1. 产品简介
1.1 什么是 TDengine IDMP
TDengine IDMP（Industrial Data Management Platform，工业数据管理平台）是一款 AI 原生的工业数据管理平台，专为管理、分析工业运营数据并从中提取业务洞察而设计。
TDengine IDMP 与 TDengine TSDB 协同工作。TDengine TSDB 是一款高性能分布式时序数据库，负责存储和处理传感器、设备及控制系统产生的海量时序数据。TDengine IDMP 构建于时序数据存储层之上，为工业数据管理提供更高层次的能力，包括：
- 基于元素与属性的工业数据建模
- 原始传感器数据的情景化处理
- 跨系统的工业数据标准化
- 数据可视化与仪表板
- 基于事件的运营分析
- 实时数据分析
- AI 驱动的业务洞察生成
借助这些能力，IDMP 帮助企业将原始采集的数据转化为结构化信息，用于监控、分析、优化与决策。真正做到让数据自己说话。
与那些以仪表板展示为核心目标的传统监控工具不同，TDengine IDMP 的设计初衷是帮助工程师和运维人员真正理解设备运行规律，直接从工业数据中发现有价值的洞察，而不仅仅是把数据摆到炫酷的屏幕上。
IDMP 是一个数据管理与分析平台，而非完整的工业物联网平台。它不提供设备连接管理、控制命令下发或固件升级功能，但可以与提供这些功能的平台无缝集成。它也不是制造执行系统，也不提供人员排班、维修工单、仓储或生产调度功能。
TDengine IDMP 的定位是明确的：成为管理、情景化、标准化、可视化、分析工业时序数据并从中提取决策智能的最强平台。
1.2 AI 时代工业数据基座的重要性
工业系统每时每刻都在产生巨量数据——温度、压力、流量、振动信号、能耗、设备状态——来自数千乃至数百万个测点，以极高频率持续涌入。表面上看，这是一座信息宝库；但在实际应用中，绝大多数数据都处于闲置状态。这些原始信号散落在不同系统中，采用各异的命名规则和单位，彼此之间没有共同的语义理解——这就是困扰工业企业多年的"数据孤岛"问题：IT 与 OT 之间的壁垒、数据本身的碎片化、以及应用系统之间的割裂，三座孤岛叠加，让数据的价值大打折扣。
AI 有潜力重新定义工业软件的格局。但 AI 改变不了数据采集系统，改变不了数据标准化，改变不了数据基础设施。一个 4.7 mm/s 的振动读数，对 AI 系统来说毫无意义——除非它知道这个读数属于哪台电机、在哪条产线上、在什么负载条件下运行、处于三小时前开始的哪个批次生产过程中。问题越根本——"昨天产量为何下降？""哪台压缩机最可能在下周发生故障？"—— AI 越高度依赖结构化、情景化、语义丰富的数据，否则它无法给出有效答案。
这正是工业数据基础基座在 AI 时代不可或缺的原因。AI 有潜力取代很多软件工具——报表生成器、排班助手、表单填写流程——但它无法取代采集、组织和维护工业数据上下文的基础层。谁掌控了这个数据基座，谁就能决定 AI 在工业领域能做什么。从孤立数据点到 AI 可推理的数据基座，这个转变的核心不是 AI 本身，而是让数据基座真正具备 AI-Ready 的能力。
这一转变已经开始。传统工业软件以可视化为中心——目标是在屏幕上展示当前的运营状态。在 AI 时代，目标已经改变：将采集的数据转化为真正的业务洞察和决策。这不仅需要存储数据，还需要将数据组织成人类和 AI 系统都能浏览和推理的形式。工业数据基座正是实现这一目标不可替代的关键一层。
1.3 TDengine 整体架构
TDengine 由两个相互补充的组件构成，共同形成完整的工业数据基座。
TDengine TSDB（时序数据库）是数据基础设施层。它负责从工业网关、PLC、SCADA 系统、物联网设备及其他数据源实时接入数据，以大规模方式存储时序数据——支持数百万个测量序列、数十亿数据点，并提供毫秒级响应的高性能查询。TDengine TSDB 还内置流式计算引擎，无需独立的流处理平台即可对实时数据流进行在线计算。
