实时监控告诉你设备现在是否正常，告警在异常发生时通知你。但工厂里最有价值的问题往往发生在这之后：这批次产品为什么良率偏低？注射温度和产品缺陷之间有多强的关联？同型号的两台风机运行在同样的风速下，功率曲线为什么出现了分叉？

回答这些问题需要的不是仪表板，而是探索的工具 — 把几个信号放在同一张图上对比，圈出几段感兴趣的时间范围，量化两个参数之间的关系，在历史批次里找出”优质批次”和”问题批次”分组对比。这套工作过去只能靠 SQL、Excel 或者数据工程师来完成。

TDengine 的过程分析把这套流程直接交给工艺工程师。TDengine TSDB 提供底层的统计计算与 AI 分析函数，IDMP 将这些能力嵌入到数据本身所在的面板和视图中——在哪里发现问题，就在哪里深入追查，无需切换工具，无需编写代码。

批次是工业分析的基本单位

流程工业、离散制造、化工反应——这些场景里，最有价值的分析单元不是时间窗口，而是批次。一批产品从开始到结束，工艺参数经历了什么变化？这批和上一批相比，哪个阶段出现了偏离？过去三个月里，哪些批次的良率异常，它们和正常批次在参数上有什么系统性差异？

TDengine 将每个生产批次定义为一个完整事件，有明确的起止时间，携带批次号、操作员、质量结论等自定义属性。批次号发生变化时，TDengine 流计算自动完成上一批次的数据汇总并生成批次记录，无需人工填报，历史数据可以回算。

有了批次档案，才能开始真正的分析。工艺团队从历史批次中筛选出高不良率的批次，和正常批次的工艺参数曲线叠加对比。IDMP 提供多种对比方式：将所有批次曲线叠加在同一时间轴上，快速识别偏离群体的异常批次；将每个批次分开排列在独立泳道，逐一检视过程形态；对于长短不一的批次，时间归一化把所有曲线映射到 0% 到 100% 的统一进度尺度，让”反应中期阶段”可以跨批次直接对比；包络线功能基于历史优质批次自动计算正常参数范围，新批次的曲线一旦偏出这个安全通道，偏差位置一目了然。

你可以把多个事件的时间对齐并归一化，生成各测点的包络线

量化两个信号之间的关系

工程师经常面对一类问题：这两个参数之间有没有关系？关系有多强？在散点图里，将一个属性配置为 X 轴、另一个配置为 Y 轴，两者之间的关系形态直接呈现。拟合一条回归曲线——线性、指数或多项式——关系的方向、斜率、非线性程度立刻量化。冷冻水出水温度每提高 1°C，冷机功率平均下降多少，不再是凭经验估计，而是从数据里读出来的数字。

对于需要量化统计关联的场景，TDengine 提供 CORR 函数直接计算皮尔森相关系数，按设备分组或按滚动时间窗口均可计算，输出范围 -1 到 1，关联强度一目了然。对于涉及时间滞后的关联——上游参数的变化需要多长时间才影响下游指标——TLCC 函数计算不同时延步数下的相关系数序列，定量估算传导时延，为闭环控制优化提供依据。当两条时序形态相似但存在相位偏移，DTW 动态时间规整函数在对齐时域后再计算相似度，适用于采样频率不一致或存在时间拉伸的对比场景。

数据自然分组，工况模式浮出水面

设备运行有不同的工况区间，但工程师往往说不清楚有几种、各自的边界在哪里。在散点图上对两个属性的联合分布执行聚类，数据自然形成几个颜色区域——哪些点属于正常运行区，哪些点偏离到了异常区，不需要预先定义规则，算法从数据的内在结构里找到答案。

TDengine 支持 K-Means、DBSCAN、GMM 等多种聚类算法，适配不同的数据分布和应用需求。对于一台风机，风速和功率的散点分布里，聚类结果可以直接揭示哪些时段对应偏航故障、哪些时段对应限功率运行、哪些时段落在正常功率曲线区间。一个偏置的散点簇，往往比一行告警日志包含更多信息。

预测趋势，在问题发生前看到走向

实时监控能告诉你设备现在在哪里，预测能告诉你它往哪里走。TDgpt 内置时序预测引擎，通过 FORECAST() 函数对属性的未来值进行估算，预测曲线在趋势图上作为历史数据的自然延续显示。储罐液位预计何时达到上限，压缩机排气温度的趋势是否在未来 24 小时内突破阈值，污水处理厂进水量在节假日前后将如何变化——这些判断从依赖经验变为数据驱动。

TDgpt 提供涵盖统计模型、机器学习和深度学习的完整算法库，从 HoltWinters、Prophet，到 LSTM、PatchTST，以及在多样化工业数据上预训练的 TDtsfm 时序基础模型。历史数据量不足的场景，TDtsfm 支持零样本预测，无需训练即可启动。预测既可通过 SQL 的 FORECAST() 函数直接调用，也可以在 IDMP 的属性配置界面中启用，结果自动叠加在趋势图面板上。

探索是起点，发现要能落地

工程师在过程分析里发现了注射温度在批次后半段的持续偏低与不良率之间的关联，下一步是配置一个实时分析，对这个偏离持续监控，偏离即生成告警事件。在过程分析里建立的认知，通过实时分析转化为持续运行的监控规则。

过程分析、实时分析、AI 智能洞察共享同一套 TDengine 数据体系。实时分析产生的 KPI 属性可以直接在散点图里做回归；AI 检测到的异常事件可以在过程分析里做批次对比追溯；在过程分析里验证的发现，可以固定为仪表板面板长期跟踪。探索不是终点，它是从数据到行动的第一步。

Q&A

Q：过程分析和实时分析有什么区别，什么时候用哪个？

A：实时分析持续运行在数据流上，适合监控和告警——它是自动的、持续的，你不在的时候也在运行。过程分析是按需的探索，适合调查和理解——出了问题之后追查原因，想优化工艺参数之前建立定量认知。两者基于同一套数据，工程师通常是先被实时告警触发，再进入过程分析深入调查。

Q：批次分析需要提前设置什么才能用？

A：需要设备属性中有批次号字段（整型），每个新批次开始时批次号更新。配置好状态窗口流计算后，TDengine 自动维护批次记录，历史数据也可以回算回填。如果批次边界由数据静默间隔定义，会话窗口触发器同样能自动完成批次归档。

Q：相关分析的结果能说明因果关系吗？

A：相关分析本身不能证明因果，只能量化统计依赖的方向和强度。但它能有效缩小分析范围、验证物理假设，帮助工程师在众多候选参数里快速定位最值得深入调查的变量。TLCC 时延互相关函数还可以估算参数之间的传导时延，为判断因果方向提供定量参考。

Q：聚类和异常检测都能发现异常，有什么区别？

A：异常检测是对单条时序数据的持续扫描，回答”这台设备的这个指标在时间维度上何时出现了偏离”。聚类是对多个数据点在特征空间的分组，回答”不同运行状态在参数空间上如何分布、哪些点落在了异常区间”。两者可以配合使用：先用聚类识别正常工况的边界，再用实时异常检测监控数据是否偏出这个边界。

Q：这些分析需要数据科学背景吗？

A：面向工艺工程师和运维工程师设计，散点图回归和聚类只需选择轴属性和算法类型，批次对比只需筛选事件和选择显示模式，不需要编写代码。CORR、TLCC、FORECAST 等函数也可以直接在 TDengine SQL 中调用，适合有 SQL 基础的工程师做更灵活的临时分析。