TDengine IDMP 十大实用功能（3）

资产建模（元素树 + 元素模板 + 属性 + UOM）------先把「这是哪台设备」说清楚

一句话：IDMP 不把现场数据当成"一堆点位号"。它先让你建一棵树，把厂里有什么设备、设备有哪些属性、属性用什么单位定下来；这棵树建对了，后面的面板、分析、事件、AI 才全都有意义。

一、工业数据的第一道坎不是"存"，是"认亲"

时序数据库里，一条数据长这样：

bash 复制代码

tag001_pv    2026-09-12 08:00:00.000    3.42

存是存下来了。但------这是哪台设备？哪个测点？单位是米还是兆帕？3.42 算正常还是异常？没人知道。

于是每个项目都要重来一遍：写文档、做对照表、在 Excel 里查"tag001 对应 3 号线 2 号泵出口压力"。查完这一遍，系统里的数据才算有了意义------但这份意义不在系统里，在某个人的脑子里。

IDMP 的资产建模，就是把这层意义搬进系统：

原来	建完模型之后
`tag001_pv = 3.42`	「炼钢车间 / 3 号泵站 / 2 号泵」的「出口压力」= 3.42 MPa
不知道是谁的数据	知道它属于哪台设备、哪条产线、哪个车间
不知道正不正常	有模板给的正常范围、有单位换算、有理论上的关联测点
换个人就看不明白	谁打开都看得懂

一句话：建模不是"配置工作量"，是"把老师傅的脑子变成系统的结构"。

二、元素树：像文件夹一样组织整个工厂

IDMP 用一棵树描述你的工厂，和电脑里的文件夹几乎是一个思路：

bash 复制代码

集团
└── 华东基地
    └── 炼钢车间
        ├── 3 号转炉
        │   ├── 氧枪系统
        │   │   ├── 氧枪 A
        │   │   └── 氧枪 B
        │   └── 倾动机构
        └── 1 号精炼炉

树上的每一个节点叫一个元素（Element）------可以是一个车间、一条产线、一台设备、一个部件，甚至一个虚拟分组。它有三个好处：

找得到：想找 2 号泵，沿树点进去，不用背点位号。
可继承：父节点的属性可以被下面的子节点继承和聚合------"整条线"的能耗不用手工加总。
权限有边界：谁管哪个车间，就给哪个子树，天然对应组织架构。

⚠️ 但要说清楚：树只表达"归属"，不表达"影响"。

"这台泵属于 3 号泵站"是树；"这台泵的停机会导致下游结晶器缺水"不是树，那是关系------见第 04 篇。

三、元素模板：一次定义，批量生产

一台泵有流量、压力、电流、振动、温度、启停状态......如果每台泵都手工加一遍属性，40 台泵就是 40 遍重复劳动，而且必然有人漏、有人拼错。

元素模板（Element Template）就是解决这个的：

你定义一个「水泵」模板：12 个标准属性、每个属性的类型和单位；
然后每台泵套上这个模板，12 个属性自动到位；
以后加一个新属性（比如"轴承温度"），改模板一次，40 台泵全部跟上。

模板还能多层继承：可以定义「旋转设备」→「泵」→「离心泵」，子模板自动拿到父模板的所有属性，再加自己的。

这就是为什么 IDMP 敢说"零代码建模"------不是不用建，是同类设备只建一次。

💡 如果只是临时挂点数据、不想建模板，也支持自由元素（无模板元素）。省事，但会失去一致性------后文「边界与提醒」会说清楚代价。

四、属性：把「数值」变成「有含义的数值」

属性是元素上的一个字段。听起来简单，但 IDMP 的属性支持好几种来源，这是它比"打标签"强的地方：

属性类型	是什么	例子
数据引用（DR）	直接指向 TDengine 子表的某一列或某个 tag	泵出口压力 ← `pump_003.pressure`
表达式属性	由其他属性算出来	泵效率 = 流量 × 扬程 / 功率
引用属性	引用别的元素的某个属性	本站出口压力 ← 下游泵站进口压力
KPI 属性	可在模板层定义的业务指标（含公式与单位）	单位能耗 = 电量 / 处理量
虚拟表引用	指向超级表虚拟表，便于跨子表统一查询	全厂所有泵的压力
联邦属性	指向外部数据库（MySQL / PostgreSQL / InfluxDB）	设备台账里的"投运日期"

除此之外，每个属性还能带这些"工程附件"：

单位（UOM）：让 3.42 变成 3.42 MPa；
限值：Lo / LoLo / Target / Hi / HiHi / USL / LSL，SPC 场景还有 CL（均值）和 σ（标准差）------后面第 06 篇做统计判异就要用；
精度与显示格式：同一份数据，工程师看 6 位小数，厂长看 2 位。

🔧 工程细节：属性是惰性实例化的。给一个模板挂 50 个属性、下面有 5000 个元素，系统不会一上来创建 25 万个属性实例，而是用到才建------否则第一次打开页面就得转圈半小时。

