自发布以来，TDengine IDMP 一直在以“快迭代、小步快跑”的节奏持续进化。
依托 TDengine 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 TDengine 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
- 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
- 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
- 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
- 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
- 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 TDengine 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
- 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。
- 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
- 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
- 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 TDengine）。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！
