单实例部署形态以“快速交付、低复杂度”为目标，通常用于 PoC、演示验证、小规模交付或封闭网络环境。TDengine IDMP 以单实例方式对外提供 Web/API 服务，采集侧通过 taosX agent 将数据写入 TDengine TSDB，IDMP 通过内部端口访问 TSDB 完成数据管理与查询。该形态组件最少、链路最短、部署与运维成本最低，但对外暴露面相对更大且存在单点风险，生产场景一般

多表低频是指根据数据库的配置，一个 vnode 中单次数据落盘的单表数据条数普遍小于 minRows 时，可视为多表低频场景。stt_trigger 是解决多表低频场景引入的一个参数和一套机制，stt_trigger 等于 1 时，数据是从buffer 直接落到最终的 data 文件中，零散的写入 last 中，当 stt_trigger 大于 1 时，原来的直接落盘被分成两步来完成，第一步数据先

execute是算法处理的核心方法。框架调用该方法之前，在对象属性参数self.list中已经设置完毕用于异常检测的时间序列数据。

仪表盘用于实时数据监控，可以在表盘上展示出不同的警示区域，方便快速判断当前状态。

工业大数据是指在工业领域中生成、收集和存储的大规模数据集合。这些数据集合涵盖了从传感器、监控设备、生产线、供应链等多个来源采集的大量数据。工业大数据的特点包括以下几个方面：

✅ 成功安装并启动 TDengine✅ 掌握基本的增删改查操作✅ 了解 TDengine 的核心概念✅ 体验了数据可视化和性能测试TDengine 的强大之处在于它的简单易用和高性能。继续探索，你会发现更多强大的功能！有问题？查看官方文档：https://docs.taosdata.com/加入社区讨论：https://github.com/taosdata/TDengine/discussion

在时序数据管理领域，TDengine 的集群功能为企业提供了强大的水平扩展和高可用能力。相比于 InfluxDB 封闭的企业版集群，TDengine 的开源集群打破了软件授权的桎梏，让用户能够以更低成本应对数据爆发式增长的挑战。同时，TDengine 的分片、分区与虚拟节点技术，使其在高效数据管理和复杂查询性能上遥遥领先。对于那些追求系统扩展性、易维护性和高性价比的企业来说，TDengine 已成

随着数据规模的快速增长，数据治理已经成为各类组织必须面对的一项基础能力。在传统企业环境中，数据治理主要围绕业务数据展开，例如客户信息、财务数据、人力资源数据和交易记录，目标是确保合规性、数据质量和安全性。但在工业环境中，数据所处的条件完全不同。数据来自机器、传感器、控制系统和各类联网资产，持续产生、规模巨大、且高度实时。由此可见，工业数据治理绝非通用数据治理在工业领域的简单套用，而是一套受运营流程

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 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