五、UOM：单位不是备注，是数据结构

很多平台把单位当成一个"备注字段"，写个 "MPa" 就完事。结果就是：一个系统里同时存在 kPa、bar、MPa，做聚合时数据直接算错。

IDMP 把单位做成了有换算关系的对象：

bash 复制代码

单位分类（UOM Class）：压力
├── 基准单位（canonical）：Pa
├── kPa  = Pa × 1000
├── MPa  = Pa × 1000000
└── bar  = Pa × 100000

好处很直接：上层看 MPa、底层存 Pa，聚合时自动换算，不会算错。

而且整套单位定义可以导出成 JSON 包，导入到另一套环境------引用关系用"名称"而不是本地 ID，所以换环境不会断链。多基地、多环境的项目不用一家家重配。

📣 这条不是我们自说自话：客户研讨会里，国家管网 把"目前均为标量数据，字符串记录的单位转换方式需升级、希望使用 UOM 自动推导单位体系"列为唯一被标为高优先级的技术需求。这是四家客户里最硬的一条痛点。

六、三种建模入口：手工、CSV、Markdown

入口	适合谁	特点
手工建	少量设备、探索阶段	点着建，最直观
从 CSV 导入	存量项目、有 Excel 台账	20 列表格，机器友好、人不好读
从 Markdown 导入	实施团队、多人协作	一个元素一块、一个属性一张表，人能读能改能评审

Markdown 建模是后加的主力入口，它是一种人能读的建模文件：

每个元素用一对注释包起来（ ... ），块内用表格填信息；
属性写成表格，一行一个属性，指定数据来源（哪个库、哪张超级表、哪一列）；
支持 ${tbname} 这类表达式 + 子表过滤，一段描述能展开成千上万个元素------所以它没有牺牲批量能力；
支持一次上传多个文件，一个批量任务串行处理，逐文件显示状态，某个文件失败不影响其他文件；
不确定怎么写？用「生成基础 MD」按库/超级表导出一份骨架，改就行。

真实用法是这样的：某钢厂项目，建模团队三个人分工，各自用「生成基础 MD」导出骨架，补全后把 炼钢厂.md、轧钢厂.md、动力厂.md 一次全选上传------三个人并行准备，一次提交。

七、一个生产实践的例子：动力厂 120 台泵，一个下午

某钢厂动力厂要做能源管理。要建的是：3 个站房、40 台水泵、80 台风机，共 120 台设备、约 1400 个测点。

老办法：拉一张 Excel 台账，一个一个填------三周，而且填完还有一堆拼错的名字和打架的单位。

这次是这么干的：

13:30 · 先让系统给骨架。

在「从 MD 导入」里选 iot 库、选 pump_data 超级表，点「生成基础 MD」。系统导出一份骨架文件：元素路径、属性表、数据引用列都已经按超级表的真实列名填好了。

14:10 · 补模板和单位。

王工建了一个「离心水泵」元素模板：流量、出口压力、电流、振动、轴承温度......12 个标准属性，每个都挂上单位（m³/h、MPa、A、mm/s、℃）。然后复用已有的「压力」「流量」「温度」三个 UOM 分类------不用重新定义单位，直接从单位库里引用。

14:40 · 批量展开。

风机那 80 台长得一模一样，他在 MD 里只写了一个块：

bash 复制代码

路径：动力厂/鼓风站/${tbname}
子表过滤：tbname LIKE 'fan_%'

一个块，展开成 80 个元素。上传后十分钟，80 台风机连同测点全部建好。

15:20 · 三个文件一起传。

水泵、鼓风、循环水三个 MD 文件一次选中上传，后端作为一个批量任务串行处理。进度面板上，每个文件的状态一清二楚：pump.md 完成、fan.md 完成、water.md 卡在第 12 块------因为那块引用了单位库里不存在的 kgf/cm²。整个文件在创建前就失败了，一条脏数据都没落库。 补上单位，重新传，通过。

17:00 · 收工。

一棵三层、120 台设备、1400 个测点的模型站在那儿了。后面所有面板、分析、告警，全部长在这棵树上。

最关键的一件事 ：一周后王工发现"轴承温度"这个属性应该细分（驱动端 / 非驱动端）。他改了「离心水泵」模板一处，120 台设备全部自动跟上。老办法里，这意味着再改三周。

八、怎么用：三步上手

第一步：先想清楚"树怎么分层"

按你的管理方式分层：集团 → 基地 → 车间 → 产线 → 设备 → 部件。分层要跟组织架构和报表口径一致，不要为了"好看"多加两层。

第二步：找出"重复的那批设备"，先建模板

同一类设备别建第二次。建模板时想三件事：它有哪些标准测点、每个测点的单位和量程、哪些指标是算出来的（KPI）。

第三步：量产

设备少（<20 台）→ 手工建，顺手验证模板对不对；
设备多、有台账 → 「从 MD 导入」，先「生成基础 MD」再改；
存量 CSV 项目 → 继续用 CSV 入口，不折腾。

九、能解决什么问题

问题 1：数据是"有数无义"

