实时分析，让工业数据在产生的那一刻，就被理解、被记录、被响应。

工业系统每秒都在接收海量数据，如温度、压力、流量、振动、能耗等。但大部分数据终其一生只被写入过一次，之后再也没有人查看过它，或者让它参与过一次业务分析。它们是”暗数据”：存着，但沉默着。

怎么让沉默的数据开口说话？你需要一道桥，一道把持续涌入的原始读数，自动翻译成结构化事件、并在必要时触发管控动作的桥。TDengine 实时分析——TDengine 的核心功能模块——就是这道桥。

从写代码到填表单

每个产线工程师、设备主管、工艺专家，脑子里都装着大量经验。”如果这台压缩机的排气压力持续高于 0.85 MPa 超过 5 秒，就要注意了，可能是喘振前兆”，”如果这批注塑件的注射温度在生产后半段往下掉，大概率是加热元件老化了”，”如果这个月的停机次数比前三个月加起来还多，我得查一下进料是不是有问题”。

这些经验非常宝贵。但要把它们变成系统能自动执行的监控逻辑，一直是一件门槛很高的事。传统做法是：找数据团队写 Spark Streaming 作业，或者部署一套 Flink 集群，配 Kafka 做消息队列，写几十行 SQL 定义窗口和聚合逻辑，再写代码把结果写回数据库。一套下来，流计算还没上线，成本已经很高了。而且，写这段逻辑的人必须同时懂业务和懂流计算——这门槛一直都不低。

TDengine 的实时分析把这个门槛降到了零。 不需要写代码，不需要搭额外的流处理组件。TDengine TSDB-Enterprise 内置了流计算引擎，你在 TDengine 上打开一个元素界面，点击实时分析创建表单——五个区段：基本信息、触发、事件、计算、动作——按照业务需求填好即可。”触发类型？滑动窗口。多久一次？每 5 分钟。算什么？过去 1 小时的平均温度。算完写哪个属性？avg_temp。超过什么值要生成事件？超过 235℃。事件通过什么渠道通知？飞书，发给运维群。”一个懂工艺的工程师，几分钟就能完成一个以前需要数据团队几周才能上线的实时监控逻辑。实时分析被创建后立即自动启用，流计算即刻在数据库内核中开始运行——没有部署流程，没有服务器重启，没有数据搬运。

TDengine 内置 AI 助手也可以提供创建实时分析的协助：TDengine 内置智能问数，可以用自然语言描述分析需求，AI 自动填充表单；无问智推功能还会浏览系统根据元素模板和数据特征自动推荐的实时分析方案。这一切，让创建实时分析的门槛降到了零。

这里有一个容易被忽略但非常重要的点。工业现场的数据流量极大、频率极高，每秒钟可能有数百万个数据点涌入。这样的数据洪流，是没有可能直接丢给 AI 去处理的。AI 不擅长做实时计算——它不是流计算引擎，它做不了毫秒级的窗口聚合，也做不了逐条数据的持续条件判断。实时分析，必须由一个专门的流计算引擎在数据产生的第一时刻就地完成。AI 的角色，是在这个引擎输出的结构化结果之上进行推理和判断。分清这两个角色很重要：流计算负责”实时看懂数据”，AI 负责”深度理解事件”。

九种触发类型

工业现场需要”盯”的数据变化，远不止一种模式。有些需要每 15 秒扫一眼过去 1 分钟的数据，看振动有没有漂移。有些需要在每天凌晨六点自动出一份前一天的汇总。有些需要每当设备状态从”运行”变成”停机”时，立刻记录这一段运行的完整信息。有些需要在数据静默超过 10 分钟时，判断一次行程或一个批次结束了，自动生成总结。

TDengine 实时分析提供了 9 种触发类型，覆盖了工业现场最常见的实时分析模式。

滑动窗口——基于数据自身的时间戳，按固定滑动间隔持续触发。每隔一小段时间就往前看一个窗口的数据，做一次计算。比如每 1 分钟滑动一次，看过去 10 分钟内的平均功率，仪表盘上的数值永远反映最近 10 分钟的实际情况。又比如每 15 秒滚动一次、计算 1 分钟内的振动 RMS，如果输出值连续几个月都在缓慢抬升，轴承可能已经在磨损了——而你还没发现。

定时窗口——基于系统时钟触发，与数据何时到达无关。可以设置偏移量，让触发时间对齐到业务节奏：比如每天凌晨六点（定时 1 天，偏移 6 小时），在昨晚的迟到数据充分沉降之后，自动生成前一天的完整生产日报——产量、良率、停机时长。你早上上班打开仪表板，数据已经在等着了。

