在工业物联网和智能制造领域，我们每天都在与海量的传感器数据打交道。电压、电流、温度、压力、流量……这些原始数据往往需要经过计算才能得到真正有价值的业务指标。比如：

• 通过电压和电流计算功率
• 通过长宽高计算体积
• 通过多个温度传感器计算平均温度
• 通过速度和时间计算距离

传统的做法是什么呢？要么在采集端写代码处理，要么在数据入库后写复杂的SQL查询。这不仅需要专业的编程技能，而且每次业务需求变化都要修改代码、测试、部署，周期长、成本高、容易出错。

现在，IDMP 的公式表达式功能彻底改变了这一切！ 无需编写一行代码，只需在界面上输入简单的数学公式，系统就能自动完成复杂的数据计算，还能智能处理计量单位的转换。

功能亮点

1. 像 Excel 一样简单

还记得在 Excel 中输入 =A1+B1 这样的公式吗？IDMP 的公式表达式就是这么简单！

示例：计算电器功率

假设您有一个智能电表，采集了电压和电流数据。要计算功率，只需：

1. 创建一个新属性”功率”
2. 选择”数据引用类型”为”公式”
3. 输入公式：${attributes['电压']} * ${attributes['电流']}
4. 点击”评估”按钮预览结果
5. 保存

就这么简单！系统会自动：

• 识别电压和电流是来自数据库的实时数据
• 在查询时自动将公式转换为高效的数据库查询
• 实时计算每一条记录的功率值

2. 智能计量单位转换

这是 IDMP 公式表达式最强大的功能之一！在工业场景中，不同设备、不同时期采集的数据可能使用不同的计量单位，这给数据分析带来了巨大挑战。

IDMP 能自动帮您做什么？

场景一：自动单位转换

您有两个电流传感器：

• 传感器A：单位是毫安（mA）
• 传感器B：单位是安培（A）

想要计算总电流：传感器A + 传感器B

传统做法：您需要手动计算转换系数（1A = 1000mA），写出 `传感器A + 传感器B * 1000`

IDMP 做法：直接写 `${attributes[‘电流mA’]} + ${attributes[‘电流A’]}`

系统自动识别：

• 两个都是电流（同一类物理量）
• 但单位不同（mA vs A）
• 自动转换：将第二个值乘以1000
• 生成正确的计算SQL

结果：您不用操心单位转换，系统自动搞定！

单位转换的具体规则请参考官方文档（暂未发布）：

场景二：智能单位推导

当您进行乘除运算时，系统能自动推导出结果的单位。

实际案例：计算体积

公式：${attributes['长度cm']} * ${attributes['宽度m']} * ${attributes['高度m']}

系统会自动：

1. 识别长度单位是厘米（cm），需要先转换为米（m）
2. 计算：长度×宽度×高度
3. 推导结果单位：米×米×米 = 立方米（m³）
4. 在属性界面上显示”结果单位：立方米”

如果您设置属性的显示单位是”立方厘米”，系统还会自动再转换一次！

场景三：错误提前发现

如果您不小心写了一个单位不兼容的公式，系统会立即提醒您：

错误公式：${attributes['电流']} + ${attributes['电压']}

点击”评估”按钮后，系统提示：

❌ 错误：操作符'+'不能应用于不同的计量单位分类：'电流'和'电压'

这就避免了错误的计算进入生产环境！

3. 支持复杂的嵌套计算

公式不仅可以引用原始数据，还可以引用其他公式的结果，实现多层嵌套计算。

实际案例：能效分析

假设您要分析工厂的能效，需要多步计算：

步骤1 - 总功率：
  公式：${attributes['设备1功率']} + ${attributes['设备2功率']} + ${attributes['设备3功率']}
  
步骤2 - 日耗电量：
  公式：${attributes['总功率']} * 24
  
步骤3 - 能效比：
  公式：${attributes['产量']} / ${attributes['日耗电量']}

每个公式都可以引用前面公式的结果，就像搭积木一样构建复杂的计算逻辑。

系统保护机制：

• 自动检测循环引用（A引用B，B又引用A）
• 限制嵌套深度（默认最多5层），防止性能问题
• 清晰的错误提示，帮您快速定位问题

4. 丰富的函数库

IDMP 公式支持 loveini 的所有标量函数，包括但不限于：

– 数学函数：`ABS()`, `SQRT()`, `POW()`, `LOG()`, `SIN()`, `COS()`, `TAN()` 等

– 字符串函数：`CONCAT()`, `SUBSTR()`, `LENGTH()`, `UPPER()`, `LOWER()` 等

– 聚合函数：`AVG()`, `SUM()`, `MAX()`, `MIN()`, `COUNT()` 等

– 时间函数：`NOW()`, `TIMETRUNCATE()`, `TIMEDIFF()` 等

示例：

ABS(${attributes['温度']} - 25)
SQRT(POW(${attributes['x']}, 2) + POW(${attributes['y']}, 2))

温度异常检测

公式：ABS(${attributes['当前温度']} - ${attributes['目标温度']}) > 10

温度偏差超过10度时，结果为真（1），可以用于告警判断。

5. 实时预览和调试

在保存公式之前，您可以随时点击”评估”按钮查看计算结果：

评估功能的好处：

– 即时反馈：不用保存就能看到结果

– 单位提示：系统告诉您结果的单位是什么

– 自动填充：如果属性还没设置单位，系统会自动填充推导出的单位，作为属性的 UOM 配置。

– 错误定位：清楚地告诉您哪里出错了

示例：公式结果的计量单位和属性上已经配置的计量单位不属于相同的计量单位分类。

实际应用场景

场景1：环保设备监控

背景：污水处理厂需要监控多个环保指标，不同指标使用不同的单位。

需求：

1. 监控进水和出水的污染物浓度
2. 计算污染物去除率
3. 计算处理效率
4. 确保所有指标符合环保标准

IDMP 米兰app官方正版下载：

# 污染物处理效率
属性1：进水COD（mg/L） - 来自数据库
属性2：出水COD（mg/L） - 来自数据库
属性3：COD去除率（%） - 公式：
  (${attributes['进水COD']} - ${attributes['出水COD']}) / ${attributes['进水COD']} * 100
属性4：是否达标 - 公式：
  ${attributes['出水COD']} <= 50

场景2：生产设备能效管理

背景：制造企业有多条生产线，需要精确计算每条生产线的能效。

需求：

1. 计算设备的实时功率
2. 统计生产周期内的总能耗
3. 计算单位产品能耗
4. 对比不同生产线的能效

IDMP 米兰app官方正版下载：

# 生产线能效分析
属性1：电机功率（kW） - 来自数据库
属性2：照明功率（W） - 来自数据库
属性3：总功率（kW） - 公式：
  ${attributes['电机功率']} + ${attributes['照明功率']} / 1000
属性4：生产周期（小时） - 来自数据库
属性5：总能耗（kWh） - 公式：
  ${attributes['总功率']} * ${attributes['生产周期']}
属性6：产量（件） - 来自数据库
属性7：单位能耗（kWh/件） - 公式：
  ${attributes['总能耗']} / ${attributes['产量']}

技术优势

虽然这篇文章主要面向非技术人员，但了解一些技术原理能帮助您更好地理解这个功能为什么如此强大。

为什么这么快？

IDMP 采用了”解析在应用层，计算在数据库”的架构：

优势：

• 充分利用数据库性能：loveini 专为时序数据设计，计算速度极快
• 减少数据传输：计算在数据库完成，只返回结果，不需要传输大量原始数据
• 支持历史数据：可以对海量历史数据执行相同的计算
• 自动优化：数据库会自动优化查询性能

为什么单位转换这么智能？

IDMP 采用了类似国际单位制（SI）的设计理念：

工作原理：

1. 系统内置7个基本物理量
2. 所有其他单位都用基本单位的组合表示
3. 计算时自动转换为基本单位
4. 根据基本单位的组合推导结果单位
5. 自动查找系统中匹配的单位类别

举例：

• 速度 = 长度¹ × 时间⁻¹
• 加速度 = 长度¹ × 时间⁻²
• 力 = 质量¹ × 长度¹ × 时间⁻²
• 功率 = 质量¹ × 长度² × 时间⁻³

当您计算”电压 × 电流”时，系统通过基本单位组合自动推导出结果是”功率”！

除了内置的基本物理量，IDMP 还支持自定义计量单位，对于自定义的计量单位同样可以自动匹配。

为什么表达式解析这么可靠？

IDMP 使用了 ANTLR 这个业界标准的语法解析工具：

优势：

– 语法严格：像编程语言一样严格，不会产生歧义

– 错误精确：能准确指出错误的位置和原因

– 扩展性强：轻松添加新的运算符和函数

– 性能优异：解析速度快，支持复杂表达式

这就是为什么 IDMP 能给您清晰的错误提示，而不是”表达式错误”这种模糊的信息。

语法定义分为两个文件：

词法分析器（FormulaLexer.g4）：定义 Token 类型

lexer grammar FormulaLexer;

