ITPub博客

安徽智质自研水泥储库激光雷达天车无人调度系统，万级点位秒级采集带来海量时序数据，传统数据库难以适配。项目引入 TDengine 时序数据库，搭建分层数据架构，依托超级表模型优化存储。单核低配环境稳定承载数据，故障定位缩至 5 分钟，存储与运维成本下降，为水泥智能化提供落地范例。

IDMP 的 AI 能力有了非常重要的升级。其中，MCP 与 API Key 的引入，意味着 IDMP 的能力开始更加开放地提供给 AI 与 Agent 使用，Agent 可以真正成为 IDMP 的数据消费者。

小T导读：在宁夏新能源集控项目中，区域集控中心的建设遇到了持续写入压力大、数据存储时间长以及业务实时性要求高这三大难题，经过选型，华东院在区域集控中心使用 TDengine TSDB 管理 9 个新能源场站的风电、光伏、储能数据。依托 TDengine TSDB 集群的高性能，集控中心能够支持所有场站超过 80 万测点的数据实时写入；采用多级存储的方式，将久远历史数据存储在廉价介质上，节省了大量存

小T导读：昆仑数智在其承建的“中国石油智慧运营平台 2.0”升级项目中，面临着海量、高频、异构的油田物联网数据接入、存储与实时分析的jizhi挑战。项目需整合全国数十个油气田的实时生产数据，涵盖压力、温度、流量、示功图等上百种工况参数，每日产生超过百亿条数据记录。通过引入 TDengine TSDB 作为核心时序数据处理引擎，智慧运营平台成功构建了一套高效、稳定、可扩展的时序数据底座。借助 tao

在物联网、工业互联网和智能设备快速发展的今天，时序数据库（Time Series Database）已成为处理海量传感器数据的核心基础设施。而对这些系统的性能评估、容量规划和稳定性验证，则离不开高效、灵活的压力测试工具。过去，我们主要使用 taosBenchmark 来做 TDengine 的基础写入性能测试。它在很多场景下已经足够好用，尤其适合快速验证数据库写入能力。不过，随着实际业务越来越复杂

很多做数据分析的人，对 Pandas 都不陌生。从一个 CSV 文件开始，到清洗字段、筛选数据、聚合统计，再到画图、建模，Pandas 几乎是 Python 数据分析工作流里绕不开的一站。它的好处很直接：上手快，API 清晰，处理结构化数据很方便。无论是业务报表、科研数据，还是金融分析、设备监测数据，只要能进入 DataFrame，后面的分析工作就会顺很多。很多时候，分析人员并不是想换一套新工具，

小T导读：在工业 4.0 与智能制造持续推进的背景下，工业现场正以前所未有的速度产生海量时序数据。对于拥有大量 CNC 机床、机器人及各类工业传感器的制造场景来说，如何高效完成数据采集、写入、存储、分析与实时应用，已经成为数字化升级中的关键问题。发那科在推进新一代工厂物联网平台建设过程中，面临高并发写入、历史数据存储成本、实时分析延迟和系统运维复杂等多重挑战。为应对这些问题，其平台引入了 TDen

传统工业应用软件的终结在过去几十年里，工业软件一直是围绕“应用系统”构建的。SCADA、MES、工业实时数据库、报表系统以及各种分析工具，都是以独立应用的形式存在，每个系统都有自己的界面、数据模型和工作流程，用户需要学习这些系统并适应它们的使用方式。这种模式长期以来是有效的，但也带来了明显的局限。应用系统在设计之初就固化了功能、流程和交互方式，一旦业务需求发生变化，就需要对系统进行修改、扩展甚至替

在上一篇文章中，我们讨论了工业数据基础设施的整体演进路径：从工业实时数据库（Time Series Database），到工业数据平台，再到 AI 原生工业数据底座。这一演进不仅是功能的增强，更是底层架构的重构。在这一过程中，一个最核心、却常常被忽视的变化，是数据存储层本身正在发生根本性替代。长期以来，Data Archive 一直是工业实时数据库的核心组件，它承担了最基础的职责：接收来自现场的时

一个简单却易被忽视的问题工业生产中每一个设备的被监控参数——温度、压力、流量、转速、浓度——都有一个"应该在什么范围内"的业务定义，这个范围就是限值（Limits）。这听起来再简单不过了，但恰恰是这个看似简单的概念，在实际工业环境中造成了大量隐性问题。限值要回答的问题很直接：这个参数的正常值应该是多少？什么时候需要关注？什么时候必须行动？在传统工业数据系统中，这些答案散落在不同

小T导读：在一系列重大桥梁基础设施项目背后，桥梁健康监测系统正持续产生海量时序数据。面对传感器数量多、采集频率高、数据规模持续增长等挑战，中铁大桥科学研究院有限公司（简称桥科院）引入 TDengine TSDB 时序数据库，构建高效、稳定的数据底座，提升桥梁监测数据的采集、存储与分析能力。本文将介绍桥科院如何借助 TDengine TSDB 应对海量时序数据管理挑战，为桥梁施工监测、运营预警和长期

