中文名：智能制造
英文名：Intelligent Manufacturing
核心：數字化、自動化、智能化
起源：可以追溯至工業革命時代
目錄
智能制造的定義
智能制造是一(yi)種基于(yu)現(xian)代信息技(ji)(ji)術(shu)和(he)先進(jin)制造技(ji)(ji)術(shu)的(de)制造方式，旨在(zai)提(ti)(ti)高(gao)生產效率、降(jiang)低(di)成本(ben)、提(ti)(ti)高(gao)產品(pin)質量和(he)快(kuai)速響應市場需求。它涵(han)蓋了一(yi)系列技(ji)(ji)術(shu)和(he)概念，通過(guo)將數字化(hua)、自(zi)動化(hua)和(he)智能化(hua)引入(ru)制造過(guo)程中，從而實現(xian)更高(gao)效、靈活和(he)可持續(xu)的(de)生產。
它包含(han)如下(xia)一些關鍵特(te)點和概念(nian)：
- 數字化：智能制造依賴于數字化技術，將傳感器、物聯網、大數據分析等技術應用于制造過程中。這有助于收集和分析生產數據，以實現更好的生產監控和決策制定。
- 自動化：自動化是智能制造的核心，它包括自動化生產線、機器人、自動化倉儲和物流系統等。這些技術能夠降低勞動成本，提高生產效率，并減少錯誤。
- 云計算：云計算用于存儲和處理大規模數據，提供遠程訪問和協作工具，有助于制造企業實現全球化、分布式生產。
- 物聯網（IoT）：IoT技術使設備和機器能夠相互連接，共享信息和協同工作，以優化生產流程和資源利用。
- 大數據分析：通過大數據分析，制造企業可以從大量數據中提取洞見，優化生產過程、預測維護需求和改進產品設計。
- 人工智能（AI）：AI技術可用于自動化和優化制造決策，例如生產計劃、質量控制和設備維護。
- 智能工廠：智能工廠是一個集成了各種智能制造技術的制造設施，旨在實現高度自動化和數字化的生產環境。
- 可持續性：智能制造還關注可持續性，包括資源利用效率、廢物減少和綠色能源的應用。
總(zong)體而言(yan)，智能制造(zao)的(de)(de)(de)(de)目的(de)(de)(de)(de)在于推動制造(zao)業(ye)的(de)(de)(de)(de)現代化和創新，提高企(qi)業(ye)的(de)(de)(de)(de)競爭力，同時也(ye)有(you)助于滿足(zu)不斷變化的(de)(de)(de)(de)市場需求(qiu)和提高產品(pin)質量。這些技術和概念(nian)正在成為制造(zao)業(ye)的(de)(de)(de)(de)重要趨勢，引(yin)領著未來的(de)(de)(de)(de)制造(zao)發展方(fang)向。
智能制造發展歷程
智能制造的(de)發展歷(li)程可以(yi)(yi)追溯到多個階段，以(yi)(yi)下(xia)是一些關(guan)鍵(jian)的(de)發展里(li)程碑：
- 工業革命：智能制造的根本起源可以追溯到18世紀末的工業革命，這一時期引入了機械化生產，將人類勞動力與機械系統結合起來，大大提高了生產效率。
- 自動化生產：20 世紀初，隨著電氣工程和自動控制技術的發展，制造業開始實現自動化生產，使用傳送帶、機械臂和自動控制系統等技術。
- 計算機技術：20世紀中葉，計算機技術的興起加速了制造業的數字化轉型。計算機數值控制（CNC）系統使得機床和工具的運動能夠通過計算機編程進行控制，提高了加工精度。
- 自動化與機器人：20世紀末，自動化生產線和工業機器人開始廣泛應用。這些技術提高了生產效率，減少了人力成本，并增加了制造工業的競爭力。
- 信息技術的融合：21世紀初，信息技術的飛速發展，特別是互聯網和物聯網的興起，為智能制造的發展創造了更多機會。制造業開始更廣泛地采用傳感器、大數據分析和云計算等技術，以實現實時監控和智能決策。
- 人工智能與大數據：隨著人工智能和大數據分析技術的成熟，制造業得以更好地分析和預測生產過程中的變量，優化生產計劃，并實現智能質量控制。
