|
21 | 21 |
|
22 | 22 | # 应用场景 |
23 | 23 |
|
24 | | -## 应用1——车联网 |
| 24 | +## 应用1——能源电力 |
25 | 25 |
|
26 | | -### 背景 |
| 26 | +### 背景： |
27 | 27 |
|
28 | | -> - 难点：设备多，序列多 |
| 28 | +通过对电力生产、传输、存储和消费过程中的海量时序数据进行采集、存储、分析以及对电力系统的实时监控、精准预测和智能调度，企业可以有效提升能源利用效率，降低运营成本，确保能源生产的安全性和可持续性，保障电网的安全稳定运行。 |
29 | 29 |
|
30 | | -某车企业务体量庞大，需处理车辆多、数据量大，亿级数据测点，每秒超千万条新增数据点，毫秒级采集频率，对数据库的实时写入、存储与处理能力均要求较高。 |
| 30 | +### 架构 |
31 | 31 |
|
32 | | -原始架构中使用Hbase集群作为存储数据库，查询延迟高，系统维护难度和成本高。难以满足需求。而IoTDB支持百万级测点数高频数据写入和查询毫秒级响应，高效的数据处理方式可以让用户快速、准确地获取到所需数据，大幅提升了数据处理的效率。 |
| 32 | +IoTDB 凭借集群高可用、低流量数据同步、跨网闸支持和优异的性能为企业提供国产化自主可控的时序数据管理解决方案，支撑企业应对大规模时序数据管理挑战，推动传统能源和可再生能源的高效管理与整合。 |
33 | 33 |
|
34 | | -因此选择以IoTDB为数据存储层，架构轻量，减轻运维成本，且支持弹性扩缩容和高可用，确保系统的稳定性和可用性。 |
| 34 | + |
35 | 35 |
|
36 | | -### 架构 |
37 | 36 |
|
38 | | -该车企以IoTDB为时序数据存储引擎的数据管理架构如下图所示。 |
| 37 | +## 应用2——航空航天 |
39 | 38 |
|
| 39 | +### 背景 |
40 | 40 |
|
41 | | - |
| 41 | +近年来，随着科技的不断进步，航空航天领域正进一步加快数字化与智能化建设。先进的数据采集和处理技术逐渐成为提升飞行安全、优化系统性能的重要手段。通过对飞机、火箭、卫星等设备在设计、制造、试飞、运行等全流程中产生的海量时序数据进行高效管理，企业能实现对飞行任务中关键系统的精准监测与分析，通过遥测数据实时回传、试飞数据快速导入，实现航空信息的监测和设计改进，确保飞行任务的安全可靠执行。 |
42 | 42 |
|
43 | | -车辆数据基于TCP和工业协议编码后发送至边缘网关，网关将数据发往消息队列Kafka集群，解耦生产和消费两端。Kafka将数据发送至Flink进行实时处理，处理后的数据写入IoTDB中，历史数据和最新数据均在IoTDB中进行查询，最后数据通过API流入可视化平台等进行应用。 |
| 43 | +### 架构 |
44 | 44 |
|
45 | | -## 应用2——智能运维 |
| 45 | +IoTDB 凭借其国产自研的高效低流量数据同步、离线数据迁移、丰富的部署选择和低资源占用等特点，为行业的数据管理和业务扩展提供了数据基础，为航空航天领域的技术创新和持续发展提供有力支撑。 |
46 | 46 |
|
47 | | -### 背景 |
| 47 | + |
48 | 48 |
|
49 | | -某钢厂旨在搭建低成本、大规模接入能力的远程智能运维软硬件平台，接入数百条产线，百万以上设备，千万级时间序列，实现智能运维远程覆盖。 |
50 | 49 |
|
51 | | -此过程中面临诸多痛点： |
| 50 | +## 应用3——交通运输 |
52 | 51 |
|
53 | | -> - 设备种类繁多、协议众多、数据类型众多 |
54 | | -> - 时序数据特别是高频数据，数据量巨大 |
55 | | -> - 海量时序数据下的读写速度无法满足业务需求 |
56 | | -> - 现有时序数据管理组件无法满足各类高级应用需求 |
| 52 | +### 背景 |
57 | 53 |
|
58 | | -而选取IoTDB作为智能运维平台的存储数据库后，能稳定写入多频及高频采集数据，覆盖钢铁全工序，并采用复合压缩算法使数据大小缩减10倍以上，节省成本。IoTDB 还有效支持超过10年的历史数据降采样查询，帮助企业挖掘数据趋势，助力企业长远战略分析。 |
| 54 | +交通运输行业的快速发展带来了对多样化交通数据管理的需求，尤其在铁路、地铁等关键枢纽中，数据的实时性、可靠性和精准性至关重要。通过对列车、地铁、船舶、汽车等设备的运行、状态、位置信息等多维数据进行实时采集、存储与分析，企业可实现智能调度、故障预警、线路优化和高效运维。企业不仅可以提升交通系统的运转效率，还降低了运营管理成本。 |
