导读
疫苗是“活的生物制品”,效价对温度极度敏感:2~8℃ 是大多数疫苗的生死线,超温哪怕一次,整批疫苗就可能失效,甚至酿成接种事故。
世窗信息(831467)在数字疾控体系里做了十几年的一件事,就是把这条“冷链路”数字化。其 “宝贝计划”冷链储存运输管理系统,配合 冷链监测预警管理系统,覆盖疫苗从企业出厂、验收入库、集中储存、物流配送、门诊验收到接种的全流程 。
这套系统的命脉是时序数据:8000 台温采设备、18000 个探头,分布在河北、内蒙古、西藏三省区的省、市、县三级疾控与接种单位,成千上万个温湿度探头 7×24 不间断上报,要求能随时查到、按需降采样、越限即报警,还要留够五年。
本文还原世窗冷链平台以 TDengine TSDB 为底层数据基座的技术路径,并落到冷藏车在途、冷库实况、超温锁批等业务场景。
一、冷链要记的,其实是三件事
一支冷藏疫苗的安全区间是 2~8℃,冷冻疫苗要低于 -20℃。这两条线之间,站着冷库、冰箱、冷藏车、冷藏箱四类设备,横跨省、市、县三级疾控和基层接种单位之间无数次的交接。
从管理的角度看,再复杂的制度最后都会收敛成三个问题:
- 此刻是多少度;
- 过去某一时刻是多少度;
- 如果越了界,是谁、在什么时候、越了多久。
这三个问题,恰好对应三种完全不同的查询形态:
- 一个是“最新值”,
- 一个是“时间段加降采样”,
- 一个是“连续窗口内的判断”。
整套系统的数据模型、写入方式,乃至为什么选择 TDengine TSDB,都可以回到这三句话。
二、这套系统怎么跑
温采设备是装在冷链现场的一台“数字温度计”,向下连接 1~3 个探头(冷库通常要多路),向上通过无线网络把数据送到平台。它同时上报两类内容:
设备数据——信号强度、电量、供电状态、经度、纬度、速度;探头数据——温度、湿度、供电状态、电量。
前者回答“这台设备还在不在、在哪”,后者回答“疫苗所处的环境是否安全”。设备装上冷藏车之后,经纬度和速度开始有意义,轨迹就成了温度之外的第二条证据链。
采集间隔可以在平台远程配置,范围是 1~20 分钟,实际以 20 分钟为主。截图里那份记录很典型:00:00、00:20、00:40、01:00、……,整二十分钟落一个点,一天 72 个。个别需要更细颗粒度的场景会调到 1 分钟,那是另一套数据量。
平台侧提供五类能力:实时温度与历史曲线、温采设备性能指标、超温预警通知、运输设备的实时温度/历史曲线/运动轨迹、远程配置设备参数。使用方以网站为主体,同时有 APP、小程序和大屏 BI。
规模:设备约 8000 台,探头约 18000 个,TDengine TSDB 集群 8 个节点。
落地架构:从探头到监管大屏
三、先把账算清楚:量不算大,形态很碎
按 20 分钟的主流配置估算,18000 个探头一天产生 129.6 万个点,8000 台设备再贡献 57.6 万个点;如果全部调到 1 分钟,这个数字会放大 20 倍。两端放在一起,就是系统的数据边界。
表 1 两种采集节奏下的数据规模(估算)
采集间隔 | 探头(18,000 路) | 设备(8,000 台) | 合计日均 | 合计年增 |
20 分钟(主流) | 129.6 万点/日 | 57.6 万点/日 | 187.2 万点 | 约 6.8 亿点 |
1 分钟(最密) | 2,592 万点/日 | 1,152 万点/日 | 3,744 万点 | 约 136.7 亿点 |
把区间摆出来,是为了说清楚一件事:这套系统的难点从来不是“扛不住吞吐”。即便按最密的 1 分钟算,136.7 亿点/年对时序库也只是常规量级;而按主流的 20 分钟算,一年 6.8 亿点,一个调优得当的关系型数据库其实也存得下。所以真正的问题不是“存不存得下”,而是“用不用得顺”。