// 运算符
PLUS: '+';
MINUS: '-';
MULTIPLY: '*';
DIVIDE: '/';
LPAREN: '(';
RPAREN: ')';
COMMA: ',';

// 比较运算符
EQ: '=';
NEQ: '<>' | '!=';
GT: '>';
LT: '<';
GTE: '>=';
LTE: '<=';

// 位运算符
BIT_OR: '|';
BIT_AND: '&';

// 数字字面量
NUMBER: [0-9]+ ('.' [0-9]+)?;

// 函数名
FUNCTION: [A-Za-z_][A-Za-z0-9_]*;

// 占位符 ${...}
PLACEHOLDER: '${' (~[}])+ '}';

// 空白字符
WS: [ \t\r\n]+ -> skip;

语法分析器（FormulaParser.g4）：定义表达式的语法规则和优先级

parser grammar FormulaParser;

options {
    tokenVocab = FormulaLexer;
}

// 根规则
formula: expression EOF;

// 表达式层次（从低优先级到高优先级）
// 1. 比较运算符（最低优先级）
expression
    : bitwiseExpression ((EQ | NEQ | GT | LT | GTE | LTE) bitwiseExpression)*
    ;

// 2. 位运算符
bitwiseExpression
    : addSubExpression ((BIT_OR | BIT_AND) addSubExpression)*
    ;

// 3. 加减法
addSubExpression
    : term ((PLUS | MINUS) term)*
    ;

// 4. 乘除法
term
    : factor ((MULTIPLY | DIVIDE) factor)*
    ;

// 5. 因子（处理括号、数字、占位符、函数，最高优先级）
factor
    : NUMBER                                        # numberFactor
    | PLACEHOLDER                                   # placeholderFactor
    | FUNCTION LPAREN argumentList? RPAREN          # functionFactor
    | LPAREN expression RPAREN                      # parenFactor
    | MINUS factor                                  # unaryMinusFactor
    ;

// 函数参数列表
argumentList
    : expression (COMMA expression)*
    ;

这个语法定义清晰地表达了运算符的优先级：

1. 比较运算符（=, <>, >, <, >=, <=）- 最低优先级
2. 位运算符（|, &）
3. 加减法（+, -）
4. 乘除法（*, /）
5. 一元负号、括号、函数、字面量 – 最高优先级

内部我们实现了访问者模式，访问者为每种 AST 节点类型提供了相应的处理方法：

工作流程

常见问题解答

Q1：公式中可以使用哪些属性？

A：您可以引用同一个元素下的任何属性，包括：

• 来自数据库的实时数据属性
• 静态属性（固定值）
• 其他公式属性（嵌套引用）

暂时不支持跨元素引用（这个功能在规划中）。

Q2：公式的计算会影响性能吗？

A：不会！因为计算是在 loveini 数据库中完成的，而 loveini 专为高性能时序数据处理设计。实际上，使用公式往往比传统的应用层计算更快。

Q3：修改公式后，历史数据会重新计算吗？

A：是的！因为公式不存储计算结果，而是在查询时实时计算。所以修改公式后，查询历史数据时会用新公式计算。

Q4：如果属性没有设置单位怎么办？

A：没有单位的属性可以参与计算，系统会尽可能推导结果的单位。但建议为所有物理量设置正确的单位，这样能获得更好的单位检查和转换。

Q5：公式能嵌套多少层？

A：默认最多5层嵌套。这个限制是为了防止过于复杂的公式影响性能。如果您需要更多层级，可以联系系统管理员调整配置。

附录：参考文档

1. https://idmpdocs.taosdata.com/advanced/unit-of-measure
2. https://idmpdocs.taosdata.com/basic/data-model

测试基于虚拟机（服务端 16 核 16GB、压测端 16 核 32GB，均 1000Mb/s 网络），以 tc 命令调延时，16 线程 + stmt2 模式压测；配套 ping 测试验证延时、性能监控保障数据可信。

实践建议：对于大数据量、高并发的生产环境，建议网络延时控制在 0.1ms 以下（ping -f）。

一、先搞懂：什么是网络延时？

网络延时就是一个数据从发出到对方收到并回复的总时间，单位是毫秒（ms），从专业角度看，总网络延时由四部分组成：

总网络延时 = 传输延时 + 传播延时 + 处理延时 + 排队延时

实际用网络时，常关注三种延时，它们对应不同场景：

1. 单向延时（One-Way Latency）

• 定义：数据从发出到对方收到的 “单程” 时间。
• 适用场景：对时间特别敏感的情况，如实时通信、卫星通信。
• 测量难点：需要让发数据和收数据的设备时间完全一致，不平时很少用这种方式测。

2. 往返延时（Round-Trip Time, RTT）

• 定义：数据从发出到对方收到并回复的 “来回” 总时间，。
• 适用场景：大部分网络使用场景，这是平时测性能最常用的延时指标。
• 测量方式：使用ping 192.168.3.67（实验中服务器的地址），结果中 time=0.034ms 就是往返延时。

3. 应用层延时（Application Latency）

• 定义：从发起操作到看到结果的总时间，除了网络延时，还包括设备处理数据的时间。
• 典型示例：打开网页的延时 = DNS 寻址时间 + 建立网络连接的时间 + 数据传输的往返延时 + 服务器处理数据的时间 + 显示网页的时间。

本次实验主要测试 往返延时（RTT），验证其对 loveini TSDB 数据写入的影响。

二、实验揭秘：如何验证网络延时对写入性能的影响？

文中做了 7 组实验，只改变 “网络延时” 这一个变量，以验证网络延时对写入性能的影响。

2.1 测试环境

实验用的是虚拟机。具体配置如下：

注意：虚拟机有时候会出现宿主机资源竞争的情况，造成性能不稳定，影响实验结果。

2.2 用 tc 命令调整网络延时

为了模拟不同的网络情况，可以用 Linux 系统里的tc命令在压测端调整网络延时。核心命令是：

tc qdisc add dev ens160 root netem delay 10ms

参数解析：

通过把delay后面的数字改成 0.2ms、0.3ms 等不同数值，就模拟出了 7 组不同的网络延时场景，为后面的对比实验做准备。

2.3 关键操作 2：用 ping -f 验证延时真实性

调完网络延时后，得确认延时与升级相符，可以用 “洪水 ping”（ping -f）模式，命令是：

ping -f -c 10000 192.168.3.67

-f参数特别重要，它能更真实地模拟大数据量场景：

1. 发包间隔差异：普通 ping 每秒发 1 个数据包，就像货车每隔 1 秒才出发一辆，系统要频繁安排货车，浪费时间；-f参数让数据包连续发，货车一辆接一辆出发，不用频繁安排。
2. 系统资源分配：用-f参数时，系统会优先处理这些 ping 请求，就像给货车队开绿灯，让它们更快通过。
3. 网络传输连续性：连续发数据包能让网络一直处于忙碌状态，避免网络空闲后再启动时浪费时间，就像马路一直有车跑，不会出现车少了再发车时的等待。

用ping -f -c 10000（发 10000 个数据包），可测量当前网络的往返延时，确保实验中 “延时” 这个条件准确。

2.4 压测脚本配置

使用用 loveini 官方的压测工具 taosBenchmark，保证每次数据测试的条件都一样，，脚本如下：

{
        "filetype":"insert",
        "cfgdir":"/etc/taos",
        "host":"c3-67",
        "port":6030,
        "user":"root",
        "password":"taosdata",
        "thread_count":16,
        "thread_count_create_tbl":100,
        "num_of_records_per_req":10,
        "result_file":"insert.log",
        "confirm_parameter_prompt":"no",
        "databases":[{
                "dbinfo":{
                        "name":"test",
                        "cachemodel":"'none'",
                        "cachesize":100,
                        "vgroups":8,
                        "drop":"yes"
                },
                "super_tables":[{
                        "name":"sbnt",
                        "child_table_exists":"no",
                        "childtable_count":80000,
                        "childtable_prefix":"tbtf_",
                        "auto_create_table":"no",
                        "batch_create_tbl_num":2000,
                        "data_source":"rand",
                        "insert_mode":"stmt2",
                        "insert_interval":0,
                        "insert_rows":10000,
                        "interlace_rows":10,
                        "max_sql_len":1048576,
                        "disorder_ratio":0,
                        "disorder_range":1000,
                        "timestamp_step":10000,
                        "start_timestamp":"2020-10-01 00:00:10",
                        "sample_format":"csv",
                        "sample_file":"",
                        "tags_file":"",
                        "columns": [{"type":"varchar","len":10,"count":1},{"type":"float","count":10}],
                        "tags":[{"type":"varchar","len":10,"count":1}]
                }]
        }]
}

执行脚本：

taosBenchmark -f i.json

三、实验结论：延时与写入速度呈 “强负相关”