- 智能工廠：智能制造的概念不僅關注生產線的自動化，還強調整合各種智能技術，建立智能工廠，使生產過程更加智能化、高度自動化和數字化。
- 工業4.0：工業4.0是智能制造的一個重要概念，強調數字化、自動化和物聯網技術的應用，以實現更加智能的制造和供應鏈管理。這個概念源于德國，并在全球范圍內推動了智能制造的發展。
總的(de)來說，智能(neng)制造經(jing)歷了多(duo)個發(fa)展(zhan)階段，從機械化(hua)(hua)(hua)到自動化(hua)(hua)(hua)，再到數字化(hua)(hua)(hua)和(he)智能(neng)化(hua)(hua)(hua)的(de)制造過程。現(xian)如今這一(yi)發(fa)展(zhan)歷程仍在繼續，不斷推動著制造業的(de)現(xian)代(dai)化(hua)(hua)(hua)和(he)創(chuang)新發(fa)展(zhan)。
智能制造行業數據的特征
智(zhi)能制(zhi)造是(shi)一種以(yi)(yi)數(shu)字技術和(he)數(shu)據(ju)為(wei)基礎的(de)現代制(zhi)造方法，數(shu)據(ju)在其中(zhong)發揮著(zhu)重要的(de)作(zuo)用(yong)。企業在進行智(zhi)能制(zhi)造轉(zhuan)型時，生產、測試、運行階段(duan)都(dou)可能會(hui)產生大量帶有(you)時間戳的(de)傳感(gan)器(qi)數(shu)據(ju)，這(zhe)都(dou)屬(shu)于典型的(de)時間序(xu)列數(shu)據(ju)（簡(jian)稱時序(xu)數(shu)據(ju)）。時序(xu)數(shu)據(ju)主要由各類(lei)型實時監(jian)測、檢查與分析設備所采集或產生，涉及制(zhi)造、電力(li)、化(hua)工(gong)、工(gong)程作(zuo)業等多個行業，它是(shi)智(zhi)能制(zhi)造中(zhong)常見(jian)的(de)數(shu)據(ju)類(lei)型之一，包含了隨(sui)時間變化(hua)的(de)信息，可以(yi)(yi)用(yong)于監(jian)測、控制(zhi)和(he)優化(hua)制(zhi)造過程。也因(yin)此，海量時序(xu)數(shu)據(ju)的(de)有(you)效(xiao)處(chu)理(li)也成為(wei)企業智(zhi)能制(zhi)造轉(zhuan)型成功的(de)關鍵(jian)因(yin)素(su)之一。
時序數據主要包含如下特(te)征：
- 數據是時序的，帶有時間戳；
- 數據是結構化的；
- 數據極少有更新或刪除操作；
- 數據源是唯一的；
- 相對互聯網應用數據，寫多讀少；
- 用戶關注的是一段時間的趨勢，而不是某一特定時間點的值；
- 數據是有保留期限的；
- 數據的查詢分析一定是基于時間段和地理區域的；
- 除存儲查詢外，還往往需要各種統計和實時計算操作；
- 流量平穩，可以預測；
- 往往需要有插值等一些特殊的計算；
- 數據量巨大，一天采集的數據就可以超過100億條。
伴隨著智能制造的發展，時序數據的有效處理困擾著眾多制造企業，業務發展進程受到阻礙，在此基礎上，如 TDengine 一般的時序數據庫（Time Series Database，TSDB）逐漸浮出水面，開始被(bei)眾多面臨(lin)數字化轉型(xing)需(xu)求的企業所關注。
智能制造行業的數據處理流程
智能制(zhi)造行業的數據(ju)處理流程(cheng)通常包括以下關鍵步(bu)驟，以有(you)效(xiao)地收(shou)集、清洗、分(fen)析(xi)和利用制(zhi)造過程(cheng)中產生的數據(ju)：
數據采集：
- 傳感器和設備數據：從制造設備、傳感器和儀器中采集數據，這些數據包括溫度、濕度、壓力、速度、電流、電壓等參數，是典型的時序數據。
- 生產參數數據：記錄生產過程中的參數，如生產速度、產量、質量指標等。
- 圖像和視頻數據：使用攝像頭和圖像傳感器捕捉圖像和視頻，用于視覺檢測和質量控制。
