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”。
边云协同，从边缘到全局的数据贯通
工业现场的设备数据散落在各个车间、各个厂区，决策者无法只凭局部信息形成全局认知。TDengine 基于内置的数据订阅能力，让数据从边缘侧逐级上报、按需汇聚——边缘侧负责实时监控与告警，中心侧负责全局分析与洞察，同一套数据模型贯穿始终。
数据在边缘沉睡，全局洞察遥不可及
在工业互联网场景中，边缘设备只用来处理局部数据——某个车间里的实时生产数据、某条产线上的设备状态。这些数据在本地完成了监控和告警，但决策者无法只根据边缘设备采集的信息，形成对整个系统的全局认知。
在以前的工业数据采集流程中，数据从 PLC 中采集后进入 Historian（工业实时库），再支撑业务应用。这种系统多采用主备架构，不易水平扩展，且严重依赖 Windows 生态，相对封闭。许多企业仍在使用过时的系统处理数据，而这些系统往往相互独立，形成了所谓的数据孤岛。
要让数据真正产生价值，边缘侧的数据需要逐级上报到中心平台，实现数据的汇聚与信息融合。但整体数据量非常大，必须有选择地上报——例如将一秒钟采集一次的原始记录降采样至一分钟一次，在大幅减少数据量的同时保留关键信息。
数据孤岛 — 各厂区、各车间系统独立，数据无法互通，决策者无法获得全局视角
离线同步，时效性差 — 很多企业采用离线方式同步数据，定期传输导致带宽阻塞和资源浪费
传统架构封闭 — 主备架构不易扩展，依赖 Windows 生态，与现代云原生架构脱节
TDengine 内置数据订阅，边云协同无需额外组件
TDengine 基于内置的数据订阅功能实现边云协同——边缘侧部署 TDengine TSDB，云端同样部署 TDengine TSDB，通过数据订阅机制完成数据同步，不需要集成消息队列等第三方中间件，大幅降低系统复杂度和运维成本。
高效数据同步 — 支持每秒百万条数据的同步效率，确保数据在边缘侧和云端之间快速、稳定地传输。
灵活配置同步规则 — 可配置的同步规则使用户能够根据实际需求自定义数据同步的策略和方式，按需上报。
断线续传与重新订阅 — 网络不稳定或中断时，支持断线续传和重新订阅，确保数据同步的连续性和完整性。
统一数据模型 — 边云均采用 TDengine TSDB，数据模型完全统一，降低数据治理难度，消除语义鸿沟。
逐级上报，按需汇聚
在典型的工业场景中，设备产生的实时数据存储至部署在边缘侧的 TDengine TSDB。分厂的 TDengine TSDB 订阅车间的数据，集团侧再订阅各分厂的数据——逐级汇聚，层层过滤。
生产车间 → 数据订阅 · 降采样 → 分厂 / 区域中心 → 数据订阅 · 汇聚 → 集团总部
- 不需要一行代码，只需在边缘侧和云端进行简单配置即可实现数据同步
- 数据无需缓存，减少批量发送，避免流量高峰阻塞带宽
- 规则可配置，支持降采样、阈值过滤，简单、灵活、实时性高
- 数据模型统一，边云均采用 TDengine TSDB，降低数据治理难度
之所以能实现这样灵活的分层汇聚，关键在于 TDengine 数据订阅提供了高度灵活的选择性同步能力。
- 订阅整个数据库 — 将指定数据库中的全部数据实时同步到目标集群
- 订阅超级表 — 按设备类型同步，只上报某一类设备的数据
- 订阅带条件的查询 — 通过 SQL 筛选条件，只同步超过阈值或符合特定条件的数据
- 降采样 — 边缘秒级数据降采样为分钟级，大幅减少传输量，保留关键趋势
用户可以根据需要订阅一个数据库、一张超级表，甚至是一个包含筛选条件的查询语句，将真正关心的数据从一个集群同步到另一个集群。
例如，边缘侧一秒钟采集一次的原始记录，上报至中心侧时可以降采样至一分钟一次，在大幅减少数据量的同时保留关键趋势信息。规则可配置、实时同步的特性，也避免了传统离线同步导致的带宽阻塞和资源浪费。
数据汇聚之后，全局洞察水到渠成
当所有数据汇聚于一个系统时，企业能够更迅速地做出反应、更有效地解决问题，并利用 AI 分析工具进行更精准的预测和决策。
01 打破数据孤岛
整合分散在各个角落的系统及其采集的数据，将来自不同数据源的数据清洗、加工和处理，整合到一个统一的平台上，消除信息壁垒。
02 实时响应，高效协同
数据汇聚后，访问和处理数据的效率显著提高。企业在应对实时数据时能够更迅速地做出反应，企业内外的工作人员也能实现高效合作。
03 AI 赋能，精准预测
数据汇聚之后，可以利用 TDengine 提供的 IDMP 工业大数据管理平台或者接入第三方 AI 分析工具进行更优质的异常监测、实时告警，并为产能、成本、设备维护等方面提供更精准的预测。
04 助力数字化转型
决策者能够更好地把握整体宏观情况，为企业的发展提供有力支持，助力传统产业实现数字化转型和智能化升级。
AI-Ready，从根基就不同
当数据完成汇聚与贯通，企业便拥有了一个统一、完整、可实时访问的数据底座。TDengine 提供的，不只是一个时序数据库，而是一整套能让 AI 真正落地的数据基础设施。
在这一底座之上，无论是传统报表系统、BI 工具，还是外部的 AI 服务与大模型，都可以直接调用高质量数据进行高效分析、即时响应。数据不再是被动等待查询的”沉睡资产”，而是能够主动驱动业务洞察、支撑智能决策的核心资源。
TDengine 构建的这一整套数据体系，让 AI 不再依赖专业团队逐一手动配置，不再需要”先问问题、再找数据”。从数据接入、边云协同到全局分析，每一层都为 AI 应用打下了坚实基础，真正实现让数据”自己说话”。