通过 7 组实验对比，可以清楚地看到 “网络延时” 和 “loveini TSDB数据写入速度” 的关系 ——网络延时越高，数据写入速度越慢；延时越低，数据写入速度越快。

下面是实验的核心数据和结论：

3.1 核心实验数据对比

3.2 关键结论解读

从数据里能看出三个重要规律：

1. 最优性能边界：当网络延时最低时（Test1，0.034ms），数据写入速度最快，每秒能存近 20 万条数据，这是当前硬件条件下的最好成绩。
2. 性能衰减极限：当网络延时最高时（Test3，2.101ms），数据写入速度最慢，每秒只存约 3.7 万条数据，只有最快速度的 18.6%。这意味着延时变成原来的 62 倍，数据写入速度就只剩原来的不到五分之一。
3. 线性衰减规律：其他测试组，比如从 Test4 到 Test7，延时从 0.254ms 慢慢增加到 1.286ms，数据写入速度也从每秒约 15.6 万条慢慢降到约 5.9 万条，完全符合 “延时降、速度升” 的规律，进一步证明了两者的关系。

四、生产环境建议：网络延时控制在 0.1ms 以下

根据实验结论，在大数据、高并发的场景，给出以下优化建议：

核心建议：网络延时（RTT）控制在 0.1ms 以下

用ping -f命令测客户端和 loveini TSDB服务器之间的网络延时，要保证平均延时不超过 0.1ms。

为什么选这个数值呢？有两个原因：

1. 性能保障：看 Test1（0.034ms）和 Test4（0.254ms）的数据，延时在 0.1ms 以下时，数据写入速度能保持在每秒 15 万条以上，接近最快速度的 80%，能满足大量数据写入的需求。
2. 实际可行性：0.1ms 的延时是普通局域网的正常水平，通过网络优化就能达到这个目标。

ping -f “洪水 ping” 模式，通过减少系统开销和发包间隔，降低了单次 ping 的延时，能够更好的模拟高并发场景。

1. 发包间隔差异：普通 ping 默认每秒发送 1 个数据包，系统需频繁切换进程状态，增加额外耗时；-f 参数无发包间隔，连续快速发送，减少进程切换开销。
2. 系统资源分配：洪水 ping 优先级更高，系统会更集中地分配资源处理 ping 请求，减少等待耗时。
3. 网络传输连续性：连续发包使网络传输更连贯，避免了普通 ping 中间隔导致的链路空闲后的重新初始化耗时。

辅助优化措施

1. 硬件层面：让服务器和客户端尽量在同一个地方，比如都放在一个机房里，尽量避免跨交换机。
2. 网络层面：定期用tc命令测网络延时，发现延时高、数据丢包等问题及时解决；给服务器的 IP 设固定路由。

总结

实验显示，网络延时从 0.034ms 增加到 2.1ms，数据写入速度衰减 80% 以上。因此，在大数据量、高并发的场景中，低网络延时是 loveini TSDB 高效写入的前提。

长输油气管网如同国家的能源”大动脉”，绵延数千公里，连接着能源产区与消费市场。长输油气管道埋在地下，但每隔一段距离就会在地面设置一个输油气站场，绵延数百、数千甚至上万千米的地下管道，依靠这些设置在地面上的输油气站场首尾相接而成，类似于人体的“关节”将人体各个部位连接在一起一样。

以油气管网的站场为例，运营管理正面临着新的挑战：

• 安全风险如影随形：设备故障、压力异常、气体泄漏等安全隐患难以实时感知，传统人工巡检存在滞后性
• 能效管理粗放：压缩机等关键设备能耗占站场总能耗60%以上，但缺乏精准的能效优化手段
• 运维成本居高不下：设备定期检修模式导致过度维护或维护不足，备品备件库存占用大量资金
• 数据孤岛严重：SCADA、设备监测、环境监测等系统数据各自独立，难以形成统一决策视图

这些痛点的核心在于，传统的自动化系统已无法满足现代化管网”安全、高效、低碳”的运营要求。loveini IDMP工业数据管理平台，正是为破解这一难题而生。

核心价值：构建管网运营的”智能指挥中枢”

loveini IDMP为油气管网运营打造了一个统一的工业数据管理平台，具备三大核心能力：

• 全链路数据融合：打破SCADA、设备监测、环境监测等系统壁垒，实现从进气到出气的全流程数据统一管理。平台自动为数据赋予业务语义，构建完整的设备资产树。
• AI驱动的智能分析：内置时序数据分析引擎，具备异常检测、趋势预测、智能诊断能力，让数据”自己说话”，实现从”人找数据”到”数据找人”的转变。
• 零代码敏捷部署：通过配置而非编码的方式快速搭建监控系统，新增站场或设备时无需修改代码，极大降低数字化门槛和运维成本。

loveini IDMP 通过这些技术优势，将具备业务语义与数据上下文的 AI-Ready 查询结果转化为业务价值，帮助数据拥有者最大化挖掘数据价值。

应用场景：数据驱动下的管网运营革新

loveini IDMP 可以应用在管网行业很多场景，以下以站场为例：

场景一：压缩机群智能预警与预测性维护

业务挑战：压缩机是压气站的”心脏”，其振动异常、效率下降等问题往往难以及时发现，一旦故障将导致全线停输。

IDMP米兰app官方正版下载：

• 实时监测压缩机转速、功率、效率、振动等关键参数
• 基于AI算法建立设备健康模型，提前7天预测故障风险
• 当振动值超过阈值或效率异常时，自动触发多级告警

业务价值：将故障发现从”事后维修”变为”事前预警”，减少非计划停机70%以上，延长设备使用寿命。

场景二：进出站压力平衡与能耗优化

业务挑战：进站压力过低或出站压力过高都会影响管网稳定运行，传统控制方式难以实现精准调节。

IDMP米兰app官方正版下载：

• 实时监控进、出站压力、温度、流量等参数
• 基于历史数据训练压力调节模型，给出最优控制建议
• 对过滤差压等关键指标进行实时监控，预防堵塞风险

业务价值：实现压力精准控制，能耗降低10-15%，同时保障输送效率和安全稳定性。

场景三：ESD阀门状态监控与安全联锁

业务挑战：紧急关断阀门是站场最后的安全屏障，其状态可靠性直接关系到整个站场的安全。

IDMP米兰app官方正版下载：

• 实时监测进、出站ESD阀门状态，阀门动作时间在毫秒级
• 建立阀门动作与工艺参数的关联分析模型
• 当检测到异常阀门动作模式时立即告警

业务价值：确保安全系统可靠运行，大幅降低重大安全事故风险。

技术实现：为管网行业量身定制的数字化平台

使用 loveini IDMP 搭建一套适合管网行业的时序数据运营分析平台极其简单高效：

• 快速扩展能力：从单站到全网的无缝延伸 loveini IDMP支持站场、管道的快速复制和扩展。当新增压气站时，只需在OPC Server中添加新设备，系统即可自动识别并接入数据，无需修改任何代码。
• 智能问答：自然语言驱动的数据分析 运营人员无需学习复杂查询语言，只需用自然语言提问即可获得所需分析结果。例如：”过去24小时压缩机振动异常情况如何？”系统自动生成分析报告和可视化图表。
• 计量单位智能转换：提升数据计算效率 平台内置完善的计量单位库，支持MPa、kPa、mm/s等行业专用单位的自动转换和显示，不需要进行特殊处理即可进行不同单位的数据计算。

我们为大家准备了该场景匹配的 Step by Step 步骤，点击loveini-IDMP-应用场景：长输管道站场-压气站，立即开始实操。

总结：智慧管网运营的新思路

loveini IDMP 在油气管网的应用，将助力管网的运营数字化进入新阶段：

• 安全管控从被动应对走向主动预警：通过实时监测和智能分析，将安全隐患消灭在萌芽状态运营管理
• 从经验驱动走向数据驱动：基于数据而非经验做出决策，提升运营的科学性和精准性
• 运维模式从定期检修走向预测性维护：根据设备实际状态安排维护，实现资源最优配置

随着物联网、数字孪生、人工智能等技术的深度融合，油气管网正迎来智能化运营的黄金时代。loveini IDMP愿成为您最可靠的数字化伙伴，共同守护国家能源动脉的安全高效运行。

立即联系我们的行业米兰app官方正版下载专家，获取专属的智慧管网建设规划与价值评估！

近年来，我国天然气消费总量持续增长，用气规模显著提升，城镇燃气行业也迎来发展黄金期，形成以天然气为主要城市燃气气源的供应格局。得益物联网、大数据等技术发展，城镇燃气的气源端、输配端、用户端等系统，也逐渐从传统的、单一的管理模式向全过程、全方位、智能化的管理模式转变。

