小T导读：在智慧港口的建设过程中，面对海量物联网设备产生的时序数据（如设备状态、能耗、作业效率等）的高效接入与实时分析需求，山东港口科技选择采用 TDengine TSDB 时序数据库作为核心数据底座，以应对传统关系型数据库在处理高并发、大规模时序数据时的性能瓶颈，实现设备状态的实时监控、数据压缩存储与智能分析，为智慧港口的数字化转型与智能化运营提供强有力的数据支撑。本次将就此实践进行具体分享。

合作背景

在“智慧港口”的宏伟蓝图下，山东港口科技集团面临着海量物联网设备数据接入、处理与分析的严峻挑战。港口作业涉及大量的桥吊、门机、集卡、传感器等终端设备，这些设备 7x24 小时不间断产生巨量的时序数据（如位置、状态、能耗、效率指标等）。传统的通用关系型数据库在处理这类高并发、海量的时序数据时，显得力不从心。为了夯实智慧港口的数据根基，经过严谨的选型，我们最终选择了 TDengine TSDB 作为核心时序数据平台，以支撑关键业务系统的数字化转型。

选择 TDengine TSDB 的原因

在引入 TDengine TSDB 之前，我们的业务系统主要面临以下痛点：

• 数据膨胀与存储成本高：​ 港口设备每秒产生数以万计的数据点，若采用传统数据库存储，数据表会急剧膨胀，不仅占用大量存储空间，且备份和维护成本高昂。
• 查询分析效率瓶颈：​ 对于实时监控、效率分析和历史数据回溯等场景，传统数据库的查询响应速度慢，无法满足业务对“实时洞察”的要求，特别是在聚合计算大量设备的历史数据时，耗时长达分钟甚至小时级。
• 系统架构复杂：​ 为了应对不同的数据处理需求（如实时、短期、长期），往往需要组合使用多种数据库和技术栈（如 Redis、MySQL、Hadoop 等），这增加了系统架构的复杂性、开发和运维难度。

TDengine TSDB 作为专为时序数据设计的数据库，其超高性能、内置缓存和流式计算功能、极简的架构以及强大的数据压缩能力​，恰好精准地解决了上述痛点，成为我们的理想选择。

使用 TDengine TSDB 后的收益与业务提升

部署 TDengine TSDB 后，我们在多个方面获得了显著收益：

• 极致的性能提升：​ 对港口设备运行状态的查询响应速度从原来的“分钟级”提升到“毫秒级”，实现了真正的实时监控与告警。
• 显著的降本增效：TDengine TSDB 高效的数据压缩技术，使得存储空间节省超过 80%，大幅降低了硬件与运维成本，简化的架构也减少了运维团队的工作负担。
• 增强的数据驱动能力：​借助 TDengine TSDB 强大的时序数据计算能力，业务团队能够轻松进行设备效率分析、预测性维护和运营优化，为决策提供坚实的数据支持，进一步强化了“智慧港口解决方案”的核心优势。
• 加速创新应用落地：借助 TDengine TSDB 这一稳定的高性能数据底座，我们能够快速开发和部署新的数据密集型应用，如全自动码头的智能调度系统、物流供应链的可视化平台等。

核心业务场景与 TDengine TSDB 应用实例

场景一：港口岸桥设备实时状态监控与效率分析

• 业务描述：​ 实时监控码头所有岸桥（Quay Crane）的运行状态（如起升、下降、大车行走、小车行走）、能耗以及作业效率（如单箱能耗、作业周期），确保设备安全高效运行，并即时发现异常。
• TDengine TSDB 查询 SQL 示例：

-- 1. 查询指定岸桥（Crane_ID = 'QC08') 在过去10分钟内的平均功率和总能耗
SELECT AVG(power_kw), SUM(power_kw * ts_interval / 3600) AS total_energy_kwh
FROM crane_power_metrics
WHERE crane_id = 'QC08' AND ts >= NOW - 10m
INTERVAL(1m);

-- 2. 统计过去1小时内，所有岸桥的作业箱量（基于每次吊装动作计数）
SELECT crane_id, COUNT(*) AS operation_count
FROM crane_operation_events
WHERE ts >= NOW - 1h AND operation_type = 'lift_complete'
GROUP BY crane_id;​

通过 TDengine TSDB 毫秒级查询与高效聚合能力，我们实现了对数百台岸桥设备运行状态的实时监控（1 分钟粒度）与异常秒级捕捉，查询效率从分钟级提升至毫秒级，存储成本降低超 80%，极大提升了设备管理实时性与安全性。

场景二：智能集卡（AGV/IGV）调度与路径优化

• 业务描述：​ 追踪自动化码头内数百台智能导引车（AGV）的实时位置、速度、电池电量和状态，基于这些时序数据进行最优路径规划和调度，避免拥堵，提升整体物流周转效率。
• TDengine TSDB 查询 SQL 示例：​

-- 1. 查询所有电量低于20%的AGV的当前位置和最新电量
SELECT last(latitude), last(longitude), last(battery_level)
FROM agv_status_metrics
WHERE battery_level < 20
GROUP BY agv_id;

-- 2. 计算指定区域（如A01区）过去5分钟内的平均车辆速度，用于判断拥堵情况
SELECT AVG(speed_kmh) AS avg_speed
FROM agv_location_metrics
WHERE ts >= NOW - 5m AND zone_id = 'A01';

借助 TDengine TSDB 的 last() 实时状态查询与窗口聚合能力，我们实现了对数百台 AGV 的实时位置、电量及速度监控，低电量车辆识别与区域拥堵判断均达到秒级响应，调度效率提升约 50%\~70%，整体物流周转更高效、更智能。

场景三：港口风速风向监测与预警

• 业务描述：​分布在港区各处的气象站持续采集风速、风向数据。系统需要实时判断是否超过安全作业阈值，并及时向相关设备和人员发出预警，保障恶劣天气下的作业安全。
• TDengine TSDB 流计算 SQL 示例：​

-- 创建流式计算，持续监控风速，一旦发现某个站点每分钟一次的平均风速超过阈值（18m/s），则触发告警
CREATE STREAM wind_alert_stream
INTO wind_alert_events
AS
SELECT _wstart AS ts, station_id, AVG(wind_speed) AS avg_wind_speed
FROM weather_station_metrics 
PARTITION BY station_id
INTERVAL(1m) SLIDING(1m);

-- 查询历史告警记录
SELECT * FROM wind_alert_events WHERE ts >= TODAY ORDER BY ts DESC;

解析如下：

• CREATE STREAM wind\_alert\_stream 定义了一个名为 wind_alert_stream的流，用于持续处理实时数据。
• INTO wind\_alert\_events 将流计算的结果写入到 TDengine TSDB 中的 wind_alert_events表中，该表为一个超级表，按照分组会自动生成子表，用于存储每个分组的告警事件。
• SELECT \_wstart AS ts, station\_id, AVG(wind\_speed) AS avg\_wind\_speed 选择数据流中的时间戳（\_wstart）、站点 ID（station\_id）以及风速的平均值（AVG(wind\_speed)）。_wstart是该时间窗口的起始时间，作为告警触发的时间点。
• FROM weather\_station\_metrics 数据源是 weather_station_metrics表，该表应包含字段如：ts（时间戳）、station_id（站点 ID）、wind_speed（风速-单位：m/s）等。
• PARTITION BY station\_id 按站点分组，每个站点独立计算，避免不同站点之间的数据干扰。
• INTERVAL(1m) SLIDING(1m) 定义了 1 分钟的时间窗口，每 1 分钟滑动一次，即每分钟统计一次过去 1 分钟内的数据。

借助 TDengine TSDB 灵活的流计算能力（1 分钟滑动窗口），我们实现了港口风速的实时监测与自动告警（响应时间＜1 分钟）。原本需要多个大数据组件才能完成的处理流程，如今只需一条语句即可完成，告警的准确性与时效性显著提升，安全运维效率也随之大幅提高。

结语

通过引入 TDengine TSDB，我们成功构建了一个高性能、高可用的时序数据管理平台，有效解决了智慧港口建设中海量物联网数据处理的核心难题。这一合作不仅提升了现有业务的运营效率和智能化水平，也为未来探索更多基于数据的创新应用（如数字孪生港口）奠定了坚实的基础，有力地支撑了山东港口科技集团有限公司打造“行业领先的高新技术上市企业”的战略目标。