小T导读：在智能油田建设持续推进的过程中，红有软件面临着海量时序数据带来的现实挑战：传统“关系数据库+缓存”架构逐渐难以支撑高频写入、长期存储、复杂查询和实时分析等需求。自 2022 年起，其开始引入 TDengine TSDB 时序数据库，并逐步完成从 TDengine TSDB 2.x 到 TDengine TSDB 3.3 的升级，构建起基于 3 节点集群的高可用时序数据平台。依托多级存储、

开放正在成为必然趋势工业数据系统正越来越多地融入更广泛的数据生态之中。过去，工业数据大多被封闭在 SCADA、DCS 以及工业实时数据库等专用系统中，这些系统的设计重点是可靠采集与存储数据，而不是与其他系统高效集成。数据访问通常受限，接口往往是私有的，系统集成需要大量人工工作与定制开发。随着企业走向数字化转型以及 AI 驱动的运营模式，这种架构已经无法满足需求。工业数据必须能够流入现代数据系统，包

可视化，是工程师与数据交互的入口在工业系统中，可视化是所有能力最终汇聚的地方。数据可以存储在工业实时数据库中，也可以通过各种分析管道进行处理，但对于工程师和操作人员来说，系统的主要交互界面始终是可视化界面。他们通过可视化来监控设备、分析问题并做出决策。如果可视化能力有限，那么整个系统都会显得有限——无论底层的数据平台有多强大。一个系统可以具备强大的数据采集能力、可扩展的存储架构以及先进的分析能力，

这些年，城市基础设施数字化建设越来越热。水务要做统一感知，防汛要做实时预警，桥梁要做健康监测，港口要做智能调度……看上去每个行业、每个项目都在推进数字化，但很多团队在真正落地时都会遇到同一个问题：系统建了不少，数据接了很多，业务却还是很难真正跑起来。这是因为很多项目一开始解决的是“有没有系统”，后来才发现更难的是“这些系统背后的数据，能不能真正接起来、管起来、用起来”。现实里常见的情况是：一个场景

很少有人真正谈论的成本问题在评估工业数据系统时，很多企业首先关注的是软件本身的价格。这看起来是合理的。无论是工业实时数据库的授权费用，还是平台订阅费用，甚至云资源成本，似乎都构成了系统的主要支出。但事实上，这些只是整体成本中的一小部分。一个工业数据系统真正的成本，并不在于你“买它花了多少钱”。 而在于你后续为了运行它、集成它、维护它以及真正从中获得价值所付出的持续成本。这，才是总拥有成本（Tota

数据本身并不能产生洞察在过去几十年里，工业实时数据库在工业系统中扮演了至关重要的角色，它们负责采集并存储时序数据。像 PI System 这样的系统，在从现场设备采集信号，并将其用于可视化和基础分析方面，做得非常出色。近年来，“工业互联网平台”流行起来，而且数据的可视化相当炫酷。但从本质上看，无论是工业实时数据库，还是工业互联网平台，它们所解决的问题仍然是相同的：数据采集、存储、可视化以及基础分析

工业数据中的“隐形门槛”过去几十年，工业系统一直在不断提升数据采集与存储能力。工业实时数据库、工业互联网平台以及各类数据基础设施，已经能够处理海量的时序数据，很多企业也为此投入了大量资源，期望“有了数据，就会有洞察”。但现实并非如此。在数据与洞察之间，始终存在一道隐形的门槛，而且这道门槛往往比想象中更难跨越。数据是有的，仪表板是有的，分析工具也是有的，但真正把数据转化为可执行的洞察，依然依赖大量人

小T导读：在实际应用场景中，叁零肆零部署了数以万计的指标传感设备（如压力远传表、智能保压终端等），这些设备持续产生海量时序数据，用于实时监测能源系统运行状态、预测设备故障，并辅助优化运营决策。自 2022 年起，公司选择 TDengine TSDB 作为核心数据库。实践表明，TDengine 在该场景中展现出显著优势：高吞吐写入能力（实测写入速度轻松超过 80 万数据点/秒，远超传统关系型数据库）

小T导读：梅州卷烟厂成立于 1980 年，是梅州地区的重要支柱企业，也是广东中烟工业有限责任公司主要生产厂之一，承担着“双喜五叶神系列”“双喜春天系列”等重点品牌的制造任务。2024 年，梅州卷烟厂启动制丝中控系统数字化升级改造，引入 TDengine TSDB 构建高效的数据存储与分析平台，在保障系统稳定性与快速响应的同时，显著降低了硬件投入与运维成本，为烟草生产过程的精细化管控和工业大数据平台