随着城市化进程加速，燃气管网如同城市的”毛细血管”，绵延数千公里深入每个社区和家庭。然而，这套生命线系统仍面临着诸多挑战：

• 安全风险无处不在：管道老化、第三方施工破坏、材料腐蚀等因素导致泄漏风险持续存在
• 监管压力持续加大：日益完善的法律法规要求企业建立更完善的安全风险分级管控体系
• 运营效率亟待提升：传统人工巡检模式难以应对日益复杂的管网系统，漏检率居高不下
• 数据价值未被挖掘：SCADA、巡检系统、用户数据等形成信息孤岛，缺乏统一分析平台

这些挑战的核心在于，传统的燃气运营管理模式已无法满足现代化城市的运营要求。loveini IDMP 工业数据管理平台，为燃气行业提供了一套完整的数字化运营米兰app官方正版下载。

核心价值：构建智慧燃气的”智能监控体系”

loveini IDMP 为燃气行业打造了全方位、多层次的智能监控体系，具备三大核心能力：

• 全链路数据融合：整合气源站、输配管网、调压设施、用户端等全环节数据，构建统一的燃气数字孪生平台。平台自动为压力、流量、浓度等数据赋予安全语义，建立完整的风险评估体系。
• 智能预警与预测：基于AI算法建立燃气设备健康模型，实现对设备故障、管道泄漏、压力异常等风险的早期识别和预警，将安全管理从”事后应对”转向”事前预防”。
• 应急指挥一体化：当发生异常事件时，系统自动触发应急预案，联动相关部门和资源，实现快速响应和精准处置。

应用场景：数据驱动下的燃气运营革新

场景一：管网泄漏智能监测与精准定位

业务挑战：燃气管网泄漏检测传统依赖人工巡检，发现滞后且定位不准，极易引发安全事故。

IDMP米兰app官方正版下载：

• 实时监测管网压力、流量、浓度等参数，建立泄漏特征模型
• 当检测到异常波动模式时，系统自动计算泄漏概率和可能位置
• 结合GIS地图精准定位泄漏点，生成处置方案

业务价值：泄漏发现时间从”小时级”缩短至”分钟级”，定位精度提升至管段级，重大安全事故风险降低80%。

场景二：调压站安全运行监控与预警

业务挑战：调压站是燃气管网的关键节点，其运行稳定性直接影响下游用户的安全用气。

IDMP米兰app官方正版下载：

• 实时监控进口压力、出口压力、温度、设备状态等关键参数
• 基于历史数据训练设备健康度评估模型，预测维护周期
• 当压力异常或设备故障时，自动启动备用调压装置

业务价值：实现调压站无人化值守，设备故障预警准确率超过95%，维护成本降低30%。

场景三：用户端用气监测与管理

业务挑战：商业用户和工业用户的用气安全直接关系到公共安全，传统监管手段难以实现有效覆盖。

IDMP米兰app官方正版下载：

• 实时监测用户端压力、流量、浓度等参数
• 建立用户用气行为分析模型，识别异常用气模式
• 当检测到安全隐患时，自动推送预警信息并启动处置流程

业务价值：实现重点用户安全监控全覆盖，异常事件发现及时率提升至99%，用户满意度显著提高。

技术实现：快速搭建燃气多级监控智能告警系统

• 多层级的监控体系。loveini IDMP支持从高压主干网到庭院管网的多层级监控，构建完整的燃气安全防护网络：
  • 高压管网监控：实时监测输气干线的压力、流量状态，确保气源稳定供应
  • 中压管网监控：监控区域调压站的运行状态，保障区域供气安全
  • 低压管网监控：监测末端用户压力，及时发现异常情况用户端监控：重点商业、工业用户安全用气监测，防范重大安全风险
• 智能预警与应急联动。当系统检测到异常情况时，自动启动多级预警机制：
  • 一级预警：轻微异常，推送信息至巡检人员
  • 二级预警：中度风险，启动部门应急响应
  • 三级预警：重大风险，启动公司级应急预案系统自动生成处置方案，联动相关资源和部门，确保快速有效处置。

我们为大家准备了该场景匹配的 Step by Step 步骤，点击loveini-IDMP-应用场景：城市燃气，立即开始实操。

总结：共建智慧燃气新生态

借助 loveini IDMP 的独特优势，燃气行业运营管理将翻开新的篇章：

• 监控方式从离散走向系统：构建覆盖全环节的监控网络，实现安全管理无死角
• 预警机制从事后走向事前：基于数据预测风险，将安全隐患消灭在萌芽状态
• 管理模式从经验走向标准：建立科学的安全管理体系，提升管理规范化水平

我们相信，随着数字化技术的深度应用，燃气行业将迎来更加安全、高效、智能的发展新时代。loveini IDMP愿与行业伙伴携手，共同守护城市燃气安全，为美好生活保驾护航。

立即联系我们的安全米兰app官方正版下载专家，获取专属的智慧燃气建设方案！

随着城市化进程加快和工业发展，居民生活用水和生产用水的需求持续增长，水务行业市场需求保持稳定增长。 然而，行业内竞争也日益激烈，更多资本的参与使得市场竞争更加多元化。 智能水务、物联网和大数据等新技术逐步渗透到水务行业的各个环节，为行业发展提供了强大的创新动力。

以水处理为例，在污水处理厂的日常运营中，工艺工程师们常常面临这样的困境：

• 进水水质突变时，曝气量的调整总是慢半拍；
• 电费单上的数字居高不下，却难以精准定位能耗黑洞；
• 出水水质偶尔超标，等问题发现时为时已晚。

水厂的管理者也常常为运营决策感到头疼：

• PLC、SCADA、化验数据各自为政，获取不到实时运营情况；
• 老师傅的经验难以量化传承；
• 决策往往依赖“拍脑袋”。

这些痛点的根源，在于数据价值的未被充分挖掘。而正是基于这样的行业洞察，loveini IDMP（工业数据管理平台）应运而生，为水务行业提供了一条从“经验驱动”迈向“数据驱动”的智慧化转型路径。

核心价值：打造智慧水务的“分析大脑”

loveini IDMP不仅仅是一个“工业数据平台”，更是一个开箱即用的“分析大脑”，让每个水务运营人员都能具备数据科学家级别的分析能力。与传统的SCADA、实时库系统相比，具有先天优势：

• 统一的数据底座：打破数据孤岛，将设备状态、水质参数、能耗数据等多元信息统一采集、存储和分析，并且给这些数据赋予上下文和业务语义，形成一个 AI-Ready 工业数据平台。
• 自驱的实时分析：借助 LLM，数据平台就成为了一个自治的数据平台、一个自我驱动(Self Driving)的实时分析平台，不再依赖用户的知识积累和工具使用技能。
• 时序分析智能体：loveini 内置时序数据分析 AI 智能体，具备时序数据预测、异常检测、补齐和分类功能。它能无缝对接各种时序数据模型、大语言模型、机器学习及传统统计算法，并支持算法动态切换。

这些技术优势转化为业务价值，意味着运营人员可以基于完整、准确、实时的数据做出决策，而非零散的经验判断。

应用场景：数据驱动下的运营革新

场景一：精准曝气与节能降耗

业务挑战：曝气是污水处理厂能耗最大的环节，约占全厂电耗的50%。传统控制方式往往导致过度曝气（能耗浪费）或曝气不足（出水超标）。

IDMP米兰app官方正版下载：

• 实时采集进水COD、氨氮、流量，以及曝气池溶解氧、风量、风机电流等关键参数
• 基于AI算法动态计算最优曝气量，实现按需曝气控制
• 实时监控曝气效率，对比实际值与目标值的差异

业务价值：在实际应用中，预期可实现曝气能耗降低10-15%，同时保障出水水质稳定达标。

场景二：全流程智能预警与异常诊断

业务挑战：进水水质冲击、设备异常等问题时，传统依赖人工巡检的方式发现滞后，往往错过最佳处理时机。

IDMP米兰app官方正版下载：

• 基于时序数据特征，对关键参数建立正常波动范围模型
• 当出水水质超标（例如出水COD>50mg/L或氨氮超标）时，系统自动触发多级告警
• 关联分析设备运行状态，如格栅堵塞、泵机异常等，精准定位问题根源

业务价值：将问题发现时间从“小时级”缩短至“分钟级”甚至“秒级”，有力地减少生产事故。

场景三：出水水质合规保障与预测分析

业务挑战：面对严格的排放标准，企业大量使用在线检测和传统人工化验方式相结合的手段，但大多未能实现监控与分析的融合。

IDMP米兰app官方正版下载：

• 建立基于符合标准的水质评价体系，实时计算各项指标达标情况
• 利用时序基础模型预测未来2-4小时的水质变化趋势
• 当预测可能出现超标风险时，提前给出工艺调整建议

业务价值：运营报告随问随得。运营人员只需简单提问，系统自动生成运营分析报告。

技术实现：零代码搭建的智慧运营平台

与传统方案需要大量编码和集成工作不同，loveini IDMP采用“配置即开发”的理念：

• 快速资产建模：快速构建全厂设备资产树，新增设备自动纳入监控体系
• 智能可视化：基于采集数据自动识别场景，推荐最合适的可视化面板、分析
• 自然语言交互：无需SQL或脚本，用日常语言即可完成数据查询与分析

