登录社区云,与社区用户共同成长
邀请您加入社区
一、边缘计算的数据挑战资源受限:CPU、内存、存储有限网络不稳定:需要断网续传能力实时性高:毫秒级响应要求本地自治:边缘侧独立运行能力二、边缘时序数据库选型特性SQLiteRedisTDengine 边缘版存储容量小中大时序优化无无有数据压缩无无有断网续传无无有云边同步无无有三、TDengine 边缘版架构设备层:传感器 + PLC↓边缘层:TDengine 边缘版 + 本地应用↓网络层:4G/5
同时,TDengine 时序数据库的边缘 - 云端数据同步支持 “增量同步”,仅同步新增或修改的数据,避免全量同步造成的资源浪费,某智能仓储企业采用增量同步后,数据同步时间从原来的 2 小时缩短至 10 分钟,大幅提升了数据协同效率。在工业数据从 “云端集中管理” 向 “边缘 - 云端协同管理” 转型的过程中,TDengine 时序数据库以轻量化架构、离线数据管理、高效协同机制,为边缘数据管理提供
摘要:企业级大数据平台测试面临数据量大、结构复杂、系统依赖强等挑战。本文提出自动化测试解决方案:采用分层测试策略(单元测试到端到端测试),结合Pytest、GreatExpectations等工具;实施数据驱动测试、模块化脚本设计和CI/CD集成;通过团队协作与指标分析持续优化。实践表明,该方法可将自动化覆盖率提升至85%-90%,回归周期缩短50%,有效保障数据质量和系统稳定性,为企业数字化转型
电力系统根据功能和安全等级划分为一区、二区、三区,主要用于电力监控和数据管理。其中一区:直接控制电力生产设备,如发电机组、变电站等,负责实时监控和控制,确保系统安全运行。二区:位于一区和三区之间,负责数据采集和预处理,但不直接控制设备,主要进行数据分析和监控。三区:用于高级数据分析和决策支持,如负荷预测、故障分析等,不直接参与实时控制,数据经过严格隔离以确保安全。简单来说,一区直接控制设备,二区处
在卷烟制丝场景中,系统会自动清洗传感器的原始电流数据,关联 MES 的生产批次信息,并用 “水分偏差率”“物料损耗量” 等业务指标统一呈现,让设备数据、工艺数据、管理数据形成分析闭环,避免 “各说各话” 的认知偏差。• 时序数据 “难驾驭”:工业数据多为带时间戳的时序数据(如设备每 10 秒采集一次的温度、压力),传统 BI 侧重结构化数据的静态分析,难以处理 “时间窗口聚合”“趋势预测” 等时序
在实际落地中,构建可观测性平台通常需要引入多种技术,例如时序数据库、日志搜索引擎、链路采集协议、智能分析算法等,最终形成可查询、可展示、可告警、可推断的端到端能力。第一是与 AI 更深度融合,使系统具备更强的自分析与自治理能力,从而真正让“大规模、分布式、高动态”的系统做到“少人工、快恢复、能预测”。智能运维体系则通过自动化、可观测性、机器学习建模、流程治理等方式,让系统具备自感知、自决策、自恢复
IDMP 使用教程
本文介绍了在arm64架构银河麒麟v10系统上使用Kubernetes 1.21部署TDengine 3.3.6.0数据库的配置方案。通过YAML文件详细说明了Deployment和Service的配置,重点解决了taosadapter配置解析panic问题,包括使用初始化容器修复配置文件、设置持久化存储、资源限制和健康检查等关键配置。部署完成后,通过检查日志确认服务正常运行。该方案适用于TDen
TDengine 时序数据库
docker安装配置tdengine
信捷XD与台达MS300通讯程序(XJXD-12)可直接用于实际的程序带注释,并附送触摸屏有接线方式和设置,通讯地址说明等。程序采用轮询,可靠稳定器件:信捷XD5的PLC,台达MS300系列变频器,昆仑通态7022Ni功能:实现频率设定,启停控制,实际频率读取,加减速时间设定。资料:带注释触摸屏接线和设置说明最近在项目里用信捷XD5 PLC对接台达MS300变频器,顺手整理了一套稳定运行的方案,附
本文对比 TDengine 与 ClickHouse 在时序数据存储场景下的架构差异,分析为何专用时序 database 在物联网领域具有不可替代的优势。对于同时需要时序存储和复杂分析能力的团队,可以考虑将两者结合使用:TDengine 负责高频写入和实时查询,ClickHouse 负责离线分析和报表生成。ClickHouse 在需要复杂窗口函数和多维度分析的场景中表现更优,而 TDengine
││ TDengine││ 实时控制││。││ Edge│◄────►│ 本地告警││。││ TDengine││ 跨产线分析││。││ (聚合数据)││ MES/ERP集成││。SYNC_INTERVAL = 5,-- 每 5 秒同步一次。││ Cluster│◄────►│ 历史数据挖掘││。
在云原生和工业互联网的融合趋势下,工业数据管理平台的架构正在经历深刻变革。OSIsoft PI 凭借 40 年的行业积累,在传统流程工业中仍具有不可替代的地位,但其封闭的架构和 Windows 依赖使其在云原生适配方面面临挑战。本文对比 TDengine IDMP 与 OSIsoft PI 在云原生环境中的部署实践,分析两者的技术适配差异。TDengine IDMP 作为云原生时代设计的时序 da