关于山东港口科技

山东港口科技集团有限公司是山东省港口集团为全力推进智慧港口建设而设立的高科技子公司。公司立足信息化顶层设计、核心应用系统研发和大数据应用，致力于打造物流供应链服务平台、智慧港口解决方案和自动化应用系统三大核心优势。作为一家以创新为驱动的高新技术企业，科技集团正积极利用数字技术，为全球港口行业的智能化升级注入科技力量。

作者：张艳明

标题：从“人巡”到“智巡”，人力减 60%：TDengine 助力桂冠电力实现 AI 智能巡检

logo：

小T导读：为推进 “数智运营” 转型，广西桂冠电力携手涛思数据，采用 TDengine 时序数据库构建智能巡点检系统，融合 AI 与智能终端打造“终端—边缘—云端”协同架构，破解水电巡检效率低、安全风险高等难题。TDengine 在其数据湖中承担 OT 数据核心存储角色，通过“一个设备一张表”“超级表”等设计简化架构，凭借内置时序计算与订阅机制显著提升效率。系统投运后，单机机组增效 2–5%，年增发电量约 3 亿 kW·h，监盘工作量减少超 60%，助力桂冠电力迈向 AI 驱动的数智运营新阶段。

业务背景：电力巡检 + AI

在水电行业从“传统运维”迈向“数智运营”的关键阶段，桂冠电力率先打破依赖人工的巡点检模式，携手涛思数据（TDengine）创新研发水电站智能巡点检系统。该系统融合无人机、机器人等智能终端与 AI 技术，构建“终端—边缘—云端”协同架构，实现巡点检作业覆盖率显著提升、故障响应更迅速、人力成本大幅降低，有效破解了水电行业巡检效率低、安全风险高的长期难题。

在 AI 的赋能下，我们实现了智能巡盘、智能告警、智能预警、智能处置等多项 AI 功能，把巡检工作从“人工主导”升级为“机器主导”的自动化监控模式。借助高级逻辑判断与辅助处置机制，系统能将设备事故处置由被动应对转化为主动预警，提前识别潜在风险并同步提供操作指导与优化方案，既显著提升机组运行的安全性与经济性，又大幅减轻运行人员的监屏劳动强度和心理压力。

同时系统的实施使得发电效率也得到显著提升：单台机组的增效约为 2-5%。主要水电机组应用后，每年可增加发电量约 3 亿 kW.h。系统的智能监盘功能实现了适用于少人、无人监盘的模式，减少了监盘 60% 以上的工作量，大幅减轻了运行人员的工作强度，进一步提高了监盘的准确性和响应速度。

本文将与大家分享 TDengine TSDB 在我们数据湖建设中发挥的关键作用。

业务上的具体应用实践

简化数据湖的存储架构

在数据湖当中，TDengine TSDB 作为数据湖的贴源层，支撑了全部 OT 数据的存储。如下表所示，OT 数据与 IT 数据之间有着明显的区别：

为在 OT 与 IT 数据上实现最佳性能，我们分别采用某关系型数据库与涛思数据 TDengine TSDB 作为 IT 层与 OT 层的存储组件，构建分层存储体系。架构图如下图所示：

在当前架构当中，TDengine TSDB 所具有的特性，使得海量 OT 数据的存储更加便捷：

• “一个设备一张表”的设计，非常直观地映射到 IoT 中各类设备的采集值模型；
• 超级表的设计，使得一次查询多个测点变得非常简单；

• 分布式的架构设计，可以支持横向扩展和纵向扩展，在同一层无需多集群；

  • 虚拟分区策略，可以充分利用每一个节点的资源；
  • 动态调整数据分布，可以避免单点资源瓶颈带来的业务阻塞；
• 特色的时序计算函数，使得大部分业务计算可以直接获取，同一区域内无需分层存储。

业务建模的约束设计

基于“一个设备对应一个子表”的建模原则，我们对设备及其点号的数据进行建模与存储。在建模过程中，需要重点解决以下几个问题：

• 设备维度的设计：确定用于描述设备的关键维度；
• 唯一性的设计：明确用于唯一标识设备的字段，即设备表的 Primary Key；
• 多维选择唯一性的设计：确定可用于唯一检索设备的多个字段组合，即设备表的 Candidate Key。

TDengine 的超级表具备标签列特性，可用于实现设备表的存储。各标签列相互独立，类似于关系型数据库中的字段。由于超级表不具备 Primary Key 和 Unique Index 机制，因此在实际应用中需要通过约定来实现约束：

• db\_name：作为业务分割单元，不同 db\_name 的服务于不同业务，保证同一业务内的 tbname 不重复，避免写入错误数据；
• tbname：作为单个系统的唯一性约束，用于单个业务范围内的真正唯一 id；
• tag::point\_code：作为测点名字记录，用于单个业务领域内的唯一性标记；
• tag::mtype/station\_name 等标签列：作为设备的属性进行描述，联合起来作为候选主键。

以单列模型的测点 pointdata 为例，表结构如下所示：

CREATE STABLE `all_station_st` (
`data_time` TIMESTAMP, 
`point_value` DOUBLE
) TAGS (
`point_code` VARCHAR(20), 
`addr` INT, 
`mtype` VARCHAR(20), 
`station_name` NCHAR(30), 
`description` NCHAR(64), 
`kks` VARCHAR(100), 
`measure_code` VARCHAR(60), 
`original_one` VARCHAR(40), 
`original_two` VARCHAR(64), 
`idx` NCHAR(32), 
`status` TINYINT
)  

由于标签列之间缺少约束功能（如索引、主键），因此需要从业务上做验证和校验，才能保证最终唯一。期望 TDengine TSDB 后续能在这一个维度进行进一步开发，降低业务开发的复杂度。

内置时序计算优化业务效能

在我们的业务系统中，TDengine 以其卓越的性能与强大的时序计算能力，大幅简化了业务开发工作。

对于业务逻辑和部分智能算法而言，常常需要对时间戳进行对齐，并在指定频率下获取测量值，这就要求我们基于原始数据进行计算。传统做法有两种：

• 提前计算：通过定时计算或者流式计算，提前把降采样的结果计算完存放起来；
• 实时计算：通过查询原始数据，实时计算后返回给应用。

提前计算的优势在于能让应用以最快速度获取结果，但缺点是需要维护一整套定时调度机制，涉及任务调度、异常处理和补数等运维工作，复杂度较高。

实时计算能够保证每次计算结果都是最新的计算逻辑，缺点是计算耗时有可能太大，计算内存消耗过大。

而 TDengine 的特色时序计算，就很好地避免了这些问题。即使是在微服务 + 低代码的时代，TDengine 带来的业务简化依然具有重要价值。以获取测点的日平均值进行绘制为例：

提前计算的实现通常需要部署独立的 Java 程序并持续监控其运行状态。编写计算逻辑本身并不复杂，真正的工作量在于多出一套需要维护的应用，同时还要应对算法更新、数据更新带来的重算问题，使整个过程显得十分笨重。

实时计算是指在业务产生数据需求时，直接查询数据库中的原始数据并即时计算结果。在我们的场景中，这类操作往往会演变为 CPU + MEM + Network 的高负载任务——在 queryRawData 过程中，需要占用大量内存来缓存 TSDB 返回的原始数据，消耗 CPU 进行数据解析，同时占用大量网络带宽完成数据传输。

而使用 TDengine 内置的 interval 库函数进行计算，则很轻便的完成了这个计算。interval 库函数是一个时间窗口函数，可分为：滑动时间窗口、翻转时间窗口。在我们的业务当中，大多数情况下会采用等时间窗口的平均值计算方式。例如：

taos > select _wstart, avg(`point_value`) from db.$point_code where _c0 >= ‘2025-01-01’ and _c0 < ‘2025-02-01’ interval(1d);

整个集群内存几乎没波动。做一个简单规模的查询对比：

# 在 1w 测点 10s 采样间隔，统计 7 天内的日平均值

# 使用 TDengine 的计算，只需要 1.14 秒
taos> select _wstart, count(*), avg(`current`), avg(`voltage`), avg(`phase`), tbname from test.meters partition by tbname interval(1d);
Query OK, 70000 row(s) in set (1.140877s)

# 对于提前计算，每日的计算，只是查询 1 天的数据就占用 15.49 秒：
taos> select * from test.meters where _c0 >= '2025-01-01' and _c0 < '2025-01-02' >> /dev/null;
Query OK, 14400000 row(s) in set (15.496163s)

# 对于实时计算，只是查询原始数据，就占用了 106.85 秒
taos> select * from test.meters >> /dev/null;
Query OK, 100800000 row(s) in set (106.852480s)