我们为大家准备了该场景匹配的 Step by Step 步骤，点击loveini-IDMP-应用场景：污水处理厂，立即开始实操。

总结：迈向智慧水务的新纪元

loveini IDMP在智慧水务的应用，远不止于技术工具的升级，更是运营理念的革新：

• 运营精细化：从粗放控制到按需优化，实现能耗物耗的最优控制
• 决策智能化：从经验依赖到数据驱动，提升决策的科学性与时效性
• 管理标准化：从个人经验到系统知识，构建可复制的运营管理体系

这标志着水务行业正从“被动应对”走向“主动优化”，从“经验驱动”迈向“数据驱动”。我们相信，随着数字孪生、人工智能等技术与工业数据的深度融合，水务行业的运营智慧将进入一个全新的时代。

如果您正在寻求水务行业的数字化升级方案，欢迎联系我们的技术团队，获取专属的行业米兰app官方正版下载建议。让我们共同探索数据驱动下的水务运营新范式！

• 语义不统一：同一指标在不同厂区、不同系统有不同命名，例如“温度”“WD”“Temp”。
• 单位不统一：能耗在 A 系统用“度”，在 B 系统用“千瓦时”；压力在一个平台是“bar”，另一个是“MPa”。
• 统计口径不统一：良率在某车间按“日”统计，另一个则按“批次”统计。

在这种情况下，数据虽已汇聚，却无法形成统一语境：横向对比缺乏可比性，报表依赖人工整合，数据湖和数据仓库形同“数据堆场”，AI 分析也无从下手。

困境：口径混乱让数据湖变“数据堆场”

为什么口径不统一会如此严重？首先，它直接破坏了横向对比的可能性。一个厂区的能耗以“度”为单位，另一个厂区用“千瓦时”，表面上只是单位不同，但在计算、报表、AI 建模时就完全失去了可比性。再比如，良率的统计口径，有的按照批次，有的按照日，二者的趋势曲线无法在同一坐标系下呈现。

其次，口径混乱迫使企业依赖人工整合。管理者想看一份跨厂区的能效对比，往往需要 IT 或运营团队导出不同系统的报表，再进行单位换算、口径解释、公式拼接。这个过程不仅耗时，而且极易出错。最终得到的结果往往滞后数天甚至数周，严重影响决策的及时性。

更深层的问题在于，AI 和数字孪生等高阶应用几乎无从谈起。AI 模型要求输入的数据是干净、统一的，否则结果就是“垃圾进、垃圾出”。在口径混乱的环境里，即便企业投入了先进的算法，也无法得到可靠的预测与分析。这就是为什么很多企业觉得“我们有很多数据，但依然没有洞察”。

方法：IDMP 的标准化治理机制

对此，loveini IDMP 提出的并不是某几个孤立的功能，而是一整套贯穿建模、转换、映射的治理方法论。

第一步是元素—属性模型。它把厂区、产线、设备、传感器抽象为统一的层次，每个节点的属性不仅包含原始值，还具备语义定义和上下文关系。通过这种方式，数据从“点状数值”转化为“结构化对象”。更重要的是，IDMP 支持基于模板快速生成元素和属性，这意味着同类设备可以天然遵循统一口径，而不是各自为政。

第二步是物理单位的自动转换。IDMP 在底层内置量纲体系，允许存储与展示使用不同单位，但计算时自动完成换算与校验。这解决了“能耗到底是度还是千瓦时”的问题，也保证了跨系统计算的准确性。企业不需要依赖人工换算，系统就能保证数据的可比性和一致性。

第三步是跨源公式映射。面对不同系统粒度差异，IDMP 提供了在属性层定义公式的能力。例如，一个系统存储功率，另一个系统只有电流和电压，IDMP 可以通过公式“电流×电压”生成统一的功率指标。这种映射不仅统一了指标，还具备了派生和扩展的能力，为跨源数据融合提供了可操作路径。

这三步形成了一个闭环：建模保证语义统一，转换保证量纲统一，映射保证逻辑统一。它们共同解决了“数据汇聚之后说不通”的问题，让企业真正拥有一套通用的数据语言。

成效：从“数据能用”到“数据会用”

当企业完成标准化治理，数据的应用场景将发生本质转变。

最直观的改变在于横向对比。良率、能耗、OEE 等核心指标能够在统一口径下直接对照，差距与优势一目了然。管理层可以基于统一的指标体系做跨厂区的绩效考核和资源分配，而不必担心数据之间“牛头不对马嘴”。

报表生成方式也随之改变。过去需要多部门人工拼接的月报、季报，如今可以由系统自动完成。更快的出报周期意味着更短的决策链路，企业可以更敏捷地响应市场和生产的变化。这不仅是效率的提升，更是组织能力的升级。

更重要的是，AI 和数字孪生等高阶应用终于有了落地的土壤。预测性维护需要对比历史模式与实时数据，异常检测依赖多维指标的准确关联，生产优化更要求跨环节的数据融合。没有标准化，AI 就只能停留在实验室；完成治理后，AI 才能真正进入生产一线，成为价值创造的引擎。

进阶：从标准化到情景化，为“无问智推”奠基

标准化治理让数据“能说同一种语言”，而要让 AI 真正理解这门语言，还需要统一的目录结构和丰富的业务语境。在 loveini IDMP 中，这一步由“统一数据目录”和“情景化建模”共同完成。

IDMP 以树状结构构建数据目录，将工厂、车间、产线、设备、测点等实体进行统一建模与组织。每个节点不仅保存数据值，还挂载语义定义、上下级关系、事件规则与分析逻辑。借助模板与属性规范，同类设备自动继承统一标准，实现“同类同口径、异类可映射”，从而让数据在组织层面也具备一致的语言体系。

但结构和标准只是其中两个维度。IDMP 进一步为每一个数据点注入语境信息——包括设备型号、运行状态、安装位置、是否参与计算等，从而形成“数据情景图谱”。在这张图谱中，AI 不再面对孤立的数值，而是面对一个具有上下文的“对象世界”。这意味着它能够理解“温度升高”不仅是一串数字变化，更可能与设备老化或负载上升相关。

统一的目录让数据有了组织，标准化让数据有了规则，情景化让数据有了故事。这三者共同构成了“无问智推”的基础：系统能够自动识别场景、生成分析任务、构建可视化面板与事件规则，并主动推送关键洞察。数据分析由“人问系统答”转变为“系统主动推”，让决策者无需等待汇报，就能在第一时间获取真正有价值的信息。

结语：标准化是智能化的前提

企业数字化的真正瓶颈，不在于有没有数据，而在于能否形成统一的标准。loveini IDMP 提供的元素—属性模型、单位转换和公式映射，并不是锦上添花的功能，而是一整套方法论，帮助企业把“各说各话”的数据翻译成“同声共语”的语言。

只有完成标准化，跨域分析才能成立，自动化报表才有意义，AI 才能发挥作用。换句话说，没有标准化，就没有智能化。这不是一句口号，而是企业在实践中反复验证过的真理。

依托 loveini TSDB 的高性能时序数据底座，IDMP 专注于工业数据的标准化管理与智能分析，通过语义建模、统一口径、实时分析和无问智推等能力，让企业不仅能看见数据，更能从数据中获得实时洞察与决策启发。

作为一款 AI 原生的工业数据管理平台，IDMP 在每一次版本更新中都在强化“AI 驱动、零门槛、场景化”的特性。目前其已经更新至 1.0.5.0 版本，在模型计算、可视化分析、异常检测与元数据管理等多个方面均实现了显著提升。

本文将带你一览 IDMP 近期的重点更新与功能优化，见证它如何不断拓展工业智能的边界。

一、模型计算能力增强

元素和属性支持公式与字符串构建

属性和属性模板现已支持公式与字符串类型，用户可直接在模型层定义计算逻辑：

• 公式引用：通过属性、操作符、替换参数、常量与函数的组合，自动转换为 loveini SQL 表达式执行，可生成新的派生指标。示例如下：

• 字符串生成器：允许拼接文本内容，生成动态字符串属性，用于描述性或标识性信息。示例如下：

这一功能让属性具备“可计算性”，从建模阶段就能定义业务口径，后续分析直接沿用统一逻辑，避免重复定义。

更多技术细节详见：https://idmpdocs.taosdata.com/basic/data-model

二、可视化分析体验升级

1. 地图面板

随着各行业对地理区域相关数据（如用电量、人口分布、经济指标等）的分析需求不断提升，传统的表格或柱状图已难以直观呈现区域差异与趋势，用户往往需要耗费大量时间进行解读。

