實時監(jiān)控告訴你設(shè)備現(xiàn)在是否正常，告警在異常發(fā)生時通知你。但工廠里最有價值的問題往往發(fā)生在這之后：這批次產(chǎn)品為什么良率偏低？注射溫度和產(chǎn)品缺陷之間有多強的關(guān)聯(lián)？同型號的兩臺風(fēng)機運行在同樣的風(fēng)速下，功率曲線為什么出現(xiàn)了分叉？

回答這些問題需要的不是儀表板，而是探索的工具 — 把幾個信號放在同一張圖上對比，圈出幾段感興趣的時間范圍，量化兩個參數(shù)之間的關(guān)系，在歷史批次里找出”優(yōu)質(zhì)批次”和”問題批次”分組對比。這套工作過去只能靠 SQL、Excel 或者數(shù)據(jù)工程師來完成。

TDengine 的過程分析把這套流程直接交給工藝工程師。TDengine TSDB 提供底層的統(tǒng)計計算與 AI 分析函數(shù)，IDMP 將這些能力嵌入到數(shù)據(jù)本身所在的面板和視圖中——在哪里發(fā)現(xiàn)問題，就在哪里深入追查，無需切換工具，無需編寫代碼。

批次是工業(yè)分析的基本單位

流程工業(yè)、離散制造、化工反應(yīng)——這些場景里，最有價值的分析單元不是時間窗口，而是批次。一批產(chǎn)品從開始到結(jié)束，工藝參數(shù)經(jīng)歷了什么變化？這批和上一批相比，哪個階段出現(xiàn)了偏離？過去三個月里，哪些批次的良率異常，它們和正常批次在參數(shù)上有什么系統(tǒng)性差異？

TDengine 將每個生產(chǎn)批次定義為一個完整事件，有明確的起止時間，攜帶批次號、操作員、質(zhì)量結(jié)論等自定義屬性。批次號發(fā)生變化時，TDengine 流計算自動完成上一批次的數(shù)據(jù)匯總并生成批次記錄，無需人工填報，歷史數(shù)據(jù)可以回算。

有了批次檔案，才能開始真正的分析。工藝團隊從歷史批次中篩選出高不良率的批次，和正常批次的工藝參數(shù)曲線疊加對比。IDMP 提供多種對比方式：將所有批次曲線疊加在同一時間軸上，快速識別偏離群體的異常批次；將每個批次分開排列在獨立泳道，逐一檢視過程形態(tài)；對于長短不一的批次，時間歸一化把所有曲線映射到 0% 到 100% 的統(tǒng)一進度尺度，讓”反應(yīng)中期階段”可以跨批次直接對比；包絡(luò)線功能基于歷史優(yōu)質(zhì)批次自動計算正常參數(shù)范圍，新批次的曲線一旦偏出這個安全通道，偏差位置一目了然。

你可以把多個事件的時間對齊并歸一化，生成各測點的包絡(luò)線

量化兩個信號之間的關(guān)系

工程師經(jīng)常面對一類問題：這兩個參數(shù)之間有沒有關(guān)系？關(guān)系有多強？在散點圖里，將一個屬性配置為 X 軸、另一個配置為 Y 軸，兩者之間的關(guān)系形態(tài)直接呈現(xiàn)。擬合一條回歸曲線——線性、指數(shù)或多項式——關(guān)系的方向、斜率、非線性程度立刻量化。冷凍水出水溫度每提高 1°C，冷機功率平均下降多少，不再是憑經(jīng)驗估計，而是從數(shù)據(jù)里讀出來的數(shù)字。

對于需要量化統(tǒng)計關(guān)聯(lián)的場景，TDengine 提供 CORR 函數(shù)直接計算皮爾森相關(guān)系數(shù)，按設(shè)備分組或按滾動時間窗口均可計算，輸出范圍 -1 到 1，關(guān)聯(lián)強度一目了然。對于涉及時間滯后的關(guān)聯(lián)——上游參數(shù)的變化需要多長時間才影響下游指標——TLCC 函數(shù)計算不同時延步數(shù)下的相關(guān)系數(shù)序列，定量估算傳導(dǎo)時延，為閉環(huán)控制優(yōu)化提供依據(jù)。當兩條時序形態(tài)相似但存在相位偏移，DTW 動態(tài)時間規(guī)整函數(shù)在對齊時域后再計算相似度，適用于采樣頻率不一致或存在時間拉伸的對比場景。

數(shù)據(jù)自然分組，工況模式浮出水面

設(shè)備運行有不同的工況區(qū)間，但工程師往往說不清楚有幾種、各自的邊界在哪里。在散點圖上對兩個屬性的聯(lián)合分布執(zhí)行聚類，數(shù)據(jù)自然形成幾個顏色區(qū)域——哪些點屬于正常運行區(qū)，哪些點偏離到了異常區(qū)，不需要預(yù)先定義規(guī)則，算法從數(shù)據(jù)的內(nèi)在結(jié)構(gòu)里找到答案。

