TDengine(老段）专注时序数据库领域

关系与非关系型数据库的开发思维转变

定义：专用工业控制器，负责顺序控制、逻辑处理、离散 I/O 控制与周期性扫描。典型应用：流水线、包装、运动控制、机器自动化。特点：高可靠、低延迟、抗干扰；使用专用厂商 IDE 编程（梯形图、结构化文本等）。选择合适的自动化体系需要结合控制实时性、可靠性、工程周期与后续数据价值。现代工业正向“控制+数据驱动”转型：保留现场控制的确定性，同时逐步引入 IIoT、边缘计算和智能分析，提升运维效率与生产柔性。

以海量传感器为依托的智能硬件、智能制造、智慧城市、智慧医疗等得到了飞速地发展，物联网中的各类传感器设备每时每刻都在生成海量时序数据，庞大的时序数据集和海量传感器的高并发操作，使得传统关系数据库和 NoSQL 数据库都面临着巨大的挑战。从数量来看，时序数据库数量有所减少，行业集中度进一步提升。本报告立足时序数据库新视角，聚焦行业核心议题——变化趋势（怎么变）、用户需求（要什么）、投放选择（投向哪）、运营方法（如何投）及实践案例（看一看），期待携手行业伙伴，共谋行业发展新格局、新机遇，推动时序数据库行业发展。

时序数据，即时间序列数据（Time-Series Data），它们是一组按照时间发生先后顺序进行排列的序列数据。日常生活中，设备、传感器采集的数据就是时序数据，证券交易的记录也是时序数据。因此时序数据的处理并不陌生，特别在是工业自动化以及证券金融行业，专业的时序数据处理软件早已存在，比如工业领域的 PI System 以及金融行业的 KDB。这些时序数据是周期、准周期产生的，或事件触发产生的，有的采集频率高，有的采集频率低。

TDengine 是一款专为物联网、工业互联网等场景设计并优化的大数据平台，其核心模块是高性能、集群开源、云原生、极简的时序数据库。它能安全高效地将大量设备每天产生的高达 TB 甚至 PB 级的数据进行汇聚、存储、分析和分发，并提供 AI 智能体对数据进行预测与异常检测，提供实时的商业洞察。

时序数据，即时间序列数据（Time-Series Data），它们是一组按照时间发生先后顺序进行排列的序列数据。日常生活中，设备、传感器采集的数据就是时序数据，证券交易的记录也是时序数据。因此时序数据的处理并不陌生，特别在是工业自动化以及证券金融行业，专业的时序数据处理软件早已存在，比如工业领域的 PI System 以及金融行业的 KDB。这些时序数据是周期、准周期产生的，或事件触发产生的，有的采集频率高，有的采集频率低。

能源数据是指记录和描述能源产业各个方面的信息，包括能源生产、供应、消费、储备、价格、排放以及相关政策和技术的数据。这些数据可以通过各种途径收集和整理，如能源企业的统计报表、政府部门的调查和监测、国际组织的发布数据等。能源产量和供应数据：这包括各种能源的产量、进口和出口量、储备量等。能源产量数据反映了能源资源的开采和生产情况，供应数据则反映了能源的供应能力和稳定性。能源消费和需求数据：这包括各个部门和行业的能源消费量、能源消费结构、能源需求预测等。

智能制造是一种基于现代信息技术和先进制造技术的制造方式，旨在提高生产效率、降低成本、提高产品质量和快速响应市场需求。它涵盖了一系列技术和概念，通过将数字化、自动化和智能化引入制造过程中，从而实现更高效、灵活和可持续的生产。数字化：智能制造依赖于数字化技术，将传感器、物联网、大数据分析等技术应用于制造过程中。这有助于收集和分析生产数据，以实现更好的生产监控和决策制定。自动化：自动化是智能制造的核心，它包括自动化生产线、机器人、自动化仓储和物流系统等。这些技术能够降低劳动成本，提高生产效率，并减少错误。

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：

物联网（Internet of Things，简称 IoT）是指通过互联网将各种物理设备、传感器、软件和网络连接起来，实现彼此之间的通信和数据交换的网络系统。物联网 IoT 平台的核心理念是将物理世界与数字世界相连接，通过智能化和自动化的方式，实现设备之间的互操作性和智能化管理