点位号变成"某台设备的某个测点、带单位、带限值"------数据第一次能被人读懂。

问题 2：同一个模型要建很多遍

模板 + 继承，同类设备只建一次；改一次，全部同步。

问题 3：单位打架、聚合算错

UOM 是数据结构不是备注，换算有依据，单位体系可跨环境搬。

问题 4：建模是"实施顾问的黑盒"

Markdown 建模让建模文件进 Git、能 Code Review、能多人分工------建模从"顾问的手艺"变成"工程团队的资产"。

十、边界与提醒（诚实版）

模板设计错了会传染。 模板改一处，下面所有实例一起变。这是它的威力，也是它的风险------上线前先在 2~3 台设备上验证模板，再铺开。
自由元素省事，但一致性会丢。 没有模板约束，同一个测点在不同设备上可能叫三个名字，后面做分析时要一个个对齐。
MD 导入只引用已有单位，不创建单位。 文件里写了库里没有的单位，整个文件在创建前失败（这是刻意的：宁可报错，不要半对半错）。所以建模前先把 UOM 库配好。
换算链不能循环。 A 换算到 B、B 又换算回 A，导入会直接拒绝。
树不是全能的。 上下游、控制、联锁这些"影响关系"树表达不了，得靠关系图（下一篇）。
客户反馈还集中在"要什么"阶段。 研讨会里国家管网提的是 UOM 需求、山东英伟电子提的是"多棵树表达多维度太难"，说明建模这一层的真实痛点很硬，但也说明体验层面还有打磨空间。

十一、和别的功能怎么配合

你刚建完模型，接下来	去哪
想看设备之间"谁影响谁"	元素关系图（第 04 篇）
想接外部库里的数据，不搬家	外部数据引用 + 联邦查询（第 05 篇）
想让设备自己会算、会告警	实时流分析（第 06 篇）
想快速出图看看数据长什么样	无问智推（第 01 篇）------模型建好，面板自动推
想让 AI 帮你解读一台设备	AI 问答 / AI Function（第 02 篇）

建模是地基。地基没打好，后面的 AI 只能靠猜------建模质量决定 AI 质量，这句话在 IDMP 上体现得最直接。

十二、关于 TDengine IDMP

TDengine IDMP（Industrial Data Management Platform）是一款 AI 原生的工业数据管理平台 。

它不负责存数据------那是 TDengine TSDB 的事；它负责给数据补上业务含义，并在这个基础上让 AI 真正跑起来。

本文讲到的 AI 问答、AI Function、无问智推，都是平台自带能力，不需要另外搭一套 AI 应用。

免费版够不够用

IDMP 提供免费版，中小企业和个人用户可以直接用。

免费版与商业版在功能、性能上完全一致 ，通过年度续期 即可长期免费使用，只在测点数量 上设有上限------

对大多数中小企业来说，这个额度够用。All-in-One 装完会自动申请并激活免费许可，不需要额外配置。

怎么装：All-in-One 一键部署

All-in-One 把 IDMP、TSDB、TDgpt、TDmodel 打包成一个部署包：

环境	怎么装
Linux （Ubuntu / Kylin / openEuler / Anolis；需 `root`、内核 ≥ 3.10.0-1160、glibc ≥ 2.28）	执行下面的主机模式命令
Windows 10/11、Server 2019+	下载 `TDengineSetup-x64.exe`，双击后选「主机方式」
Docker（Linux / macOS / Windows，Docker ≥ 20.10）	执行下面的容器模式命令；macOS 只支持 Docker 部署，需先启动 Docker Desktop

bash 复制代码

# 主机模式（Linux）
curl -fsSL https://downloads.taosdata.com/apex/latest/install.sh | bash -s -- -m apex

# 容器模式（Linux / macOS）
curl -fsSL https://downloads.taosdata.com/apex/latest/install.sh | bash -s -- -m docker

装完浏览器打开：

text 复制代码

http://localhost:6042

从其他机器访问，把 localhost 换成部署节点的 IP 或主机名。

装完先把 AI 接上

平台装好，AI 还差一步（也就是第五节说的前提）：

连一个大模型：OpenAI 兼容接口，填地址 / Key / 模型名；内置 15 天试用连接，可先零配置体验；
（可选）装 TDgpt：要做异常检测、预测、缺失值填补时才需要，它独立于大模型运行；
把数据接进来：连现成的 TDengine TSDB，或用示例数据先跑通。

两点容易踩：默认部署清单是 deployment-single-node-no-tdmodel.yaml，TDmodel 仅支持 Docker 部署 ；

TDgpt 默认启用 moirai 模型，x64 CPU 需要支持 AVX2。

运维与卸载（Linux 主机模式）

操作	命令
启动 IDMP	`svc-tdengine-idmp start`
停止 IDMP	`svc-tdengine-idmp stop`
卸载 IDMP	`rmidmp`

链接

All-in-One 下载与安装命令：https://www.taosdata.com/download-center?product=TDengine+All-in-One
Windows 安装器：https://downloads.taosdata.com/apex/latest/TDengineSetup-x64.exe
免费版说明：https://www.taosdata.com/tdengine-free-edition
不想本地装：注册云服务直接试用 https://cloud.taosdata.com