實(shí)時(shí)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(shí)通知你。但工廠里最有價(jià)值的問(wèn)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(qiáng)的關(guān)聯(lián)？同型號(hào)的兩臺(tái)風(fēng)機(jī)運(yùn)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(wèn)題需要的不是儀表板，而是探索的工具 — 把幾個(gè)信號(hào)放在同一張圖上對(duì)比，圈出幾段感興趣的時(shí)間范圍，量化兩個(gè)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(wèn)題批次”分組對(duì)比。這套工作過(guò)去只能靠 SQL、Excel 或者數(shù)據(jù)工程師來(lái)完成。

TDengine 的過(guò)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(jì)計(jì)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(wèn)題，就在哪里深入追查，無(wú)需切換工具，無(wú)需編寫(xiě)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(chǎng)景里，最有價(jià)值的分析單元不是時(shí)間窗口，而是批次。一批產(chǎn)品從開(kāi)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(gè)階段出現(xiàn)了偏離？過(guò)去三個(gè)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(gè)生產(chǎn)批次定義為一個(gè)完整事件，有明確的起止時(shí)間，攜帶批次號(hào)、操作員、質(zhì)量結(jié)論等自定義屬性。批次號(hào)發(fā)生變化時(shí)，TDengine 流計(jì)算自動(dòng)完成上一批次的數(shù)據(jù)匯總并生成批次記錄，無(wú)需人工填報(bào)，歷史數(shù)據(jù)可以回算。

有了批次檔案，才能開(kāi)始真正的分析。工藝團(tuán)隊(duì)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(duì)比。IDMP 提供多種對(duì)比方式：將所有批次曲線疊加在同一時(shí)間軸上，快速識(shí)別偏離群體的異常批次；將每個(gè)批次分開(kāi)排列在獨(dú)立泳道，逐一檢視過(guò)程形態(tài)；對(duì)于長(zhǎng)短不一的批次，時(shí)間歸一化把所有曲線映射到 0% 到 100% 的統(tǒng)一進(jìn)度尺度，讓”反應(yīng)中期階段”可以跨批次直接對(duì)比；包絡(luò)線功能基于歷史優(yōu)質(zhì)批次自動(dòng)計(jì)算正常參數(shù)范圍，新批次的曲線一旦偏出這個(gè)安全通道，偏差位置一目了然。

你可以把多個(gè)事件的時(shí)間對(duì)齊并歸一化，生成各測(cè)點(diǎn)的包絡(luò)線

量化兩個(gè)信號(hào)之間的關(guān)系

工程師經(jīng)常面對(duì)一類問(wèn)題：這兩個(gè)參數(shù)之間有沒(méi)有關(guān)系？關(guān)系有多強(qiáng)？在散點(diǎn)圖里，將一個(gè)屬性配置為 X 軸、另一個(gè)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(xiàng)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(jī)功率平均下降多少，不再是憑經(jīng)驗(yàn)估計(jì)，而是從數(shù)據(jù)里讀出來(lái)的數(shù)字。

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

數(shù)據(jù)自然分組，工況模式浮出水面

設(shè)備運(yùn)行有不同的工況區(qū)間，但工程師往往說(shuō)不清楚有幾種、各自的邊界在哪里。在散點(diǎn)圖上對(duì)兩個(gè)屬性的聯(lián)合分布執(zhí)行聚類，數(shù)據(jù)自然形成幾個(gè)顏色區(qū)域——哪些點(diǎn)屬于正常運(yùn)行區(qū)，哪些點(diǎn)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(duì)于一臺(tái)風(fēng)機(jī)，風(fēng)速和功率的散點(diǎn)分布里，聚類結(jié)果可以直接揭示哪些時(shí)段對(duì)應(yīng)偏航故障、哪些時(shí)段對(duì)應(yīng)限功率運(yùn)行、哪些時(shí)段落在正常功率曲線區(qū)間。一個(gè)偏置的散點(diǎn)簇，往往比一行告警日志包含更多信息。