第一处不顺,是一万八千条时间线。如果按“一张表存所有探头”来建,每一行都要重复设备号、机构号、通道号,索引越建越重,一次查询要扫过与它无关的全部设备;如果按“一个探头一张表”,就是 18000 张表的建表、路由、扩容和维护。超级表加子表,把这两个极端折中掉了:结构统一,时间线彼此独立,归属信息只存一份。
第二处不顺,是最新值。大屏要的是“此刻”。关系库的典型写法是先按设备取 max(ts),再拿这个时间回表 join,设备一多,这条 SQL 就会退化成几十万行的自连接。TDengine TSDB 的 last_row() 沿着每条时间线取最后一个点,配标签分组,一条 SQL 返回全部。
第三处不顺,是降采样。前端一条曲线只画得下几百个点,而数据库里躺着一年 26,280 个点。关系库的做法是把明细捞回应用层再聚合,网络传输和内存都是浪费;TDengine TSDB 的 interval() 在存储层切窗,返回的就是几百个点。
把这几类查询并排摆出来,差异就更直观了。
表 2 六种典型查询在两种数据库里的做法
查询形态 | 关系库的典型做法 | TDengine TSDB 的做法 |
全量最新值 | 按设备取 max(ts) 后回表 join | last_row() 按标签分组,一次返回 |
区间曲线 | 取回明细,在应用层聚合 | interval() 在存储层切窗 |
区间明细 | 按时间索引扫描后分页 | 时间分区裁剪后分页 |
到期清理 | 分区表或定时脚本 | KEEP 到期自动过期 |
跨机构聚合 | 索引路径不同,往往要写多条 SQL | 同一条 SQL,只换标签条件 |
新增探头类型 | 建表、加索引、改代码 | 新建超级表,或新增一个标签值 |
注意最后一行:当现场出现一种新型设备时,这套系统要做的只是加一张超级表,或者给已有表加一个标签值,而不是“改表结构 + 补索引 + 回归测试”。在设备型号还在不断增加的冷链场景里,这一点省下的不只是工作量。
四、五张超级表
整套系统的时序数据被拆成五张超级表。拆分的依据不是“好看”,而是写入频率、保留期限和查询方式——三个都不一样的数据,本来就不该塞进一张表。
表 3 超级表与子表划分
超级表 | 子表粒度 | 标签 | 典型查询 |
probe_data | 每路探头一张 | org、region、device_sn、channel、scene | 最新值、曲线、明细 |
device_status | 每台设备一张 | org、region、device_sn、device_type | 电量、信号、在线状态 |
gps_track | 每台运输设备一张 | org、device_sn | 轨迹、抽稀、回放 |
alarm_record | 每条告警一行 | org、device_sn、alarm_type、level | 告警列表、时长统计 |
cfg_change | 每条变更一行 | org、device_sn、param | 配置变更审计 |
以最核心的 probe_data 为例。一路探头对应一张子表,子表名里带设备编码和通道号,从表名就能看出它是哪台设备的哪一路;机构、行政区划、场景这些“一变就要改全部历史”的属性,放进标签,只存一份。
CREATE STABLE probe_data (
ts TIMESTAMP,
temperature FLOAT, -- 温度
humidity FLOAT, -- 湿度
battery FLOAT, -- 探头电量
power_on TINYINT -- 供电状态
) TAGS (
org_id VARCHAR(32), -- 疾控机构
region_code VARCHAR(12), -- 行政区划
device_sn VARCHAR(32), -- 设备编码
channel TINYINT, -- 探头通道
scene TINYINT -- 1 冷库 2 冰箱 3 冷藏车 4 冷藏箱
