TDengine 在智能制造领域的应用实践

TDengine 在智能制造领域的应用实践

一、概述

智能制造场景中，从生产设备采集的海量时序数据具有高频率、多维度、强关联的特点。TDengine 凭借其独特的"一台设备一张表"数据模型和高效的时序数据处理能力,成为智能制造领域的理想选择。本文将通过实际案例展示 TDengine 在智能制造中的数据建模、写入和查询实践。

二、场景分析

以某智能制造工厂的设备监控系统为例，需要采集和分析以下数据：

生产设备监控：注塑机、数控机床、机器人等设备的运行状态
环境监测：车间温湿度、气压、粉尘浓度等环境参数
能耗管理：各生产线的电力、水、气等能源消耗
质量检测：产品尺寸、重量、缺陷等质量指标

系统需要满足以下需求：

支持 10 万+ 数据采集点的实时数据接入
提供毫秒级的实时数据查询响应
支持多维度的设备状态分析和故障预警
实现生产过程的可视化追溯

三、数据建模实践

3.1 设备监控数据模型

方案一：多列模型（推荐）

采用多列模型将同一设备同时采集的多个物理量存储在一张表中，提高存储和查询效率。

sql 复制代码

-- 创建数据库，针对工业场景优化参数
CREATE DATABASE IF NOT EXISTS manufacture 
    BUFFER 256          -- 写入缓存 256MB
    CACHEMODEL 'both'   -- 同时缓存最新数据块和最新数据行
    CACHESIZE 64        -- 缓存大小 64MB
    DURATION 7          -- 数据文件存储时长 7 天
    KEEP 3650           -- 数据保留 10 年
    PAGES 256           -- VNODE 中元数据存储引擎的缓存页数
    PAGESIZE 4          -- VNODE 中元数据存储引擎的页大小 4KB
    PRECISION 'ms'      -- 时间精度为毫秒
    REPLICA 3           -- 数据副本数为 3
    WAL_LEVEL 1         -- WAL 级别为 1（异步落盘）
    WAL_RETENTION_PERIOD 3600;  -- WAL 保留 1 小时，支持数据订阅回放

-- 使用数据库
USE manufacture;

-- 创建注塑机监控超级表
CREATE STABLE IF NOT EXISTS injection_molding_machines (
    ts TIMESTAMP,                    -- 时间戳（主键，必须）
    status INT,                      -- 设备状态：0-停机, 1-运行, 2-故障, 3-维护
    temperature FLOAT,               -- 料筒温度（℃）
    pressure FLOAT,                  -- 注塑压力（MPa）
    speed INT,                       -- 螺杆转速（rpm）
    cycle_time INT,                  -- 成型周期（秒）
    shot_count BIGINT,               -- 累计射出次数
    energy_consumption FLOAT,        -- 瞬时能耗（kW）
    alarm_code INT                   -- 报警代码，0 表示无报警
) TAGS (
    machine_id VARCHAR(64),          -- 设备编号
    model VARCHAR(64),               -- 设备型号
    workshop VARCHAR(64),            -- 所属车间
    production_line VARCHAR(64),     -- 所属生产线
    install_date TIMESTAMP,          -- 安装日期
    rated_power FLOAT,               -- 额定功率（kW）
    location VARCHAR(128)            -- 安装位置
);

-- 创建环境监测超级表
CREATE STABLE IF NOT EXISTS environment_sensors (
    ts TIMESTAMP,
    temperature FLOAT,               -- 温度（℃）
    humidity FLOAT,                  -- 湿度（%）
    pressure FLOAT,                  -- 气压（kPa）
    pm25 FLOAT,                      -- PM2.5 浓度（μg/m³）
    pm10 FLOAT                       -- PM10 浓度（μg/m³）
) TAGS (
    sensor_id VARCHAR(64),
    sensor_type VARCHAR(32),
    area VARCHAR(64),
    floor INT
);