- 文本數據：采集設備日志、維護記錄和操作手冊等文本數據，用于故障診斷和維護。
數據傳輸和存儲：
- 數據傳輸：將采集的數據傳輸到中央數據庫或云存儲，通常通過網絡連接完成。
- 數據存儲：在中央數據庫或云平臺中存儲數據，確保數據的安全性和可訪問性。
數據清洗和預處理：
- 數據清洗：識別和處理缺失數據、異常值和噪聲，確保數據質量。
- 數據轉換：對數據進行轉換和規范化，以便不同數據源的數據可以進行比較和集成。
- 數據插補：填補缺失值，以維護數據的完整性。
數據分析：
- 探索性數據分析（EDA）：使用統計和可視化工具對數據進行初步分析，發現潛在的模式、趨勢和關聯。
- 模型開發：根據數據的特性選擇適當的分析和建模方法，例如時間序列分析、機器學習、深度學習等。
- 預測和優化：使用模型進行生產過程的預測、優化和決策支持。這可以包括設備維護、生產排程、庫存管理等。
數據可視化：
- 制作儀表盤：創建實時儀表盤和報告，以可視化展示生產過程的關鍵指標和趨勢。
- 可視化分析：使用圖表、圖形和熱力圖來幫助決策者理解數據和結果。
決策支持：
- 制定決策：基于分析和可視化結果，制定生產決策，包括設備維護、質量控制、生產排程和資源分配。
- 實施反饋：將決策反饋到生產環境，執行所需的操作。
數據安全和隱私：
- 數據加密：確保數據在傳輸和存儲過程中的安全性，采用加密技術。
- 訪問控制：限制對敏感數據的訪問，只允許授權人員訪問。
- 隱私保護：采取措施確保員工和客戶的隱私權不受侵犯。
持續改進：
- 監控和反饋：監測生產過程和數據處理的效果，根據結果進行改進和優化。
- 自動化：自動化數據處理和分析，以減少人工干預和提高效率。
這個流程可以(yi)根據不同制(zhi)造環境和(he)需求進行定制(zhi)，但基本的(de)數(shu)據采集、清(qing)洗、分析、決(jue)策和(he)反饋環節是智能制(zhi)造數(shu)據處理(li)(li)的(de)關(guan)鍵(jian)組成部分。通(tong)過有(you)效(xiao)的(de)數(shu)據處理(li)(li)，制(zhi)造企業可以(yi)實現生產(chan)效(xiao)率的(de)提高、設(she)備維護的(de)優(you)化、質量控制(zhi)的(de)改進以(yi)及資源利用的(de)最大化。
智能制造在數據處理上面臨的挑戰
企(qi)(qi)業在(zai)選擇數(shu)(shu)據庫(ku)、文件系統等產品時，最終目的(de)都是為(wei)了以最佳性價(jia)比來滿足數(shu)(shu)據處理的(de)三個核心需(xu)求(qiu)：數(shu)(shu)據寫入(ru)、數(shu)(shu)據讀(du)取(qu)、數(shu)(shu)據存儲。但由于(yu)業務所涉及的(de)數(shu)(shu)據類型的(de)差(cha)異也使(shi)得企(qi)(qi)業在(zai)搭建(jian)數(shu)(shu)據架構時，所使(shi)用(yong)的(de)數(shu)(shu)據庫(ku)解決方案也會有很大區別。
在(zai)智能(neng)制造海量時序數(shu)據(ju)場景下(xia)，關系型(xing)數(shu)據(ju)庫(ku)(ku)、傳統工(gong)業實時庫(ku)(ku)、Hadoop 大數(shu)據(ju)平臺、NoSQL 數(shu)據(ju)庫(ku)(ku)都暴露出(chu)了不一而(er)足的(de)痛點(dian)問題，嚴重限制企業業務規模(mo)化發展：
- 關系型數據庫：存在海量時序數據讀寫性能低、分布式支持差、數據量越大查詢越慢、報表分析慢等問題
- 傳統工業實時庫：主備架構，不易水平擴展，且依賴 Windows 等環境，生態相對封閉
- Hadoop 大數據平臺：組件多而雜、架構臃腫，支持分布式但單節點效率低，硬件及人力成本非常高
- NoSQL 數據庫：實時性差，大數據量查詢慢，計算時內存、CPU開銷巨大，無時序針對性優化