59 | 55 |
|
60 | 56 | ### 架构 |
61 | 57 |
|
62 | | -下图为该钢厂的智能运维平台架构设计。 |
| 58 | +IoTDB 凭借其高效的时序数据管理和低延迟查询能力，有效应对交通运输行业中的数据爆发式增长，实现多源异构数据高效流转和管理，为铁路、船舶等构建起稳定可靠的智能交通系统管理基础，为行业向智能化和自动化方向发展提供了重要支撑。 |
63 | 59 |
|
64 | | -.PNG) |
| 60 | + |
65 | 61 |
|
66 | | -## 应用3——智能工厂 |
67 | 62 |
|
68 | | -### 背景 |
| 63 | +## 应用4——钢铁冶炼 |
69 | 64 |
|
70 | | -> - 难点/亮点：云边协同 |
| 65 | +### 背景 |
71 | 66 |
|
72 | | -某卷烟厂希望从“传统工厂”向“高端工厂”完成转型升级，利用物联网和设备监控技术，加强信息管理和服务实现数据在企业内部自由流动，数据和决策的上通下达，帮助企业提高生产力，降低运营成本。 |
| 67 | +作为传统制造业的典型代表，钢铁冶炼行业近年来逐步推进数字化转型和智能化改造，以应对日益增长的市场竞争和环保、安全等要求。特别是工业物联网平台的部署，已成为钢铁冶炼企业在生产环节中提升产能、优化产品质量、降低能耗的关键手段。通过工业物联网平台，企业能够对冶炼设备和生产线进行实时数据采集、存储和分析，从而实现对核心生产环节的智能监测、精准控制与高效管理。 |
73 | 68 |
|
74 | 69 | ### 架构 |
75 | 70 |
|
76 | | -下图为该工厂的物联网系统架构，IoTDB贯穿公司、工厂、车间三级物联网平台，实现设备统一联调联控。车间层面的数据通过边缘层的IoTDB进行实时采集、处理和存储，并实现了一系列的分析任务。经过预处理的数据被发送至平台层的IoTDB，进行业务层面的数据治理，如设备管理、连接管理、服务支持等。最终，数据会被集成到集团层面的IoTDB中，供整个组织进行综合分析和决策。 |
| 71 | +IoTDB 通过其强大的数据存储与计算能力，为钢铁冶炼场景提供跨平台支持、低资源占用的灵活部署方案，丰富的外部接口也使其可以与其他系统高效集成，助力钢铁冶炼行业构建智慧工厂，进一步支撑传统工业加快形成新质生产力。 |
77 | 72 |
|
78 | | -.PNG) |
| 73 | + |
79 | 74 |
|
80 | 75 |
|
81 | | -## 应用4——工况监控 |
| 76 | +## 应用5——物联网 |
82 | 77 |
|
83 | 78 | ### 背景 |
84 | 79 |
|
85 | | -> - 难点/亮点：智慧供热，降本增效 |
86 | | -
|
87 | | -某电厂需要对风机锅炉设备、发电机、变电设备等主辅机数万测点进行监控。在以往的供暖供热过程中缺少对于下一阶段的供热量的预判，导致无效供热、过度供热、供热不足等情况。 |
88 | | - |
89 | | -使用IoTDB作为存储与分析引擎后，结合气象数据、楼控数据、户控数据、换热站数据、官网数据、热源侧数据等总和评判供热量，所有数据在IoTDB中进行时间对齐，为智慧供热提供可靠的数据依据，实现智慧供热。同时也解决了按需计费、管网、热站等相关供热过程中各重要组成部分的工况监控，减少了人力投入。 |
| 80 | +物联网（IoT）正在从根本上改变各个行业的运行方式，通过连接海量设备和深度数据分析实现智能化管理。随着物联网设备接入规模的不断扩大，对数据管理系统的处理、存储和分析能力提出了更高要求。企业需要高效管理来自边缘设备和云端的数据流，保证系统的实时性、稳定性和可扩展性，以支持设备状态监测、故障诊断、预测性维护等核心业务应用。 |
90 | 81 |
|
91 | 82 | ### 架构 |
92 | 83 |
|
93 | | -下图为该电厂的供热场景数据管理架构。 |
| 84 | +作为物联网原生的高性能时序数据库，IoTDB 支持从边缘设备到云端的全链路数据同步和存储分析，具备高并发处理能力，能够满足大规模设备接入的需求。IoTDB为企业提供灵活的数据解决方案，助力发掘设备运行数据中的深层次价值，提升运营效率，推动企业物联网业务的全面发展。 |
94 | 85 |
|
95 | | - |
| 86 | + |
0 commit comments