通过上述的数据可以得到：

从上述数据可以看出，实时计算方案在性能上明显不及 TDengine 内置计算，因此在实际业务中几乎不会被采用。提前计算方案在应用次数超过 16 次后能够带来正向收益（实际业务中查看次数会很容易超过这个数量）。因此，我们在系统中同时采用了提前计算与内置计算的组合方案。其中，内置计算帮助我们有效减少了网络传输、内存占用、CPU 计算以及业务研发等多方面的开销。

订阅替代数据分发

作为企业级数据湖，我们既需要满足桂冠电力内部的数据共享，也要支撑与外部系统之间的数据分发。借助 TDengine 的订阅机制与 taosX 企业级同步组件，这一需求得到了高效而可靠的解决。

对于分发内容的类型，我们主要有 2 大类：

• 针对设备订阅，订阅设备的时序数据

# 选择部分设备进行同步，只订阅时序数据
create topic topic_fzd as select tbname,data_time,point_value from pointdata.all_station_st where status = 1 and idx in ('辐射','辐照度') ;

• 针对业务进行订阅，需要订阅设备的元数据和时序数据

# 选择未知设备进行同步，并且同步元数据变动
create topic topic_longtan with meta as stable pointdata.all_station_st where status = 1 and station_name = 'DJK_LT_90000208'  

同步方式上，我们分为两大类：

• 目的地是 TDengine，应用使用 taosX 进行订阅和写入，保证稳定性。
• 目的地未知，应用由需求方使用官方 driver 编写，订阅对应的 topic，自行安排应用。

通过以上的 topic 方式和应用方式，我们解决了数据湖上的数据分发需求。与过往的其他大数据组件相比，属实是非常轻便了。

大规模的运维经验

在正式投产之后，我们经历过 3.0.3、3.3.4 和 3.3.6 多个大版本。测点规模从百万走向千万，是一个 10 倍增长的运维过程。在这里分享几个 TDengine TSDB 大规模集群运维的经验。

容量规划

基于桂冠的业务场景进行估算，我们最终使用了 64c256g * 3 的虚拟机运行 TDengine TSDB。按照双副本（企业版特性），每个 vgroup 处理 2w 的测点的经验数据，我们预估 64c*3 可以处理：

64 vnode/节点 * 3 节点 / 2 副本 * 20,000 测点/vgroup = 192,000 测点

实际过程中从刚上线的性能宽裕，逐步发展到后来的性能拮据。我们发现 20,000 测点/vgroup 这个经验数值，会随着业务应用的开发出现下滑。其核心原因在于业务开发的增多，会带来显著的 CPU 资源消耗。因此我们把预估方式调整为：

Unit = 20,000 / (insert\_ratio + query\_ratio) 测点/vgroup

其中 insert_ratio 代表写入强度，query_ratio 代表查询强度。可以初步分成几种情况：

• insert\_ratio

  • 0.5：代表数据频率已知，顺序写入，日常没有数据补写。
  • 1.0：代表数据频率已知，大部分时候顺序写入，存在常规的数据补写、部分乱序写入
  • 2.0：代表数据频率未知，大部分时候顺序写入，存在常规的数据补写、乱序写入

• query\_ratio

  • 0.5：代表常规有监控类查询（last/last\_row），短期时间区间查询（7天内）。
  • 1.0：代表常规有监控类查询（last/last\_row），短期时间区间查询（7天内），伴随定期任务查询。
  • 2.0：代表常规有监控类查询（last/last\_row），短期时间区间查询（7天内），伴随定期任务查询，同时提供历史数据查询。

这部分经验分别对应：单个物联网项目、综合物联网平台和集团数据湖平台。

写在最后

在 TDengine TSDB 的多年应用过程中，桂冠电力团队与涛思数据团队共同积累了丰富的大规模运维经验，并将实践成果转化为补丁与功能回馈社区。同时桂冠也见证着 TDengine 从一个时序数据库，逐步走向一个成熟的时序存算平台。在未来的日子里，相信 TDengine 能够成为物联网的一个标准全栈解决方案，为我们的电力业务进一步释放业务价值。

关于广西桂冠

广西桂冠电力股份有限公司是中国大唐集团有限公司的二级企业，主要经营水电、火电、风电及其他清洁能源的开发及运营，电站检修、技术咨询业务，兼营有色金属加工、金融服务等业务。公司拥有广西龙滩、岩滩、平班等共 41 座水电站、1 座火电厂和广西、贵州、山东烟台 9 个风电场，并网范围覆盖国家电网和南方电网的多个区域，资产分布于广西、四川、贵州等数个省市自治区，是一个集多能源、多网源、跨地域为一体的大型综合发电企业。

作者：桂冠电力

小T导读：作为国内领先的智能办公整体方案提供商，成都极企科技有限公司已为全球上万家企业提供智能化建设方案，覆盖办公楼宇与园区面积已超百万平米。为应对日益增长的物联网数据接入需求，极企科技引入 TDengine TSDB 时序数据库，实现海量设备数据的实时采集、高效存储与智能分析，显著提升了设备监控系统的响应速度与数据处理能力。本文将分享这一智慧楼宇解决方案基于 TDengine的应用经验与实践成果。

背景和痛点

我们的智慧楼宇解决方案主要面向集团总部、新建办公大楼、政府园区等行业头部客户。这类客户普遍具备完善的 IT 基础与多年的办公系统建设经验，正处于从传统办公向智能化、数字化升级的关键阶段。在这一过程中，他们对智能化办公、物联网和数字化管理有较高的认知与明确的建设需求，期望通过新一代技术手段实现办公环境的智能协同与运营效率的全面提升。

在某大厦智能化项目中，共有 30 层楼宇，部署近万台传感器设备，涵盖人体感应、空气质量、厕位、烟雾、电量、水浸等多种类型。所有传感器均以秒级频率上报数据，日均数据量高达数千万条，对系统的数据采集与处理能力提出了极高要求。

该项目面临设备数据高频采集、多维度实时分析（设备状态、能耗、故障预测）以及历史数据长期存储三大挑战。传统关系型数据库在此类场景中存在明显不足，如写入性能瓶颈、查询延迟高、存储成本激增等问题。以 MySQL 和 PostgreSQL 为例，在存储设备时序数据时，由于缺乏原生的时间分区支持，当单表数据量超过千万级后，查询性能会出现断崖式下降，需人工分表分库，运维复杂度激增。同时，未压缩的原始数据占用空间庞大，存储成本高昂。

为什么选择 TDengine TSDB

在智慧楼宇项目的建设过程中，数据接入规模大、处理链路复杂、系统稳定性要求高，对底层数据库的性能与可靠性提出了极高要求。经过多方技术选型与验证，我们最终选择了 TDengine TSDB 作为核心时序数据库，主要基于以下考虑：

• 高效数据接入能力：支持 MQTT 数据写入方式，可通过低代码方式快速接入业务平台，实现高并发数据写入，确保近万台传感器上报数据的完整与可靠。
• 强大的流式计算能力：具备实时数据聚合与分析能力，能够对上报的时序元数据进行整合并高效供给业务平台，同时通过多副本机制保障数据高效写入与可靠备份。
• 完善的技术支持体系：提供一对一、7×24 小时技术支持服务，确保项目在开发、部署及运维阶段的稳定运行。
• 国产化与生态兼容性：作为 100% 自主可控的时序数据库，TDengine TSDB 符合信创标准，并已与华为云、麒麟软件等生态厂商完成深度集成，满足极企科技在国产化替代中的技术选型需求。
• 领先的综合性能与可拓展性：在同类型数据库中，TDengine TSDB 在数据压缩率、写入速度、分析效率及分布式架构等方面表现突出，后续版本还将持续增强易用性与 AI 能力，支持更多的功能和场景，助力企业进一步提升应用效果。

TDengine TSDB 落地实践

架构描述

系统采用 Node-Red 作为数据流控制与可视化管理核心，实现全链路的数据采集、处理与展示。整体架构如下：

1. 各类传感器采集的数据首先由 Node-Red 进行预处理后写入 EMQ 消息中间件；
2. TDengine TSDB 通过 taosX 模块从 EMQ 中高效读取并存储数据，实现时序数据的集中管理；
3. EMQ 再通过 Restful / WebSocket 接口从 TDengine TSDB 获取所需数据，为上层业务应用与可视化系统提供实时访问能力。

智能应用场景示例

• 当指定区域内连续 5 分钟无人时，系统自动关闭照明；
• 当某项监测指标超过设定阈值时，自动触发告警并记录相关信息；
• 当检测到某区域无人时，系统自动关闭空调以节约能源。

