术语表
属性（Attribute）
元素的属性，代表资产的单一数据维度，例如温度、运行状态、功率输出、额定容量等。属性可以是存储在 IDMP 中的静态配置值、链接到 TSDB 实时时序数据的动态值，或由实时分析计算得出的衍生值。每个动态属性均携带元数据：工程单位、显示单位、小数精度以及上下限值。
商业智能（BI）
Business Intelligence，商业智能。一类用于收集、整合、分析和呈现业务数据以支持决策的软件与实践。BI 工具（如 Tableau、Power BI 和 Grafana）连接数据源并为业务及运营用户呈现仪表板、报表和即席查询。TDengine IDMP 可通过其 REST API 和 JDBC/ODBC 接口作为 BI 工具的数据源，使工业时序数据和资产上下文能够流入现有企业 BI 环境。
AI 问答（Chat BI）
TDengine IDMP 中的对话式界面，允许用户使用自然语言查询工业数据并生成可视化图表，无需编写查询语句或手动配置面板。由理解元素模型和属性上下文的大语言模型驱动，AI 问答可将"显示锅炉 3 过去 7 天的平均温度"等问题实时转换为图表和分析结果，使不具备 IT 技能的运营人员也能访问业务数据。
上下文数据（Contextual Data）
赋予原始时序数值意义的元数据。上下文数据回答：测量的是什么？在哪里测量？在什么条件下测量？在 IDMP 中，上下文数据附加于元素及其属性，包括描述信息、物理维度（单位、精度、限值）和分类标签。上下文数据是启用 AI 功能的基础——系统借此理解运营场景，从而生成相关分析和洞察。
仪表板（Dashboard）
将多个面板组织成单一视图的集合。仪表板为元素或一组元素提供完整的运营全景。每个元素可以拥有多个仪表板，用于不同目的和受众——面向操作员的实时监控、面向工程师的根因分析、面向管理者的 KPI 审查。仪表板可以手动创建或由 AI 引擎自动生成，并可分享、定时发送报表或嵌入外部应用。
数据织网（Data Fabric）
一种架构方法，为跨异构来源和环境（本地、云端和边缘）访问、管理和治理数据提供统一的集成层，无需将数据物理迁移至中央存储。数据织网利用元数据、数据目录和智能集成服务，使数据在任何位置均可被发现和访问。TDengine IDMP 通过作为工业时序数据和资产上下文的权威来源，并通过开放 API 和数据订阅对外暴露数据，为数据织网战略提供支撑。
工业实时数据库 (Data Historian）
专门用于采集、存储和检索工业过程时序数据的软件系统。数据史学家位于现场系统（PLC、SCADA、DCS）与上层分析或报表工具之间，提供运营数据的长期记录。部署最广泛的数据史学家是 AVEVA PI System。TDengine Historian——结合 TDengine TSDB 的存储能力和 TDengine IDMP 的资产建模与分析能力——是传统数据史学家的现代替代方案，增加了 AI 原生能力、开放接口，并以更低成本提供显著更高的扩展性。
数据湖（Data Lake）
以原始格式（结构化、半结构化和非结构化）保存大量数据直至分析使用的存储架构。与数据仓库不同，数据湖在写入时不强制执行模式。在工业场景中，数据湖通常用于归档历史传感器数据、事件日志和设备记录，供长期分析、机器学习训练和合规使用。TDengine IDMP 可通过数据订阅和 API 接口将数据输送至数据湖，使下游 AI 和分析工作负载能够处理经过丰富、情景化的工业数据。
数据订阅（Data Subscription）
TDengine TSDB 的一项能力，允许外部应用实时订阅新写入的时序数据流，无需轮询。订阅方在每个新数据点到达时即可接收，使下游系统——AI 流水线、BI 工具、数据湖或其他数据库——能够持续消费实时工业数据。数据订阅是 TDengine 支持开放式双向数据流而非封闭存储孤岛的主要机制之一。
数据仓库（Data Warehouse）
存储经过结构化处理、针对报表和分析查询优化的数据的集中式存储库。与数据湖不同，数据仓库强制执行模式，通常由 ETL（提取、转换、加载）流水线从运营系统中清洗和聚合数据后填充。工业数据仓库通常汇总生产 KPI、班次摘要和质量指标，用于业务报表。TDengine IDMP 与数据仓库互补：仓库保存聚合历史用于业务报表，而 IDMP 保存全精度时序上下文用于运营分析。
分散控制系统（DCS）
