ITPub博客

小T导读：中原油田作为中国石化的重要油气生产基地，其生产过程控制系统（PCS）是保障油田安全生产、优化运行的核心枢纽。为解决高并发写入性能瓶颈、高昂的存储成本、复杂的实时分析需求以及多业务数据孤岛等问题，项目组于 2023 年正式引入 TDengine TSDB 作为新一代数据底座。在本案例中，TDengine TSDB 作为 PCS 核心业务模块的时序数据库，并通过 taosX 工具，实现了从分

在工业数据平台持续演进的过程中，真正影响落地效果的，往往不只是“有没有这个功能”，而是当分析对象变多、业务场景变复杂之后，系统是否还能让用户快速定位问题、稳定复用能力，并把数据真正转化为可执行的信息。TDengine IDMP 1.0.13.0–1.0.15.0 这一阶段的更新，重点围绕 AI 智能分析、事件洞察、过程分析、可视化能力以及数据标准化与平台稳定性展开。整体来看，这一轮升级不是对单点功

小T导读：在 “双碳” 目标推动下，水泥行业需同时破解高能耗精细化管控与环保数据长期合规存储难题，海螺信息作为海螺水泥集团核心信息化主体，承担着全国 100 余家工厂的能源与环保数据管理职责，却面临异构设备数据治理难、存储成本高企、能耗异常响应慢等痛点。通过 TDengine 时序数据库（Time Series Database）分库架构、多级存储（0 级 SSD/1 级 HDD/S3）及时序 S

工业数据基础设施正在经历一场深刻的变革。在过去几十年中，工业实时数据库一直是工业运行体系的核心基础设施。它解决了工业计算中最关键、也最困难的问题之一：如何从设备与控制系统中持续采集、存储，并高效访问海量的时序数据。像 PI System 这样的系统，已经成为工厂、电厂和炼化企业中不可或缺的一部分。但如今，工业数据所处的环境已经发生了变化。现代 IT 架构、云计算，以及人工智能的发展，正在重新定义企

工业系统持续不断地产生时间序列数据。每一秒钟，传感器都在记录温度、压力、流量、振动等各种信号。在过去几十年里，这一直是工业数据系统和工业实时数据库的基础：采集信号，高效存储，并通过可视化观察它们随时间的变化。这种方式是有效的，但它存在一个根本性的局限。时间序列数据只能告诉我们“发生了变化”，却无法告诉我们“发生了什么”。趋势图上可能会看到一次压力突升，但它无法解释这次变化发生在开机阶段、稳定运行阶

数据在增长，但洞察并没有同步增长当今工业系统正在以前所未有的速度产生数据。传感器持续不断地从系统的各个环节采集高频信号，从温度、压力，到振动、流量以及设备状态，几乎所有运行信息都被数字化并记录下来。随着基础设施的发展，数据存储与吞吐早已不再是瓶颈，大规模的数据处理和分析能力也变得越来越容易获得。但在这一切进步的背后，一个更本质的问题仍然存在。数据的规模在快速增长，但我们对数据的理解能力以及获得的洞

过去十年，工业数字化的核心任务是“让系统上线、让设备联网、让数据可见”。而当大模型、工业 AI 与智能体开始进入工业现场，一个新的问题正在变得越来越清晰：当应用可以快速生成、算法可以快速迭代，模型可以不断替换，工业系统真正需要长期稳定的，究竟是什么？工业 AI 时代，需要的已不再是“更复杂的平台”，而是一种能够托底数据与模型持续演进的新型基础设施。TDengine IDMP，正是在这一背景下诞生的

小T导读：本文是一篇来自 TDengine 社区的原创投稿。作者基于自身在 JetBrains IDEs 中使用 TDengine 的实际需求，独立开发并开源了相关插件，用于增强 TDengine 在 JetBrains 数据库工具链中的接入与 SQL 开发体验。我们很高兴看到，越来越多开发者正在从真实需求出发，为 TDengine 生态带来更丰富、更实用的补充。今天将这篇文章分享给大家，也期待更

小T导读：作为分布式光伏领域的领军企业，天合富家的光伏数据量从最初的每日百万级飙升至千万级。原有基于 MongoDB 的架构在面对海量时序数据时彻底“卡壳”——查询慢、存储贵，难以支撑业务增长。转机来自 TDengine TSDB：凭借高压缩比与毫秒级查询性能，成功实现数据零延迟入库、存储成本减半。后续天合富家又全面升级至 3.3 版本，为其构建零碳生态体系提供了高性能、可扩展、可信赖的数据底座，

近年来，Snowflake、Databricks 等现代数据平台正在深刻改变企业管理和分析数据的方式。它们在数据存储、计算能力和大规模分析方面都非常强大。但当这些技术进入工业领域时，有一个概念却依然至关重要，而且常常被现代数据平台忽视：以资产为核心的数据建模（Asset-Centric Data Modeling）。其核心观点是：工业 AI 不仅需要海量数据，还需要资产上下文。原始遥测数据提供的是