-- 创建能耗监测超级表
CREATE STABLE IF NOT EXISTS energy_meters (
    ts TIMESTAMP,
    voltage FLOAT,                   -- 电压（V）
    current FLOAT,                   -- 电流（A）
    power FLOAT,                     -- 功率（kW）
    power_factor FLOAT,              -- 功率因数
    energy_total DOUBLE,             -- 总电能（kWh）
    phase FLOAT                      -- 相位角（度）
) TAGS (
    meter_id VARCHAR(64),
    meter_location VARCHAR(128),
    device_type VARCHAR(64),
    group_id INT
);

方案二：单列模型

对于采集量种类频繁变化的场景，可采用单列模型：

sql 复制代码

-- 创建单列模型超级表（每个物理量单独一张表）
CREATE STABLE IF NOT EXISTS device_metrics (
    ts TIMESTAMP,
    value DOUBLE                     -- 统一的数值字段
) TAGS (
    device_id VARCHAR(64),
    metric_name VARCHAR(64),         -- 指标名称：temperature, pressure 等
    unit VARCHAR(32),                -- 单位
    data_type VARCHAR(32)            -- 数据类型：ANALOG, DIGITAL
);

3.2 创建子表

方式一：手动创建子表

sql 复制代码

-- 创建具体的注塑机子表
CREATE TABLE IF NOT EXISTS im_machine_001 
USING injection_molding_machines 
TAGS (
    'IM-001',                        -- machine_id
    'HT-2800',                       -- model
    '一车间',                         -- workshop
    '生产线A',                        -- production_line
    '2023-01-15 00:00:00',          -- install_date
    280.0,                           -- rated_power
    '一车间东区A03'                   -- location
);

CREATE TABLE IF NOT EXISTS im_machine_002 
USING injection_molding_machines 
TAGS (
    'IM-002', 'HT-2800', '一车间', '生产线A', 
    '2023-01-15 00:00:00', 280.0, '一车间东区A04'
);

-- 创建环境传感器子表
CREATE TABLE IF NOT EXISTS env_workshop1_zone1 
USING environment_sensors 
TAGS ('ENV-001', 'Temperature&Humidity', '一车间', 1);

-- 创建电表子表
CREATE TABLE IF NOT EXISTS meter_line_a 
USING energy_meters 
TAGS ('METER-A01', '一车间生产线A配电柜', '三相电表', 1);

方式二：自动建表（推荐）

在写入数据时自动创建子表，简化应用开发：

sql 复制代码

-- 写入数据时自动创建子表
INSERT INTO im_machine_003 
USING injection_molding_machines 
TAGS (
    'IM-003', 'HT-3500', '二车间', '生产线B',
    '2023-03-20 00:00:00', 350.0, '二车间西区B01'
)
VALUES (
    NOW, 1, 185.5, 120.8, 850, 45, 125680, 78.5, 0
);

3.3 数据模型对比

模型类型	适用场景	优点	缺点
多列模型	采集量固定、同时采集	写入效率高、存储效率高、查询方便	结构变更需修改表结构
单列模型	采集量动态变化	灵活性强、易于扩展	写入效率相对较低、查询需要关联

四、数据写入实践

4.1 SQL 方式写入

单条写入

sql 复制代码

-- 插入单条数据
INSERT INTO im_machine_001 VALUES (
    '2024-12-22 10:30:00.000',
    1,              -- status: 运行
    185.2,          -- temperature
    118.5,          -- pressure  
    820,            -- speed
    42,             -- cycle_time
    125345,         -- shot_count
    76.8,           -- energy_consumption
    0               -- alarm_code
);

批量写入（推荐）

sql 复制代码

-- 批量插入多条数据到同一张表
INSERT INTO im_machine_001 VALUES 
    ('2024-12-22 10:30:00.000', 1, 185.2, 118.5, 820, 42, 125345, 76.8, 0)
    ('2024-12-22 10:30:01.000', 1, 185.3, 118.6, 822, 42, 125346, 77.1, 0)
    ('2024-12-22 10:30:02.000', 1, 185.1, 118.4, 818, 43, 125347, 76.5, 0);

