工业 4.0 的核心是 “数据驱动”，而数据驱动的前提是 “数据自由流动”。TDengine 从开源内核出发，通过标准兼容打破工具壁垒，通过 MQTT 订阅升级拓宽数据接入场景，通过多平台发布功能打通下游链路，构建起覆盖工业数据全生命周期的开放生态 —— 既解决了传统系统的 “孤岛困境”，又契合中国工业企业 “国产化、低成本、高效率” 的数字化需求。随着工业 AI、数字孪生等技术的深入应用，工业数

TDengine 在电力行业的实践

2018 年到 2022 年，OpenTSDB 在我们私有化场景中的表现曾一度支撑着我们的系统，但随着业务的不断扩展，问题也接踵而至——高昂的部署成本、复杂的运维难题，让我们不得不寻求新的解决方案。同样地，对于指标计算，我们采用了类似的模型。对于日、月、年指标计算频率不一致的问题，我们也做了统一处理，现在所有计算频率统一为 15 分钟，并使用统一的时间窗口进行计算，确保数据的准确性。泛能网的建设理

Perspective 是一款开源且强大的数据可视化库，由 [Prospective.co](https://www.perspective.co/) 开发，运用 `WebAssembly` 和 `Web Workers` 技术，在 Web 应用中实现交互式实时数据分析，能在浏览器端提供高性能可视化能力。借助它，开发者可构建实时更新的仪表盘、图表等，用户能轻松与数据交互，按需求筛选、排序及挖掘数据

还在用命令行运维数据库？你真的了解 taosExplorer 吗？过去，TDengine 的管理和运维操作大多需要通过命令行执行。虽然 CLI 足够灵活，但对不熟悉 SQL 的用户来说，并不友好。更重要的是，很多企业用户并不希望把数据库操作的“主动权”只交给 DBA 或开发人员。taosExplorer 的设计目标，就是打破这种门槛。

TDengine Industrial Data Management Platform（TDengine IDMP）是一款 AI 原生的物联网、工业数据管理系统，它通过经典的树状层次结构组织传感器、设备采集的数据，建立数据目录，对数据提供语境化、标准化的处理，并提供实时分析、可视化、事件管理与报警等功能，旨在帮助企业快速高效的从运营数据中挖掘出商业价值。IDMP 充分利用 AI 技术，基于采集的

机器/深度学习模型一般要求训练集样本量足够大，才能取得不错的预测效果。训练过程要消耗一定量的时间和计算资源，并需要根据输入的数据进行定期的训练以及更新模型。TDgpt 内置了 PyTorch 和 Keras 机器学习库。所有使用 PyTorch 或 Keras 开发的模型均可以驱动运行。本章介绍将预训练完成的机器/深度学习分析模型添加到 TDgpt 中的方法。

TDengine 提供的五种备份 / 恢复方法各有优劣与适用场景：* taosdump ：社区版首选，适合小到中数据量的开放格式备份；* taosX ：企业版推荐，功能全面，支持复杂迁移与增量操作；* taos-CLI ：轻量临时备份，适合小数据量灵活导出；* 库文件备份 ：灾备场景必选，离线操作但覆盖全量数据；* 双活 ：高可用首选，保障业务连续性但资源消耗大。企业需结合数据规模、可用资源、场景

Node-RED是由 IBM 开发的基于 Node.js 的开源可视化编程工具，通过图形化界面组装连接各种节点，实现物联网设备、API 及在线服务的连接。同时支持多协议、跨平台，社区活跃，适用于智能家居、工业自动化等场景的事件驱动应用开发，其主要特点是低代码、可视化。TDengine 与 Node-RED 深度融合为工业 IoT 场景提供全栈式解决方案。通过 Node-RED 的 MQTT/OPC

其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。: 统一设备位置信息的大小写格式,便于数据查询和统计。: