9. 过程分析
实时监控告诉你设备现在是否正常,告警在异常发生时通知你。过程分析回答的是这之后的问题:这批次产品为什么良率偏低?注射温度和产品缺陷之间有多强的关联?同型号的两台设备运行在同样条件下,性能曲线为什么出现了分叉?
这类分析无需数据工程师介入,也无需切换到外部工具。TDengine IDMP 将过程分析能力直接嵌入数据所在的面板中,用户可以在发现问题的地方继续下钻分析。底层能力由 TDengine TSDB 提供支撑:统计计算函数(CORR、TLCC、DTW 等)支持相关分析和回归,流计算引擎支持批次与事件建模,TDgpt 通过 FORECAST()、ANOMALY_WINDOW() 等 SQL 函数提供预测、异常检测和缺失值填补能力。
分析面板(Analysis Chart)是过程分析的主要入口。 分析面板是 IDMP 中唯一以独立窗口形式运行的可视化分析工作区,用户可以在其中调用时序预测、缺失值填补、窗口分析、事件对比、相关分析等多种能力,在一个工作空间内完成完整的分析流程。此外,趋势图和散点图在查看模式下也提供了部分分析功能的独立入口,如趋势图支持预测和缺失值填补,散点图支持聚类和回归分析。
实时分析、过程分析、AI 智能洞察共享同一套数据基座体系。实时分析产生的属性与聚合指标可以直接在面板里做回归分析;AI 检测到的异常事件可以在过程分析里做批次对比追溯;在过程分析里验证的业务发现,可以固定为仪表板、面板长期跟踪,也可以转化为实时监控规则持续运行。
本章内容
- 时序预测 — 基于历史时序数据预测未来趋势
- 缺失数据填补 — 对时序数据中的缺口进行智能填充
- 聚类分析 — 对设备、时段或行为模式进行无监督分组
- 回归分析 — 建立属性之间的定量关系模型
- 窗口分析 — 在历史数据中交互式搜索有意义的时间片段
- 事件、批次分析 — 利用事件分析能力对生产批次数据进行对比与深度分析
- 相关分析 — 度量多个属性或设备之间的相关性
- 关联规则 — 挖掘事件与属性之间的共现规律
- 相似度搜索 — 在历史数据中搜索与目标模式相似的时间片段
📄️ 时序预测
时序预测是工业数据分析中应用最广的能力之一。IDMP 支持由 TDgpt 驱动的 AI 预测,帮助用户基于历史数据对未来趋势做出定量估算,从而实现从被动响应到主动运营的转变。
📄️ 缺失数据填补
工业环境中的时序数据难免出现数据缺口——传感器离线、网络中断、硬件故障或数据传输延迟,都可能导致特定时间段内的测量值缺失。IDMP 支持由 TDgpt 驱动的 AI 缺失值补全能力,利用信号的历史规律对缺口期间的数值进行智能估算,确保下游分析、均值计算和 KPI 统计不因数据缺失而产生偏差。
📄️ 聚类分析
聚类是工业数据分析中应用广泛的探索性分析手段。IDMP 支持在散点图面板中对两个属性的数据执行聚类分析,帮助用户在无需预先标注的前提下,自动发现设备运行状态、工况模式或时段特征的自然分组,从而为状态识别、故障归因和优化决策提供数据依据。
📄️ 回归分析
回归分析是工业数据分析中用于建立变量间定量关系的核心方法。IDMP 支持在散点图面板中对两个属性的数据执行回归分析,帮助用户发现并量化两个属性之间的函数关系,为工艺建模、性能基准建立和影响因素量化提供数据支撑。
📄️ 窗口分析
窗口分析是 IDMP 提供的交互式历史数据回溯工具,用于在大量历史时序数据中按需搜索有意义的时间片段。用户选择一种窗口策略并配置参数,系统即在指定时间范围内扫描数据,将符合条件的时间段以高亮窗口的形式叠加显示在分析面板的图表上,帮助用户快速定位关注的运行区间。
📄️ 事件、批次分析
批次分析是工业数据分析中针对离散生产过程的重要方法。IDMP 将产品批次定义为一类特殊事件——具有明确起止时间的离散运营记录。平台并未提供独立的批次分析模块,而是将批次作为事件的一种特殊类型,借助灵活的事件分析能力完成批次的全生命周期管理与深度分析。
📄️ 相关分析
本节内容正在编写中,将在后续版本中发布。
📄️ 关联规则
本节内容正在编写中,将在后续版本中发布。
📄️ 相似度搜索
本节内容正在编写中,将在后续版本中发布。









