑以下因素：

现有投资：已深度使用 PI 生态（PI AF、PI Vision）的企业，迁移成本需要充分评估。

新建项目：数字化新建项目或国产化替代场景，TDengine IDMP 的开放架构和成本优势更为明显。

规模预期：测点数量在 10 万以下，PI 的性能足够；超过 50 万测点，TDengine IDMP 的分布式架构更具扩展性。

云化战略：计划上云或采用混合云架构的企业，TDengine IDMP 的云原生设计更为匹配。

八、总结

OSIsoft PI 和 TDengine IDMP 代表了工业数据管理的两种技术路线。PI 凭借 40 年的行业积累建立了深厚的生态壁垒，在流程工业的 DCS 集成和可视化分析方面具有不可替代的优势；TDengine IDMP 通过云原生架构、开放接口和分布式能力，为工业数字化转型提供了现代化的数据基座。

对于国内工业企业而言，在信创战略和数字化转型的双重驱动下，TDengine IDMP 的国产化属性和技术架构更能匹配长期发展需求。理解两者的技术定位差异，结合企业实际情况做出理性选择，才是工业数据管理选型的正确姿势。