小T导读：在煤炭智能化加速推进的背景下，作为行业领军企业的天地奔牛正从传统设备供应商向全生命周期服务商转型，但在海量时序数据面前遭遇存储成本高、查询慢、难实时等瓶颈。为突破技术限制，天地奔牛引入专为物联网高并发场景打造的 TDengine TSDB，构建新一代装备物联网数据平台，实现存储成本降至传统方案的十分之一、查询效率提升数倍到数十倍，并将原本复杂的数据链路简化为一体化架构。本文将从三大维度呈

这么多年来，PI System 里有一个概念一直让我印象非常深刻：Event Frames（事件框架）。对于处理工业运营数据的人来说，这个想法既简单又非常强大。传统上，我们往往只是看连续的时序数据信号。但 Event Frames 的思路是：把连续的数据流转换成离散的运营事件。一个 Event Frame 通常包含：开始时间结束时间持续时间描述该事件的属性（attributes）与其他事件之间的关

“‘人工智能+制造’是一个必答题，不是一个选择题。”今年两会期间，工业和信息化部部长李乐成关于产业升级的这一论断，为制造业的未来指明了方向。然而，企业要答好这道“必答题”，首先需要解决一个根本性的障碍：数据。当人工智能开始进入工业系统，企业最先面对的挑战往往不是模型的先进程度，而是有没有一套能够被有效管理、理解和实时利用的数据体系。没有这个基础，再精妙的算法也只是空中楼阁。如果再把视角放宽一点来看

小T导读：当天文观测进入 PB 级时代，问题不再是“有没有数据”，而是“数据该怎么用”。面对高基数、高频次的时域观测数据，传统的数据处理范式已经逼近极限。国家天文科学数据中心（NADC）围绕新一代科研需求，探索“计算向数据靠拢”的存储与分析架构，并在多时标光变曲线生成、高能光子数据库等关键场景中引入 TDengine 时序数据库，构建支撑海量时序数据就地分析的技术体系。本文将系统介绍这一架构的设计

近日，涛思数据（TDengine）与广州安晟信息技术有限公司（以下简称 “广州安晟”）钻石分销商签约仪式圆满落幕。涛思数据创始人兼 CEO 陶建辉、广州安晟信息技术有限公司董事长李保生共同签署合作协议，见证双方深度战略合作的正式开启，携手以时序技术为核心、全栈服务为支撑，为政企、交通、智能制造等多行业数字化转型注入新动能。不同于传统合作模式，此次涛思数据与广州安晟的携手，是 “硬核技术” 与 “优

长期以来，工业软件中的可视化工具承担着一个非常明确的角色：还原历史。趋势图、仪表盘、报表和大屏，本质上都是围绕同一个目标——帮助用户理解系统已经发生了什么。在传统工业体系中，这种能力已经足够有价值。通过历史趋势判断设备状态，通过报警记录复盘异常，通过运行曲线分析工况变化，构成了过去几十年工业数字化的核心范式。但随着 AI 逐渐进入生产一线，这种以“回顾过去”为中心的模式，正在显露出边界。越来越多企

在工业数字化转型的进程中，数据可视化早已不是 “可选项”，而是工厂运营、设备监控、故障分析、决策落地的刚需入口。一边是以 PI Vision 为代表的老牌工业可视化软件，深耕行业数十年；另一边是 Grafana 等现代可视化工具，凭借灵活开放的体验迅速普及。很多人会简单地把这场对比，归结为 “新与旧”“好用与不好用” 的较量。但真正深入用过、理解工业场景的人都会发现：工业可视化的核心矛盾，从来不是

在全球工业数字化进程持续深化的背景下，企业对数据基础设施的要求正在发生根本性变化。从传统数据采集与存储，到分布式架构、实时分析与 AI 驱动决策，工业数据平台正成为企业长期竞争力的重要支撑。在这一趋势之下，TDengine 海外市场拓展取得阶段性成果。截至目前，TDengine 已正式签署包括 Deloitte（德勤）在内的 12 家海外合作伙伴。这不仅是合作数量的增长，更是 TDengine 在

小T导读：针对智能化综合管控平台在融合大数据、人工智能技术与煤矿开采业务上，面临的子系统融合难、数据孤岛严重、数据利用率低等核心问题，以及传统数据管理方式无法适配智能化需求、数据存储 / 查询 / 分析效率亟待提升的严峻挑战，恒达智控打造了以 TDengine TSDB 时序数据库为核心的数据解决方案。该方案不仅实现查询速度毫秒级响应，将存储成本降低至原来的 20%，极大优化了数据处理流程、高效破

如果说大多数行业大会还停留在“讲趋势、秀 PPT”的阶段，那么 ProveIt! 更像是一场反套路的工业技术现场。2 月 16 日–21 日，TDengine 亮相在美国达拉斯举办的 ProveIt! 2026 活动，并以 Silver Sponsor 身份参与现场展示，与来自全球的工业软件厂商、系统集成商及制造业用户展开面对面交流。ProveIt! 是近年来在北美工业数字化圈逐渐受到关注的实践型