數據類型的差異化是導(dao)致上(shang)述問題出現的主要原(yuan)因之一。對于時序數據來說，其(qi)在數據寫入、讀(du)取、存儲上(shang)的特點如下：
- 在數據寫入上，如果將時間看作一個主坐標軸，時序數據通常是按照時間順序抵達，抵達的數據幾乎總是作為新條目被記錄，在數據處理操作上 95%-99% 都是寫入操作；
- 在數據讀取上，隨機位置的單個測量讀取、刪除操作幾乎沒有，讀取和刪除都是批量的，從某時間點開始的一段時間內讀取的數據可能非常巨大；
- 在數據存儲上，時序數據結構簡單，價值隨時間推移迅速降低，通常都是通過壓縮、移動、刪除等手段來降低存儲成本。
而傳統(tong)的數據解決方(fang)案主(zhu)要應對的數據特(te)點(dian)卻與之(zhi)大相徑庭：
- 數據寫入：大多數操作都是 DML 操作，插入、更新、刪除等；
- 數據讀取：讀取邏輯一般都比較復雜；
- 數據存儲：很少壓縮，一般也不設置數據生命周期管理。
因(yin)此，從數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)本質的(de)角度而言，時序(xu)(xu)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)庫（不(bu)變性(xing)(xing)、唯一性(xing)(xing)以及可排序(xu)(xu)性(xing)(xing)）和傳(chuan)(chuan)統(tong)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)解(jie)(jie)決(jue)方案(an)的(de)服務需求完全不(bu)同。但由于傳(chuan)(chuan)統(tong)的(de)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)解(jie)(jie)決(jue)方案(an)發展歷史較久，此前業界(jie)對時序(xu)(xu)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)的(de)認(ren)知也并不(bu)深入(ru)，因(yin)此在(zai)(zai)物(wu)聯(lian)網(wang)(wang)、車聯(lian)網(wang)(wang)、工業互(hu)聯(lian)網(wang)(wang)興(xing)起(qi)后，很多企業依舊選(xuan)擇使(shi)用傳(chuan)(chuan)統(tong)大數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)處理平臺來(lai)進行時序(xu)(xu)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)處理，在(zai)(zai)業務發展起(qi)來(lai)后，數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)量也隨之劇(ju)增，甚至達到了每日億級的(de)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)量，傳(chuan)(chuan)統(tong)的(de)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)解(jie)(jie)決(jue)方案(an)面臨性(xing)(xing)能瓶頸，成本也逐漸攀升。也因(yin)此，現在(zai)(zai)很多制造(zao)企業在(zai)(zai)進行數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)架構改造(zao)時，就直接鎖定時序(xu)(xu)數(shu)(shu)(shu)(shu)(shu)據(ju)(ju)庫來(lai)實現智能制造(zao)的(de)快速轉型。