TDengine IDMP 是数据语义层与智能层。它运行在 TSDB 之上，提供原始时序存储所不具备的组织结构、业务上下文和分析智能。IDMP 本身不存储时序数据，而是在查询时从 TSDB（或其他已连接的时序数据库）读取数据。IDMP 存储和管理的是资产模型：赋予时序数据意义的元素树、属性定义、关系、模板及元数据。这一层是打破数据孤岛、构建数据语义层的关键所在。
两个组件共同覆盖完整工业数据基座所必须具备的三个层次：
| 层次 | 能力 | 组件 |
|---|---|---|
| 数据基础设施层 | 实时接入、高吞吐写入、弹性存储、高性能查询 | TDengine TSDB |
| 数据语义层 | 资产建模、数据情景化、数据标准化、事件管理 | TDengine IDMP |
| 智能分析层 | 实时分析、AI 业务洞察、自然语言问数、异常检测、趋势预测 | TDengine IDMP + AI |
该平台具有高度开放性。它提供 MCP（Model Context Protocol）接口，使 AI 智能体可直接访问工业数据；支持 REST API、JDBC、ODBC 及 Java、Python 客户端 SDK。数据可通过 Kafka、MQTT 和数据订阅接口向外流出，供下游 AI 系统、BI 工具及第三方应用实时消费。这种开放性确保 TDengine 能够成为更广泛工业 AI 生态的数据基座，而不是制造新的数据孤岛。
1.4 IDMP 与 TDengine TSDB 的关系
TDengine TSDB 是一款强大的时序数据库，但仅有数据库本身还不够。即便拥有数十亿存储数据点和出色的查询性能，单纯的数据库也无法告诉你某个测量值属于哪台设备、它的工程单位是什么、正常运行范围是多少，或者当数值超过阈值时意味着什么。它无法将设备组织成层级结构，无法跨站点统一命名规范，也无法自动检测异常并通知相应的责任工程师。数据存在，但数据语义层缺失——这是从原始数据到 AI-Ready 数据资产之间的鸿沟。
TDengine IDMP 正是对此的补充。它提供 TSDB 有意留出范围之外的元数据管理、业务上下文和分析能力。当 IDMP 连接到 TSDB 后，可自动同步资产拓扑——若 TSDB 中新增设备或配置发生变更，IDMP 会相应更新资产层级结构，无需手动对账即可保持数据目录的准确性。
有必要明确两个系统之间的边界：IDMP 不存储时序数据。每一次测量值查询、每一张趋势图、每一个实时分析结果——所有这些数据都在查询时从 TSDB 实时获取。IDMP 只存储结构性和上下文性信息：元素树、属性定义、元数据、模板、事件记录和分析配置。这种分离意味着在现有 TDengine TSDB 部署上添加 IDMP 是无损操作，不会产生数据冗余。
IDMP 主要为与 TDengine TSDB 配合使用而设计，两者之间的集成最为深入、高效。同时也支持连接其他时序数据库。
1.5 与传统实时数据库的对比
工业实时库（data historian）几十年来一直是工业采集数据管理的行业标准。应用最广泛的是 AVEVA PI System，由多个组件构成：PI 接口/连接器负责数据采集，PI Data Archive 负责时序存储，PI Asset Framework（AF）负责资产建模，PI Vision 负责可视化。
从功能上看，TDengine TSDB + IDMP 与这套技术栈直接对应：TDengine TSDB 对应 PI 接口/连接器 + PI Data Archive，TDengine IDMP 对应 PI Asset Framework + PI Vision。熟悉 PI System 的用户会认出其中的核心概念——资产层级、属性、事件帧、模板——并会发现 IDMP 在现代化、AI-Ready 的架构上重新实现了这些概念。
主要差异体现了自传统实时库设计以来技术格局的深刻变化：
| 能力维度 | 传统实时库（如 PI System） | TDengine TSDB + IDMP |
|---|---|---|
