第三章：历史数据存储模型
好，咱们今天聊聊历史数据存储模型。说实话，这个模型是OPC UA历史数据功能里最核心的部分，没有之一。我当年刚接触OPC UA时，就被这一堆节点模型搞得有点懵——历史节点、配置节点、数据节点、聚合节点，光名字就够绕的。但后来在实际项目中摸爬滚打，才真正理解了它们各自的分工。
3.1 历史节点模型：数据的“档案室”
历史节点模型，说白了就是给数据建个档案。你想想看，实时数据就像流水线上的产品，看一眼就过去了。但历史数据不一样，它要把每个时刻的状态都记录下来。
在OPC UA里，历史节点模型主要分两类：
- 历史数据节点（HistoricalDataNode）：存储原始采样值
- 历史事件节点（HistoricalEventNode）：存储发生的事件记录
我记得有个项目，客户要求保存过去三年的温度数据。一开始他们用关系数据库硬存，结果查询慢得要命。后来我改用OPC UA的历史节点模型，把数据按时间分片存储，查询速度提升了十几倍。
核心要点：历史节点模型不是简单的数据堆砌，而是按时间序列组织的结构化存储。每个历史节点都包含时间戳、值、质量戳三个基本属性。
3.2 历史配置节点：定制你的存储策略
配置节点，嗯，这里要注意。它决定了数据怎么存、存多久、存多细。我见过太多人忽略配置节点，结果要么存得太多把磁盘撑爆，要么存得太细导致查询慢如蜗牛。
历史配置节点（HistoricalConfigurationNode）包含这些关键参数：
| 参数名 | 说明 | 我的建议值 |
|---|---|---|
| Stepped | 是否阶梯式存储（只存变化值） | 温度类用true，压力类用false |
| MaxAge | 数据保留时长 | 根据法规要求，一般至少90天 |
| MinTime | 最小采样间隔 | 快速变化信号设100ms，慢变信号设1s |
| MaxTime | 最大采样间隔 | 建议不超过10s，否则数据稀疏 |
我的经验：配置节点最好在系统上线前就规划好。我曾经有个项目，上线后才发现配置错了，结果要重新迁移历史数据，那叫一个痛苦。
3.3 历史数据节点：原始数据的“仓库”
历史数据节点（HistoricalDataNode）是真正存数据的地方。它继承自普通的DataVariable，但多了历史存储的能力。
这里有个关键点：历史数据节点不是直接暴露给客户端的。客户端要通过HistoryRead服务来读取。为什么这么设计？说白了是为了安全——你不能让客户端直接操作底层存储。
来看个实际代码示例，用Python读取历史数据：
from opcua import Client
client = Client("opc.tcp://localhost:4840")
client.connect()
# 获取历史数据节点
node = client.get_node("ns=2;s=Temperature_1")
# 读取过去1小时的数据
start_time = datetime.utcnow() - timedelta(hours=1)
end_time = datetime.utcnow()
# 调用HistoryRead
history_data = node.read_raw_history(start_time, end_time)
for data in history_data:
print(f"时间: {data.SourceTimestamp}, 值: {data.Value}, 质量: {data.StatusCode}")
避坑指南：我曾经遇到过一个问题——读取历史数据时，如果时间范围太大，服务器会直接超时。后来我学会了分批次读取，每次最多读1万条记录。这个经验让我少踩了很多坑。
3.4 历史聚合节点：数据的“加工厂”
聚合节点（HistoricalAggregateNode）是我个人觉得最实用的功能。原始数据太细了，你想想看，每秒采100个点，一年下来数据量惊人。但很多时候，我们只需要看平均值、最大值、最小值这些统计信息。
OPC UA定义了多种聚合类型：
- Interpolative：插值聚合，用于补齐缺失数据
- Average：平均值，最常用
- Minimum/Maximum：极值，用于监控异常
- Count：计数，统计采样次数
- Total：总和，比如累计流量
我建议在实际项目中，至少配置Average和Minimum/Maximum两种聚合。为什么？因为大多数报表只需要这些。比如生产报表，看平均温度就够了；但安全监控，必须看最高温度。
聚合节点的配置也很灵活：
// C# 示例：配置聚合节点
var aggregateNode = new AggregateConfigurationNode(system);
aggregateNode.AggregateType = AggregateType.Average;
aggregateNode.Period = 60; // 60秒聚合一次
aggregateNode.Stepped = false;
aggregateNode.TreatUncertainAsBad = true;
核心思想：聚合节点不是替代原始数据，而是提供不同粒度的视图。原始数据保留细节，聚合数据提升查询效率。两者相辅相成。
3.5 四种节点的关系
最后，我画个简单的逻辑关系图（用文字描述）：
- 配置节点 告诉系统：怎么存、存多久
- 历史数据节点 负责：存原始值、存事件
- 聚合节点 负责：把原始数据加工成统计信息
- 历史节点模型 是顶层框架，把上面三者组织起来
你想想看，如果没有配置节点，系统就像没有规则的仓库，东西乱放。没有聚合节点，每次查数据都要翻遍整个仓库。所以这四个模型缺一不可。
我的建议：刚开始做历史存储时，先从小规模开始。比如先配置10个节点的历史数据，跑一周看看效果。等熟悉了再扩展到全厂。我见过有人一上来就配置上千个节点，结果服务器直接崩溃——教训啊。
好了，这一章的内容就到这里。历史数据存储模型是OPC UA历史功能的地基，地基打牢了，后面的回溯、分析才能玩得转。下一章咱们聊聊如何高效地查询历史数据，到时候我会分享一些性能优化的实战技巧。