数据输入——每当新数据写入指定属性时立即触发，最小延迟响应每一条新到达的测量数据。温度属性每收到一条新读数，立刻做一次限值检查——超限即刻生成事件，不等下一个计划周期。也适用于实时单位换算、即时派生计算等场景。

状态窗口——当整型属性的值从一个状态切换到另一个状态时触发。典型场景：设备的状态属性在”运行””空闲””故障”之间切换，每次状态变化自动汇总上一个状态段的持续时长、平均产量或能耗。生产设备的批次号属性每自增一次，系统自动完成上一批次的完整汇总——无论这个批次实际运行了 6 小时还是 8 小时。

事件窗口——基于用户定义的启动和终止条件触发，条件是针对元素属性计算的表达式。启动条件支持设置持续时长，用于过滤瞬时噪声——比如排气压力超过 0.85 MPa 且流量偏低，必须持续至少 5 秒才算有效触发。终止条件定义什么时候结束这个窗口。整个过程捕获窗口内的峰值、平均值、持续时长以及完整的曲线数据。TDengine 还支持在同一个分析中配置多条事件规则，按优先级从上到下评估，分别生成不同严重程度的子事件——先越过 230V 线生成”主要”级别，再越过 240V 线生成”严重”级别，整个过程结束后自动生成汇总的父事件。

异常检测——不写阈值规则。TDengine 内置的 TDgpt 模块按滑动时间计划对指定的目标属性运行异常检测算法，自动学习历史运行规律，自动识别偏离正常行为的起止时间。冷水机的能效系数在不知不觉中缓慢衰减—— AI 比你提前几周就看到端倪。

会话窗口——当元素在指定的不活动时间内未接收到新数据时触发。配送车辆熄火后数据流中断，超过 10 分钟不活动间隔，系统自动判定一次行程结束：这趟走了多远、平均车速多少、油耗几何。不管单次行程是 20 分钟还是 3 小时，系统自己判断会话的起止边界。

计数窗口——当元素属性写入的新记录数达到指定数量时触发。质量检测传感器每过一件产品就记一条数，每累积 25 条自动算一次该样本组的均值和标准差。不管这 25 件产品的生产节奏是 5 分钟还是 50 分钟，实时分析只按计数触发。

统计过程控制 SPC ——对元素建立统计过程控制（SPC），根据 SPC 判异规则实时监测元素属性变化。TDengine 系统内置 8 种 SPC 判异规则，覆盖主流 SPC 场景，无需人工设定。每条选中的判异规则作为一条独立的流运行。

9 种触发类型，从按数据时间戳滑动到按系统时钟定时，从逐条即时响应到按计数批量处理，从人工定义阈值到 AI 自学习异常检测——覆盖了从设备级到产线级、从实时监控到批次分析的各种需求。共同点是：全部通过界面配置完成，零代码，在数据产生的第一时刻由流计算引擎就地执行。

实时分析的输出不只是计算值，还有事件

实时分析每次触发，除了把计算结果写回属性之外，更重要的是可以在满足条件时自动生成事件。事件不是一条简单的告警，事件是一份结构化的数字档案。压缩机喘振检测触发了——生成的不仅是一条”喘振了”的提示，而是一条包含完整上下文的记录：开始时间 14:23:15，结束时间 14:23:27，持续 12 秒，关联元素是 3 号厂房下的压缩机-003，严重程度严重，峰值排气压力 0.87 MPa，喘振期间转速波动 ±15%。

事件是极具业务价值的对象。它是连接连续数据流和离散业务分析之间的桥梁——很多后续的业务动作和分析工作，都是从事件出发的。工艺工程师要分析良率波动，会先筛选出相关的批次事件；设备主管要统计月度故障，会先拉出所有故障类事件；运维团队要做交接班，会先看当班期间发生了哪些事件。

正因如此，事件也是 AI 深度介入的最佳切入点。TDengine IDMP 内置了 13 个 AI 助手，其中专门有一个事件根因分析助手，就是围绕事件展开的。当你面对一条异常事件——一次意外的停机、一个批次良率偏低、一次温度超限——你不需要自己去翻几十张关联的趋势图、对比几周前的历史数据、查阅设备台账。你只需要在事件详情页点击根因分析，AI 会自动拉取该元素相关的属性趋势、关联事件、历史同类事件对比，生成一份结构化的根因调查报告，给出可能的原因排序和置信度。把几百万条原始传感器读数直接丢给大模型，它什么也得不出。但如果你给大模型的是经过实时分析筛选和结构化之后的事件——”这个元素在过去一个月发生了 7 次喘振事件，每次喘振前 10 分钟都出现润滑油压力微降，但压力从未触发过低压报警”——这就是 AI 能深度推理的高质量输入。