);
一路探头一张子表,首次写入自动建表
INSERT INTO p_7DC332333_01 USING probe_data
TAGS ('130100-cdc', '130102', '7DC332333', 1, 2)
VALUES ('2026-11-01 00:00:00', 4.3, 62.0, 3.86, 1);
这里有一条容易踩空的边界:标签只放稳定属性,变化的量一律放列。温度、湿度、电量每 20 分钟变一次,如果把电量做成标签,等于每次上报都在改写元数据。反过来,机构、行政区划、通道号几乎不变,做成标签既省空间,又能让“按机构查”“按通道查”变成一次标签过滤,而不是一次全表扫描。
五、写入、存储与运维:三个具体的数字
- 写入:每小时三次潮汐。
20 分钟一次的采集节奏,带来一个很具体的写入特征——上报时刻大多落在整二十分钟的边界上(截图里那条记录正是 00:00、00:20、00:40)。这意味着每到 :00、:20、:40,18000 个探头几乎同时到达:如果它们都挤在同一分钟内落库,瞬时写入速率就是平均值的 20 倍——数据不是均匀流进来的,而是三股一波地涌进来。
系统用三层来吸收这个尖峰:写入服务在接入侧按批攒包,把分散的上报合并成批量写入;TDengine TSDB 采用追加写,不维护二级索引,落盘是顺序的;8 个节点的 vgroup 把时间线分散到不同节点,单一节点不会成为瓶颈。
另外两件事同样重要。设备常年在弱网环境下工作,断网期间的数据会在恢复后集中补传,时间戳是旧的、到达是乱的——数据库必须允许乱序写入,不能因为到得晚就丢点。而采集间隔在 1 分钟和 20 分钟之间切换时,子表结构不变,只是点的密度变了,不需要迁移数据。
- 存储:一年 3 GB,五年不到 20 GB。
按行式存储每条约 40 字节估算,6.8 亿点对应约 27 GB 原始数据。列式存储把相邻的温度值做差分、把重复的机构编码做字典,通常能压到原来的十分之一量级——一年 3 GB 左右,五年累计不到 20 GB。
这个数字的实际意义是:追溯五年前某一趟运输,不需要去翻归档库。数据始终在线,一条带时间范围的 SQL 就能取完,而不是先去磁带或者冷存储里捞回来再导入。
- 运维:三种数据,三个保留期。
温度记录按行业规范通常要留五年以上,轨迹数据的价值集中在近一年,告警记录则要长期保留用于复盘。三者的 KEEP 设置不同,就应该落在不同的 database 里,各自到期、各自清理,互不影响。这一步做对了,后面几年都不需要写清理脚本。
六、六个业务场景
前面讲的是账和模型,下面看它们落在哪里。六个场景,对应六种真实的查询。
▍ 场景一 · 大屏:县级 15 台,省级 8000 台
截图是一个县级的驾驶舱:监测县区门诊 16 家、冷链设备 15 台,其中 3 台异常;右侧的设备卡片按 CH1~CH6 逐路显示温度、类型和运行状态。
县级页面只有十几台设备,看起来不难。但同一套页面切到省级,就是 8000 台设备、18000 路探头。系统没有为此写两套代码——同一条 SQL,只是换了一个标签条件:县级带上 region_code,省级只带 org_id。
这条 SQL 每刷新一次,要返回全量设备的最新值和在线状态。用 last_row() 按设备和通道分组,一次往返就能取齐;如果按“每个探头查一次”来做,省级页面一次刷新就是 18000 次请求,还没算网络开销。
大屏:全辖区每路探头的最新温度与在线状态
SELECT device_sn, channel,
LAST_ROW(temperature) AS temp,
LAST_ROW(power_on) AS online
FROM probe_data
WHERE org_id = '130100-cdc'
GROUP BY device_sn, channel;
