从 ETL 到 ELT，工业数据管理的目标一直没变：让数据 “存得下、用得快、出价值”。但光有 ELT 不够，光有 AI 也不够——得有一个平台，把 “数据情景化” 做好，让 AI 能 “看懂数据、用好数据”。TDengine IDMP 做的就是这件事：它不是单纯的 “数据库扩展”，也不是 “治理工具”，而是把 “存储、情景化、AI 协作” 串起来的工业数据中枢。它解决的是工业数据的 “最后一公里

TDengine 客户端驱动提供了应用编程所需要的全部 API，并且在整个集群的分布式计算中扮演着重要角色。客户端驱动的行为除了 API 及其具体参数以外，也可以通过配置文件的形式进行全局控制，本节列举 TDengine 客户端可以使用的配置参数。

趋势图将一个或多个时序指标以折线的形式绘制在时间轴上，连接各数据点以展示数值随时间的变化趋势。它专为连续测量数据而生——温度、压力、流量、能耗、振动等——这类数据的时间形态本身就承载着意义。多个指标可以绘制在同一图表上，每个指标作为独立的折线，一眼便可发现关联关系和相对变化规律。除基本绘图外，趋势图是 TDengine IDMP 中的主要面板类型，也是高级分析功能的入口：使用 AI 预测未来值、通

工业数据，从来不仅仅是采集的信号。它关乎系统，以及系统如何运行。资产定义“是什么”。事件定义“发生了什么”。只有当两者结合在一起，我们才能真正理解工业运行，也才能让 AI 在工业场景中发挥真正的价值。

随着资产模型不断扩展，快速定位所需元素或属性变得至关重要。

工业环境通常从多个数据源采集数据，这些数据往往命名不一致、物理单位各异、数据结构不同。如果没有标准化，跨资产分析、AI 生成洞察和数据汇聚将变得不可靠甚至无法实现。TDengine IDMP 提供了多种机制，对整个资产模型中的数据进行标准化。

数据库表中名为current的列只是一个数字。只有当您知道是哪个电表产生了它、该电表安装在哪里、值的物理单位是什么，以及什么范围属于正常，它才变得有意义。是将这些背景知识附加到数据上的过程——将原始测量值转化为丰富、可查询、AI 就绪的工业数据资产。TDengine IDMP 通过三种互补机制构建数据上下文：元素、属性和事件。每种机制提供不同维度的信息，三者共同赋予每个数据点完整的工业语义。

工业数据的下一阶段不是“有没有数据”，而是系统能不能承载更复杂的分析、更长周期的运行，以及更高层次的智能应用。2026 年，TDengine 正在为这一阶段提前铺路。如果你正在使用 TDengine，或正在评估下一代工业数据平台，这份路线图，或许能帮你更早看清接下来一年的演进方向。同时，我们也欢迎你基于真实场景和实际需求反馈建议，一起把这份 Roadmap 打磨得更加“落地”。关于 TDengin

TDengine IDMP（Industrial Data Management Platform，工业数据管理平台）是一款 AI 原生的工业数据管理平台，专为管理、分析工业运营数据并从中提取业务洞察而设计。TDengine IDMP 与 TDengine TSDB 协同工作。TDengine TSDB 是一款高性能分布式时序数据库，负责存储和处理传感器、设备及控制系统产生的海量时序数据。借助这些

作者： Jeff Taos —— 涛思数据工业数据基础设施正在经历一场深刻的变革。在过去几十年中，工业实时数据库一直是工业运行体系的核心基础设施。它解决了工业计算中最关键、也最困难的问题之一：如何从设备与控制系统中持续采集、存储，并高效访问海量的时序数据。像 PI System 这样的系统，已经成为工厂、电厂和炼化企业中不可或缺的一部分。但如今，工业数据所处的环境已经发生了变化。现代 IT 架构、