TDengine 支持 K-Means、DBSCAN、GMM 等多種聚類算法，適配不同的數(shù)據(jù)分布和應(yīng)用需求。對于一臺風(fēng)機，風(fēng)速和功率的散點分布里，聚類結(jié)果可以直接揭示哪些時段對應(yīng)偏航故障、哪些時段對應(yīng)限功率運行、哪些時段落在正常功率曲線區(qū)間。一個偏置的散點簇，往往比一行告警日志包含更多信息。

預(yù)測趨勢，在問題發(fā)生前看到走向

實時監(jiān)控能告訴你設(shè)備現(xiàn)在在哪里，預(yù)測能告訴你它往哪里走。TDgpt 內(nèi)置時序預(yù)測引擎，通過 FORECAST() 函數(shù)對屬性的未來值進行估算，預(yù)測曲線在趨勢圖上作為歷史數(shù)據(jù)的自然延續(xù)顯示。儲罐液位預(yù)計何時達到上限，壓縮機排氣溫度的趨勢是否在未來 24 小時內(nèi)突破閾值，污水處理廠進水量在節(jié)假日前后將如何變化——這些判斷從依賴經(jīng)驗變?yōu)閿?shù)據(jù)驅(qū)動。

TDgpt 提供涵蓋統(tǒng)計模型、機器學(xué)習(xí)和深度學(xué)習(xí)的完整算法庫，從 HoltWinters、Prophet，到 LSTM、PatchTST，以及在多樣化工業(yè)數(shù)據(jù)上預(yù)訓(xùn)練的 TDtsfm 時序基礎(chǔ)模型。歷史數(shù)據(jù)量不足的場景，TDtsfm 支持零樣本預(yù)測，無需訓(xùn)練即可啟動。預(yù)測既可通過 SQL 的 FORECAST() 函數(shù)直接調(diào)用，也可以在 IDMP 的屬性配置界面中啟用，結(jié)果自動疊加在趨勢圖面板上。

探索是起點，發(fā)現(xiàn)要能落地

工程師在過程分析里發(fā)現(xiàn)了注射溫度在批次后半段的持續(xù)偏低與不良率之間的關(guān)聯(lián)，下一步是配置一個實時分析，對這個偏離持續(xù)監(jiān)控，偏離即生成告警事件。在過程分析里建立的認知，通過實時分析轉(zhuǎn)化為持續(xù)運行的監(jiān)控規(guī)則。

過程分析、實時分析、AI 智能洞察共享同一套 TDengine 數(shù)據(jù)體系。實時分析產(chǎn)生的 KPI 屬性可以直接在散點圖里做回歸；AI 檢測到的異常事件可以在過程分析里做批次對比追溯；在過程分析里驗證的發(fā)現(xiàn)，可以固定為儀表板面板長期跟蹤。探索不是終點，它是從數(shù)據(jù)到行動的第一步。

Q&A

Q：過程分析和實時分析有什么區(qū)別，什么時候用哪個？

A：實時分析持續(xù)運行在數(shù)據(jù)流上，適合監(jiān)控和告警——它是自動的、持續(xù)的，你不在的時候也在運行。過程分析是按需的探索，適合調(diào)查和理解——出了問題之后追查原因，想優(yōu)化工藝參數(shù)之前建立定量認知。兩者基于同一套數(shù)據(jù)，工程師通常是先被實時告警觸發(fā)，再進入過程分析深入調(diào)查。

Q：批次分析需要提前設(shè)置什么才能用？

A：需要設(shè)備屬性中有批次號字段（整型），每個新批次開始時批次號更新。配置好狀態(tài)窗口流計算后，TDengine 自動維護批次記錄，歷史數(shù)據(jù)也可以回算回填。如果批次邊界由數(shù)據(jù)靜默間隔定義，會話窗口觸發(fā)器同樣能自動完成批次歸檔。

Q：相關(guān)分析的結(jié)果能說明因果關(guān)系嗎？

A：相關(guān)分析本身不能證明因果，只能量化統(tǒng)計依賴的方向和強度。但它能有效縮小分析范圍、驗證物理假設(shè)，幫助工程師在眾多候選參數(shù)里快速定位最值得深入調(diào)查的變量。TLCC 時延互相關(guān)函數(shù)還可以估算參數(shù)之間的傳導(dǎo)時延，為判斷因果方向提供定量參考。

Q：聚類和異常檢測都能發(fā)現(xiàn)異常，有什么區(qū)別？

A：異常檢測是對單條時序數(shù)據(jù)的持續(xù)掃描，回答”這臺設(shè)備的這個指標在時間維度上何時出現(xiàn)了偏離”。聚類是對多個數(shù)據(jù)點在特征空間的分組，回答”不同運行狀態(tài)在參數(shù)空間上如何分布、哪些點落在了異常區(qū)間”。兩者可以配合使用：先用聚類識別正常工況的邊界，再用實時異常檢測監(jiān)控數(shù)據(jù)是否偏出這個邊界。

Q：這些分析需要數(shù)據(jù)科學(xué)背景嗎？

A：面向工藝工程師和運維工程師設(shè)計，散點圖回歸和聚類只需選擇軸屬性和算法類型，批次對比只需篩選事件和選擇顯示模式，不需要編寫代碼。CORR、TLCC、FORECAST 等函數(shù)也可以直接在 TDengine SQL 中調(diào)用，適合有 SQL 基礎(chǔ)的工程師做更靈活的臨時分析。