项目初期采用 3 节点集群架构，数据库配置为 3 副本模式，以实现系统高可用与数据冗余，具体配置如下：

系统上线后该集群运行稳定，能够高效处理全部传感器采集数据，全面满足项目预定的各项指标。在确认技术架构稳定可靠后，我们将订阅模式变更为永久模式，将长期使用以 TDengine TSDB 为核心的技术架构。

数据库建模

1. 超级表定义

CREATE STABLE IF NOT EXISTS airsensor (
  ts timestamp,        时间
  pm25 int,        PM2.5
  pm10 int,        PM1.0
  tvoc int,                TVOC
  co2 int,                二氧化碳
  formaldehyde float,        甲醛
  noise float,        噪音
  temperature float,                温度
  humidity float,        湿度
  light int,                光照
  h2s int,                硫化氢
  ch4 int,                甲烷
  co int,                一氧化碳
  no2 float,        二氧化氮
  h2 int,                氢气
  odor float        异味
) TAGS (
  position NCHAR(200),
  space NCHAR(20),
  floor_area NCHAR(20),
  floor NCHAR(20),
  area NCHAR(20),
  device_code NCHAR(20),
  device_id int,
  factory NCHAR(50),
  model NCHAR(50)
);

• 流计算

  • 会议室人员判定

  create stream if not exists mroom_stream trigger at_once into mroom_stream_status (ts,status) tags(
      space,
      floor_area,
      floor,
      area 
  ) subtable(
      cast(
          concat('mss_', space, '_', floor_area, '_', floor, '_', area) as varchar
      )
  ) as
  SELECT
      _wstart as ts,
      case
          when sum(status) > 0 then 1
          else 0
      end as status
  FROM
      bxserver.humensensor partition by space,
      floor_area,
      floor,
  area interval(1m) fill(value,-1);

• 楼层用电量统计

select _wstart as ts, max(total_kwh)-min(total_kwh) as used from bxserver.powersensor partition by tbname interval(1d);

• 订阅数据

落地效果

• 针对电量传感器采集的元数据通过 TDengine TSDB 转换后的每个楼层用电量统计如下：

• 针对每个设备状态上报数据通过 TDengine TSDB 转化为设备告警情况如下：

• 针对空气传感器采集的数据，系统通过 TDengine TSDB 进行转换与分析，并根据当前区域的平均温度执行相应的温控策略：

TDengine 应用经验分享

1. 时钟同步问题

在使用过程中，我们发现某会议室的人体传感器流计算结果存在异常，最近一分钟的数据未被正常计算。经排查，原因是服务器时间未与时间服务器同步。安装并配置 NTP 服务完成时间同步后，流计算功能恢复正常。

2. 查询 SQL 语句优化

powersensor_loop 表按行记录传感器的瞬时实测值。为计算当天的用电量，需要对相邻两行取差值后再用 SUM 求和。最初我们采用的是如下嵌套子查询方案，不仅执行时间长，而且占用较大的临时空间：

select TO_CHAR(_wstart, 'YYYY/MM/DD HH24:MI:00') as ts, TO_CHAR(_wstart, 'HH24') as hour, sum(kwh) as kwh, space,floor_area,floor,type from (select _rowts as ts, diff(kwh) as kwh, space, floor_area, floor, area, device_id, loop, type frombxserver.powersensor_loop partition by space, floor_area, floor, area, device_id, loop, type) where ts >= TO_UNIXTIMESTAMP('2025-08-28 00:00:00') and ts <= TO_UNIXTIMESTAMP('2025-08-28 23:59:59') partition by space, floor_area, floor, type interval(1d) order by floor asc;  

powersensor\_loop 表结构如下图所示：

经分析发现，上述嵌套查询语句只在外层添加了时间范围条件，而内层查询未作限制，导致内层查询需读取全量数据，执行耗时长且占用大量临时空间。优化后，我们将时间范围条件前移至内层查询，使其仅在指定时间范围内读取数据，从而显著减少数据扫描量并提升执行效率。

select TO_CHAR(_wstart, 'YYYY/MM/DD HH24:MI:00') as ts, TO_CHAR(_wstart, 'HH24') as hour, sum(kwh) as kwh, space,floor_area,floor,type from (select _rowts as ts, diff(kwh) as kwh, space, floor_area, floor, area, device_id, loop, type frombxserver.powersensor_loop where ts >= TO_UNIXTIMESTAMP('2025-08-28 00:00:00') and ts <= TO_UNIXTIMESTAMP('2025-08-28 23:59:59') partition by space, floor_area, floor, area, device_id, loop, type) partition by space, floor_area, floor, type interval(1d) order by floor asc;

未来规划

当前系统使用的版本为 TDengine TSDB 3.3.6，因流计算暂不支持 diff 函数，无法直接计算相邻数据差值。后续我们计划升级至最新版本 3.3.8，新版本已支持 diff 函数，可将每日电量数据的差值计算结果直接写入流计算结果表，进一步简化后续的查询与汇总分析流程。

关于成都极企科技

成都极企科技有限公司成立于 2014 年，注册资本 392 万元，专注于智能化办公解决方案的研发与落地。公司具备自主软硬件研发能力，已取得多项国家专利及资质认证，为全球上万家企业提供智能化解决方案，累计完成超过百万平方米的办公楼宇与园区智能化建设。客户涵盖美团、爱奇艺、腾讯、阿里、联想、华为、富力、金地等行业头部企业，形成了从硬件设计、软件开发到工程实施的一体化核心竞争力。

关于作者

何铮，公司创始人兼项目带头人，毕业于电子科技大学，国家特聘专家。拥有二十年办公领域产品开发经验，带领企业完成三轮千万级融资。

小T导读：京能集团在储能安全管理平台中采用 TDengine TSDB 作为底层时序数据库。依托 TDengine 企业版的零代码数据写入平台，来自全国 28 家电化学储能电站的数据能够按照统一编码规则高效接入 TDengine 时序数据库中，实现了稳定、高性能的数据采集与管理。在此基础上，借助 TDengine TSDB Flink Connector，系统可快速、稳定地从数据库中读取海量数据，开展实时分析与智能处理，充分释放数据的潜在价值。本文将结合该项目的实践过程，为大家带来深入分享与参考。

项目背景

京能集团储能安全管理平台共接入全国 28 家电化学储能电站，累计测点达 270 万个，由四个平台公司分别负责数据传输与汇聚。系统需要支撑大规模的数据统计分析、事件报警与安全预警，对底层数据库的性能与稳定性提出了极高要求。

鉴于电化学储能项目采集点数量庞大（270 万点）、锂电池热失控的超前预警技术复杂等因素，传统关系型数据库已无法满足高并发写入与海量数据存储的需求。由于这些数据具备时间序列写入、格式固定、写入量巨大等典型特征，我们最终选择采用时序数据库作为系统核心数据底座。

应用实际落地

在充分调研国内多款时序数据库产品后，我们发现，从国内目前的实际情况分析，TDengine TSDB 已成为众多企业在海量数据高速存储、处理与调用场景中的首选方案。基于其成熟的技术体系与稳定的性能表现，我们最终选定 TDengine TSDB 作为平台的底层时序数据库，并结合 Kafka 与 Flink 构建了完整的数据流处理体系，实现了数据的高效传输与实时计算，顺利达成项目预期目标。以下是架构简图：

TDengine TSDB 支持多种写入方式

1. SQL 语言写入 ：https://docs.taosdata.com/basic/insert/
2. 无模式写入：https://docs.taosdata.com/develop/schemaless/
3. 参数绑定方式：https://docs.taosdata.com/develop/stmt/
4. 企业版的零代码数据写入— taosExplorer 数据接入功能：https://docs.taosdata.com/advanced/data-in/

项目中涉及多个 Kafka 集群、数十个需要接入的 topic。我们重点采用了 TDengine 企业版的零代码数据写入能力，实现了从 Kafka 到 TDengine TSDB 的高效对接。该功能支持灵活配置类似 ETL 的复杂自定义选项，极大简化了数据接入流程和时间，而且数据接入性能完全达到了项目要求。

为了保证数据的合理性，我们出台了《京能集团电化学储能电站安全管理平台和储能电站设备标识编码规则》，通过标准的 kks 编码在 taosX 对 Kafka 数据进行了有效过滤和清理，最终写入 TDengine TSDB。kks 部分编码实例如下：

下图为数据过滤、转换等规则设置：

此外，taosX 数据接入还支持多节点高可用配置。只需在多台 taosX 上部署相同的 Kafka 数据接入任务，并设置相同的 groupId，即可自动实现任务高可用，确保数据接入的连续性与稳定性。

