3. 工业数据建模

工业智能化的地基，不是算法，而是数据模型。现实工厂中，企业 → 工厂 → 产线 → 设备 → 传感器构成层层嵌套的组织结构，每一层都承载着特定的业务含义。TDengine IDMP 通过工业数据建模将这套结构引入数字世界——为资产及其数据构建有序、可检索的知识目录，让原本散落在各处的数据孤岛连接成一个有血有肉的整体。

本章涵盖在 TDengine IDMP 中对工业环境进行数据建模所需的全部内容：从定义单个资产及其属性，到数据的情景化与标准化处理，到数据关联性与工业本体的构建，批量创建元素与属性，再到大规模资产目录的浏览与检索。

一次建模，处处受益。完善的数据模型不仅支撑精准的可视化展示和可靠的事件检测，更是 AI 洞察的前提——只有经过情景化的数据，才能成为真正的 AI 就绪数据资产，驱动跨团队的高效协作与持续的智能分析。

工业数据建模是什么

工业数据建模，是在数据存储层与数据应用层之间，构建一个统一的工业本体层。这一层本身并不存储任何原始数据，而是在原始数据之上，搭建一个让 AI 、应用和人都能理解、访问与使用的语义网络。它由三个部分组成：一个面向 AI /应用/人 的统一数据门户、一份数据地图与目录、一张数据关联网络。

1. 一个面向 AI 、应用与人的数据门户

工业数据建模，首先是一个数据门户：它一头对接数据源，一头对接 AI 、应用和人三类不同的数据消费者，分别做接口适配，让每一类消费者都能用自己最自然的方式理解、访问与使用数据。

这一思路与业界讨论多年的 Data Fabric（数据编织）理念高度一致：通过元数据驱动的统一语义层，让数据摆脱物理位置的束缚，以"数据资产与数据服务"的形态被组织、被治理、被消费。在 IDMP 中：

• 数据 → 资产：原始时序点被赋予名称、单位、上下限、目标值、类别、位置和归属，从一串裸数字升级为可被业务理解的工程量。IDMP 在元素模板与属性模板中统一定义这些情景化字段，由模板派生到所有实例，做到"一处定义、处处生效"（参见 3.3 数据情景化）；
• 数据集 → 资产库：分散的资产被统一归集到一棵可治理、可检索、可订阅、可授权的资产目录中，形成企业级的数据资产库。IDMP 以资产目录树作为统一入口，支持按路径下钻、按模板/分类/属性过滤，以及全文检索，并以子树为粒度做权限授权与共享（参见 3.7 元素与数据查询）；
• 数据消费 → 服务化：人通过 Explorer 浏览、面板查看、AI 问答提问，系统通过 REST API / JDBC / ODBC / Kafka / MQTT 接入，AI Agent 通过 MCP 直接调用——三类消费者共享同一份语义模型。IDMP 把同一份数据模型，以原生 REST/JDBC/ODBC 接口、流式 Kafka/MQTT 订阅、以及面向 AI Agent 的 MCP 等方式对外提供数据服务，接口不同，但共享同一份基础数据（参见 15. 与其他系统集成）。

这是 IDMP 与传统时序库、传统组态平台最本质的区别：它管理的不是表与列，而是数据资产与语义关系。

2. 一份数据地图与数据目录

工业场景的数据来源非常丰富：有时序数据库（如 TDengine TSDB），有关系型数据库（如 MySQL），有各种工业生产流程与管理系统（如 MES、WMS、ERP 等），还有格式多样的文件系统（如文档、图片、视频等）。

工业数据建模的目标之一，就是要成为一份覆盖所有工业数据的数据地图与数据目录——它把分散在 TDengine TSDB、关系型数据库、工业流程系统，以及各种文件系统中的原始数据，映射到一棵或多棵由元素与属性组成的资产目录树上。

对上层应用来说，这一层屏蔽了底层数据的所有复杂性：

• 不需要关心数据存在哪个系统、哪个集群、哪个数据库、哪张表；
• 不需要关心数据类型是时序点、关系表，还是文件、图片、视频；
• 也不需要关心数据的命名规范、单位换算、采样频率的差异。

IDMP 通过统一的连接管理对接 TDengine TSDB、关系型数据库、OPC、MQTT、Kafka 等多种数据源，并以元素 + 属性的方式把它们映射到资产目录树上（参见 12. 数据接入）。上层应用只需要使用 IDMP 数据模型——/Elements/卷烟一厂/制丝车间/A线/烘丝段/薄板烘丝机-01/出口水分——去调用数据，IDMP 会完成后续必要的映射、转换与单位换算。原始数据被一次性"翻译"为包含业务语义的工程量。

3. 一张工业本体的数据关联网络

工业数据建模不止于数据映射，更重要的是——它建立并管理了数据之间的联系，让数据成为一个包含业务语义的有机整体，而不是彼此割裂的数据集。

工业现场充满了各种实体对象，这些对象之间存在着丰富而复杂的联系：

• 它们有层级关系（集团 → 工厂 → 产线 → 设备 → 测点），也有上下游关系（原料 → 真空回潮 → 烘丝 → 加香 → 储丝）；
• 一个对象可以拥有多个父对象和多个子对象——一台风机既属于"某地理区域"，又属于"某设备类型库"；一个公共风量测点会同时影响多条工艺线。IDMP 通过强引用、弱引用、组合引用等多种引用形式，表达这些不同强度、不同语义的联系。
• 对象都带有属性，属性可以来自不同的数据源；属性既可以是对象的某个评估维度（测量值 / 标签），也可以是某个业务统计 KPI；属性的取值可以是数值、布尔等基础类型，可以是枚举类型，也可以是对象类型（文件、图片、视频、属性引用、元素引用等）。
• 对象之间、属性之间、对象与属性之间的所有这些联系，统称为 Reference（引用）；每一种 Reference 都附带一个 Reference Type（引用类型），用于说明这条联系的业务语义。
• 围绕这些对象与属性，IDMP 还提供面板、仪表板、分析、事件、注解、文档等一系列描述信息与功能模块，作为不同视角下的信息消费入口，挂载在工业场景的对象节点之上。