| AI 集成 | 有限，需借助第三方工具 | 原生支持；无问智推、智能问数、AI 问答 |
| 事件规则 | 由 OT 工程师手动配置 | 支持手动或 AI 辅助；大模型可基于采集数据自动生成规则 |
| 可视化定位 | 以展示为核心 | 以洞察为核心；AI 自动生成并推荐面板 |
| 高级分析 | 有限，需借助第三方工具 | 内置批次分析、趋势预测、异常检测、插值、聚类、回归等 |
| 数据规模 | 通常支持百万级测点 | 设计支持十亿级数据点 |
| 数据流向 | 主要为单向流入（采集与存储） | 双向；支持数据订阅，可实时向下游系统流出 |
| 开放性 | 私有接口，导出能力有限 | REST API、JDBC、ODBC、Kafka、MQTT、MCP、开放 SDK |
| 部署环境 | 主要支持 Windows | Linux、容器、虚拟机、私有云、云原生 |
TDengine 目前与成熟实时库相比的不足在于数据源接入能力。PI System 经过数十年积累，支持极为广泛的工业接口和协议。TDengine 目前原生支持 OPC-UA、OPC-DA 和 MQTT，其他数据源可通过 TDengine TSDB 的数据接入框架接入。这一差距正在随着每个版本的发布持续缩小。
对于正在评估从 PI System 或其他实时库迁移的企业，两者的功能映射已足够接近，现有资产模型和分析逻辑通常无需根本性重新设计，即可在 TDengine IDMP 中重新表达。
1.6 核心概念
理解 TDengine IDMP，首先需要掌握贯穿整个平台的一组核心概念。这些概念构成了系统的基本词汇，从建模到可视化再到 AI 洞察，每项功能都构建于这些概念之上。
1.6.1 元素（Element）
元素是资产模型的基本单元。资产树中的每个节点都是一个元素。元素代表物理或逻辑实体：一个传感器、一台电机、一条产线、一座工厂、一座城市、一个业务单元——任何对运营有意义、需要组织和追踪其数据的事物。
元素按树状层级排列。每个元素可以有零到多个子元素，除根节点外每个元素都有父元素。这种层级结构映射了运营的真实世界架构：一个风力发电场包含多台风机，每台风机包含多个子系统，每个子系统包含各自的传感器。浏览元素树是用户探索运营全貌、定位所需数据的基本方式。
每个元素拥有自己的属性、实时分析、事件、面板和仪表板集合，是系统中其他一切内容的组织锚点。
1.6.2 属性（Attribute）
属性是元素的一个特性维度。属性代表与资产相关的各个数据维度——温度、运行状态、功率输出、地理位置、额定容量等。
属性可以有不同类型。有些是直接存储在 IDMP 中的静态配置值（如电机的额定功率或资产的安装日期）；有些是动态属性，通过数据引用与 TSDB 中的实时时序数据关联；还有一些是衍生属性，由实时分析计算后写回。每个动态属性都有可配置的元数据：工程单位、显示单位、小数精度、上限与下限，以及目标值等。
1.6.3 时序数据（Time Series）
时序数据是存储在 TDengine TSDB 中的带时间戳测量值流。这是传感器、仪表和控制系统产生的原始数据——每秒钟涌入数千乃至数百万个数据点。
如果你有 OT 背景，可能更熟悉测点（tag）这个术语。测点——在 PI System、SCADA 系统、DCS 平台及大多数工业实时库中使用——与时序数据是完全相同的概念：一个产生连续带时间戳数值流的单一命名测量点。两个术语可以互换使用。TDengine 采用"时序数据"以对齐现代数据术语，但你现有系统中的每个测点都直接对应 TDengine TSDB 中的一条时序数据。
在 IDMP 中，时序数据不直接管理，而是通过元素的属性访问。当某个属性关联了时序数据引用后，IDMP 会按需从 TSDB 获取数值——用于趋势图、分析、AI 问数以及其他需要底层数据的操作。这种间接访问方式是有意为之：它使数据语义层（IDMP）与存储层（TSDB）保持清晰的分离。
1.6.4 情景数据（Contextual Data）