同时，TDengine 还提供完善的 taosX 任务监控机制，可直接通过 Grafana 一键配置，快速生成可视化监控图表：

超级表 + 子表的使用

TDengine TSDB 结合“一个数据采集点一张表”的设计理念，引入了具有创新性的“超级表”机制，从根本上解决了大规模时序数据结构不统一、聚合困难、运维复杂等问题。每个采集点的数据独立存储，天然具备写入无锁、数据顺序追加、块状连续存储等优势。这种设计方式不仅提升了写入与查询性能，还带来了极高的数据压缩效率。

TDengine TSDB 支持对超级表标签进行动态的添加、修改与删除操作，满足设备属性变更、系统扩展等业务需求。

计算、分析处理

在 Flink 计算平台上，我们借助 TDengine TSDB 企业版提供的 Flink 连接器——TDengine TSDB Flink Connector（https://docs.taosdata.com/advanced/data-publisher/Flink/），实现了与 TDengine TSDB 的无缝集成。该连接器可高效、稳定地从 TDengine TSDB 中读取海量时序数据，并在此基础上进行全面、深入的分析处理，充分挖掘数据的潜在价值，极大地提升数据处理的效率和质量。

Flink CDC 主要用于提供数据订阅功能，能实时监控 TDengine TSDB 数据库的数据变化，并将这些变更以数据流形式传输到 Flink 中进行处理，同时确保数据的一致性和完整性。

落地效果

1. 数据接入便利性：目前我们已接入 20 多个 kafka 数据，后期还会继续增加。得益于 TDengine 企业版零代码数据接入能力，新增任务仅需复制并做少量参数调整即可完成，操作简便高效，整体接入过程较传统方式节省约 90% 的时间成本。
2. 数据查询性能高：开启数据库缓存功能后，能够实时获取每个设备点位最新值，毫秒级别即可返回结果。
3. 数据存储成本低：TDengine TSDB 具备出色的数据压缩能力，其二级压缩技术将数据视作无差别的二进制块进行再次压缩。与一级压缩相比，二级压缩的侧重点在于消除数据块之间的信息冗余。目前我们提供的服务器存储远远满足我们项目规划的 5 年数据存储，存储成本估算节省至少 60-70%。
4. 实时订阅：通过 TDengine 提供的 Flink CDC 实时订阅功能，能方便、高效的进行分析、告警等处理，给我们后期分析带来了极大的便利性。

后期规划

目前，我们正在对京能集团储能安全管理平台已经接入的 28 场站数据进行分析和优化，提高数据采集的可靠性和鲁棒性。未来我们会针对 TDengine TSDB 新版本和新功能进行持续跟踪，进一步开发 TDengine TSDB 的内在潜力和各种有效的功能。

近期我们关注到 TDengine 发布了新产品 TDengine IDMP，通过经典的树状层次结构组织传感器、设备采集的数据，建立数据目录，对数据提供情境化、标准化的处理，并提供实时分析、可视化等功能，接下来我们会进一步了解此产品在我们业务中的使用可能。

关于京能集团

北京能源集团有限责任公司是北京市人民政府出资设立的国有独资公司，肩负着保障首都北京能源安全可靠供应的重任。京能集团成立于 2004 年，由原北京国际电力开发投资公司和原北京市综合投资公司合并而成，2011 年、2014 年先后又与北京市热力集团有限责任公司、北京京煤集团有限责任公司实施合并重组，实现了产业链条融合互补。经过多年的资源整合，集团由单一能源产业发展为热力、电力、煤炭、健康文旅等多业态产业格局。2024 年在中国企业 500 强排名第 247 位，中国服务企业 500 强排名第 87 位。

作者：张海增

2025 年 12 月，涛思数据与沈阳化工研究院（简称“沈阳院”）正式达成合作。涛思数据将为其提供 TDengine TSDB + IDMP 产品组合，通过部署工业数据管理平台，以 AI 原生的数据智能技术，支撑沈阳院构建覆盖从实验室研究到中试放大全流程的统一数据基座，助力其研发数字化转型迈向新阶段。

沈阳院是我国重要的综合性化工科研院所，其研发过程中涉及海量、多源的时序数据与非时序数据，同时其中试基地拥有多条专业化生产线。面对实验室、中试装置产生的庞杂数据，如何打破数据孤岛，实现数据的统一管理、关联分析与智能洞察，从而加速研发进程、优化生产工艺，是沈阳院数字化转型的重要任务。

随着数字化进程的推进，沈阳院需要一个能够打通从实验到中试全流程的数据管理平台，能够将时序数据与非时序数据（如物料信息、实验记录）进行关联分析，同时满足信创环境要求和数据安全规范。涛思数据全新发布的 TDengine IDMP（工业数据管理平台）产品，具备“无问智推”的 AI 原生能力，这种让数据主动说话的能力，正是解决业务人员依赖 IT 团队获取数据洞察的关键。

本次项目需要采集和分析来自实验室、中试生产线的数据，总计需要监控的测点约 2 万。这些数据来源于高压釜、干燥箱、色谱仪等实验设备，以及生产线的温度、压力、流量等工艺参数，还包括水电气等能耗数据。TDengine TSDB 支持多种数据接入方式，包括 MQTT、OPC-UA/DA 等。这对于研究院现有的数据采集系统（MQTT 和 OPC）非常重要。在数据建模方面，TDengine IDMP 采用树状层次结构，这与研究院的设备组织方式天然契合。比如，可以按照“研究院-中试基地-生产线-设备”的层级结构建立数据目录，每个节点都可以配置属性、分析规则和可视化面板。这种结构特别适合中试基地的批次分析需求，可以清晰地展示每个批次的工艺参数和质量指标。

本项目采用“整体规划、分步实施”的策略，项目计划分两阶段进行：

• 第一阶段，选择 3 个实验室和 1 条中试生产线进行试点实施；
• 第二阶段，基于试点成果向全院范围推广。

基于数据安全性和网络环境考虑，选择本地化部署方案。部署架构如下图所示：

本次项目规划的设计思路紧密围绕化工研发的业务特点展开，力图在以下几大关键业务场景提升数据应用效率与深度：

1. 数据全景可视化与智能告警：通过 TDengine IDMP 的智能可视化功能，实现实验数据和中试生产数据的全景可视化管理。研究人员无需 IT 支持即可通过自然语言交互获取所需数据视图；通过实时分析和事件管理功能，自动触发告警，并帮助研究人员快速定位问题根源；借助“无问智推”能力，自动推送质量波动的批次与标准参数的对比分析，帮助管理人员快速决策。
2. 工艺优化与批次对比分析：批次分析是中试生产的核心需求之一。借助 TDengine IDMP，可以实现多批次数据的自动对比分析。系统能够根据批次质量指标帮助科研人员找到"黄金批次"，并分析其工艺参数特征，为工艺优化提供数据支持。通过时序数据高级分析功能，研究人员可以轻松对比不同批次的差异，找出影响产品质量的关键工艺参数。
3. 预测性维护与能耗管理：基于 TDengine TDgpt 的能力，平台能够轻松集成时序数据的预测、异常检测、分类、补全、相关性分析等算法和模型，帮助客户实现对关键设备的实时监控与预测性维护。在中试基地的能耗管理方面，通过对水、电、气的实时监测与统计分析，帮助找出能效瓶颈、识别出能耗异常点，用以指导设备改造和工艺调整。
4. 数据驱动的工艺包开发：TDengine 产品组合将帮助研究院实现数据驱动的研发模式，提高工艺包开发的效率和质量。新工艺包的设计可以基于历史中试数据，确保工艺参数的可靠性。而工艺包转化为实际生产后，又可以通过对比设计数据与实际生产数据，持续优化工艺模型。同时，TDengine IDMP 内置了备份/恢复机制，未来还将支持 Git 式数据版本管理，有望进一步提高数据归档、变迁、回溯的能力。

本次涛思数据与沈阳化工研究院的强强联合，为化工科研数据管理和数据分析描绘出更多可能性。相信此次合作不仅能提升沈阳院的研发效率，更有望探索出一条以数据智能驱动化工行业创新的可行路径。

关于沈阳化工研究院

沈阳化工研究院有限公司始建于 1949 年 1 月 8 日，是综合性化工科研院所，现为中国中化控股有限责任公司直管单位。目前沈阳院主要开展化工新材料、生态农业、生物化工、化学品测试与评价、化工反应风险评估、危险废物鉴别、化工智能优化等方向的研究及产业化。沈阳院聚焦提升关键共性技术的研究与开发能力、较强的新产品孵化能力和适度产业规模和盈利能力；致力于成为精细化工行业国内领先，国际有一定影响力的科技型企业。