-- 批量插入数据到多张表（自动建表）
INSERT INTO 
    im_machine_001 VALUES ('2024-12-22 10:30:00', 1, 185.2, 118.5, 820, 42, 125345, 76.8, 0)
    im_machine_002 VALUES ('2024-12-22 10:30:00', 1, 186.1, 120.2, 835, 41, 98760, 82.3, 0)
    im_machine_003 USING injection_molding_machines 
        TAGS ('IM-003', 'HT-3500', '二车间', '生产线B', '2023-03-20 00:00:00', 350.0, '二车间西区B01')
        VALUES ('2024-12-22 10:30:00', 1, 192.5, 135.8, 920, 38, 67890, 95.2, 0);

4.2 参数绑定写入（高性能）

使用参数绑定可以显著提升写入性能，推荐用于高频数据写入场景。

Python 示例

python 复制代码

import taos
from datetime import datetime

def write_with_stmt():
    """使用参数绑定写入数据"""
    conn = taos.connect(database="manufacture")
    
    try:
        # 准备 SQL 语句，使用 ? 作为占位符
        sql = """INSERT INTO ? USING injection_molding_machines 
                 TAGS(?, ?, ?, ?, ?, ?, ?) 
                 VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)"""
        
        stmt = conn.statement(sql)
        
        # 准备数据
        machines = [
            {
                'table': 'im_machine_101',
                'tags': ('IM-101', 'HT-2800', '三车间', '生产线C', 
                        '2024-01-01 00:00:00', 280.0, '三车间C01'),
                'data': [
                    ('2024-12-22 10:30:00.000', 1, 185.2, 118.5, 820, 42, 125345, 76.8, 0),
                    ('2024-12-22 10:30:01.000', 1, 185.3, 118.6, 822, 42, 125346, 77.1, 0),
                    ('2024-12-22 10:30:02.000', 1, 185.1, 118.4, 818, 43, 125347, 76.5, 0),
                ]
            },
            {
                'table': 'im_machine_102',
                'tags': ('IM-102', 'HT-3500', '三车间', '生产线C',
                        '2024-01-01 00:00:00', 350.0, '三车间C02'),
                'data': [
                    ('2024-12-22 10:30:00.000', 1, 192.5, 135.8, 920, 38, 67890, 95.2, 0),
                    ('2024-12-22 10:30:01.000', 1, 192.6, 135.9, 921, 38, 67891, 95.3, 0),
                ]
            }
        ]
        
        # 绑定并写入数据
        for machine in machines:
            # 设置表名和标签
            tags = taos.new_bind_params(7)  # 7 个标签
            tags[0].binary(machine['tags'][0])    # machine_id
            tags[1].binary(machine['tags'][1])    # model
            tags[2].binary(machine['tags'][2])    # workshop
            tags[3].binary(machine['tags'][3])    # production_line
            tags[4].timestamp(machine['tags'][4]) # install_date
            tags[5].float(machine['tags'][5])     # rated_power
            tags[6].binary(machine['tags'][6])    # location
            
            stmt.set_tbname_tags(machine['table'], tags)
            
            # 绑定数据行
            for row in machine['data']:
                values = taos.new_bind_params(9)  # 9 列数据
                values[0].timestamp(row[0])
                values[1].int(row[1])
                values[2].float(row[2])
                values[3].float(row[3])
                values[4].int(row[4])
                values[5].int(row[5])
                values[6].bigint(row[6])
                values[7].float(row[7])
                values[8].int(row[8])
                
                stmt.bind_param(values)
        
        # 执行写入
        stmt.execute()
        print(f"成功写入 {sum(len(m['data']) for m in machines)} 条数据")
        
    finally:
        stmt.close()
        conn.close()

if __name__ == '__main__':
    write_with_stmt()

4.3 无模式写入（InfluxDB 行协议）

适用于从其他时序数据库迁移的场景：

python 复制代码

import taos

def write_with_schemaless():
    """使用无模式写入（InfluxDB 行协议）"""
    conn = taos.connect(database="manufacture")
    
    # InfluxDB 行协议格式
    lines = [
        "injection_molding_machines,machine_id=IM-201,model=HT-2800,workshop=四车间 "
        "status=1i,temperature=185.2,pressure=118.5,speed=820i,cycle_time=42i,"
        "shot_count=125345i,energy_consumption=76.8,alarm_code=0i 1703232600000",
        