Distributed Control System，分散控制系统。一种过程控制架构，其中控制功能分布在整个工厂的多个控制器中，而非集中于单一装置。DCS 系统常见于连续过程工业，如炼油、化工和发电。它们管理闭环控制——将温度、压力和流量维持在设定范围内——并产生大量时序数据，供工业历史数据库和 TDengine IDMP 等平台进行监控和分析。
元素（Element）
IDMP 资产模型的基本单元。元素代表任何您想要组织和追踪数据的物理或逻辑实体——传感器、电机、生产线、工厂或业务单元。元素按树状层次排列，映射真实世界的运营结构。每个元素都有自己的属性、分析、面板和仪表板，是系统中一切内容的组织锚点。也称为资产。
企业资源规划（ERP）
Enterprise Resource Planning，企业资源规划。一类将核心业务流程——采购、生产计划、库存、财务、人力资源和销售——整合到单一系统的业务管理软件。在工业环境中，ERP 系统运行在车间层之上的业务层。TDengine IDMP 与 ERP 的集成十分常见：IDMP 中采集的生产数据、设备 KPI 和质量指标可输入 ERP 系统，支持生产报告、成本核算和供应链决策。
事件（Event）
具有明确开始时间、结束时间、持续时长、严重级别以及发生时所采集相关数据的离散运营事件。事件由实时分析在检测到某一条件时触发——阈值超限、过程偏差、生产批次的开始或结束。事件可要求确认并触发通知。它们将连续的传感器数据流转化为命名、结构化的运营片段，工程师和 AI 系统均可对其进行推理分析。等同于 AVEVA PI System 中的 Event Frame。
IDMP（工业数据管理平台）
Industrial Data Management Platform，工业数据管理平台。TDengine IDMP 是 TDengine 平台的数据语义和智能层，构建于 TDengine TSDB 之上，提供工业资产建模、数据情景化、可视化、事件管理、实时分析和 AI 驱动洞察。IDMP 本身不存储时序数据——它从 TSDB 读取数据，仅存储结构和上下文信息：元素树、属性定义、元数据、模板、事件记录和分析配置。
洞察（Insight）
由 AI 基于元素数据和上下文生成的分析输出。IDMP 洞察引擎可自动检测元素的运营场景，生成相关面板和分析，回答自然语言问题，检测异常，生成预测，补全缺失值，并执行根因分析——无需手动配置。
大语言模型（LLM）
Large Language Model，大语言模型。一种在大量文本上训练、能够理解和生成自然语言的 AI 模型。在 TDengine IDMP 的场景中，大语言模型驱动对话式和生成式 AI 功能：对工业数据的自然语言查询、AI 生成的仪表板和分析、根因解释以及异常叙述生成。大语言模型在工业数据上的表现取决于数据的情景化程度——而这正是 IDMP 资产模型和元数据层所提供的。
机器学习（Machine Learning）
人工智能的一个分支，模型从数据中学习模式，而非被显式编程。在工业运营中，机器学习被应用于异常检测、预测性维护、过程优化、预测、聚类和回归分析。TDengine IDMP 通过 AI 驱动洞察和批量分析功能内置了机器学习能力，减少了常见运营用例对外部机器学习平台的依赖。
制造执行系统（MES）
Manufacturing Execution System，制造执行系统。实时管理和监控车间生产运营的软件系统，追踪工单、物料消耗、操作员操作、机器状态和生产产出。MES 位于控制层（PLC、SCADA、DCS）和业务层（ERP）之间。TDengine IDMP 是 MES 的天然补充：IDMP 提供时序数据基础和上下文分析（这是 MES 通常欠缺的），两个层次可以集成，将生产事件与设备行为和过程数据关联起来。
MQTT
Message Queuing Telemetry Transport，消息队列遥测传输协议。一种为受限设备和低带宽网络设计的轻量级发布-订阅消息协议，广泛用于工业物联网中从现场设备向数据平台传输传感器数据。TDengine IDMP 原生支持 MQTT 作为数据接入来源。
OPC-DA
OLE for Process Control — Data Access，过程控制 OLE 数据访问。一种较老的基于 Windows 的标准，用于 SCADA 系统、PLC 和其他工业自动化组件之间的实时数据交换。OPC-DA 依赖微软的 COM/DCOM 技术，将其限制在 Windows 环境中。在新部署中已基本被 OPC-UA 取代。TDengine 支持 OPC-DA 作为数据接入来源。
OPC-UA