2025 年 12 月，涛思数据与北京海莱德自动化工程有限公司（简称“海莱德”）正式建立合作伙伴关系。此次合作，海莱德将基于自身行业自动化系统集成能力，结合涛思数据提供的 TDengine TSDB + IDMP 产品组合，共同为制糖等行业客户打造从数据采集、治理到智能分析应用的完整解决方案，助力制糖工业企业实现生产运营的数字化与智能化转型。

行业背景｜制糖生产正在面对的新挑战

制糖行业的生产实践表明，甘蔗制糖是一项高度连续、强耦合、对运行稳定性要求极高的工业过程。原料受品种、成熟度、含糖量和纤维含量等因素影响，天然波动较大；加之榨季集中、生产节奏紧凑，一旦发生非计划停车或关键参数失控，带来的不仅是产量损失，更可能造成难以弥补的经济影响和社会影响（涉及甘蔗和甜菜的农业生产）。

在此背景下，行业内绝大多数糖厂长期依赖以人工经验为主的工艺调整方式，以及以工段为单位、相互割裂的数据管理模式，这些传统做法逐渐显现出其局限性。经验固然重要，但难以在不同班组、不同人员之间稳定传承与高效复制；生产数据虽然持续产生，却因分散在不同系统与记录中而难以整合分析，从而无法有效支撑对稳产、提质、降本目标的持续精细化管控。这已成为行业的一个普遍共识：仅依靠传统方式，已难以应对当前生产运行对稳定性与过程可控性日益提升的要求。

面临挑战｜从“看不清”到“管不住”

在实际运行中，以下这些挑战并非个案，而是制糖行业中普遍存在的共性问题。

首先，生产过程链条长、环节多，从预处理、压榨、澄清、蒸发、煮糖到分蜜、干燥包装，各工段数据往往分散在不同的系统与记录中，缺乏统一视角，导致难以形成真正贯穿全流程的生产监控与分析能力。

其次，在工艺质量管控方面，参数调整长期依赖人工经验判断。许多异常往往在最终质量指标已发生偏差后才得以察觉，缺乏对工艺质量的过程性分析与持续监控手段，难以实现事前预警与主动干预。

最后，在物料与糖分损耗管理上，行业长期缺乏有效的工具进行清晰、有效的分析和管理。糖分损耗分散于滤泥、废蜜、洗水、跑糖等多个环节，大多依靠经验估算，无法形成系统、可对比的“糖损画像”，这在很大程度上制约了对产糖效率与整体经营指标的持续优化。

正是这些普遍存在的“看不清、管不住”的痛点，促使制糖行业开始重新思考生产管理方式，并推动如 TDengine IDMP 这样的生产数据与工艺管理平台，逐渐成为企业进行数字化转型、实现精细化运营的重要选择。

解决方案｜从“数据分散”到“AI Ready”，让制糖跑在数据之上

在榨季现场，行业内常有一种共识：“数据其实都有，就是用不起来。”原料特性每日波动，工艺流程长且复杂，相关数据往往分散在局部的 DCS、各类设备的独立系统及手工台账中。操作人员依赖经验盯守，生产系统中前后无高效的数据流通，一旦生产节奏加快，潜在的风险与异常便容易被淹没在庞杂的信息流中。

因此，选择引入 TDengine IDMP 平台，其初衷并非简单“再上一套系统”，而是旨在将沉睡的数据转化为直接支撑生产决策与运营优化的能力。围绕制糖行业原料波动大、流程链路长、设备可靠性要求高等特点，该平台以 TDengine TSBS + TDengine IDMP 为核心，从数据采集与接入起步，逐步打通数据治理、业务情景化建模与 AI 分析应用，致力于构建一套真正面向生产、服务于工艺优化与稳定运行的工业数据管理体系。

数据采集｜先把“碎数据”连成一条线

在项目启动之初，制糖企业现场所面临的情况在行业中并不陌生：数据体量并不少，但分布零散。工厂局部的 DCS、各类设备的独立系统仅仅服务于局部的监控层面。而在数据分析、集中管理与智能应用层面，则长期缺乏统一、高效的数据出口。

针对这一现状，项目规划在不影响现有控制系统稳定运行的前提下，于集控层之上构建独立的数据采集与汇聚通道。计划在每个工厂部署一套 TDengine TSDB，利用其自带的零代码采集工具 taosX，通过 OPC 标准接口从 DCS Server 读取实时工艺数据，以实现关键生产数据的稳定采集与接入。同时，在企业级数据中心部署统一的 TDengine TSDB，对各工厂的时序数据进行集中汇聚与统一管理，为后续的数据整合分析与跨厂协同打下基础。

这种架构既充分保留了 DCS 与 SCADA 的成熟运行体系，又在其之上形成统一、可扩展的数据采集与汇聚层，为后续的数据治理、业务情景化和 AI 应用奠定了可靠基础。

数据分析｜从“看历史”到“提前知道”

在数据分析层，平台基于 TDengine TSDB 的高性能时序数据管理能力，实现实时与历史数据的统一处理，并能够结合时序基础模型的时序数据预测与异常检测能力，对生产过程和设备运行状态进行持续分析。

通过对关键工艺参数和运行指标的时序建模，时序基础模型能够识别正常运行模式，预测指标变化趋势，并对偏离正常区间的异常波动进行及时检测与预警，帮助企业提前发现潜在风险。请参考：时序数据分析智能体 TDgpt

该能力使生产管控从依赖经验的事后分析，转向基于数据的趋势预判与异常识别，为工艺稳定运行、设备可靠性提升及运营决策提供更加及时、可靠的数据支撑。

数据目录｜让每个岗位都用得上数据

如果说采集和分析解决了“数据有没有、算不算得动”的问题，那么数据目录解决的，是“业务用不用得上”。

TDengine IDMP 并没有强制所有人用同一种视角看数据，而是允许不同部门按自己的业务逻辑组织数据。生产车间可以围绕工艺流程，把数据按工序、工段和关键参数来组织；设备管理部门则按设备类型和运行状态建立目录，专注设备可靠性和维护。同一份底层数据，可以在不同业务视角下被反复引用。

对业务人员来说，找数据不再是“翻系统”，而是“进目录”；对系统来说，数据有了清晰的结构和入口，才能被稳定调用、持续分析。

https://segmentfault.com/write###

数据标准化 | 让“一吨糖”只有一种算法

在工业系统中，数据标准化不是“规范问题”，而是直接影响结果是否可信的基础工程。航天领域曾因单位不统一而导致重大事故，这一案例反复被提及，并不是偶然，而是揭示了一个普遍规律：当数据口径不统一时，系统即使运行正常，结论也可能完全错误。

在制糖生产中，这类风险同样真实存在。以澄清汁流量为例，DCS 系统通常以体积流量 m³/h 采集数据，而部分历史系统或人工台账则沿用质量流量 t/h。两种口径在各自系统内都能够正常使用，但一旦进入跨系统分析场景——例如物料衡算、产能评估或能耗核算——问题便会显现：同一个“澄清汁流量”，在不同系统中参与计算，得到的却是两套完全不同的结果。

在 TDengine IDMP 中，这类问题不再依赖人工经验去“记住差异”，而是通过模型层面的标准化设计，从源头上消除歧义，确保“一吨糖”在系统中只有一种确定、可复用的计算方式。

将“老师傅的共识”固化为系统规则

在实际生产中，许多关键口径早已形成行业共识，只是长期存在于经验和习惯中。TDengine IDMP 通过元素模板机制，将这些共识转化为可执行、可约束的系统规则。

以“澄清汁”这一对象为例，IDMP 在模型层对其进行统一、规范的定义，明确其所包含的各类属性，并对每个属性的名称、业务含义、数据类型、计量单位及使用口径进行统一约束。针对澄清汁流量，模型中会明确其业务含义、统一采用的标准计量单位、适用的工艺计算口径，以及是否参与物料衡算与产能分析等核心规则。

通过这种方式，同一类工艺对象、同一类指标在系统中只保留唯一、确定的解释，从根本上避免“同名不同义”或“同数不同算”的问题，为后续跨系统分析和长期稳定运行提供一致、可靠的数据基础。

单位不同？系统自动算清楚

在统一标准的同时，TDengine IDMP 也充分考虑了现有系统的复杂性。针对属性模板，平台在公式层引入计量单位的自动识别与推导能力。

当数据来自 DCS 系统时，平台能够识别其计量单位为体积流量（m³/h）；当数据来自历史系统或台账时，则识别为质量流量（t/h）。在参与计算或分析时，TDengine IDMP 会根据目标属性所要求的计量单位，自动推导并完成必要的单位换算，确保计算结果口径一致。

