Null oder Nix

Sie wollen die durchschnittliche Förderleistung einer Pumpe ermitteln, wenn die Pumpe läuft. Oder Sie wollen den durchschnittlichen Stromverbrauch eines Motors ermitteln, aber nur wenn dieser auch in Betrieb ist.
Würden Sie einfach einen Mittelwert über den Zeitraum bilden, dann würden natürlich auch alle Zeiträume mit betrachtet an denen die Förderung oder im anderen Fall die Stromaufnahme gleich null ist. Das Bild würde also vollkommen verfälscht.
Es ist also notwendig nur solche Werte in die Berechnung einfließen zu lassen, deren Wert >0 ist. Sie müssen also der Mittelwertberechnung einen Filter vorschalten.
In dem folgenden Beispiel aus PI AF Analysis wird dies gezeigt:

Die Funktion TimeGT() gibt in Sekunden aus, wie lange im angegebenen Zeitraum der Wert größer als, in diesem Fall 0, war.

Time weighted und Event weighted

Immer wieder taucht in Seminaren die Frage auf, worin der Unterschied zwischen zeitlich gewichteten und ereignisgewichteten Berechnungen besteht.

Ereignisgewichtete Berechnungen (Event weighted), d.h. Mittelwerte und Summen, addieren einfach die Werte in einem Zeitraum und beim Mittelwert werden diese durch die Anzahl der Werte geteilt.

Zeitlich gewichtete Berechnungen (Time weighted) berücksichtigen hingegen, wie lange ein Wert Gültigkeit hatte. Dies ist bei PI Daten deswegen von besonderer Bedeutung, weil Werte, die sich nicht, oder nur marginal verändert haben, ausgefiltert werden. Ein weiteres Beispiel könnten Zinsberechnungen sein, wenn sich der Zinssatz in dem betrachteten Zeitraum mehrfach geändert hat. Hier kann man ebenfalls nicht mit dem arithmetischen Mittelwert arbeiten.
Bei zeitlich gewichteten Berechnungen spielt die Fläche unter der Kurve eine entscheidende Rolle.

wobei yi der Ereigniswert zum Zeitpunkt ti ist und n die Anzahl der gemittelten Werte.