登录社区云，与社区用户共同成长
邀请您加入社区
的出现，为汽车行业提供了高性能、低成本、自主可控的数据管理方案。从这家头部车企的实践来看，选择合适的时序数据库，不仅解决了当下的数据管理难题，更为未来的智能化发展奠定了坚实基础。在某新能源汽车生产基地，焊装车间里 300 台机器人同时作业，涂装车间的温湿度传感器每秒钟刷新数十次，总装线上的拧紧枪记录着每一次扭矩数据。"质量部门负责人表示，"过去查一辆车的完整生产数据要跨多个系统，现在一个查询就能搞
TDengine TSDB 驱动的量测数据管理系统，以贴合场景的树形建模与全链路架构，成功支撑 300 万测点、数十亿数据稳定运行。其高并发处理与原生流式计算优势，显著提升数据时效性与运维效率，强化风险预警能力。经针对性优化攻克运行挑战后，系统性能更趋稳定。未来，我们将持续深化技术适配，探索与 AI、边缘计算的融合应用，拓展跨业态数据协同场景，推动数据价值从运维支撑向战略决策延伸，以更智能、高效的
本文揭秘 TDengine 如何通过技术创新，打破国外垄断，成为工业数据管理的新选择。据预测，到 2025 年，工业数据量将占全球数据总量的 30%。在工业 AI 的赛道上，拥有自主可控的数据底座，或许就是中国企业赢得未来的关键。"我们曾用过一款国外的时序数据库，性能还可以，但集群版不开源，扩展受限，技术支持响应慢。的出现，不仅打破了国外技术垄断，更为中国工业的数字化转型提供了坚实的数据基础。在工
不要畏惧排错，所有的报错日志都是通往完美的引路石。
TDgpt 在企业版中提供预测分析模型和异常检测模型有效性评估工具，该工具能够使用 TDengine 中的时序数据作为回测依据，评估不同预测模型或训练模型的有效性。该工具在开源版本中不可用使用评估工具，需要在其相关的配置文件中设置正确的参数，包括选取评估的数据范围、结果输出时间、参与评估的模型、模型的参数、是否生成预测结果图等配置。在具备完备的 Python 库的运行环境中，通过shell调用 T
时序数据基础模型是专门训练用以处理时间序列数据预测和异常检测、数据补齐等高级时序数据分析功能的基础模型，时序基础模型继承了大模型的优良泛化能力，无需要设置复杂的输入参数，即可根据输入数据进行预测分析。序号参数说明1tdtsfm_1涛思时序数据基础模型 v1.02time-moeMoE 时序基础模型3moiraiSalesForce 开源的时序基础模型4chronosAmazon 开源的时序基础模型
TDengine 中定义了异常（状态）窗口来提供异常检测服务。异常窗口可以视为一种特殊的，即异常检测算法确定的连续异常时间序列数据所在的时间窗口。与普通事件窗口区别在于，时间窗口的起始时间和结束时间均由分析算法识别确定，不通过用户给定的表达式进行判定。因此，在WHERE子句中使用关键词即可调用时序数据异常检测服务，同时窗口伪列（_WSTART_WEND_WDURATION）也能够像其他时间窗口一样
上面是 TDgpt 的下一代新产品的技术介绍发布会， 会上将有重大技术革新公布，欢迎大家扫码预约直播！
本节介绍如何通过 Docker，云服务或安装包来部署 TDgpt。
TDTSFM算法在电力数据预测测试中表现良好，特别适合短期预测。测试结果表明，使用7天历史数据预测效果最佳，其中A相电压预测误差最小(MAPE 0.82%)，总有功功率次之(1.65%)。算法执行时间保持在500ms以内，历史数据量增加会延长执行时间。建议采用7天历史数据进行短期预测(不超过10个时间点)，针对累计值预测效果优于增量值预测的特点，后续可优化增量预测算法。
本文展示了在TDengine 3.3.6.9中使用Holt-Winters算法进行电力数据预测的测试结果。针对有功电能、A相电压、A相电流和总有功功率四项指标，算法表现差异明显：有功电能预测精度最高，平均误差仅0.0068%；电压预测平均误差0.57V(0.246%)；电流预测误差最大，达8.66A(2.75%)；总有功功率预测表现中等。结果表明Holt-Winters算法对稳定性高的累积型数据(
近日，TDengine 3.3.6.0 版本正式发布。除了此前已亮相的时序数据分析 AI 智能体 TDgpt，本次更新还带来了多个针对性能与易用性的重要增强：虚拟表全面上线，支持更灵活的一设备一表建模；JDBC 写入机制全新升级，单线程性能最高提升 60 倍；流计算支持 CONTINUOUS_WINDOW_CLOSE 模式、事件通知机制等关键能力，为实时处理打下更稳固的基础。本文为你整理了该版本的
analyse.sh脚本用于在 TDengine 数据库上执行时间序列预测和异常检测分析，支持滑动窗口算法处理。时间序列预测 ：使用 HoltWinters 等算法进行未来值预测。异常检测 ：使用 k-Sigma 等算法识别数据异常点。自动窗口滑动 ：支持自定义窗口大小和步长进行连续分析。