        "injection_molding_machines,machine_id=IM-202,model=HT-3500,workshop=四车间 "
        "status=1i,temperature=192.5,pressure=135.8,speed=920i,cycle_time=38i,"
        "shot_count=67890i,energy_consumption=95.2,alarm_code=0i 1703232600000",
    ]
    
    try:
        conn.schemaless_insert(
            lines,
            taos.SmlProtocol.LINE_PROTOCOL,
            taos.SmlPrecision.MILLISECONDS
        )
        print(f"成功写入 {len(lines)} 条数据")
    finally:
        conn.close()

4.4 高性能批量写入实践

对于高并发场景，可以使用多线程/多进程写入：

python 复制代码

import taos
import multiprocessing
from queue import Queue, Empty
import time

WRITE_TASK_COUNT = 4      # 写入任务数
MAX_BATCH_SIZE = 3000     # 每批次最大行数

def run_write_task(task_id: int, queue: Queue):
    """写入任务"""
    conn = taos.connect(database="manufacture")
    
    try:
        while True:
            lines = []
            # 批量获取数据
            for _ in range(MAX_BATCH_SIZE):
                try:
                    line = queue.get_nowait()
                    if line == 'DONE':
                        return
                    lines.append(line)
                except Empty:
                    time.sleep(0.01)
                    break
            
            if lines:
                # 拼接 SQL
                sql = "INSERT INTO " + " ".join(lines)
                conn.execute(sql)
                print(f"Task {task_id}: 写入 {len(lines)} 条")
    finally:
        conn.close()

def fast_write_demo():
    """高性能写入示例"""
    queue = multiprocessing.Queue(maxsize=100000)
    
    # 启动写入进程
    processes = []
    for i in range(WRITE_TASK_COUNT):
        p = multiprocessing.Process(target=run_write_task, args=(i, queue))
        p.start()
        processes.append(p)
    
    # 模拟数据生成
    for i in range(10000):
        line = f"im_machine_001 VALUES (NOW+{i}a, 1, 185.2, 118.5, 820, 42, {125345+i}, 76.8, 0)"
        queue.put(line)
    
    # 发送结束信号
    for _ in range(WRITE_TASK_COUNT):
        queue.put('DONE')
    
    # 等待完成
    for p in processes:
        p.join()
    
    print("批量写入完成")

if __name__ == '__main__':
    fast_write_demo()

五、数据查询实践

5.1 基础查询

查询最新数据

sql 复制代码

-- 查询单台设备最新状态
SELECT LAST(*) FROM im_machine_001;

-- 查询所有设备最新状态
SELECT LAST_ROW(*) FROM injection_molding_machines 
PARTITION BY tbname;

-- 查询指定车间所有设备最新状态
SELECT tbname, LAST_ROW(ts, status, temperature, pressure, alarm_code)
FROM injection_molding_machines
WHERE workshop = '一车间'
PARTITION BY tbname;

时间范围查询

sql 复制代码

-- 查询某设备过去1小时的数据
SELECT ts, status, temperature, pressure, energy_consumption
FROM im_machine_001
WHERE ts >= NOW - 1h;

-- 查询指定时间范围的故障记录
SELECT ts, machine_id, alarm_code, temperature, pressure
FROM injection_molding_machines
WHERE ts BETWEEN '2024-12-22 00:00:00' AND '2024-12-22 23:59:59'
  AND alarm_code > 0
ORDER BY ts DESC;

5.2 聚合查询

基础聚合

sql 复制代码

-- 统计设备运行时长（小时）
SELECT 
    machine_id,
    COUNT(*) / 3600 AS run_hours,
    AVG(temperature) AS avg_temp,
    AVG(energy_consumption) AS avg_power,
    SUM(energy_consumption) / 3600 AS total_energy_kwh
FROM injection_molding_machines
WHERE ts >= NOW - 1d
  AND status = 1  -- 运行状态
GROUP BY machine_id;