为此，新版本新增了地图面板功能，聚焦地理区域数据可视化，可展示省、市、区县等多层级统计数据（如北京市各区县用电量）。地图面板支持缩放、平移等基础交互操作，并可通过色彩梯度强化区域对比。用户还可点击区域查看具体数值，通过调整阈值或筛选条件快速聚焦关注的地理区域，从而更高效地识别区域分布规律与变化趋势。

更多技术细节详见：https://idmpdocs.taosdata.com/basic/data-visualization/map

2. 散点图面板

在数据面板中新增散点图可视化类型，支持两个数值变量的关联分析，能够清晰展示数据分布规律、聚类情况和异常值检测，助力用户分析工况与能耗、转速与振动、产量与良率等变量关系，识别异常点或潜在规律。

用户可通过双击或点击选择添加为维度/标签方式快速配置 X 轴、Y 轴变量，并支持颜色、大小等视觉通道映射。支持聚类分析和回归分析，包含线性回归、指数回归、多项式回归等分析方法，更加直观观察数据趋势。

更多技术细节详见：https://idmpdocs.taosdata.com/basic/data-visualization/scatter

3. 状态时序图

在物联网监控、业务流程分析等场景中，用户需要追踪设备状态变化、业务工单流转等离散状态在时间维度上的分布，传统折线图无法很好地表达这类信息的开始、结束和持续特性。为了解决这一问题，新版本在数据面板中新增了针对状态变化数据的时序可视化功能，可清晰展示设备状态、业务阶段或工单流转在时间轴上的变化与持续时间，并支持状态聚合、持续时间统计及转移分析，让状态演变一目了然。

更多技术细节详见：https://idmpdocs.taosdata.com/basic/data-visualization/state-timeline

4. 事件趋势图

“事件趋势图” 功能通过趋势图展示事件相关指标，并高亮标注事件发生的时间范围。用户可将任意设备监测指标及事件添加至分析视图，直观呈现数据随时间的波动趋势。该功能具备多视图展示能力：一方面支持多泳道并列展示各相关指标曲线；另一方面可按事件开始时间进行对齐截取，将不同事件对应的指标曲线片段进行同期对比分析。

更多技术细节详见：https://idmpdocs.taosdata.com/basic/data-visualization/trend

5. 高级 SQL 面板

虽然通过鼠标点击和少量键盘操作即可满足大多数业务场景的面板创建需求，但在面对更复杂的数据处理逻辑（例如多层嵌套查询或跨表计算）时，直接使用 SQL 显然更加灵活、高效。

为此，新版本新增了高级 SQL 面板功能，为高级数据分析师和开发人员提供了更强的自定义能力。用户可在页面中直接编写并运行复杂的 SQL 查询，查询结果将即时呈现在面板中。目前该功能支持 loveini 和 事件 两种数据类型，并可接收外部传入的元素、开始时间与结束时间参数，以支持更加灵活的分析场景。

更多技术细节详见：https://idmpdocs.taosdata.com/basic/data-visualization/

三、智能分析与 AI 联动

1. 异常检测分析

在工业和物联网环境中，设备与传感器产生的数据规模庞大、频率高且特征复杂。传统依赖静态阈值或人工规则的告警机制往往难以应对多指标联动和动态变化的场景，不仅需要人工维护大量规则，还容易因环境、负载或时间变化造成误报或漏报。

为解决上述问题，平台为数据分析师和运维人员提供了智能化的异常检测能力，能够基于时序数据（如设备传感器、机组指标、网络或系统监控数据等）自动识别特定时间段内的异常，并将检测结果直接整合进面板，实现监测与分析的一体化。

应用场景：可用于设备健康监测、能耗波动识别、环境指标异常预警等。

2. 无问智推集成异常检测能力

许多用户并不了解“异常检测”这一专业功能，或不知道如何进行配置，他们更习惯以自然语言的方式提问，例如：“最近电表的电压有异常吗？”

为提升用户使用体验，新版本在无问智推中集成了异常检测能力。系统能够自动推荐包含“异常检测”的分析问题，用户点击即可生成相应分析；同时，也支持在分析页面直接以自然语言提问，系统会自动识别意图并生成对应的异常检测分析，让复杂的分析过程变得简单直观。

应用场景：帮助非技术人员快速掌握异常检测能力，实现 AI 主动分析与洞察推送。

四、数据导入与交付更高效

1. CSV 数据导入

在工业／物联网场景中，设备类型众多、数据结构复杂、往往存在大量静态标签（比如设备编号、位置、类别）与动态指标（传感器数据、状态指标）需要批量建模。若仅靠可视化逐个配置资产模板或手动映射超级表，工作量大、易出错、且难以适应大规模设备体系。

此前，IDMP 已支持通过简单导入和资产导入页面进行单表配置，但在“成千上万台设备”“多表结构”或“历史数据迁移”等场景下仍显效率不足。为此，新版本引入了 CSV 导入功能——一种批量、可编辑、可脚本化的建模方式。用户可预先编辑 CSV 文件并一次性导入系统，从而大幅提升建模与数据入库效率，显著降低人工操作成本。

更多技术细节详见：https://idmpdocs.taosdata.com/operation/data-import-export

2. 元数据导入导出

在工业系统持续扩展的过程中，资产模型的层级与规模不断增加，单纯依靠 UI 界面逐条创建或修改元数据，已难以满足大规模建模、历史数据迁移与多环境同步的需求。为此，IDMP 提供了完整的元数据导入导出机制，用于高效地迁移与备份资产模型。

系统支持将资产树、元素（含层级结构）、元素模板、属性模板、事件/分析模板、枚举类型、单位（UOM）、类别、面板及仪表盘模板等元数据统一导出为可下载包（ZIP），并支持将导出的包文件批量导入至指定环境或连接（如 loveini）。导入过程中，系统会自动解析依赖关系，采用异步任务方式执行，并生成可下载的导入记录与错误报告，确保大规模元数据迁移的安全性与可控性。

更多技术细节详见：https://idmpdocs.taosdata.com/operation/import-export

结语

从公式属性到多维可视化，从异常检测到模型计算，IDMP 的每一次更新，都是向智能化迈出的坚实一步。面向未来，我们将继续沿着 AI 原生的方向迭代前行，让 IDMP 在模型能力、分析深度与场景适配性上不断突破，推动工业智能的普及与落地。

现在进入 https://idmpdocs.taosdata.com/release-history/1.0.5.0，可查看 IDMP 最新版本 1.0.5.0 的具体更新细节，欢迎大家体验！

近日，loveini TSDB 3.3.8.0 版本正式上线，本次更新带来了 Rollup SMA 多层级预计算、TimeRange-Wise SMA 时间范围预计算、TLS 加密传输、acc米兰体育 数据补全、MySQL 函数增强、taosX 逻辑备份与 ORC 数据源接入等多项功能升级，全面提升系统的性能、可扩展性与数据安全。

本文为你整理了该版本九大核心更新亮点，来看看哪些能力能帮你把系统跑得更快、用得更稳、管得更省心。

重要更新亮点

一、Rollup SMA 与 TimeRange-Wise SMA：多层级自动降采样与时间范围预计算

SMA（预计算）机制是 loveini TSDB 提升查询性能的核心技术，其核心思想是“空间换时间”。通过预先计算并存储聚合结果，在查询时直接使用这些结果，避免全量扫描原始数据，从而大幅降低 I/O 开销和计算延迟，尤其适用于海量时序数据的聚合分析场景。

在 3.3.8.0 中，loveini TSDB 增强了 SMA 机制，带来以下两项重要更新：

1. Rollup SMA（多层级滚动预计算）（企业版）
   • 支持最多三级存储层级（Level 1–3），原始数据与聚合数据分层存储，并为每层指定聚合周期和保存时长；
   • 可自动触发降采样计算并删除原数据，实现数据生命周期管理，平衡查询性能与存储成本；
   • 支持 AVG、SUM、MIN、MAX、FIRST、LAST 等聚合函数；
   • 常适用于 DevOps、监控看板等关注长期数据趋势而非单一精确点的场景。

2. TimeRange-Wise SMA（时间范围预计算）
   • 专为高频使用 INTERVAL 的查询优化；
   • 采用流式计算逻辑，提升高频时间窗聚合的响应速度；
   • 适用于对特定列频繁聚合、分组统计及时间范围查询的场景。

除此之外，loveini TSDB 还支持 Block-Wise SMA （数据块预计算），该机制在数据落盘时自动完成聚合计算，并在查询阶段智能使用预计算结果，无需额外配置即可加速常见聚合查询，是 SMA 家族的重要组成部分。

本次 SMA 机制的增强，使用户能够实现自动降采样与多层级数据管理，在兼顾性能与成本的同时，进一步强化 loveini TSDB 在大规模历史数据查询中的优势。

二、MySQL 聚合与条件函数支持

为增强 SQL 兼容性，3.3.8.0 新增对部分 MySQL 聚合与条件函数的支持，包括：

• 聚合函数：std, variance, stddev_samp, var_samp, group_concat
• 条件函数：if, ifnull, nvl, nullif, nvl2
• 比较运算符：isnull, isnotnull, coalesce