所有这一切共同构成了一张复杂的工业本体网络——它看上去是一棵简单的 Tree，实际上 Far Beyond Tree，是一张具备业务语义的 Networking。这张网络，就是现实工业世界在数字空间中的虚拟镜像，也是 IDMP 实现工业本体的基础。

IDMP 实现数据关联管理的详细说明，参见 3.5 数据关联与工业本体。

工业数据建模的覆盖范围

IDMP 所建设的这一工业数据模型，目标不只是时序数据，而是要覆盖所有工业数据——包括关系型业务数据、文件类工程资料、图像与视频，乃至外围系统的状态与事件。

在当前阶段，IDMP 产品已实现的能力主要围绕时序数据展开；未来会逐步扩展到更多数据类型、对接更多种类的数据源，最终实现对现实工业世界的完整覆盖。一旦完成，IDMP 提供的就不再只是"看时序数据的窗口"，而是一套面向工业场景全要素的数据业务语义管理体系。

这套语义体系对 AI 、应用和人都有独立而重要的价值：

• 对人：业务人员、工程师、运维和管理者，可以脱离系统术语，直接用业务语言（元素名、属性名、工艺段名）阅读、查询和讨论数据。
• 对应用：上层应用（BI、MES、APS、第三方分析工具等）通过一致的语义接口取数，不再为每一个数据源单独写适配；数据模型升级时应用自动适配，无需改造。
• 对 AI：这套语义体系真正释放价值的舞台。

这套体系对 AI 的独特价值

AI 对数据有一项独特的需求：它不仅要"取得到"数据，更要"看得懂"数据。没有语义的数据，对 AI 而言就是噪声——一个 4.7 的读数，如果不知道它是哪台电机的振动值、单位是什么、正常范围在哪，AI 唯一能做的就是"幻觉"。

让 AI 真正理解工业数据，至少需要四件事，而这四件事恰好都由 IDMP 的语义体系统一提供：

1. 稳定的对象身份 —— 元素不是一串字符串，而是有路径、有模板、有归属、有上下游的"业务实体"。AI 推理时面对的是 薄板烘丝机-01，而不是 tag_7831。
2. 完整的数据情景 —— 工程单位、上下限、目标值、类别、运行工况、关联文档、历史事件，共同构成了 AI 判断"当前是否正常""偏离意味着什么"的输入。
3. 可遍历的关联网络 —— 当 AI 做根因分析、影响分析时，它沿着 Reference 在元素—属性—事件—面板组成的网络中遍历，定位上下游、找到相似事件、检索关联资料。
4. 统一的访问接口 —— 通过 MCP（Model Context Protocol），AI Agent 用同一套协议即可访问任意元素、任意属性、任意分析、任意事件，无需为每个数据源单独适配。

正因为这套语义体系存在，IDMP 上的 AI 智能体才能在毫秒级跨越分散的数据源与异构系统，完成理解 → 推理 → 回答 → 行动的完整闭环。这也正是 TDengine "AI 时代的工业数据基座"这一定位的真正内涵：工业数据建模，是 AI 在工业场景真正落地的基础能力与前提条件。

本章内容

本章后续小节将逐层展开这套语义体系的构建方法：

📄️ 元素与数据目录

在 TDengine IDMP 中，工业环境中的每一个物理或逻辑资产——工厂、产线、设备或传感器——都以元素的形式表示。元素是资产模型的基础构建单元，为原始时序数据提供了结构化的归属和有意义的上下文。

📄️ 属性

属性定义了元素的可测量特性。它是物理资产行为与 TDengine TSDB 中存储数据之间的桥梁——将原始数值转化为有名称、有类型、有物理单位的工程量。

📄️ 数据情景化

数据库表中名为 current 的列只是一个数字。只有当您知道是哪个电表产生了它、该电表安装在哪里、值的物理单位是什么，以及什么范围属于正常，它才变得有意义。数据情景化是将这些背景知识附加到数据上的过程——将原始测量值转化为丰富、可查询、AI 就绪的工业数据资产。

📄️ 数据标准化

工业环境通常从多个数据源采集数据，这些数据往往命名不一致、物理单位各异、数据结构不同。如果没有标准化，跨资产分析、AI 生成洞察和数据汇聚将变得不可靠甚至无法实现。TDengine IDMP 提供了多种机制，对整个资产模型中的数据进行标准化。

📄️ 数据关联与工业本体

本节为进阶话题。大多数用户可以跳过此节，待需要构建复杂数据模型时再回来阅读。

📄️ 批量创建元素与属性

批量创建元素与属性，是很多用户关心的一个实际问题。真实场景包含成千上万的元素与属性，不可能一个一个手工创建。

📄️ 元素与数据查询

随着资产模型不断扩展，快速定位所需元素或属性变得至关重要。TDengine IDMP 提供了多种互补的方式来导航和搜索资产目录：浏览元素树、按关键词或过滤条件搜索、将搜索结果保存为可复用的元素过滤器，以及将常用元素加入自定义分组以便快速访问。