-- 统计各车间设备数量和平均能耗
SELECT 
    workshop,
    COUNT(DISTINCT machine_id) AS machine_count,
    AVG(energy_consumption) AS avg_power
FROM injection_molding_machines
WHERE ts >= NOW - 1h
GROUP BY workshop;

5.3 窗口查询（降采样）

窗口查询是工业场景中最常用的功能，用于将高频采集数据降采样为低频统计数据。

时间窗口（INTERVAL）

sql 复制代码

-- 按 10 分钟统计设备平均参数
SELECT 
    _wstart AS window_start,
    _wend AS window_end,
    AVG(temperature) AS avg_temp,
    AVG(pressure) AS avg_pressure,
    AVG(speed) AS avg_speed,
    AVG(energy_consumption) AS avg_power
FROM im_machine_001
WHERE ts >= NOW - 1d
INTERVAL(10m);

-- 按小时统计各生产线产量和能耗
SELECT 
    _wstart AS hour,
    production_line,
    SUM(shot_count) - MIN(shot_count) AS output_count,
    SUM(energy_consumption) / 3600 AS total_energy_kwh
FROM injection_molding_machines
WHERE ts >= NOW - 1d
PARTITION BY production_line
INTERVAL(1h);

-- 按天统计设备 OEE（设备综合效率）
SELECT 
    _wstart AS date,
    machine_id,
    -- 时间开动率
    SUM(CASE WHEN status = 1 THEN 1 ELSE 0 END) * 100.0 / COUNT(*) AS availability,
    -- 平均周期时间（性能开动率的基础）
    AVG(CASE WHEN status = 1 THEN cycle_time ELSE NULL END) AS avg_cycle_time,
    -- 产量
    MAX(shot_count) - MIN(shot_count) AS daily_output
FROM injection_molding_machines
WHERE ts >= NOW - 7d
PARTITION BY machine_id
INTERVAL(1d);

滑动窗口

sql 复制代码

-- 计算过去 5 分钟的移动平均（每分钟更新一次）
SELECT 
    _wstart,
    machine_id,
    AVG(temperature) AS avg_temp,
    MAX(pressure) AS max_pressure
FROM injection_molding_machines
WHERE ts >= NOW - 1h
PARTITION BY machine_id
INTERVAL(1m) SLIDING(1m);

会话窗口（SESSION）

适用于分析设备连续运行/停机时段：

sql 复制代码

-- 统计设备连续运行时段
SELECT 
    _wstart AS session_start,
    _wend AS session_end,
    _wduration / 1000 AS duration_seconds,
    AVG(temperature) AS avg_temp,
    AVG(energy_consumption) AS avg_power
FROM im_machine_001
WHERE ts >= NOW - 1d
  AND status = 1
SESSION(ts, 5m);  -- 间隔超过 5 分钟视为新会话

状态窗口（STATE）

统计设备不同状态的持续时间：

sql 复制代码

-- 统计设备各状态持续时长
SELECT 
    _wstart,
    _wend,
    _wduration / 1000 AS duration_seconds,
    status,
    CASE status
        WHEN 0 THEN '停机'
        WHEN 1 THEN '运行'
        WHEN 2 THEN '故障'
        WHEN 3 THEN '维护'
    END AS status_name
FROM im_machine_001
WHERE ts >= NOW - 1d
STATE_WINDOW(status);

5.4 插值查询

用于生成固定时间间隔的报表数据：

sql 复制代码

-- 每 10 分钟采样一次（线性插值）
SELECT 
    _irowts AS sample_time,
    INTERP(temperature) AS temp,
    INTERP(pressure) AS pressure,
    INTERP(energy_consumption) AS power
FROM im_machine_001
WHERE ts >= '2024-12-22 00:00:00' 
  AND ts < '2024-12-23 00:00:00'
RANGE('2024-12-22 00:00:00', '2024-12-23 00:00:00') 
EVERY(10m)
FILL(LINEAR);

-- 截面查询：获取特定时间点的数据快照
SELECT 
    tbname AS machine,
    INTERP(*) 
FROM injection_molding_machines
WHERE workshop = '一车间'
  AND ts >= '2024-12-22 10:00:00' 
  AND ts < '2024-12-22 10:10:00'
RANGE('2024-12-22 10:00:00') 
PARTITION BY tbname
FILL(VALUE, 0);

