全部文章
按发布时间先后顺序排列，点击阅读原文
从工业实时数据库到工业互联网平台，再到AI原生工业数据底座
工业数据基础设施正在经历一场深刻的变革。工业实时数据库诞生于上世纪80年代末，解决了从设备与控制系统中持续采集、存储并高效访问海量时序数据的问题。下一阶段是AI原生工业数据底座，需要具备高性能时序存储、资产建模、事件建模、实时流处理、现代可视化、高级分析和AI集成能力。
阅读全文从 Data Archive 到 TSDB：工业数据底座为何必须重构
Data Archive长期以来是工业实时数据库的核心组件，其设计在计算资源和存储成本非常有限的时代完成。现代时序数据库（TSDB）采用列式存储和多阶段压缩，在保证数据完整性的前提下实现更高压缩率。但TSDB本质上仍只是数据引擎，真正的工业数据底座需要TSDB与IDMP结合。
阅读全文以资产为核心的数据建模：工业数据上下文的基础
当今工业系统正在以前所未有的速度产生数据，但数据的规模在快速增长，我们对数据的理解能力以及获得的洞察并没有同步提升。以资产为核心的数据建模从设备、系统和工艺单元出发去组织数据，使关系本身成为模型的一部分。
阅读全文为什么仅有时序数据还不够：AI时代的工业事件分析重构
时间序列数据只能告诉我们”发生了变化”，却无法告诉我们”发生了什么”。PI System提出的Event Frame概念是一个非常重要的进步，它允许工程师定义有明确起止时间的”有意义区间”。事件为AI提供了天然的结构，将数据切分为有意义的单元。
阅读全文以事件为核心 + 以资产为核心：工业数据中缺失的关键一环
以资产为核心的数据建模将数据围绕设备、系统和工艺单元进行组织，使工程师能够理解系统的结构。但仅有结构是不够的——资产模型可以告诉你系统”是什么”，却无法完整描述系统”在做什么”。以资产为核心和以事件为核心并不是两个独立的能力，而是同一个问题的两个侧面。
阅读全文工业系统中的高级分析：超越工业实时数据库
企业越来越希望系统能够直接生成洞察——检测异常、预测趋势、识别模式、解释偏差甚至完成根因分析。Python提供了跟上AI发展的开放性，而SQL提供了面向规模化使用的简洁性，两者结合才能让高级分析真正落地。分析能力必须成为数据底座的原生能力。
阅读全文资产与事件驱动的可视化：从仪表板到运营洞察
在工业系统中，可视化是所有能力最终汇聚的地方。工业可视化必须同时结合资产中心和事件中心两个视角：系统应围绕资产组织可视化，将数据、分析、事件和告警统一绑定在资产模型之上；同时事件描述运行行为，使时序数据在事件上下文中才真正具备可解释性。
阅读全文AI 驱动的运营洞察：消除数据与洞察之间的门槛
过去几十年，工业系统一直在不断提升数据采集与存储能力，但在数据与洞察之间，始终存在一道隐形门槛。AI的出现改变了整个模式——核心体现是”无问智推（Zero-Query Intelligence）”，系统会持续分析数据和上下文，主动生成可视化、分析结果和洞察。
阅读全文为什么工业数据必须开放 — 同时不能丢失上下文
工业数据系统正越来越多地融入更广泛的数据生态之中。过去，工业数据大多被封闭在SCADA、DCS以及工业实时数据库等专用系统中。真正的开放意味着支持广泛采用的标准接口，使系统之间能够低摩擦地连接。然而在数据变得开放的过程中，一个关键问题往往被忽视：上下文丢失了。
阅读全文总拥有成本：工业数据系统中被低估的成本
在评估工业数据系统时，很多企业首先关注的是软件本身的价格，但事实上这些只是整体成本中的一小部分。一个工业数据系统真正的成本，并不在于你”买它花了多少钱”，而在于你后续为了运行它、集成它、维护它以及真正从中获得价值所付出的持续成本——这就是总拥有成本（TCO）。
阅读全文工业软件的未来：构建在工业数据底座之上的 AI Agent
在过去几十年里，工业软件一直是围绕”应用系统”构建的。SCADA、MES、工业实时数据库、报表系统以及各种分析工具，都是以独立应用的形式存在，每个系统都有自己的界面、数据模型和工作流程，用户需要学习这些系统并适应它们的使用方式。这种模式长期以来是有效的，但也带来了明显的局限。
阅读全文构建你的 AI 原生工业数据底座
在这一系列的十一篇文章中，我们系统地回顾了工业数据基础设施的演进路径，从上世纪 80 年代的工业实时数据库，到后来的工业互联网平台，再到我们认为正在到来的下一阶段：AI 原生工业数据底座。但这个系列不仅仅是在描述技术演进，更是在讨论”什么才是最重要的”。
阅读全文