从海量监控数据，到工业、能源、交通等场景中实时更新的各类传感器数据，时序数据正在以指数级速度增长。而面对如此庞杂的数据，如何快速分析、自动发现问题、精准预测未来，成为企业数字化转型过程中的关键挑战。TDengine 的答案是——AI 智能体。2025 年 3 月 26 日（本周三）14:00，TDgpt 智能体发布暨 TDengine 3.3.6 发布会将通过线上直播形式正式举行。在本次会议上，我
在高并发、长周期的时序数据场景中，查询性能、安全性与生态兼容性，始终是系统演进的关键。近日，TSDB（）3.3.8.0 版本正式上线，本次更新带来了 Rollup SMA 多层级预计算、TimeRange-Wise SMA 时间范围预计算、TLS 加密传输、TDgpt 数据补全、MySQL 函数增强、taosX 逻辑备份与 ORC 数据源接入等多项功能升级，全面提升系统的性能、可扩展性与数据安全。
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。
TDengine IDMP近期在多个版本迭代中实现了AI能力、过程分析、可视化等关键升级，推动平台从工业数据管理向智能决策平台演进。核心更新包括：1）开放AI接口，支持Agent调用数据并生成业务报告；2）增强过程分析能力，新增标记线、散点图、相似度分析等功能，支持模型全生命周期管理；3）优化事件管理，通过子事件机制跟踪异常演变过程；4）提升面板可视化效果与配置灵活性；5）强化批量导入和系统管理能
4.查询引擎 |：01 查询引擎概览：TDengine v3.x（v3.3.x / v3.4.x）|最后更新：2026-06-07TDengine 的查询引擎是一套面向时序数据特征定制的分布式 SQL 执行框架。它从客户端解析 SQL 开始，经过语义分析、逻辑/物理计划生成、任务下发、算子并行执行、最终结果汇总，全过程围绕"按时间分片+按子表并行+按列裁剪"的核心理念展开。
本文详细介绍了如何在Spring Boot项目中集成TDengine时序数据库。主要内容包括： TDengine简介：高性能分布式时序数据库，适合物联网、工业互联网等场景，具有百万级写入性能、高压缩比和超级表设计等特点。 环境准备：JDK1.8+、Spring Boot 2.5.x+、TDengine 2.6.x+，提供了Linux和Docker两种安装方式。 项目集成步骤： 创建Spring B
TDengine 持续扩展 SQL 语法，新版本可能将之前的标识符变为保留字。业务命名避免使用 SQL 标准关键字对可能成为关键字的名字（如countorder）一律用反引号。
4.查询引擎 |：03 语义分析：TDengine v3.x（v3.3.x / v3.4.x）|最后更新：2026-06-09语义分析（Translator）是连接 Parser 与 Planner 的桥梁。它验证 SQL 在语义上是否合法（表是否存在、列类型是否匹配、聚合函数使用是否正确等），并对 AST 做规范化重写，为后续计划生成准备一棵"干净"的逻辑表达。
在模型设计上，我们需要充分利用 TDengine 的“超级表（Super Table）”特性进行动静分离： 静态特征化为标签（Tag）：将合并后的维度信息，如“用户所在省份（Province）”、“流量来源渠道（Channel）”、“商品大类（Category）”定义为超级表的标签。在电商大促的实时分析中，一个典型的场景是：我们需要在用户下单的 5 秒内，分析出“哪个省份的用户、通过哪个频道的点击
先学习什么是正常，然后发现任何不符合"正常模式"的东西。**Autoencoder（自编码器）**是 TDgpt 内置的深度学习模型。学习阶段：模型学习如何"压缩"正常数据，然后再"还原"它检测阶段：如果一个数据点能被很好地压缩和还原，说明它符合正常模式；如果还原误差很大，说明它是异常的想象一下，你让一个艺术家临摹各种人脸照片。对于正常的人脸，他能画得很像；但如果给他一张外星人的脸，他就画不像了—
中国软件行业协会发布《"人工智能+工业软件"融合应用成熟度评价规范》（T/SIA 064—2026），填补行业空白。该标准由27家单位共同起草，历时一年完成研制，明确了评价体系与分级架构，涵盖数据管理、智能分析等核心指标。北京涛思数据作为主要参与单位，依托其TDengine时序数据库和IDMP工业数据管理平台的技术积累，为标准提供重要支撑。标准实施将推动工业智能化升级，促进产业链协同发展，助力企业
摘要： TDengine是一款国产开源高性能时序数据库，专为物联网、工业互联网等时序数据场景优化设计。其核心设计亮点包括超级表（STable）（统一管理海量子表）、标签（Tag）（高效过滤分类数据）和时间线（优化时序数据存储），显著提升了数据写入性能（单机百万级/秒）和压缩比（10:1以上）。相比InfluxDB，TDengine具备国产化优势、类SQL语法、内置数据订阅和边云同步功能，适用于车联