5.5 多表关联查询

JOIN 查询

sql 复制代码

-- 关联设备数据和能耗数据
SELECT 
    m.ts,
    m.machine_id,
    m.status,
    m.energy_consumption AS instant_power,
    e.power AS meter_power,
    e.energy_total
FROM im_machine_001 m
LEFT JOIN meter_line_a e ON m.ts = e.ts
WHERE m.ts >= NOW - 1h;

-- 三表关联：设备+环境+能耗
SELECT 
    m._wstart,
    AVG(m.temperature) AS machine_temp,
    AVG(env.temperature) AS ambient_temp,
    AVG(m.energy_consumption) AS power,
    SUM(e.energy_total) AS total_energy
FROM injection_molding_machines m,
     environment_sensors env,
     energy_meters e
WHERE m.workshop = '一车间'
  AND env.area = '一车间'
  AND e.meter_location LIKE '一车间%'
  AND m.ts >= NOW - 1d
  AND env.ts >= NOW - 1d
  AND e.ts >= NOW - 1d
INTERVAL(1h);

5.6 高级分析查询

故障预警分析

sql 复制代码

-- 检测温度异常（连续 5 分钟超过阈值）
SELECT 
    tbname AS machine,
    machine_id,
    _wstart,
    _wend,
    AVG(temperature) AS avg_temp,
    MAX(temperature) AS max_temp
FROM injection_molding_machines
WHERE ts >= NOW - 1h
  AND temperature > 200  -- 温度阈值
PARTITION BY tbname
INTERVAL(5m)
HAVING AVG(temperature) > 200;

-- 连续过载报警（能耗超过额定功率 1.2 倍）
SELECT 
    machine_id,
    rated_power,
    _wstart,
    _wduration / 1000 AS overload_seconds,
    AVG(energy_consumption) AS avg_power
FROM injection_molding_machines
WHERE ts >= NOW - 1d
  AND energy_consumption > rated_power * 1.2
PARTITION BY machine_id
STATE_WINDOW(energy_consumption > rated_power * 1.2);

产能统计分析

sql 复制代码

-- 统计各生产线日产量和合格率
SELECT 
    _wstart AS date,
    production_line,
    MAX(shot_count) - MIN(shot_count) AS daily_output,
    -- 故障停机次数
    COUNT(CASE WHEN alarm_code > 0 THEN 1 END) AS fault_count,
    -- 平均周期时间
    AVG(CASE WHEN status = 1 THEN cycle_time END) AS avg_cycle
FROM injection_molding_machines
WHERE ts >= NOW - 30d
PARTITION BY production_line
INTERVAL(1d);

-- 设备稼动率分析
SELECT 
    machine_id,
    workshop,
    -- 总时间（小时）
    (MAX(ts) - MIN(ts)) / 3600000 AS total_hours,
    -- 运行时间（小时）
    SUM(CASE WHEN status = 1 THEN 1 ELSE 0 END) / 3600 AS run_hours,
    -- 稼动率
    SUM(CASE WHEN status = 1 THEN 1 ELSE 0 END) * 100.0 / COUNT(*) AS utilization_rate
FROM injection_molding_machines
WHERE ts >= NOW - 7d
GROUP BY machine_id, workshop
ORDER BY utilization_rate DESC;

能耗分析

sql 复制代码

-- 各车间能耗排名
SELECT 
    workshop,
    SUM(energy_consumption) / 3600 AS total_energy_kwh,
    AVG(energy_consumption) AS avg_power_kw,
    MAX(energy_consumption) AS peak_power_kw
FROM injection_molding_machines
WHERE ts >= NOW - 1d
GROUP BY workshop
ORDER BY total_energy_kwh DESC;

-- 能耗趋势分析（按小时）
SELECT 
    _wstart AS hour,
    production_line,
    SUM(energy_consumption) / 3600 AS energy_kwh,
    MAX(shot_count) - MIN(shot_count) AS output,
    -- 单位产品能耗
    SUM(energy_consumption) / NULLIF(MAX(shot_count) - MIN(shot_count), 0) AS energy_per_unit
FROM injection_molding_machines
WHERE ts >= NOW - 1d
PARTITION BY production_line
INTERVAL(1h);