OPC Unified Architecture，OPC 统一架构。一种现代、平台无关的工业通信标准，同时定义了数据模型和安全传输协议。OPC-UA 是 OPC-DA 的继任者，是工业设备、SCADA 系统、历史数据库和数据平台之间数据交换的主流标准。TDengine 原生支持 OPC-UA 作为数据接入来源。
管道仪表流程图（P&ID）
Piping and Instrumentation Diagram，管道仪表流程图。在过程工业（油气、化工、电力）中使用的详细示意图，展示工厂或装置的管道、设备、仪表和控制系统。P&ID 是理解工业过程物理布局和测量点的权威参考，通常作为在 IDMP 中设计元素模型的起点。
面板（Panel）
呈现一个或多个元素属性数据的单一可视化组件——图表、仪表、表格或状态显示。IDMP 支持多种面板类型，包括趋势图、柱状图、饼图、仪表盘、散点图、统计值面板、状态时序图、表格、事件列表和地图图表。面板是 IDMP 所有可视化的基本构建块，可手动创建或由 AI 引擎自动生成。
机理模型（Physics-based Model）
基于物理定律——质量守恒、能量守恒、热力学、流体动力学或反应动力学——而构建的数学模型，而非单纯从观测数据中拟合得出。也称为第一性原理模型或白盒模型。机理模型将过程运行原理以领域知识的形式编码，能够外推到历史数据中未见过的工况，并提供可解释的结果。在现代工业 AI 中，机理模型常与数据驱动模型相结合，形成混合（灰盒）建模方法——机理部分处理已知的过程结构，数据驱动部分则对不确定性和模型偏差进行修正——TDengine IDMP 通过将机理模型的输出存储为计算属性并与实时传感器数据一同分析，支撑这一建模方法。
可编程逻辑控制器（PLC）
Programmable Logic Controller，可编程逻辑控制器。用于自动化离散控制过程的工业加固型计算机，控制机械、装配线或任何需要可靠实时控制逻辑的应用场景。PLC 从传感器和开关读取输入，执行控制程序，并驱动执行器和电机的输出。每台 PLC 通常暴露许多独立的测量点（位号），通常使用单列数据模型，每个测量点作为单独的序列存储。在 TDengine IDMP 中，同一设备的多个 PLC 测量点需要通过超级表到元素的映射工作流组装到单个元素下。
质量管理系统（QMS）
Quality Management System，质量管理系统。一种记录流程、程序和职责以实现质量方针和目标的正式系统。在制造业中，QMS 捕获检验结果、缺陷记录、不合格报告以及与产品质量相关的过程参数。TDengine IDMP 通过将时序过程数据（温度、压力、转速）与生产事件和批次记录关联，支持 QMS 应用场景，为统计过程控制、质量偏差根因分析和合规报告提供数据基础。
数据采集与监视控制系统（SCADA）
Supervisory Control and Data Acquisition，数据采集与监视控制系统。一种跨行业（公用事业、油气、制造、水处理）用于监控和控制地理分散设备和过程的系统架构。SCADA 系统从现场设备（PLC、RTU、传感器）收集实时数据，展示给操作员，并支持远程控制操作。SCADA 系统是工业时序数据的主要来源，其数据通常被输入数据史学家和 TDengine IDMP 等平台进行长期存储、分析和 AI 驱动洞察。
软件开发工具包（SDK）
Software Development Kit，软件开发工具包。一套打包的库、工具和文档，允许开发者以编程方式与平台交互。TDengine IDMP 提供官方 Java 和 Python SDK，从 OpenAPI 规范自动生成。SDK 涵盖元素管理、时序数据访问（历史、最新值、写入）和事件查询。使用其他语言的开发者可以使用 OpenAPI Generator 从 OpenAPI 规范生成客户端。
Sparkplug B
基于 MQTT 构建的开放规范，为工业设备通信定义了标准化的载荷格式和主题命名空间。Sparkplug B 解决了普通 MQTT 的一个关键限制——缺乏定义的数据模型——通过规定如何对设备元数据、测量值和状态变化进行编码和结构化。它在工业物联网部署中被广泛采用，作为实现统一命名空间（UNS）的实用方式。TDengine IDMP 支持 Sparkplug B 作为数据接入来源，允许发布 Sparkplug B 消息的设备将其数据自动映射到元素模型中。
统计过程控制（SPC）
Statistical Process Control，统计过程控制。一种使用统计技术（主要是控制图）监控和控制制造或业务过程的质量控制方法。SPC 在缺陷发生之前检测过程是否偏离控制限，使操作员能够主动干预。TDengine IDMP 为 SPC 工作流提供时序数据基础：连续传感器数据可通过实时分析和批量分析计算控制限、检测失控信号，并将过程变异与上游原因关联。
