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？两个参数之间有多强的关联？同型号的两台设备运行在同样条件下，性能曲线为什么出现了分叉？

回答这些问题需要的不是更多的数据可视化，而是探索分析的灵活工具。TDengine 的过程分析把这些能力直接交给了工艺工程师。

过去，分析工具离工程师很远

一条产线出了问题，工艺工程师需要查趋势、做对比、找关联。他知道该分析什么——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，在历史批次中挑出”优质批次”和”问题批次”分组对比。

但他没法自己实现，这套工作过去只能靠 SQL、Excel 或者数据工程师来完成。

导出数据到 CSV，打开 Excel 手工拉图，或者请数据团队写 Python 脚本——每一步都是技术活，每一步都在消耗时间。更关键的是，当数据被导出到平台外，它脱离了业务上下文。在 Excel 里面对一堆”测点 3K4512″的数值，你不知道它属于哪台设备、处于什么工况、参与了哪个批次。分析做完了，结论也只是一个静态文件——怎么把它变成持续运行的监控规则，又成了一个新的问题。

大部分工厂没有专职的数据科学家。真正懂工艺、懂设备的人，被技术挡在了分析工具外面。

一个工作台，装下所有探索能力

TDengine 把过程分析所需的能力集中到了一个地方——分析工作台（Analysis Workbench）。它是 IDMP 中唯一以独立窗口形式运行的可视化分析工作区，也是过程分析的主要入口。

分析工作台的设计思路很明确：在一个工作空间内，完成从”我有疑问”到”我找到答案”的完整探索。在分析工作台中，工程师可以自由添加任意元素、任意属性的时序曲线，自由缩放和平移时间范围，将多个事件或批次叠加对比，对属性执行相关分析和回归拟合，对数据点执行聚类分组，开启预测曲线，搜索历史数据中的特定窗口和相似波形。每一个操作都是交互式的、所见即所得的——不需要写一行代码。

分析工作台与事件体系深度打通。在事件列表或事件详情页，点击”添加到分析工作台”，系统自动加载该事件关联元素在事件时间窗口内的全部属性曲线，标注事件的起止边界。多选几个同类事件，曲线自动叠加在一起——从”看到一条告警”到”开始对比分析”，只需要一次点击。

在哪里发现问题，就在哪里深入追查

TDengine 的过程分析不和实时监控竞争。实时分析 7×24 小时持续运行在数据流上，自动发现异常、生成事件——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体系。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。过程分析、实时分析、AI 智能洞察共享同一份资产模型、同一个时序数据库、同一个事件体系。在告警页面发现一个异常事件，点击一下直接在分析工作台中打开；在分析工作台中验证的发现，固定为面板长期跟踪，或转化为实时分析规则持续运行。没有数据导出，没有工具切换，没有上下文丢失。

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。

批次是最有价值的分析单元

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。设备属性中配置了批次号字段后，每当批次号发生变化，流计算引擎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，历史数据可以回算回填。

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；将所有批次的起点对齐到 t=0，消除绝对时间差异，聚焦过程内部的一致性；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。

一个真实的例子。某汽车零部件厂发现近期注塑批次不良率偏高，将 40 个批次按良率高低分组做开始时间对齐对比后，一眼发现高不良率批次在生产后半段注射温度持续低于 220℃，而良品批次全程稳定在 225-235℃。包络线分析进一步确认温度从第 5 小时开始偏离正常通道。根因锁定为料筒加热元件老化。更换后，后续 15 个批次不良率从 4.2% 降到 1.1%。

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℃，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，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。

这些分析不是先导出再计算的——底层统计函数在 TSDB 数据库内直接完成。处理亿级数据点也没有数据搬运的性能瓶颈。

让数据自己分组，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——TDengine TSDB 内置的时序 AI 引擎——提供从经典统计模型到深度学习的完整算法库：HoltWinters、Prophet、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，也可以在前端趋势图面板中一键开启，预测结果自动叠加在历史曲线之上。

缺失数据填补同样由 TDgpt 驱动。传感器断网、数据漏采、通信丢包——选定缺失时间段，AI 基于历史模式和相邻数据特征进行智能填补。对于 GMP 审计等不允许数据中断的合规场景，这项能力不可或缺。

除了”看”，还能”搜”

窗口分析让工程师在历史数据中快速定位感兴趣的时间片段。定义窗口条件——”所有连续 30 分钟以上温度超过 85℃ 的时间段”——系统自动扫描，把匹配片段以高亮窗口标注在趋势图上。不需要手动拖拽时间轴反复翻找。

相似度搜索更进一步。用户只需选定一段目标波形——比如一次已知喘振事件的振动曲线——系统将在整个历史数据中搜索与之形状相似的其他片段。它可能帮你发现：之前以为是偶发的那次喘振，其实历史上还有多次类似的前兆信号，只是每次持续太短没有触发告警。

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。

TDengine 的过程分析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。它将 TSDB 的统计计算与 AI 分析函数嵌入到数据所在的面板中——在哪里发现问题，就在哪里深入追查。