在制造业、能源、交通等传统行业，数据的“接上来”已经不是难题，难的是“用起来”。虽然传感器已经布满设备、系统也实现了初步联通，但各类数据依然分散在不同系统、不同协议、不同标准之中。它们各自为政，彼此隔绝，形成了一个个数据孤岛。
在这种现实下，要真正让 AI 赋能业务，第一步不是建模、不是训练，而是把这些来自不同来源的数据汇聚、清洗、加工、重组，转化为具备统一结构与业务语义的高质量数据资产。
汇聚各类数据源，打破系统孤岛
为实现高效汇聚，TDengine 支持主流工业协议与数据源的接入，包括但不限于：
- 现代工业数据协议，如 MQTT 和 OPC（UA 和 DA）
- 数据收集代理，如 Telegraf 和 collectd
- 传统实时数据库系统，如 PI System 和 AVEVA Historian
- 传统的关系型数据库，如 MySQL、Oracle、SQL Server、PostgreSQL 等
- Apache Kafka
- CSV 文件
通过灵活的连接机制与统一的数据接入流程，无需编写代码，企业就能将散布在各地、不同格式的数据采集到统一平台之中。
而与传统数据汇总工具不同，TDengine 在接入层就考虑了数据治理的需求，内置了完整的 ETL 能力，支持字段映射、单位换算、表达式转换与数据类型统一，让汇聚不仅仅是“堆在一起”，而是“对得起来”。
构建结构化视角，实现数据目录化
TDengine 以树状结构组织和管理工业数据，清晰展现从企业、工厂、产线到设备、传感器的层级关系。每一个节点代表一个物理设备或逻辑实体，不仅可以挂载数据，还具备独立的属性配置、可视化面板、分析逻辑与事件管理功能，成为完整的业务载体。
系统支持按不同业务视角灵活构建多个树状结构，既可按组织结构划分，如集团—工厂—设备；也可按设备类型归类，如风机—逆变器—传感器，实现同一数据在不同维度下的统一呈现与多角度分析。借助这种结构化组织方式，企业可以构建清晰可管理的数据资产目录，让分散的数据在语义上“归位”，为后续标准化与情景化处理奠定基础。
对齐数据结构与口径，实现数据标准化
在实际场景中，即使是同一类数据，不同系统之间也会存在命名不统一、单位不一致、结构不规范等问题。例如，有的系统记录温度字段为 WD，有的命名为 temp；有的设备以华氏度采集，有的使用摄氏度。对于业务分析和 AI 算法来说，这类不统一的数据是无法直接使用的。
TDengine IDMP 允许用户为每个字段配置标准名称、目标单位及换算公式，自动完成转换与标准化处理。通过数据引用机制，还可以将来自不同数据库、表结构的数据映射为统一的业务属性，无需手动操作，即可实现多源异构数据的统一建模。
赋予业务语义，实现数据情景化
在结构明确的基础上，TDengine IDMP 支持为每个元素及其属性配置丰富的业务语义信息，构建具备上下文的数据体系。
每个元素和属性都可以添加描述信息，说明其业务含义；可灵活添加各类标签，实现快速分类与筛选；支持配置静态属性，如设备型号、安装位置、规格参数等，增强资产识别能力。同时，属性级别可设置物理单位、上下限、目标值等关键指标，为数据分析和告警判断提供必要的基准线。系统还支持为元素或属性配置附加特性，如是否为常量、是否可见、是否参与计算等，全面提升数据的表达能力与应用价值。
这一机制让数据不再是冷冰冰的数值，而是带有背景、上下文和业务意义的“可用信息”，为智能分析和自动决策打下坚实基础。
AI-Ready，从根基就不同
TDengine IDMP 基于上述统一的数据结构与上下文，构建了一整套 AI 原生能力：自动感知场景、推送分析建议、生成可视化面板与报警规则，让 AI 不再依赖专业团队配置，不再需要“先问问题、再找数据”。
AI 能主动推送业务洞察，是因为它站在了一个标准化、目录化、情景化的数据体系之上。TDengine 提供的，不是一种工具或某个模型，而是一整套能让 AI 真正落地的数据地基。在这之上，不论是传统报表系统、BI 工具，还是外部的 AI 服务与大模型，都可以高效运行、即时响应，真正实现让数据“自己说话”。