但在(zai)智能制造場(chang)景下(xia)，面對海量(liang)的時(shi)序數據(ju)，即(ji)使是一些較(jiao)為流行(xing)的時(shi)序數據(ju)庫(ku)，也并(bing)沒(mei)有(you)完全解決掉企(qi)業業務(wu)發展面臨的數據(ju)處(chu)理(li)難題，仍存在(zai)“系統復雜運(yun)維(wei)難度大”、“非標(biao)準 SQL 學習成本高”“沒(mei)有(you)真正(zheng)云(yun)原生(sheng)化水平擴展能力(li)有(you)限”等難以忽(hu)視的問題。
作為一款開源、高性能、云原生的時序數據庫，TDengine 針對時序數據(ju)的十(shi)大(da)特征進行功能設計和優化(hua)，具(ju)備如下優勢：大(da)幅提(ti)高了數據(ju)插入、查詢(xun)的性能，降低硬(ying)件或云(yun)服(fu)務(wu)成本；提(ti)供水平(ping)擴展能力(li)，隨著數據(ju)量的增(zeng)加(jia)，只需要(yao)增(zeng)加(jia)服(fu)務(wu)器擴容即可(ke)；具(ju)備開(kai)放開(kai)源的生態環境，提(ti)供業界流(liu)行的標(biao)準 SQL 接口以及 Python、R 或其(qi)他(ta)開(kai)發接口，方(fang)便使用者集(ji)成各種機(ji)器學習、人工智(zhi)能算法(fa)或其(qi)他(ta)應(ying)用。
智能制造行業數據處理解決方案
當前(qian)，在智能制造(zao)場景下，企業面臨的(de)數據處理(li)痛點(dian)問題主(zhu)要包(bao)括(kuo)：
- 寫入吞吐低：單機寫入吞吐量低，很難滿足時序數據千萬級的寫入壓力；
- 存儲成本大：在對時序數據進行壓縮時性能不佳，需占用大量機器資源；
- 維護成本高：單機系統，需要在上層人工進行分庫分表，維護成本高；
- 查詢性能差：查詢速度慢，尤其是海量實時數據的聚合分析性能差。
在調研了數百個業務場景的基礎上，從解決上述企業痛點問題角度出發，TDengine 完成了 3.0 版本的迭代，不僅從“云就緒”升級成為一款真正的云原生時序數據庫，打造了全新的流式計算引擎，無需再集成 Kafka、Redis、Spark、Flink 等軟件，大幅降低系統架構的復雜度。同時，3.0 還將存儲引擎、查詢引擎都進(jin)行了優(you)化升級，進(jin)一(yi)步(bu)提(ti)升了存儲和查詢性能。
在 2023 年 9 月發布的 3.1.1.0 版本中，TDengine 還打造了核心模塊 taosX，它具備強大的數據抓取、清洗、轉換、加載(ETL)功能，除能無縫對接物聯網的 MQTT 協議外，還能對接 OPC-UA、OPC-DA、PI System 等工業數據源。通過 taosX，不用一行代碼，工業場景里流行的 PLC、SCADA、DCS 等系統都可以通過簡單配置，將數據源源不斷地實時寫入 TDengine，同時在 BI 以及可視化工具中呈現出來，實現遠程監控、實時報警、可預測性維護等功能，甚至可以從微信小程序里直接看設備運行狀態、查看報表。借助 taosX，TDengine 正(zheng)式(shi)升級成為了一(yi)個零代(dai)碼的時(shi)序數據處理系統。
目前 TDengine 已被眾多制造企業應(ying)用于數(shu)據架構改造中(zhong)，成(cheng)(cheng)功幫助數(shu)據系統(tong)成(cheng)(cheng)功減少(shao)了組件數(shu)量，架構復雜度(du)顯著(zhu)降低，存儲成(cheng)(cheng)本得到了有效控(kong)制，在提升業務響應(ying)實時性的同時業務創新能力也得到了釋(shi)放(fang)。
收益與價值
收益與價值
- 高性能，可以支持百萬級別的并發寫入、萬級的并發讀取，大量聚合查詢時依然有高性能表現；
- 高可用，可支持集群部署，可橫向擴展，不存在單點故障，為生產環境穩定運行提供基礎；
