登录社区云，与社区用户共同成长
邀请您加入社区
我们通过示波器抓取的波形对比发现，将默认值100调整为80时，X轴在300mm行程内的定位抖动减少了40%。这个定位指令块的关键在于D102参数的灵活运用。最让我欣慰的是，当需要新增一个检测工位时，原有的程序框架只需扩展两个SFC步就能完成功能追加——这或许就是优秀架构的魅力所在吧。这套系统最让我惊喜的是定位模块与JE伺服的联动效率——特别是处理四轴联动取放料时的动态响应，比预想的还要丝滑。三菱J
想象你手里拿着遥控器，想让飞机悬停在空中某个点，这时候位置控制开始干活了。但有个魔鬼细节：电调校准。有次没校准直接上电，四个电机转速差出200多转，飞机离地瞬间就表演了180度空翻。这里有个坑：四个电机的安装位置距离中心轴的距离会影响力矩计算，代码里0.1那个系数就是杆臂长度。别小看这数字，实测时要是飞机总往奇怪方向飘，八成是这参数没调准。四旋翼无人机PID模型，飞行器本体模型，位置控制，姿态控制
在细胞培养过程中，生物反应器会源源不断地产生大量时序数据，例如温度、pH 值、溶解氧、营养物浓度等。这些数据不仅要实时采集、展示，还要用于后续的过程优化与合规审计。支持实验员和科学家使用实时仪表板进行过程分析与监控通过 MQTT 协议，实现与设备的高频数据采集快速访问历史数据，驱动机器学习模型和工艺优化从实验室走向工厂，系统需具备良好的横向扩展能力支持本地部署和云端运行，避免厂商锁定选择 TDen
摘要：TDengine作为新一代时序数据库，在智能制造领域展现出卓越性能。通过与工业协议、SCADA系统及关系型数据库的无缝对接，实现海量设备数据的高效采集与存储。其独特设计支持动态扩容、多维分析及复杂查询，满足实时监控、质量管控等需求。某烟厂案例证明其可稳定处理万亿级数据，毫秒级响应查询，并通过云边协同架构实现多级数据同步。TDengine以高性能、高可靠性推动智能制造数字化转型，显著提升生产效
通过此次分享，涛思数据展示了 TDengine 在工业大数据和 AI 融合领域的技术探索和落地成果，也向研究者和企业传递了一个清晰信号：下一代工业数据平台必须天然适配 AI，才能支撑新质生产力的持续跃迁。打造“AI-Ready”的工业数据平台思路——不是简单在平台里“嵌几条 AI 算法”，而是要从数据建模、存储、治理到分析能力全面重构，让数据天然适配 AI，他指出，AI-Ready 平台的核心价值
根据微服务的内存需求，合理设置堆大小（-Xms和-Xmx），避免频繁的Full GC。在Java微服务开发中，应避免创建不必要的对象，尤其是在循环内部。引入多级缓存策略，包括本地缓存（如Caffeine）和分布式缓存（如Redis），减少对数据库的直接访问。Java凭借其强大的生态系统和成熟的虚拟机技术，成为了构建微服务的主流选择之一。通过以上多个层面的综合调优，可以显著提升Java微服务架构的性
综上所述，TensorFlow 2.0通过深度整合Keras高阶API，为深度学习项目的全生命周期提供了一套简洁、强大且灵活的解决方案。从快速构建模型原型到大规模分布式训练，再到最终的生产环境部署，这一组合极大地降低了技术门槛，提升了开发效率。掌握这些核心API的使用，是每位希望在实际应用中有效利用深度学习的开发者所必备的技能。
PF GNN结合了粒子方法和图神经网络的优势。传统的粒子方法能够很好地描述材料的微观结构和动力学，而图神经网络则擅长处理具有复杂拓扑结构的数据。将两者结合，PF GNN就像一个超级探测器，能够从微观层面理解材料中裂缝的发展。从概念上讲，PF GNN将材料中的粒子看作图的节点，粒子间的相互作用关系看作边。这样，材料的复杂结构就转化为图结构，而裂缝扩展过程则可以通过图上的信息传播和更新来模拟。
本文深入剖析一套运行于德州仪器（TI）TMS320F28335 数字信号控制器（DSC）平台上的光伏逆变器控制软件系统。该系统融合了DC-DC 推挽变换与DC-AC 正弦脉宽调制（SPWM）逆变两大核心功能，支持离网与并网运行模式，并集成了完善的电压/电流保护机制与最大功率点跟踪（MPPT）算法。文章将从系统架构、关键功能模块、实时控制流程及安全机制四个维度，对代码逻辑进行高阶解读，旨在为相关领域
本代码基于二阶锥松弛化技术，构建了考虑储能系统（ESS）、有载调压分接头（OLTC）、离散电容器（CB）及静止无功补偿器（SVC）等多元设备约束的配电网24小时无功优化模型。通过多目标优化（购电成本最小化、网损最小化、电压偏差最小化），实现配电网运行状态的精细化调控，同时满足潮流平衡、设备运行边界、电压质量等约束条件，适用于含新能源（风电、光伏）接入的现代配电网调度决策场景。功率流变量。
这项技术主要涉及单目测距、多目标跟踪以及车辆检测，是智能adas系统的关键部分。单目测距利用单目摄像头获取的图像信息，通过算法来估算目标车辆与本车的距离。多目标跟踪则是在复杂的交通场景中，实时追踪多个车辆目标的运动轨迹。车辆检测就是识别出图像中的车辆。
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。
11.客户端与连接器 |：04 Python 连接器TDengine 提供taospy（Native）和taos-ws-py（WebSocket）两个 Python 包，均实现 PEP 249 DB-API 规范。本文涵盖安装、基本用法、STMT2、Schemaless、订阅、Pandas/SQLAlchemy 集成。
/ Rust 实现 taosX 插件// 详见《TaosX 插件开发》// 插件实现 trait// 自定义解析逻辑;Ok(vec!}])// 编译为 .so// 加载到 taosX 注册为 parserRust 插件机制支持任意协议。或在应用层自行转换为 TDengine 支持的格式。
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
tdengine
——tdengine
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
天工造物局
乐奇 Rokid 开放社区
码道开发者社区
亚马逊云科技技术品牌专区
AI Agent技术社区
MCP技术社区