3.存储引擎 |:10 数据修复与迁移:TDengine v3.x(v3.3.x / v3.4.x)|最后更新:2026-06-05生产环境中,存储引擎需要应对节点故障、容量扩缩、集群调整等场景。TDengine 提供 VGroup 重分布、COMPACT 整理、TRIM 清理、S3 外挂等运维能力,确保数据在变化中保持完整和可访问。
本文聚焦边缘计算场景,分析时序数据库在边缘侧的选型要点,介绍 TDengine 边缘版的架构设计和实战应用。
大概花了两个小时,从零把车联网最核心的两个组件——MQTT Broker 和时序数据库——在本地跑起来了。中间踩了几个坑,记录一下。
taosdump -h <源服务器IP> -P <端口> -D <数据库名> -o <备份文件输出目录>taosdump -h <目标服务器IP> -P <端口> -i <备份文件所在目录>2、宿主机拷贝文件到本地。
在 量化交易数据湖 的数据处理链路中,TDengine 作为国产时序 database 的代表之一,帮助用户把分散的传感器数据收敛到统一的时序数据库中。量化策略竞争的加剧,使得行情数据的完整性与低延迟成为核心竞争力,时序数据库的极限性能仍会持续被挑战。这些数据不仅包括交易所推送的原始行情,还包括自行清洗后的复权行情、分钟线、K 线等衍生数据,是因子研究和策略回测的基础。这些数据的时间粒度从 tic
14.生态 |:04 第三方工具TDengine 通过 InfluxDB 兼容协议、JDBC、连接器等方式与主流数据生态对接。本文汇总 Telegraf、Kafka Connect、Flink、Spark、Logstash 等工具的集成方式。
财富是这种变化最直观的体现。同时,金融时报又放出了一则消息:6名Anthropic投资人预计,公司最快可能在今年10月上市,并认为届时估值有可能冲到2万亿美元甚至更高——一旦成真,Anthropic将超过今年6月以约1.77万亿美元估值上市的SpaceX,成为史上IPO估值最高的公司。福布斯在5月底估算,包括CEO Dario Amodei、总裁Daniela Amodei在内的Anthropic
15.应用案例 |:02 工业大数据智能制造场景具有测点数量大、采集频率高、对实时分析要求严格的特点。本文以汽车装配车间为例,展示 TDengine 在 SCADA/MES 场景下的应用。
TDengine TSDB 作为华渚物联核心平台数字化转型的核心数据引擎,成功地将物联网时序数据处理能力深度融入了 UPS 设备从"设备物联"到"预测托管"的全生命周期管理链条中。它不仅解决了海量设备数据带来的高并发写入、统一管理、实时告警、长期存储等技术挑战,更赋能华渚物联持续引领不间断电源行业向资产数字化、运维流程化、监控实时化、健康智能化方向迈进,为金融、交通、医疗、教育等关键行业用户构筑了
不要畏惧排错,所有的报错日志都是通往完美的引路石。
12.运维 |:01 部署指南TDengine 支持单机、多节点集群、Docker、Kubernetes 多种部署方式。本文按场景给出完整步骤、网络规划、资源建议、生产 Checklist。
本文介绍了工控系统中时序数据存储的完整解决方案。针对MySQL存储工控时序数据的四大痛点(写入拥堵、查询超时、索引失效、磁盘占用高),提出采用TDengine作为专业时序数据库。文章详细讲解了SpringBoot集成TDengine的关键技术点,包括工业级配置、超级表设计规范、通用入库工具类实现、批量写入优化策略等,并给出了历史数据查询示例。通过结合前三篇的采集协议(Modbus/OPC-UA/M
近日,中国信息通信研究院(简称"中国信通院")2026 上半年"可信数据库"评估测试结果正式揭晓。经来自联通软研院、陕西移动、瑞众人寿、上海国际汽车城、中国航信、邮储银行等单位的行业专家评审,涛思数据 TDengine 系列产品一举通过三项专项测评,成为本批次中同时斩获 AI 大模型时序数据管理平台、时序数据库性能、时序数据库稳定性三大领域认可的数据库产品。
云鼎科技采用TDengine TSDB和TDgpt优化煤矿与风电数据管理 云鼎科技在煤矿安全生产管控平台中选用TDengine TSDB,实现对75对矿井、1100余个系统的工业数据采集与分析,构建了云端协同的时序数据体系。
摘要:地铁ISCS综合监控系统面临海量工控测点存储挑战,传统MySQL方案存在写入瓶颈、查询超时等问题。本文基于国产TDengine时序数据库,设计了一套完整的时序数据归档方案:通过独立Kafka消费组获取实时测点数据,自动按线路/车站建立时序表结构,实现毫秒级批量入库与冷热数据分层。方案提供历史查询、极值统计等标准化接口,无缝对接数字孪生大屏和故障追溯功能,满足地铁运维的7天原始数据保留和90天