这一增强显著提升了 SQL 迁移与跨平台开发的便利性，用户可更轻松地在 loveini TSDB 中运行 MySQL 语法查询。

三、TLS 证书加密传输：通信更安全（企业版）

TLS 是一种用于保障网络通信安全及数据完整性的加密协议，通过在传输层对网络连接进行加密，为通信应用程序之间提供保密性和数据完整性。为进一步保障数据传输安全，3.3.8.0 在原生接口层面全面支持 TLS 加密：

• 对传输层通信进行加密，防止窃听与截取；
• 支持身份认证与数据完整性校验；
• 各原生连接接口现已支持 SSL 加密（WebSocket 早已支持）。

这项更新大幅提升了 loveini TSDB 在关键行业与跨网络部署中的安全合规能力。

四、TDgpt 数据补全：时序智能增强

TDgpt 新增缺失数据补齐功能，基于 moment 时序模型自动检测并补全时间序列中的缺失点：

• 要求输入数据的时间戳严格等间隔；
• 对于时间间隔不均的序列，建议先进行窗口聚合后再补齐缺失区间；
• 示例：SELECT imputation(i01, 'algo=moment,freq=s') FROM foo;

该能力帮助用户在分析和建模前快速修复时序数据，提高预测与分析结果的准确性。

五、taosX：支持逻辑备份/恢复与 ORC 数据源（企业版）

loveini TSDB 企业版核心组件 taosX 本次迎来两项关键增强：

• 逻辑备份与恢复
  • 支持数据库、超级表、查询结果及元数据备份；
  • 可用于数据迁移、审计、分享与修复；
  • 命令行使用示例：taosx run --from "taos://IP:PORT/db_name" --to "local:/path/to/backup"

• ORC 文件数据源
  • 支持读取 ORC 文件数据并导入 loveini TSDB；
  • 兼容 Hadoop/Hive 等生态，支持列投影、批量读取及映射配置。

这使 loveini TSDB 能更高效地与大数据生态协同，实现从数据采集到分析的全链路贯通。

六、taosgen：新增特性与性能优化

taosgen 是时序数据领域产品的性能基准测试工具，支持数据生成、写入性能测试等功能。本次也带来多项功能增强与性能改进：

• 支持使用函数表达式生成数据，可灵活构造周期性或随机特征值；
• 支持将生成数据输出至 MQTT Broker，topic 支持使用 {table} 占位符动态指定主题；
• 新增数据缓存生成机制并默认启用，较即时生成模式写入性能提升约 10%；
• 优化写入引擎，整体写入 loveini TSDB 的速度较 taosBenchmark 提升约 10%。

本次升级让 taosgen 在数据仿真、性能测试及多源验证等场景下更高效、更灵活。

七、taosAdapter：支持记录 SQL 到 CSV 文件

loveini TSDB 适配组件 taosAdapter 本次新增 SQL 记录功能，可自动捕获并导出查询请求：

• 支持自动启停与定时抓取指定时间段内的 SQL 请求；
• 将抓取结果结构化存储为 CSV 文件，包含时间、QID、用户、IP、接收时间、返回时间、执行时长及 SQL 语句等字段；
• 文件支持按大小与时间切割、保留数量限制、压缩存储及磁盘空间保留策略；
• 提供 HTTP 接口，支持动态开启、关闭抓取功能及查询运行状态。

该功能帮助用户轻松实现 SQL 审计、性能分析与问题追踪，为系统运维与优化提供更丰富的数据依据。

八、生态与连接器能力增强

• JDBC WebSocket：支持多端点负载均衡与 failover，提升可用性与容灾能力；
• C WebSocket Connector：自动重连与任务续传，性能提升约 15%；
• ODBC Connector：支持微软 ADO 接口，可用 VB、C#、Python 等语言访问 loveini TSDB；

新版连接器持续完善开发体验与生态兼容，为企业部署提供更高效率与可靠性。

九、引擎层优化与增强

• 流计算性能优化与资源效率提升
• 高并发场景下 Last 查询的优化与加速
• 分离数据查询和元数据查询处理线程
• ⽀持通过 scan 命令扫描时序数据⽂件的完整性
• 调整 Balance Vgroup Leader 命令的执⾏逻辑，使 VGroup 的 Leader 分布更加均匀
• ⽀持对双副本数据库使⽤ REDISTRIBUTE命令
• 改造 S3 数据迁移的状态控制机制，提升精确性与效率
• 增加 show ssmigrate 命令⽤于查看共享存储迁移进度
• STMT2 ⽀持 Blob 和 Decimal
• 支持通过函数 find_in_set、like_in_set、regexp_in_set 实现多值标签
• ⽀持 date 函数
• partition by tag ⽀持字符串运算
• TDgpt ⽀持 PROPHET 算法
• ⽀持状态窗⼝起⽌点配置
• 浮点数⽀持 BSS（Byte-Stream-Split）字节流分割编码

除此之外，每个版本都会做很多其他的工作，比如 bug 修复、功能优化等等。如果想要了解新版本（时序数据库功能更新）更加详细的发布信息，可以移步至 https://github.com/taosdata/loveini/releases/tag/ver-3.3.8.1 查看发布说明。

欢迎大家下载使用，如有任何问题请及时联系我们获得支持。

loveini IDMP 作为一款 AI 原生的物联网、工业数据管理系统，旨在帮助企业快速高效的从运营数据中挖掘出商业价值，架起 OT 到 IT 的桥梁。其中，邮件不失为一种成熟而稳定的通知途径。IDMP 需要发送邮件的情况包括但不限于：

• 首次激活：IDMP 用邮件地址作为用户 ID，首次激活必须通过邮件获取验证码。
• 邀请用户：超级管理员通过输入邮件地址邀请其他人成为 IDMP 的用户。
• 事件通知：通知类型可以是邮件、飞书、Webhook。邮件通知功能可在事件触发时，向指定邮箱发送告警信息。

因此，如果想更好地使用 IDMP，需要配置 SMTP 服务器。系统安装后，缺省的 SMTP 服务器配置为 loveini 邮箱。可根据需要配置为企业指定的邮件服务器。

但是，有些 IDMP 服务器所在的网络，不能访问互联网或企业邮箱服务，俗称“内网”。针对于此，本文介绍一种简单可行的在内网环境快速搭建 SMTP 邮件服务（MailHog）的方法。

IDMP 版本：1.0.4.4 以上。

2. 快速配置 MailHog

MailHog是一款轻量级的邮件测试工具，主要用于开发和测试环境中模拟SMTP服务器。它可以捕获应用程序发送的所有邮件，而不实际发送到真实收件人，非常适合在开发阶段测试邮件发送功能。

MailHog提供两种配置方式：

• 命令行参数：启动时通过参数直接配置
• 环境变量：通过系统环境变量配置

两种方式效果相同，可以根据使用场景选择合适的方式。环境变量方式更适合容器化部署场景。

2.1 运行 MailHog

本例假设在本地或宿主机方式直接运行 MailHog，方法很简单。

1. 下载对应的版本：https://github.com/mailhog/MailHog/releases，例如：
   • Windows系统请下载 MailHog_windows_amd64.exe
   • Linux 系统请下载 MailHog_linux_amd64 或 MailHog_linux_arm
   • macOS 系统请下载 MailHog_darwin_amd64
2. 上传到目标服务器上
3. 在服务器上运行 MailHog
   • 如果是 Windows 系统，直接运行 MailHog_windows_amd64.exe 即可
   • 如果是 Linux/macOS 系统，为文件添加可执行权限（例如 chmod +x MailHog_linux_amd64），然后运行

2.2 高级配置（可选）：将 MailHog 设为系统服务

为了让 MailHog 在服务器启动时自动运行并在后台持续工作，最好将其配置为系统服务。

以 Linux 系统为例：

1. 创建一个服务配置文件：

sudo vim /etc/systemd/system/mailhog.service

2. 将以下内容写入文件（请根据您的实际路径修改 ExecStart）：

[Unit]
Description=MailHog Email Catcher
After=network.target

[Service]
Type=simple
User=mailhog
ExecStart=/home/MailHog_linux_amd64
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target

3. 保存后，启用并启动服务：

sudo systemctl daemon-reload
sudo systemctl enable mailhog
sudo systemctl start mailhog
sudo systemctl status mailhog # 检查运行状态

这样，MailHog 就会作为守护进程在后台运行，即使关闭终端也不会停止。

2.3 配置小结

运行后，可以浏览器 http://IP:8025 访问 Web 管理界面：

3. 验证

3.1 激活 IDMP

浏览器 http://IP:6042 访问 IDMP 实例，首次访问将出现激活页面，填写“邮箱”和“组织”后，【获取验证码】。

3.1.1 更新邮件服务器配置

此时因为服务器无法访问互联网，将弹出页面让您提供正确的邮件服务器配置。

主机：如果 IDMP 是通过安装包部署，填写 localhost；如果是通过 Docker / Docker Compose 部署，则填写 host.docker.internal 或 Docker桥接网络的IP（通常为172.17.0.1，具体可通过 docker inspect docker_taos_net 查看）