預(yù)測(cè)趨勢(shì)，在問(wèn)題發(fā)生前看到走向

實(shí)時(shí)監(jiān)控能告訴你設(shè)備現(xiàn)在在哪里，預(yù)測(cè)能告訴你它往哪里走。TDgpt 內(nèi)置時(shí)序預(yù)測(cè)引擎，通過(guò) FORECAST() 函數(shù)對(duì)屬性的未來(lái)值進(jìn)行估算，預(yù)測(cè)曲線在趨勢(shì)圖上作為歷史數(shù)據(jù)的自然延續(xù)顯示。儲(chǔ)罐液位預(yù)計(jì)何時(shí)達(dá)到上限，壓縮機(jī)排氣溫度的趨勢(shì)是否在未來(lái) 24 小時(shí)內(nèi)突破閾值，污水處理廠進(jìn)水量在節(jié)假日前后將如何變化——這些判斷從依賴經(jīng)驗(yàn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)。

TDgpt 提供涵蓋統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的完整算法庫(kù)，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(shí)序基礎(chǔ)模型。歷史數(shù)據(jù)量不足的場(chǎng)景，TDtsfm 支持零樣本預(yù)測(cè)，無(wú)需訓(xùn)練即可啟動(dòng)。預(yù)測(cè)既可通過(guò) 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(dòng)疊加在趨勢(shì)圖面板上。

探索是起點(diǎn)，發(fā)現(xiàn)要能落地

工程師在過(guò)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(gè)實(shí)時(shí)分析，對(duì)這個(gè)偏離持續(xù)監(jiān)控，偏離即生成告警事件。在過(guò)程分析里建立的認(rèn)知，通過(guò)實(shí)時(shí)分析轉(zhuǎn)化為持續(xù)運(yùn)行的監(jiān)控規(guī)則。

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

Q&A

Q：過(guò)程分析和實(shí)時(shí)分析有什么區(qū)別，什么時(shí)候用哪個(gè)？

A：實(shí)時(shí)分析持續(xù)運(yùn)行在數(shù)據(jù)流上，適合監(jiān)控和告警——它是自動(dòng)的、持續(xù)的，你不在的時(shí)候也在運(yùn)行。過(guò)程分析是按需的探索，適合調(diào)查和理解——出了問(wèn)題之后追查原因，想優(yōu)化工藝參數(shù)之前建立定量認(rèn)知。兩者基于同一套數(shù)據(jù)，工程師通常是先被實(shí)時(shí)告警觸發(fā)，再進(jìn)入過(guò)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(hào)字段（整型），每個(gè)新批次開(kāi)始時(shí)批次號(hào)更新。配置好狀態(tài)窗口流計(jì)算后，TDengine 自動(dòng)維護(hù)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(huì)話窗口觸發(fā)器同樣能自動(dòng)完成批次歸檔。

Q：相關(guān)分析的結(jié)果能說(shuō)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(jì)依賴的方向和強(qiáng)度。但它能有效縮小分析范圍、驗(yàn)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(shí)延互相關(guān)函數(shù)還可以估算參數(shù)之間的傳導(dǎo)時(shí)延，為判斷因果方向提供定量參考。

Q：聚類和異常檢測(cè)都能發(fā)現(xiàn)異常，有什么區(qū)別？

A：異常檢測(cè)是對(duì)單條時(shí)序數(shù)據(jù)的持續(xù)掃描，回答”這臺(tái)設(shè)備的這個(gè)指標(biāo)在時(shí)間維度上何時(shí)出現(xiàn)了偏離”。聚類是對(duì)多個(gè)數(shù)據(jù)點(diǎn)在特征空間的分組，回答”不同運(yùn)行狀態(tài)在參數(shù)空間上如何分布、哪些點(diǎn)落在了異常區(qū)間”。兩者可以配合使用：先用聚類識(shí)別正常工況的邊界，再用實(shí)時(shí)異常檢測(cè)監(jiān)控?cái)?shù)據(jù)是否偏出這個(gè)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(yùn)維工程師設(shè)計(jì)，散點(diǎn)圖回歸和聚類只需選擇軸屬性和算法類型，批次對(duì)比只需篩選事件和選擇顯示模式，不需要編寫(xiě)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(shí)分析。