只有结构，还远远不够
在工业系统中，以资产为核心的数据建模早已被证明是非常重要的基础能力。它将数据围绕设备、系统和工艺单元进行组织，使工程师能够理解系统的结构，以及不同组件之间的关系。
这相比单纯的时间序列数据，是一次重要的进步。工程师不再面对一堆孤立的信号，而是可以通过泵、压缩机、产线甚至整座工厂这样的实体来理解数据，数据开始具备上下文。
但仅有结构，是远远不够的。
资产模型可以告诉你系统“是什么”，却无法完整描述系统“在做什么”。它定义了关系，但没有表达行为；它提供的是静态视角，而工业运行本质上是动态的。
理解结构是必要的。
理解行为才是关键。
没有结构的事件，同样是不完整的
以事件为核心的建模，正是为了解决这个问题。事件描述的是系统在时间维度上的行为，例如开机、停机、批次运行、工况切换以及异常发生。
正如前文所讨论的，Event Frame 让工程师可以从连续信号中抽象出有意义的运行单元，使得批次对比、时间对齐、黄金曲线（golden profile）生成以及偏差分析成为可能。
这是一项非常强大的能力。
但如果事件脱离了结构，它同样是不完整的。
一个事件之所以有意义，是因为它关联到具体的对象。一个“批次”，一定是某个反应釜的批次；一次“跳机”，一定属于某台压缩机；一次异常，也必须放在具体设备和工艺背景中去理解。如果没有资产作为上下文，事件就只是一段时间区间，而不是对真实运行过程的表达。
换句话说，事件描述行为，但没有资产，它就失去了“归属”。
资产树状模型里，每个节点都有与自己关联的事件
缺失的一环：结构与行为的结合
这就引出了一个非常关键的结论。
以资产为核心和以事件为核心，并不是两个独立的能力，而是同一个问题的两个侧面。
资产模型定义系统的结构。
事件模型定义系统的行为。
只有当两者结合在一起时，工业运行才能被完整表达。
而这，恰恰是当前大多数工业数据系统中缺失的一环。
传统系统往往重视资产模型，把事件作为附加功能；而现代数据平台则更关注数据处理和计算能力，既缺乏完善的资产建模，也没有原生的事件模型。结果就是，两种路径都无法真正还原工业系统的运行方式。
没有资产，系统缺乏上下文。
没有事件，系统缺乏意义。
PI System 做对了什么，以及它的局限
PI System 是少数同时支持资产模型和事件模型的系统之一。
它通过 Asset Framework 建立了完善的资产结构，将设备、属性和关系组织在一起；同时通过 Event Frame 引入时间维度上的运行语义，使工程师能够将事件与具体资产关联起来。
这是一次非常重要的进步。
但在实际使用中，整个体系仍然是以资产为中心的。资产模型是核心骨架，而事件更多是叠加在其上的一层能力。事件可以被定义，但并没有成为分析的核心。
正如前文所讨论的，当涉及到更复杂的事件分析，例如批次对比、黄金曲线生成以及偏差分析时，系统本身的能力是有限的，用户往往需要借助 Seeq、TrendMiner 等专门的分析工具。
这反映出一个深层次的问题：事件虽然存在，但并没有成为“第一类分析对象”。系统对结构的表达是完整的，但对行为的理解仍然不够深入。
为什么在 AI 时代，这一点变得更加关键
进入 AI 时代，这种缺口被进一步放大。
AI 并不能仅靠原始时序数据发挥作用，它需要的是有结构、有上下文、并且被合理切分的数据。资产模型提供结构，事件模型提供时间上的分段与语义。
没有资产，AI 不知道数据属于什么对象。
没有事件，AI 不知道数据发生在什么阶段、什么语境下。
只有当两者同时存在，AI 才有可能真正理解工业系统。
例如，异常检测如果脱离具体设备和运行阶段，其结果往往是不可靠的；而根因分析只有在相似事件之间进行对比时才有意义；预测模型如果基于清晰定义的运行周期进行训练，其效果也会显著提升。
因此，以资产为核心和以事件为核心，不再是“增强功能”，而是构建工业 AI 系统的基础前提。
TDengine 能让你比较多个事件或批次，生成相关属性的包络线
走向统一的工业数据底座
要真正推动工业数据系统向前发展，资产模型和事件模型必须被视为一个统一的整体，而不是分散在不同层级或不同系统中的能力。
这意味着：
- 事件必须与资产天然关联
- 事件数据与时序数据需要统一存储与查询
- 事件分析应成为系统内置能力，而非外部扩展
- 结构与行为都应成为数据模型的一等公民
当这一切实现之后，系统就不再只是存储数据或展示趋势，而是能够表达系统的结构以及运行过程本身。
这才是面向未来的工业数据基础。
结语
工业数据，从来不仅仅是采集的信号。
它关乎系统，以及系统如何运行。
资产定义“是什么”。
事件定义“发生了什么”。
只有当两者结合在一起，我们才能真正理解工业运行，也才能让 AI 在工业场景中发挥真正的价值。