事件模板在基础库中统一管理，决定了事件的命名规则、严重程度等级、自定义属性架构。实时分析引用模板，每次触发时自动生成符合模板结构的事件记录。所有事件统一显示在元素的事件标签页中，标注分析来源、起止时间、严重程度、确认状态，并支持确认工作流——未确认的活跃事件会按通知规则继续提醒。

事件之后：在分析工作台中对比、分析、找到规律

一条孤立的事件只能告诉你”发生了什么”。把多条同类事件放在一起对比，才能开始回答”为什么”。

在 IDMP 中，从事件列表或事件详情页点击”添加到分析工作台”，系统自动加载事件时间窗口内的时序属性曲线，标注起止边界。添加第二个、第三个事件——把过去 3 个月所有同类事件的曲线叠加在同一张图上。

分析工作台提供了三种关键的对比能力。开始时间对齐——所有事件的起点拉到同一条线上。不同时间发生的 5 次喘振，在事件内部的前 5 秒压力变化曲线高度一致——这说明每次触发的物理机理是相同的，不是随机事件。时长归一化——6 小时的批次和 8 小时的批次，统一拉伸到 0-100% 的进度尺度。你发现高不良率批次的温度曲线在第 60% 进度处集体下沉，正好对应工艺中段的某个控制点。包络线分析——挑一批历史合格事件，系统自动计算参数波动范围，新事件的曲线往上一叠，偏没偏离正常通道一眼可见。

这些探索能力让人从”知道出事了”推进到”知道为什么会出事”。手工对比分析适合有经验的工程师深度钻探，而 AI 根因分析助手则提供了一条更快的路径——一键生成分析报告，帮助工程师在最短时间内获得初步的判断方向。两条路径互补：分析工作台让人深入细节，AI 助手帮人快速定位方向。关于分析工作台中过程分析能力的完整描述，请参阅过程分析相关文章。

知道之后，还要行动

发现异常、生成事件、分析根因——然后呢？然后要有人被通知到，有动作被执行掉。

TDengine 实时分析创建表单的动作区段，定义的就是”然后”。配置一条触发条件，引用一个动作模板，当分析触发且条件满足时，模板中定义的动作自动执行。举例：某配电变压器，每 5 分钟输出一次平均电压 avg_voltage，触发条件设为 attributes['avg_voltage'] > 235，引用”电压越限飞书告警”动作模板。保存后，每当条件满足，系统自动通过飞书向运维群发送通知，标题《电压越限告警》，内容携带元素名称、元素路径、当前电压值和超标幅度。

动作模板在基础库中统一定义，可被多个实时分析复用。模板定义”做什么”——联系途径选飞书还是邮件、通知标题和正文的模板是什么、最小通知间隔是多少；实时分析侧的触发条件定义”什么时候做”以及局部参数调整。引用模板后对通知内容的修改仅作用于当前分析，不回写模板。每条动作规则独立执行，一条失败不影响其他动作。

这完成了一个关键的闭环：从数据流的实时采集开始，通过流计算引擎持续检测，发现异常时生成结构化事件，事件触发通知或动作，通知送达责任人。整个过程不需要人工介入——系统在数据产生的第一刻就开始工作，直到把可行动的洞察推送到该知道的人面前。

从”你去找数据”到”数据来找你”

传统工业数据的消费模式是 Pull——你想知道发生了什么，自己去打开 SCADA 画面，自己去查趋势，自己去翻告警列表。TDengine 实时分析把这个方向反了过来。系统持续计算、持续检测、持续生成事件、持续推送通知。不是你去找数据——是数据在找你。

“这个电机过去 15 分钟的振动 RMS 在持续抬升，可能轴承磨损加速。””刚结束的这批注塑件，注射温度在第 5 小时后偏离了正常包络线，怀疑加热元件老化。””上个月发生了 23 次喘振事件，比前三个月的总和还多，建议检查进气过滤器。”每一条洞察都不是工程师翻出来的，是系统在数据流上自动算出来、自动识别出来、自动推过来的。

当这套体系与 IDMP 的 MCP 接口配合，AI 智能体也能直接接入——查询元素和属性、检索事件和分析、调用根因分析 Prompt 做深度推理。工业数据不仅被存储、被展示，更被持续理解、被主动推送、被用来驱动行动。实时分析，将数据流变为 AI 可理解的业务洞察。

TDengine 实时分析是 TDengine IDMP 的核心功能模块。底层由 TDengine TSDB-Enterprise 流式计算引擎执行，上层由 IDMP 提供图形化配置界面。它以工业数据建模为基础，提供八种触发类型覆盖工业监控全场景，自动生成结构化事件，支持多事件对比与 AI 根因分析，并按规则触发管控动作——将持续涌入的高频数据，转化为人和 AI 都能理解、推理和行动的工业洞察。