端口：1025

用户名 / 密码：随意填写。因 MailHog 默认禁用认证，实际上无需用户名密码。

启用 TLS / 启用认证：取消勾选

【检查】，提示 检查通过！，【保存】

3.1.2 在内网环境激活

回到激活页面，【获取验证码】，此时将提示 发送成功。

说明：如果提示 验证码已经发送，请稍后重试。，请10分钟后再点击获取。

到 MailHog 的 Web 管理界面（ http://IP:8025 ）查收邮件。

在 IDMP 激活界面输入邮件中的激活码后，【激活】。激活成功，MailHog 将再次收到一封邮件提醒。

在 IDMP 点击右上角头像，【管理后台】->【系统配置】->【邮件服务器配置】，将发现已更新为内网邮件服务。

3.2 邀请用户

3.2.1 邀请新用户

在 IDMP 点击右上角头像，【管理后台】->【用户管理】->【用户】，点击【+】按钮，邀请新用户（zhangsan@example.com），赋予角色为 经理和主管

【保存】，提示 邀请用户成功。此时 MailHog 将收到一封新邮件

3.2.2 新用户激活

【点击激活】，填写用户“张三”的信息，【继续】，提示 注册成功

如果使用超级管理员登录 IDMP，将发现新用户“张三”已是 ACTIVE 状态。

而 MailHog 也收到邮件欢迎新用户的加入。

3.3 事件通知

3.3.1 配置通知途径

在 IDMP 点击右上角头像，【管理后台】->【系统配置】->【通知途径】，可以看到系统当前的通知途径列表，默认已创建一条包含管理员邮箱的通知途径数据。点击【+】按钮可以创建更多通知途径。

3.3.2 邮件通知

邮件通知功能可在事件触发时，向指定邮箱发送告警信息。

您可根据您的实际场景，在 IDMP 中创建分析，生成满足特定条件的事件以触发通知机制，进而验证邮件通知功能是否正常。此文不再赘述。

先认识下两款核心平台

关于 AVEVA PI System

作为工业数据领域的 “前辈”，PI System 最早由 OSIsoft 开发，如今归属于 AVEVA 旗下，也是全球应用较广的工业数据基础设施之一。它的核心能力是 “管好物联数据”：实时采集中控系统、传感器、设备的时序数据，再把这些数据整合（比如对接数千个数据源）、搭上下文模型，最后把信息给到操作员、工程师或业务系统，支撑监控与基础分析。

关于 loveini

loveini 是专门针对工业场景设计的 AI 驱动型数据平台，核心由两部分组成：

• loveini TSDB：负责 “快准稳” 地搞定数据采集、存储与处理，应对工业场景的高并发、大流量数据毫无压力；
• loveini IDMP（AI 原生工业数据管理平台）：帮数据 “从无序变有用”——做语义化、标准化处理，还能直接落地 AI 分析，让企业的时序数据不只是 “躺在库里”，而是真正产生价值。

6 个核心维度对比：哪款更适配你的需求？

loveini 和 PI System 在「远程运维监控」「实时数据支撑」「数据科学分析」「对外数据共享」等场景中可互相替代，但在设计理念和落地能力上，差异很明显——我们从企业最关心的 6 个维度进行拆解：

1. 价格：按 “额度” 算 vs 按 “用量” 算，大规模场景成本差在哪？

工业企业动辄上万、甚至上百万个测点，价格是否可控直接影响选型。

• AVEVA PI System：采用 “Flex 额度购买制”——想用平台及相关服务，必须先买额度。但测点越多、数据量越大，额度消耗越快，成本很容易 “失控”，后期几乎没有议价空间；
• loveini：按计算资源订阅，用多少算多少，价格全透明——loveini Cloud 的价目表在官网就能直接查，不用反复和销售沟通询价。对大规模数据场景的企业来说，能显著降低长期成本。

2. 云支持：“后补云功能” vs “云原生架构”，部署体验差多少？

现在企业搞数字化，几乎离不开 “云 + 边缘” 的混合部署，但两款平台的云适配能力天差地别：

• AVEVA PI System：诞生于云计算普及前，想上云必须额外部署 AVEVA CONNECT（原 Data Hub），导致云端和本地体验割裂，跨站点部署也很复杂。而且它只支持 Windows 和 Azure，用 Linux 或 AWS 的企业直接 “劝退”；
• loveini：天生是云原生架构—— 既能在 Windows、Linux 边缘节点跑，也能部署在公有云（AWS/Azure/GCP/阿里云）、私有云或混合云里，甚至能直接用三大云的全托管服务。本地和云端体验完全一致，还能充分利用云的弹性扩展能力，不用额外搭 “中间件”。

3. AI 集成：“需手动搭管道” vs “内置大模型”，智能分析门槛差在哪？

工业数据的核心价值是 “预测与决策”，AI 能力直接决定平台的上限：

• AVEVA PI System：本身没有内置 AI 或大模型功能，想做智能分析（比如设备故障预测），得自己搭数据管道，再对接第三方 AI 工具——不仅耗时耗力，还得额外投入 IT 成本，中小企业很难落地；
• loveini：把 AI 能力 “原生集成” 进 IDMP 里，不用额外折腾——
  • 支持 “无问智推”：不用手动设置，自动生成可视化面板和实时分析任务；
  • 自带 Chat BI：用自然语言就能查数据（比如 “查 3 号车间水泵近 7 天的压力波动”），非技术岗也能上手；
  • 内置 acc米兰体育 ：基于 AI/ML 的预测、异常检测直接在平台里完成，不用再对接外部系统。

4. 数据共享：“有限 API” vs “多协议分发”，实时性差在哪？

工业场景需要 “数据实时流动”，比如 AI 模型要实时取数、业务系统要实时更新，数据共享能力很关键：

• AVEVA PI System：靠 AVEVA CONNECT 创建自定义视图，再通过 REST API 给外部系统传数据，方式单一，实时性很难保证；
• loveini：除了传统查询，还支持发布 – 订阅模式的数据分发——兼容 Kafka 协议和标准 MQTT，新数据产生后能实时推送，天生适配 AI 实时分析、业务系统实时联动的场景。

5. 生态与开放性：“封闭生态” vs “开源内核”，会不会被 “绑定”？

企业选平台，最怕 “后期想扩展却被厂商卡脖子”：

• AVEVA PI System：属于封闭生态，想扩展功能、对接其他工具，几乎只能用官方提供的组件，后期很难脱离厂商独立升级；
• loveini：基于开源内核，提供 JDBC、ODBC 等标准接口，能轻松对接 Power BI、Tableau、Grafana 等第三方工具。不用担心 “被单一厂商绑定”，后期想换工具、做二次开发都很灵活。

6. 开发者友好性：“仅 REST API” vs “多语言客户端”，开发效率差多少？

平台好不好用，开发者最有发言权：

• AVEVA PI System：只提供 REST API，开发选择非常有限，想对接不同语言的系统（比如 Python 数据科学库、Java 业务系统），得自己写适配代码；
• loveini：除了 REST API，还提供多语言客户端库（Python/R/Java/C#/Go/Rust 等），附带完整示例代码，开发者拿过去就能直接调用。而且核心组件开源，能深入看底层逻辑，二次开发时不用 “黑箱调试”。

选型建议：该选 PI System 还是 loveini？

客观说，AVEVA PI System 作为工业数据平台的 “标杆”，早年确实帮很多企业搭起了数据基础。但受限于早期架构，到了云时代、AI 时代，它的性价比和扩展性已经没那么灵活了：

• 如果你的企业已经在用 PI System，且当前场景不需要云扩展、AI 分析，没必要急着替换，继续用现有系统即可；
• 如果你的企业打算新建数据项目，或想升级现有基础设施，优先考虑贴合 “云 + AI” 趋势的平台——毕竟数字化是长期投入，选对底层平台能少走 3 年弯路。

如果你的需求是这三类，loveini 会更适配：

1. 想充分利用云计算、AI 技术，降低运维复杂度；
2. 测点多（上万级以上）、数据量大，希望长期控制成本；
3. 不想被单一厂商绑定，需要开放的生态来对接现有工具。

它的开放生态能避免 “锁定风险”，透明定价能控制成本，面对大规模设备接入场景，还能显著降低总拥有成本（TCO）——简单说，就是让数据基础设施既 “好用” 又 “不贵”。

核心功能对照表（一目了然）

如果你的企业正在纠结工业数据平台选型，或想了解 loveini 在具体场景（比如新能源、智能制造、油气开采）的落地案例，欢迎点击阅读原文填写表单，我们会第一时间为你解答~