- 低成本，數據庫對硬件資源要求低，數據壓縮率高，平均至少節省 70% 的硬件資源；
- 充分利用時序數據的特點，高度一體化，具備消息隊列、流式計算和緩存的功能，大幅簡化架構；
- 易上手，使用 SQL 進行數據庫操作，簡單易學，支持復雜查詢，減少開發難度和運維壓力。
智能制造企業案例
西門子 x TDengine
“從高性能、高可用、低成本、高度一體化幾個目標出發，我們發現 TDengine 正好符合產品重構所有的要求，尤其是低成本和高度一體化這兩個點，這是目前絕大部分數據平臺或時序數據庫都不具備的。在確定選擇 TDengine 作(zuo)為系統的數(shu)據(ju)庫后，我們在(zai) SIMICAS? OEM 2.0 版本中移除了Flink、Kafka 以及 Redis，系統架構大大簡化。”
業務背景
SIMICAS? OEM 設備遠程運維套件是由 SIEMENS DE&DS DSM 團隊開發的一套面向設備制造商的數字化解決方案。在其 1.0 版中，團隊使用了 Flink + Kafka + PostgreSQL + Redis 的架構，因為引入了 Flink 和 Kafka，導致系統部署時非常繁瑣，服務器開銷巨大；同時為了滿足大量數據的存儲問題，PostgreSQL 中不得不做分庫分表操作，應用程序較為復雜。這種情況下，如何降低系統復雜度、減少硬件資源開銷，幫助客戶減少成本，成為研發團隊的核心任務。在調研過程中，TDengine 脫穎而出。
架構圖
美的 x TDengine
“當前，TDengine 主要被應用于中央空調制冷設備的監控業務中，作為先行試點，這一場景已經取得了不錯的效果。在樓宇智能化方面，我們也有很多工作要做，從邊緣側的監控、到指令控制、再到邊云協同的一體化服務，我們會在這些場景中繼續探索和挖掘 TDengine 的潛力。”
業務背景
在 2021 樓宇科技 TRUE 大會上，美的暖通與樓宇事業部首次發布了數字化平臺 iBuilding，以“軟驅硬核”方式賦能建筑行業。作為一個全新的項目，iBuilding 在數據庫選型上比較謹慎，分別對比了關系型數據庫以及主流的時序數據庫，包括 InfluxDB、TDengine、MySQL 等，因為在需求上更偏向于高效的存儲和大范圍時間的數據拉取，iBuilding 在綜合評估了適配、查詢、寫入和存儲等綜合能力后，最終選擇了 TDengine。
架構圖
拓斯達 x TDengine
“運行一段時間后，TDengine 的(de)(de)查(cha)(cha)詢(xun)、寫(xie)入(ru)速度完全(quan)可(ke)以滿足(zu)我們(men)目前(qian)(qian)的(de)(de)客(ke)戶需求，最(zui)慢(man)的(de)(de)分鐘級，最(zui)快(kuai)的(de)(de)能(neng)達到 1 秒一(yi)(yi)(yi)條；一(yi)(yi)(yi)個(ge)設備一(yi)(yi)(yi)天(tian)最(zui)多能(neng)寫(xie)入(ru)近(jin)十(shi)萬(wan)條數據(ju)，近(jin)千個(ge)設備同(tong)時(shi)寫(xie)入(ru)也完全(quan)沒有問(wen)題(ti)，相較于之前(qian)(qian)，寫(xie)入(ru)速度提升了數十(shi)倍。查(cha)(cha)詢(xun)數據(ju)在(zai)以月為(wei)單位的(de)(de)時(shi)間范圍(wei)內也沒有過(guo)于明顯(xian)的(de)(de)延遲，整體(ti)的(de)(de)數據(ju)壓縮比大概是 1/10，目前(qian)(qian)每(mei)天(tian)產生的(de)(de)數據(ju)量(liang)在(zai)數 G 左右。”
業務背景