整个过程无需人工干预，也不依赖个人经验假设，使不同来源、不同口径的数据能够在统一模型下安全、可靠地参与分析，为物料衡算和经营决策提供稳定支撑。

数据情景化｜让工业数据真正看得懂、用得上

在实际生产中，制糖行业越来越深刻地体会到：没有情景的数据，只是一串数字；只有将其置于具体的工艺场景中，数据才真正具有意义。

榨季期间，生产现场变化极为迅速。今天可能是澄清工段的 pH 值出现波动，明天发现废蜜纯度偏高，过几天又察觉实际产糖率与理论值存在偏差。这类问题本身并不复杂，但过去的分析方式却异常耗时费力——通常由业务人员凭借经验提出初步判断，再由技术人员到各个独立系统中查找相关点位、收集数据；数据找齐后，还需反复确认其时间范围、计算口径是否一致。往往经过这样一轮繁琐流程，数天时间已经过去。

究其根源，问题通常不在于人员专业能力，而在于数据本身缺乏情景化组织。业务人员往往不清楚所需数据具体分布在哪些系统中、是否可直接使用；技术人员也难以理解这些数据在工艺上应如何关联、如何分析，以及它们之间的业务逻辑是什么。这种数据与业务之间的“断层”，使得高效的分析与决策难以实现。

连接业务与技术的关键一环

引入 TDengine IDMP 平台后，制糖企业将能够使数据真正成为业务与技术之间的“通用语言”。

该平台通过为数据补充统一、清晰的业务语义，将其与具体的生产过程直接关联。每一条数据都将被明确归属到特定的工艺环节（如澄清、蒸发或煮糖），同时标识其反映的工艺机理类型（如反应强度、抽提效率或回收损失），并清楚定义其适用的业务场景（如质量监控、物料衡算、异常分析或工艺优化）。

在此基础上，平台还将构建标准化的技术元数据层，对数据来源、计量单位和合理取值范围进行统一管理。由此，数据从何处来、如何计算将变得清晰可溯，在进行数据分析、计算或设置告警时，系统能够自动确保口径一致，从而避免因理解偏差导致的结果不一。

这一步的关键价值在于，许多原本存在于“老师傅经验”中的隐性知识与共识，将被有效地沉淀并固化为清晰、可复用的系统规则，为知识的传承与规模化应用奠定基础。

业务分析真正实现自助

在数据完成情景化之后，制糖企业的业务分析方式将发生根本性转变，从过去高度依赖 IT 部门支持，转向以业务人员自助分析为主。系统前端将不再展示零散的点位编号与底层数据结构，而是围绕“澄清稳定性”“物料衡算”“产糖效率”等业务人员熟悉的工艺情景来组织数据与功能。

以澄清工段为例，工艺人员在“澄清稳定性”情景下，将能够直接选取 pH 值、混浊度、色值等关键指标，并自行拖拽搭建趋势对比与关联分析面板，用于实时判断反应状态是否偏离正常区间。整个过程无需向 IT 部门提出建模或取数需求，分析逻辑也将更加贴近现场实际。业务人员从而能真正基于数据流进行自主判断与决策。

这种以业务情景为核心的分析模式，将显著降低数据使用门槛与技术障碍，使得工艺人员更愿意、也更能够主动、自信地使用数据工具，推动数据分析融入日常作业闭环。

响应能力的显著提升

当业务分析实现自助化，为制糖企业带来最直接的变化就是——业务响应速度得到显著提升。过去，从发现异常到形成分析结论，往往需要经过多环节传递与处理，周期以天计算，等结论出来时，问题可能已经扩大，甚至错过了最佳工艺调整窗口。

未来，在数据情景化的支撑下，业务人员将能够在当班内直接完成数据取用、对比分析和假设验证。例如，当澄清工段 pH 值刚出现连续偏移时，系统可在对应的业务情景中自动聚合相关指标，工艺人员即可当场判断是否需要调整加药或工艺参数；当产糖率与预期出现偏差时，也可快速定位问题根源，判别是前段抽提、澄清损失，还是后段回收效率所致。

这意味着，问题有望在“扩大之前”就被识别和处理，从而使生产运行从被动应对逐步转向主动预防与控制。

总体而言，数据情景化将帮助制糖企业真正把数据用活于业务。生产管理将不再高度依赖个人经验与事后分析，而是逐步形成一套以数据为驱动、以业务场景为依托的快速决策机制，生产运行也因此有望变得更加稳定、高效与可控。

无问智推｜AI 驱动的生产洞察升级

在实际生产中，制糖行业逐渐形成一种共识：AI 技术在其中的真正价值，并非在于“替代人工思考”，而在于能够在问题尚未被明确提出之前，就已将所需的相关信息与洞察准备就绪。

过去，行业中的中控系统更多地扮演着“被动工具”的角色。监控哪些指标、如何进行关联分析，完全依赖当班人员的个人经验：工艺人员需自行回忆关键指标、查找数据点位、调整分析的时间窗口。新接班的团队往往难以快速入手；而当经验丰富的老师傅不在场时，许多隐性的工艺逻辑与判断也难以得到有效复用。

在引入 TDengine IDMP 平台并完成数据情景化构建之后，AI 所扮演的角色将发生显著转变。它将不再被动等待指令，而是基于对工艺语义与业务上下文的理解，主动识别当前生产状态，并动态推荐最贴合该业务场景的监控视图与分析内容。这使得系统能够引导注意力，辅助不同经验层次的人员更快地聚焦于关键问题，从而将专家经验转化为可持续、可复用的系统能力。

澄清段的一个真实场景

以澄清工段的澄清汁监控为例。过去，制糖行业在监控澄清段时，往往仅限于观察几条关键参数的实时曲线，难以系统性地判断“当前工况是否真正处于正常状态”或“其趋势是否正在恶化”。

现在，AI 会自动为用户推荐一整套符合澄清工艺逻辑的监控面板，只需简单的点击“生成”，TDengine IDMP 就能够自动生成监控看板。在澄清汁场景下，系统会优先推荐：

• 过去一小时澄清汁 pH 的最新值，用于快速判断当前反应状态；
• 过去一天每小时澄清汁锤度的平均值，帮助用户观察短周期稳定性；
• 过去一周澄清汁还原糖的平均值，以及按天汇总的变化趋势，用于评估澄清效果对糖损的影响。

这些内容并不是“通用模板”，而是因为系统已经理解：这些指标正是澄清段最关键、最有业务意义的数据组合。

从“人盯数据”到“系统叫人”

在引入 TDengine IDMP 之前，制糖行业对澄清段的监控更多依赖人工经验。中控画面上曲线一直在动，工艺人员需要长时间盯着趋势，凭感觉判断是不是“有点不对劲”。采用 TDengine IDMP 之后，这种状态发生了明显改变。基于已经完成的数据情景化，AI 不再等待人工提问，而是主动推荐与澄清汁相关的实时事件监控和分析，通过实时分析预警，能够在关键时刻把人“叫过来”。

在澄清汁场景中，系统能够自动推荐分析：

• 当澄清汁加热器出口温度超过 105℃，并持续 5 分钟以上时，立即触发主要告警，同时给出该时段的平均出口温度，清楚提示存在过热风险；
• 对澄清汁锤度，系统每 5 分钟基于 3 倍标准差的 K-sigma 方法进行异常检测，一旦波动异常，直接给出最大锤度值，帮助用户快速判断异常程度；
• 系统还推荐每 10 分钟滚动计算过去 30 分钟内的平均流量，用于辅助判断当前负荷是否发生变化。

在过去，这些判断逻辑往往只掌握在少数经验丰富的工艺人员手中，依赖于人员持续盯守数据、反复比对分析才能得以运用。如今，通过引入 TDengine IDMP 平台，这些经验与逻辑得以被 AI 沉淀并固化为持续、自动运行的系统能力。生产管理模式由此从依赖“人盯数据”逐步转向为“系统预警、人员确认”的协同机制，使异常得以更早被识别，工艺调整也能更及时地执行。这正是 TDengine IDMP 为制糖行业生产管理带来的最直观价值——将隐性知识显性化，将个人经验转化为可持续、可复用的系统智能。

给制糖行业带来的真正变化

对制糖行业来说，最大的变化在于：正常时不被数据打扰，异常时绝不会被遗漏。
生产管理也由此从“人盯数据”转向“系统叫人”，让异常更早被发现，让调整更及时发生。这正是 TDengine IDMP 在实际生产中带给制糖行业的最直观价值。