图 1 县级冷链温度监测大屏:地图告警、汇总指标与设备卡片同屏刷新
▍ 场景二 · 曲线:一天看 72 个点,一年看 365 个点
点开一台设备,看到的是“澳柯玛医用冰箱 CH1”在 2026-11-01 至 11-02 的记录:曲线上最高点 7℃、最低点 4.2℃ 被自动标注,下方同步列出每 20 分钟一条的温度与湿度明细。
这里有一个容易被忽略的换算。一天 72 个点,可以直接画;一个月 2,160 个点、一年 26,280 个点,就不能直接画了——前端画不下,网络也传不动。
所以同一个页面,时间范围不同,降采样粒度就不同:看一天,原样取 72 个点;看一个月,按 1 小时切窗,得到 720 个点;看一年,按 1 天切窗,得到 365 个点。切窗发生在存储层,无论看多久,前端拿到的都是几百个点。
图 2 单台设备测温记录:降采样曲线与逐条明细同屏呈现
曲线:按 20 分钟窗口降采样,均值与极值一次给出
SELECT _wstart,
AVG(temperature) AS avg_t,
MAX(temperature) AS max_t,
MIN(temperature) AS min_t
FROM probe_data
WHERE device_sn = '7DC332333' AND channel = 1
AND ts >= '2026-11-01 00:00:00'
AND ts < '2026-11-02 00:00:00'
INTERVAL(20m);
同一条 SQL 把 INTERVAL 换成 1h 或 1d,就是“看一个月”和“看一年”。明细查询则走另一条路径:时间范围裁剪加分页,查到的每条记录都能导出,作为处置依据。两者共用一张超级表和一套标签条件,不会出现“曲线和明细对不上”的情况。
▍ 场景三 · 告警:按 20 分钟窗口筛选越界区间
20 分钟一次的采样,带来一个很实际的麻烦:单点毛刺。冰箱开门装卸、冷库化霜,都会让温度在短时间里抬升,一两个点之后又回落。如果按“任意一点越界即报警”来做,值班人员一天会被误报淹没,真正的异常反而被盖住。所以规则不是“越界”,而是“持续越界”:连续 3 个点(60 分钟)高于 8℃ 或低于 2℃,才触发告警;连续 6 个点(2 小时)虽然没超限但持续爬升,也推一次提醒。这套窗口逻辑正好和 20 分钟的采样节奏对齐——一个窗口就是一个点,判断和采样不打架。
按 20 分钟窗口统计越界情况
SELECT _wstart,
COUNT(*) AS points,
MAX(temperature) AS max_t,
MIN(temperature) AS min_t
FROM probe_data
WHERE org_id = '130100-cdc'
AND ts > NOW - 2h
INTERVAL(20m)
HAVING MAX(temperature) > 8 OR MIN(temperature) < 2;
连续 3 个窗口命中才推送,判断逻辑放在应用层轮询,代价是每个周期扫一遍全量探头。更合适的做法是把它交给数据库的流计算:窗口统计和阈值过滤在库内连续执行,结果写入告警超级表,订阅服务只消费新增记录,再完成短信、APP 推送和工单派发。
图 3 温度异常弹窗:按机构、类型、运行状态定位设备,并回溯异常时段曲线
告警本身也是一条时序数据——发生时间、持续时长、恢复时间都在里面。事后统计“哪类设备误报最多”“哪个机构恢复最慢”,用同一张表就能算,不需要另建一套模型。
▍ 场景四 · 轨迹:二十分钟之间发生了什么
温度是二十分钟一个点,但车是一直在动的。运输监控页把轨迹折线叠在地图上,与温度曲线共用一条时间轴。轨迹数据的问题是密:一段两小时的行程能有上千个点。直接渲染卡顿,全量传输浪费,所以按时间间隔抽稀;需要精确回放时,再取完整明细。更实用的是对齐——调度人员可以看到,某个时间点的温度抬升,恰好落在车辆长时间停靠、或者开门装卸之后的那几十分钟里。温度告诉你“发生了什么”,轨迹告诉你“为什么”。