在拓斯達的業務中，傳統的關系型數據庫已經無法高效處理時序數據，在加載、存儲和查詢等多個方面都遇到了挑戰，主要問題包括寫入吞吐低、存儲成本大、維護成本高、查詢性能差。為了更好地滿足時序數據的處理需求，拓斯達開始進行數據庫選型調研，他們發現，TDengine 專為時序數(shu)據所打造和優化的(de)寫入(ru)、存儲、查詢等(deng)功能，非常匹(pi)配工業(ye)傳(chuan)感器數(shu)據的(de)應用分析場景(jing)，最終其(qi)使用 TDengine 搭建了(le)新的(de)數(shu)據處理架構。
架構實現思路
通過網關采集設備數據推送到 MQTT，Java 后端監聽到后會寫入 TDengine，在(zai)后(hou)端按需求查詢處(chu)理后(hou)再把數據(ju)(ju)(ju)返回給前端。具體來說，網關(guan)會先讀取后(hou)臺(tai)發布(bu)(bu)的(de)上行規則(ze)，在(zai)采(cai)集到設(she)備(bei)數據(ju)(ju)(ju)后(hou)，使(shi)用(yong)上行規則(ze)對(dui)數據(ju)(ju)(ju)進行處(chu)理計算(suan)后(hou)再將結果返回給下(xia)行規則(ze)模塊，后(hou)臺(tai)監聽到后(hou)，會連接 TDengine 進行數據(ju)(ju)(ju)庫表的(de)創建修(xiu)改(gai)和數據(ju)(ju)(ju)寫入。之前在(zai)云平臺(tai)拓(tuo)斯達(da)使(shi)用(yong)過(guo) Kafka 進行數據(ju)(ju)(ju)的(de)發布(bu)(bu)訂(ding)閱(yue)，現(xian)在(zai)所有環境都改(gai)為 MQTT 了。
和利時 x TDengine
“在測試階段，我們發現，同等條件下，TDengine 的壓縮率最高，數據占用的存儲空間最小；在原始數據查詢上，OpenTSDB 最慢，TDengine 與 HolliTSDB 在伯仲之間；在聚合查詢操作上，TDengine 最快，HolliTSDB 的速度和 InfluxDB 相當(dang)，OpenTSDB 最慢。同時，InfluxDB 只能單機部署，集群(qun)版(ban)本并未開源，且查詢性能存(cun)在瓶頸，其(qi) QPS 約(yue)為 30-50。”
業務背景
在智能制造場景下，面對龐大的時序數據處理需求，Oracle、PostgreSQL 等傳統關系型數據庫越來越吃力，因此和利時開始進行時序數據庫的選型，對包括 InfluxDB、OpenTSDB、HolliTSDB（和利時自研時序數據庫）和 TDengine 在內的四款時序數據庫進行了選型調研及相關測試。測試結果顯示，在同等條件下，TDengine 在查詢、存儲等方面均優于其他幾款數據庫，最終和利時決定接入 TDengine，以享受(shou)更多元的本地化支(zhi)持(chi)和響應。
架構圖
從以上案例中不難看出，在智能制造場景下，面對龐大的時序數據處理需求，專業的時序數據庫顯然比傳統的數據解決方案效果更加明顯，上述企業案例在架構改造之后，確實達到了更高程度的降本增效。如果你有同樣的困擾，歡迎添加小T微信（tdengine），加入 TDengine 技術(shu)交(jiao)流群，和專業的解(jie)決方(fang)案架構師點對點溝通。
參考文獻
[1] 《》.周濟
[2] 《》.張連(lian)超 蘇麗亭-《科技(ji)與(yu)創新(xin)》
[3]《》.張靖宇
[4]《物聯網、車聯網、工業互聯網大數據平臺，為什么推薦使用TDengine？》.陶建輝
[5] 智能制造領域案例 —《動輒百萬的工業數據處理軟件，現在60秒就能用上》.陶建輝
[6] 智能制造領域案例 —TDengine 助力西門子輕量級數字化解決方案 SIMICAS 簡化數據處理流程》.鄧歷波
[7] 智能制造領域案例 — 邊緣盒子+時序數據庫，美的數字化平臺 iBUILDING 背后的技術選型》.陳曉
[8] 智能制造領域案例 —《寫入速度提升數十倍，TDengine 在拓斯達智能工廠解決方案上的應用》.文靜
[9] 智能制造領域案例 —《從四種時序數據庫選型中脫穎而出，TDengine 在工控領域邊緣側的應用》.冰茹
相關文章