5.7 实时流计算

使用流计算实现实时降采样和预警：

sql 复制代码

-- 创建实时降采样流（每分钟聚合）
CREATE STREAM IF NOT EXISTS stream_machine_1min INTO machine_stats_1min AS
SELECT 
    _wstart AS ts,
    machine_id,
    AVG(temperature) AS avg_temp,
    AVG(pressure) AS avg_pressure,
    AVG(speed) AS avg_speed,
    AVG(energy_consumption) AS avg_power,
    MAX(alarm_code) AS max_alarm
FROM injection_molding_machines
PARTITION BY machine_id
INTERVAL(1m);

-- 创建实时异常检测流
CREATE STREAM IF NOT EXISTS stream_machine_alert INTO machine_alerts AS
SELECT 
    _wstart AS ts,
    machine_id,
    workshop,
    AVG(temperature) AS avg_temp,
    MAX(alarm_code) AS alarm_code
FROM injection_molding_machines
WHERE temperature > 200 OR alarm_code > 0
PARTITION BY machine_id
INTERVAL(5m);

-- 查询流计算结果
SELECT * FROM machine_stats_1min 
WHERE ts >= NOW - 1h
ORDER BY ts DESC;

六、性能优化建议

6.1 数据库参数优化

sql 复制代码

-- 针对高频写入场景优化
ALTER DATABASE manufacture 
    BUFFER 512          -- 增大写入缓存
    WAL_LEVEL 1         -- 异步落盘提升写入性能
    WAL_FSYNC_PERIOD 1000;  -- WAL 刷盘周期 1 秒

-- 针对查询优化
ALTER DATABASE manufacture 
    CACHEMODEL 'both'   -- 同时缓存数据块和行
    CACHESIZE 128;      -- 增大缓存

6.2 查询优化

sql 复制代码

-- 使用标签过滤（高效）
SELECT * FROM injection_molding_machines
WHERE workshop = '一车间'  -- 标签过滤，走元数据索引
  AND ts >= NOW - 1h;

-- 避免全表扫描
SELECT * FROM injection_molding_machines
WHERE temperature > 200  -- 数据列过滤，需要扫描数据
LIMIT 100;               -- 使用 LIMIT 限制结果集

-- 使用分区查询
SELECT machine_id, AVG(temperature)
FROM injection_molding_machines
WHERE ts >= NOW - 1d
PARTITION BY machine_id;  -- 按子表分区并行查询

6.3 写入优化

批量写入：每批 1000-5000 条记录
使用参数绑定：比普通 SQL 快 5-10 倍
多线程并发写入：充分利用多核 CPU
合理设置 BUFFER：写入缓存设为内存的 1/4 到 1/2

七、实际案例总结

某烟厂项目实施效果：

数据规模：累计存储超过 2 万亿条数据
查询性能：最新数据查询延迟 < 10ms
写入性能：支持 10 万+ 测点的实时数据接入
存储效率：相比传统数据库，存储空间节省 80%
稳定性：系统持续稳定运行超过 2 年

关键技术点：

采用"一台设备一张表"的数据模型
使用参数绑定批量写入提升性能
通过流计算实现实时降采样
利用标签进行多维度分析
配置 WAL 保留支持数据订阅回放

八、总结

TDengine 在智能制造领域具有以下核心优势：

灵活的数据模型：支持多列/单列模型，适应不同场景
高效的写入性能：支持批量写入、参数绑定、多线程并发
强大的查询能力：窗口查询、插值查询、流计算等时序特性
简化的运维管理：自动分区、动态扩容、高可用集群
完善的生态支持：丰富的数据采集器、可视化工具对接

通过合理的数据建模和性能优化，TDengine 能够有效支撑智能制造场景中海量时序数据的存储、分析和应用，为企业数字化转型提供坚实的数据底座。

关于 TDengine

TDengine 专为物联网IoT平台、工业大数据平台设计。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。