情景数据是赋予时序数值意义的元数据。一个原始传感器读数——"14:23:07 时为 42.7"——脱离上下文毫无意义。情景数据回答的正是那些让数据开口说话的问题：测量的是什么？在哪里？在什么条件下？符合什么标准？
在 IDMP 中，情景数据附加在元素及其属性上。它包括描述性信息（该元素是什么、该属性代表什么）、物理维度（工程单位、显示精度、上限与下限、目标值），以及分类标签（类别、位置、组织单元、运行工况）。情景数据也是 IDMP AI 功能的基础：系统利用这些结构化的业务上下文理解运营场景，进而生成相关的分析和洞察。从孤立的数据点到 AI 可推理的数据资产，情景数据是中间那道不可缺失的桥梁。
1.6.5 事件（Event）
事件是一次具有明确开始时间、结束时间、持续时长、严重等级以及发生时刻相关数据的离散运营事项。事件是连续时序数据与离散运营知识之间的桥梁。
IDMP 中的事件由实时分析生成。当分析检测到某种条件——超出阈值、工艺偏差、批次生产的开始或结束——它会创建一条事件记录，不仅记录该事项本身，还捕获当时相关属性的数值和计算结果。事件可以要求确认，可以触发向责任人员的通知，事后还可以对事件进行浏览、对比和分析。
这一概念在 PI System 中称为事件帧（Event Frame），是工业数据管理中最具价值的理念之一。它将连续传感器数据流转化为结构化的、有名称的运营片段，让工程师和 AI 系统都能对其进行推理："上个季度发生了多少次压缩机喘振事件？""哪些批次偏离目标温度曲线最大？""电机故障前 10 分钟发生了什么？"
1.6.6 面板（Panel）
面板是单个可视化组件——图表、仪表、表格、状态显示——展示来自一个或多个元素属性的数据。面板是 IDMP 所有可视化的基本构建单元。
IDMP 支持多种面板类型：趋势图、柱状图、饼图、仪表盘图、条形仪表图、散点图、统计值、状态时间轴图、状态历史图、表格、资产列表表格、事件列表表格、事件趋势图、地图和富文本面板。每种面板类型适合不同类型的数据和不同的分析需求。
面板可以手动创建，也可以由 AI 引擎根据元素的数据和上下文自动生成。
1.6.7 仪表板（Dashboard）
仪表板是将多个面板组织到一个视图中的集合。仪表板为一个或一组元素提供连贯、结构化的全局视图——将趋势图、仪表、表格及其他面板类型整合为统一的运营画面。
IDMP 中的每个元素可以拥有多个仪表板，每个仪表板面向不同的用途或受众：一个供运维人员监控实时状态，一个供工程师进行根因分析，一个供管理层查看每日 KPI。仪表板可以共享、导出为定期报表，也可以嵌入外部 Web 应用。
与面板一样，仪表板可以手动创建，也可以由 AI 引擎自动生成。
1.6.8 洞察（Insight）
洞察是 IDMP 基于元素数据和上下文生成的 AI 分析输出。洞察不仅仅是展示数据，而是对数据进行解读——让数据真正开口说话。
IDMP 的洞察引擎能够根据数据的结构和内容自动感知元素的应用场景（风机、污水处理罐、物流车队），进而生成该场景下最相关的面板、实时分析和总结报告——无需用户进行任何配置。这项能力称为无问智推：系统主动推断你需要看什么，而不是等待你去配置和查询。它还能够回答关于数据的自然语言问题（AI 问答）、检测异常、生成预测、插补缺失值，并进行根因分析。
洞察是工业数据基座与构建这一基础的 AI 智能之间的交汇点。
1.6.9 模板（Template）
模板为某类资产或运营模式定义可复用的标准结构。无需从零开始逐一配置每个元素、属性、分析、面板或仪表板，只需在模板中定义一次结构，然后一致地应用于所有同类资产。
模板存在于平台的每个层面：元素模板定义某类资产的标准属性集（如泵、仪表、锅炉）；属性模板定义可复用的单个测量定义；分析模板封装标准检测逻辑；面板和仪表板模板统一可视化规范；事件与通知规则模板统一运营事项的命名和上报方式。
模板使大规模工业部署变得可管理。更新模板时，变更会自动传播到所有基于该模板派生的元素——确保数百乃至数千台资产的一致性，无需手动逐一修改。