本文系统分析了工业场景下时序数据库的选型策略。针对智能制造领域设备数量多、数据关联分析需求强、国产化和成本敏感三大特点，作者对比了TDengine、openGemini和InfluxDB三款主流时序数据库的核心特性及适用场景。TDengine采用"一设备一表"模型，集成缓存和流计算，适合大规模设备接入；openGemini作为华为开源产品，满足国产化需求且性能突出；InfluxDB则以成熟生态见长
TDengine 时序数据库学习摘要 TDengine是一款开源高性能时序数据库(TSDB)，专为物联网、工业互联网等时序数据场景设计。核心特性包括：百万级数据点/秒的高写入性能、5-20倍的高压缩比、兼容标准SQL语法、内置流式计算和缓存功能，以及原生分布式架构。 与传统关系型数据库相比，TDengine采用超级表(Super Table)+子表的数据模型，列式存储+时间分区，支持时序特有的窗口
安徽智质在水泥工厂智能化升级中，针对天车无人化调度系统的高频数据挑战，引入TDengine TSDB时序数据库，优化了海量数据处理能力。系统通过激光雷达和PLC实时采集万级通讯点数据，采用“超级表-子表”模型实现高效存储与查询，在单核虚拟化环境下（1核CPU/4GB内存）稳定运行。方案将故障定位时间缩短至5分钟内，支持90天数据长效存储，显著提升了天车轨迹回溯与故障排查效率，为水泥行业工业无人化提
构建的供应链数据平台，实现了从原材料到成品的全链路追踪。相比传统 database，时序数据库在处理物流追踪数据时具有显著优势，为制造业供应链管理提供了可靠的数据支撑。本文探讨 TDengine 时序数据库在制造业供应链管理中的应用，涵盖原材料追踪、在制品管理、成品物流等场景，实现供应链全链路可视化。WHEN temperature > 25 THEN '温度异常'WHEN shock_level
Tag（标签）是 TDengine 数据模型中区别于传统数据库的核心创新之一。Tag 将设备的静态属性（如位置、型号、楼层）从时序数据中分离出来，既避免了大量重复存储，又提供了高效的多维度过滤和分组能力。Schema 变更（ALTER TABLE/STABLE）则解决了生产环境中不可避免的"表结构演进"需求——添加新指标列、增删 Tag、修改列宽——且在线执行，不阻塞读写。Tag 的设计哲学与最佳
摘要：TDengine作为专为物联网设计的时序数据库，通过"一个设备一张表"的创新数据模型和云原生架构，有效解决了工业物联网中海量设备接入、实时性要求和存储成本等核心挑战。其写入性能可达百万点/秒，压缩比达1:10，查询延迟低于1秒，在北京发那科等案例中实现了60%的成本降低和毫秒级告警响应。TDengine还提供IDMP平台和AI智能体，支持流式计算、数据订阅和智能分析，并与
TDengine 的数据模型围绕一个核心设计理念——一个数据采集点一张表这与传统关系型数据库"所有设备共享一张宽表"的思路截然不同。为了在"一设备一表"的基础上实现高效的聚合查询和统一管理，TDengine 创造了**超级表（STable）**机制——同类设备共享 Schema，通过 Tag 区分个体。本文深入解析三种表类型的设计理念、内部存储结构和适用场景。超级表是同类数据采集点的模板-- 列（
TDengine TSDB 3.4.0 时序数据库入门实战（安装部署 + 数据模型 + SQL 实操 + 项目连接）
TDengine 作为一款专为时序数据设计的 database，通过其高性能的查询引擎、丰富的数据访问接口和原生的数据处理能力，为 AI 模型训练提供了一站式的数据管道解决方案。TDengine 作为一款高性能的时序 database，不仅提供了卓越的数据存储和查询能力，更通过其丰富的数据访问接口和生态集成能力，为 AI 模型训练提供了一站式的数据管道解决方案。在时序数据的模型训练中，数据的分割策
随着国产化替代和数字化转型的推进，越来越多的工业企业考虑将历史数据从 OSIsoft PI 迁移到 TDengine IDMP。本文提供从数据模型映射、历史数据迁移到应用层适配的完整实践指南，帮助企业平稳完成 historian 平台的升级。通过合理的迁移规划和充分的测试验证，企业可以平稳完成 historian 平台的升级。assert abs(pi_val.value - td_val[1])
国产时序数据库TDengine通过开源战略构建信创生态体系，采用AGPL协议实现技术普惠，已形成活跃开发者社区。产品深度适配国产芯片、操作系统和云平台，与华为云等主流厂商建立联合方案。在工业领域，TDengine与MES、SCADA等工业软件完成集成，提供智能制造、新能源等行业解决方案。通过多语言SDK和技术认证体系赋能开发者，降低企业数字化门槛。未来将扩展全球社区、深化AI集成，推动行业标准制定
tdengine
——tdengine
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
脑启社区
2048 AI社区
龙虾开发者社区
AI编程社区
智能体开发者社区
MCP技术社区
AI硬件创业社区
快递鸟社区
AtomGit开源社区
openEuler 社区