应用成效｜从“系统上线”到“价值落地”

随着该工业数据平台在生产现场的深入部署与应用，制糖企业有望在生产管理与工艺管控方面逐步收获系统性成效。整体解决方案围绕生产、工艺和设备三大核心对象展开，将推动数据不再仅仅停留在系统层面，而是持续融入日常运行与管理决策之中。

全流程生产监控：让制糖过程“看得见”

通过对制糖工艺流程进行统一的数据资产建模，平台实现了从预处理到干燥包装的全过程数据采集与集中监控。各工段之间原本割裂的数据被打通，形成连续、完整的生产视图。关键工艺参数和运行状态能够集中呈现，为现场管理、生产调度以及异常发现提供了直观、统一的支撑。

生成物料损耗分析：让损耗“算得清”

围绕工艺过程和物料流转，平台引入了系统化的数据分析与物料衡算方法，对糖分在关键环节中的变化进行结构化分析，使以往主要依赖经验判断的物料损耗问题，转变为可量化、可对比的结果。生产、工艺和设备状态对管理层更加透明，为工艺优化和质量管控提供了更有依据的决策支持。

工艺质量实时监控：让生产“跑得稳”

围绕关键工艺参数和质量指标，平台构建了持续运行的工艺质量监控体系，对生产各环节的运行状态进行实时跟踪和对比分析，使工艺波动由事后发现逐步转变为过程可控。通过对工艺偏差和异常趋势的及时识别，有效降低了过程波动对产品质量的影响，推动生产运行保持稳定。

工艺质量状态在生产层和管理层之间更加透明，为工艺调整和质量管控提供了持续、可靠的数据依据，有效支撑制糖生产的稳定运行和产品质量的均质化。

商业价值｜制糖企业可持续演进的数字化底座

从行业应用与发展的角度来看，此类项目的价值并不仅体现在一次性的系统建设或阶段性验收上，更在于为企业构建了一套可长期演进、持续赋能的数字化底座。通过统一的数据标准与平台架构，制糖行业首次获得了对全生产过程进行持续感知、系统分析与长效优化的能力，这为后续的管理深化与智能应用奠定了坚实基础。

短期而言，项目的实施将有效提升生产透明度与运行稳定性；从中长期看，该平台有望逐步成长为支撑企业实现稳产、提质、降本与风险精准管控的核心基础设施。

行业意义｜一条稳健、可落地的制糖数字化路径

适用企业

• 希望持续提升管理水平和长期竞争力的甘蔗制糖企业
• 正处于数字化转型关键阶段的中小规模糖厂

成功前提

• 管理层对数字化目标和数据价值形成清晰、统一的认知
• 具备相对稳定、连续的生产和设备数据基础

核心路径

• 以“工艺 + 物料 + 设备”为主线，系统推进数字化建设
• 按“看得见 → 算得清 → 跑得稳”的节奏逐步实施，避免激进投入
• 在夯实数据基础之上，稳步迈向智能优化和 AI 应用

未来展望｜通过组态强化生产过程与工艺质量管控

从预期效果来看，TDengine IDMP 将在生产数据采集、集中监控与分析方面为制糖企业打下坚实基础，从而有效支撑生产过程监控与工艺质量分析的日常需求。

在此基础上，企业可期待未来进一步引入并强化平台的组态能力，以更加直观、图形化的方式呈现工艺流程、设备运行状态与关键工艺参数。这将推动生产监控从以数据列表和图表展示为主，逐步升级为面向过程与运行状态的综合可视化管控。通过组态化配置关键质量指标和工艺约束条件，有助于将成熟的工艺经验固化为可自动执行的监控规则，提升对工艺偏差和质量风险的提前识别与主动干预能力，从而更好地服务于制糖生产长期、稳定、高效的运行目标。

关于海莱德

北京海莱德自动化工程有限公司成立于 2010 年，是国内工业自动化技术与解决方案提供商，在制糖行业自动化领域具有专业积累。公司业务覆盖系统设计、工程实施、调试及售后服务等全流程，并在食品饮料、汽车、电力、冶金、烟草和机械制造等行业积累了丰富工程经验。近年来，海莱德参与了多个“一带一路”糖厂的集中控制 DCS 系统及数字化系统的设计、供货与调试，持续推进从自动化向数字化、信息化和智能化方向升级，并结合涛思数据的时序数据库和 TDengine IDMP 平台建立起了对制糖企业真正高效、实用且易于掌握的，具备 AI 智能的数字化系统。

近日，涛思数据与上海罗盘信息科技有限公司（以下简称 “上海罗盘”）举行钻石分销商签约仪式，标志着双方正式达成深度战略合作，将依托各自在数据领域的核心优势，携手为金融、制造、政企等多行业客户提供 “数据治理 + 时序存储” 全链路解决方案，推动时序数据技术在更多场景中的落地应用。

涛思数据创始人兼 CEO 陶建辉、战略渠道与生态合作总监郭浩，上海罗盘董事长马力等双方核心团队成员出席签约仪式，共同见证这一重要合作时刻。

优势互补，构建数据全生命周期服务闭环

作为深耕数据领域 23 年的资深玩家，上海罗盘自 2002 年成立以来，始终聚焦数据治理与数据中台核心赛道，在全国布局分支机构、研发基地与交付中心，服务覆盖银行、证券、保险、制造等多个关键行业，已为 200 多家大型客户落地创新项目，与多家 500 强企业建立长期信任合作关系。凭借完善的解决方案、成熟的交付模式与多项自主知识产权，上海罗盘在数据资产梳理、质量管控、中台搭建等领域积累了深厚的行业经验与客户资源，成为国内数据管理领域的标杆企业。

而涛思数据自主研发的 TDengine 时序数据库（Timeseries Database），凭借 “读写性能超传统方案 10 倍以上、存储成本仅为 1/10” 的核心优势，以及信创认证、高并发支撑、轻量化部署等特性，已成为工业时序数据存储与分析的首选方案；同时，AI 原生的工业数据管理平台 TDengine IDMP 以首创的“无问智推”能力重塑工业数据的建模、治理与消费方式，推动企业加速迈向数字化与智能化。

此次合作，上海罗盘在数据治理与中台建设的前端优势，将与 TDengine 在时序数据存储、分析的核心技术形成完美互补，构建 “数据治理 - 中台整合 - 时序存储 - 智能分析” 的全生命周期服务闭环，为客户解决数据管理中的碎片化痛点，提供更高效、更完整的数字化转型支撑。

签约仪式上，涛思数据创始人& CEO 陶建辉表示：“数据治理是数字化转型的基础，时序数据是工业互联网、物联网场景的核心资产，两者的深度融合是行业发展的必然趋势。上海罗盘在数据治理领域的 23 年沉淀与广泛客户资源，与 TDengine 的技术优势高度契合。此次钻石级合作，将进一步完善涛思数据的生态布局，让优质的时序数据技术通过成熟的服务体系触达更多行业客户，共同赋能千行百业的数字化升级。”

上海罗盘董事长马力对合作充满期待：“TDengine 作为国产时序数据库的领军品牌，其技术实力与市场口碑有口皆碑。上海罗盘深耕数据管理领域多年，深刻理解不同行业客户在数据全链路管理中的核心诉求。此次与涛思数据达成深度合作，将借助 TDengine 的核心技术补全时序数据存储与分析的关键环节，为客户提供更全面的数字化解决方案。期待双方在技术协同、市场推广、行业落地等方面实现共赢，共创数据价值新高度。

生态聚力，共绘数字化转型新蓝图

当前，数字化转型进入深水区，数据已成为企业核心生产要素，而时序数据作为物联网、工业互联网、金融风控等场景的关键数据类型，市场需求持续爆发。涛思数据始终坚持 “技术驱动 + 生态共建” 的战略，通过汇聚行业优质伙伴力量，构建优势互补、协同共赢的生态体系，让 TDengine 技术更快落地行业场景，为客户提供本地化、高效化的服务支持。

此次上海罗盘的加入，不仅为涛思数据生态注入了数据治理领域的强劲动能，更标志着 TDengine 钻石分销商矩阵正式成型！自分销商招募计划启动以来，涛思数据凭借全球领先的产品体系、开放共赢的合作理念，吸引了众多行业标杆企业加入，生态影响力持续扩大。

未来，涛思数据将继续深化与包括上海罗盘在内的所有生态伙伴的合作，在技术协同、方案共创、行业落地等方面持续发力，以更完整的产品服务链路、更深厚的行业落地能力，为千行百业的数字化转型提供核心支撑。