▍ 场景五 · 设备健康:三个周期没有数据,就是离线
设备卡片上除了温度,还有电量、信号强度和供电状态。一台设备的电池从 100% 掉到 20%,中间是缓慢衰减;信号在冷库深处会周期性变弱;供电状态在停电瞬间翻转。这些指标单独看意义不大,连续看才有价值。
掉线的判定也很具体:连续 3 个采集周期(60 分钟)没有新数据,就从“在线”改为“离线”。20 分钟的采样节奏在这里反而成了便利——判定窗口天然对齐,不需要额外解释“多长算掉线”。
图 4 设备卡片:状态、探头通道、剩余电量与实时温度
列表页要的是每台设备的最新状态,走 last_row;详情页要的是某台设备某段时间的趋势,走范围查询加窗口聚合。同一套模型,两种视角。
▍ 场景六 · 追溯:五年前的那一趟
冷链记录通常要留五年。五年之后,一支疫苗的批次可能早已用完,但记录还在。追溯查询的形态和前五个都不一样:它不是“看一台设备”,而是“顺着一条链路看很多台设备”。给定批号,先查到它经过的冷库、冷藏车、冰箱,再按设备和时间范围把这几个区间里的温度全部取出来——设备可能有几十台,时间跨度是几天。
TDengine TSDB 的处理方式是:先用标签把候选子表圈到几十张,再按时间分区裁剪,只扫命中的那几个时间块。如果数据按年分库、按年归档,这类查询就要跨库拼接;而 KEEP 设在五年、数据始终在线,一次查询就能取完。
七、六条工程约定
模型选对了只解决一半问题。落地时,有几条约定决定了这套系统能不能跑过五年。
- 分库按保留期切。
温度留五年,轨迹留一年,告警长期留。保留期不同就分到不同的 database,各设各的 KEEP,而不是在一张表里靠脚本删。
- 子表名带业务语义。
p_{device_sn}_{channel},从表名就能定位到具体时间线,省掉一次从标签到子表的映射。
- 标签只放稳定属性。
机构、行政区划、设备编码、通道、场景。电量、信号这类每次都变的量,一律放列。
- 写入攒批。
设备侧是 20 分钟一次,接入侧按 5 秒一批提交,把 18000 次单点写入变成几百次批量写入。
- 补传要允许乱序。
断网期间的数据会在恢复后集中到达,时间戳是旧的,数据库必须接得住。
- 查询收敛成模板。
全系统的查询最终只有三种:最新值、区间降采样、区间明细。新页面只换标签条件和时间范围,不重新发明 SQL。
八、结语
这条链路上最有价值的,不是某一个漂亮的数字,而是“能查”这件事本身:五年前那一趟运输,二十分钟一个点,仍然能在几秒内被调出来。
8000 台设备、18000 个探头、20 分钟一次的节奏,数据量并不惊人。难的是这些数据会被三种完全不同的查询反复使用,要留够五年,还要在每小时三次的写入潮汐里不出错。TDengine TSDB 在这套系统里的作用,不是把某个指标拉高一个数量级,而是让最新值、降采样、连续判断这三种查询各有各的快路径,让五年数据始终在线。
对冷链来说,能被查到的温度,才算数。
客户简介
作者:梁震(业务部)
世窗信息股份有限公司(证券代码:831467)始创于2004年,总部位于河北沧州,是国家高新技术企业、专精特新企业。公司以 AI 为核心引擎,形成“行业信息化 + 大健康产业”双轮驱动:
- 数字健康:免疫规划、智慧妇幼、精神卫生、冷链监控、中医健康大模型与“我知健康”穿戴设备,疾控信息化覆盖全国多省;
- 数字政府:协同办公、数字审计、仲裁、教育监管;
- 数字乡村:乡村治理、智慧农业与行业大模型。
公司在沧州、石家庄、杭州设研发中心,拥有300余项专利与软著,累计服务全国万余家机构,并入选河北省健康行业可信数据空间试点,致力于用数据智能守护公共健康与政务效率。

