流计算（Stream Processing）
对到达的数据执行连续计算，而非对静止存储的数据执行计算。TDengine TSDB 内置流计算引擎，可在新测量值被写入时实时评估表达式、计算聚合、检测条件，并将结果写回为新的时序列。这消除了许多常见工业用例对独立流处理平台（如 Kafka Streams 或 Apache Flink）的需求。IDMP 的实时分析由该流计算引擎提供支持。
超级表（Supertable）
TDengine TSDB 的核心概念。超级表是一个表模板，定义了一组相关时序表共享的模式——列名、数据类型和标签列。每个独立的时序（子表）从其超级表继承模式，并添加自己的标签值来标识自身（例如设备 ID、位置或设备类型）。超级表使得无需联合操作即可高效地跨同类型的多个设备查询。在 IDMP 中，超级表是原始 TSDB 数据模型与元素/属性模型之间的桥梁。
位号（Tag）
在运营技术（OT）环境中——PI System、SCADA、DCS 和工业历史数据库——位号是单个命名测量点的标准术语，该测量点持续产生带时间戳的数值序列。位号在概念上与时序数据完全相同。TDengine 使用"时序数据"以与现代数据术语对齐，但现有工业系统中的每个位号都直接对应 TDengine TSDB 中的一条时序。两个术语可以互换使用。
模板（Template）
资产类别或运营模式的可复用标准结构。模板存在于 IDMP 平台的每个层次：元素模板定义资产类别（泵、仪表、锅炉）的标准属性集；属性模板定义可复用的测量定义；分析、面板、仪表板、事件和通知模板标准化逻辑和展示形式。更新模板会将更改传播到从该模板派生的所有元素，使大规模部署易于管理。
时序数据（Time Series）
由传感器、仪表或控制系统产生的带时间戳的测量值数据流。时序数据存储在 TDengine TSDB 中。在 IDMP 中，时序数据通过元素的属性而非直接方式访问，保持语义层与存储层的清晰分离。另见：位号（Tag）。
时序数据库（TSDB）
Time-Series Database，时序数据库。专为存储和查询带时间戳数据而优化的数据库。TDengine TSDB 是 TDengine 的高性能分布式时序数据库，设计用于以毫秒级查询性能从数百万条测量序列中写入和存储数十亿个数据点。TSDB 还内置了流计算引擎，用于对传入数据进行实时计算。TDengine IDMP 构建于 TSDB 之上，提供资产模型、情景化和分析层。
时序基础模型（TSFM）
Time Series Foundation Model，时序基础模型。在跨多个领域的大量时序数据上预训练的大型 AI 模型，类似于大语言模型在文本上的预训练方式。时序基础模型可以在很少或无需针对特定任务微调的情况下执行时序任务——预测、异常检测、补全、分类——通过利用预训练期间学到的模式。TDengine IDMP 将时序基础模型能力集成到其 AI 驱动洞察层，使工业操作人员无需构建和训练自定义模型，即可将最先进的时序 AI 应用于其工厂数据。
统一命名空间（UNS）
Unified Namespace，统一命名空间。一种工业数据集成架构模式，其中所有数据——来自 PLC、SCADA、MES、ERP 和其他来源——发布到单一的中央可访问命名空间，通常通过 MQTT 实现。在统一命名空间架构中，每个数据生产者发布到共享主题层次结构，每个消费者从中订阅，消除了点对点集成。TDengine IDMP 可作为统一命名空间的消费者和分析层，从 MQTT 代理接入数据并将其组织到元素模型中。
虚拟表（Virtual Table）
TDengine TSDB 的核心概念。虚拟表是一个计算表，其列由对一个或多个物理表的表达式派生，而非直接存储的测量值。虚拟表允许工程师定义计算指标——如效率比、派生过程变量或聚合读数——这些指标在查询时表现得像常规时序列，无需预先计算和单独存储结果。
无问智推（Zero Query Intelligence）
TDengine IDMP 的一项能力，无需任何用户主动查询或配置，即可自动为元素生成仪表板、面板和实时分析。启用后，AI 引擎检查元素的数据和上下文，识别运营场景（如风机、泵、锅炉），并生成一套完整的相关可视化和分析。无问智推是 IDMP AI 驱动工作流的第一步——在完成元素建模后、进行任何手动配置之前，即时提供运营洞察。
