TDengine 在蓝深远望电机物联网监测预警与预测性维护平台中的应用

作者：李凯 蓝深远望

小 T 导读：蓝深远望致力于服务政府及大型国有企事业单位的数字化转型，结合大数据、数字孪生、区块链、网络安全等核心技术，为政府运行、社会服务、城市管理、公共安全、基层治理等领域，提供智能场景应用、安全管理、数据运营与产品服务，赋能数字政府创新建设，为各行业应用场景提供支撑服务。

随着科技的发展与人民生活水平的提高，电机在工业生产和人民生活中应用越来越广泛，如工业机器、空调、电梯等。电机的维护成为影响生产效率和生产安全的一项重要事宜。而且在一些环境恶劣的场所，用户更偏向于远程维护。

为了满足这些需求，我们研发了电机物联网监测预警与预测性维护平台。该平台通过传感器、物联网关，采集各电机设备的运行数据以及频谱波形数据，结合大数据建模分析，能够及时发现潜在隐患，实现预测性维护。

一、现状与痛点

电机物联网监测数据类型多、采集频率高，在项目总体设计的初期，我们打算采用传统关系型数据库进行存储。当设备数量较少时（低于 100 台），基于传统关系型数据库的计算函数、多表关联等处理方式，能够满足业务要求。但是考虑到未来接入的电机数量会越来越多（5000 台以上），设备的测点也会越来越多，平台问题也就会越发严峻。具体可以归纳为如下两个方面。

• 扩容实施难
  采用传统的关系型数据库，局限于传统的库表设计模式，每新增一个电机设备接入，必须针对这个电机设备建立一张新的数据表，这个大大增加了接入设备时的工作量；同时，随着平台接入的电机设备越来越多，数据库表不断增加，传统数据库的管理和备份成本不断提高，无法做到水平扩容。
• 业务开发难
  伴随着业务的不断发展，大量的电机设备接入平台，各种聚合分析统计需求持续增加，由于传统关系型数据库的特点，导致各种跨库跨表的查询操作激增，业务数据耦合度增大，系统开发的难度也随之提升，同时对平台整个的响应速度和稳定性也会造成很大隐患。

二、为什么选择 TDengine

为了适应未来业务发展需求，避免上述难点与困境，我们决定选择一款时序数据库（Time-Series Database）产品。在调研了多款产品之后，TDengine Database 引起了我们的注意，它的如下几个特点非常适合我们的场景：

• 高性能：数据读写速度非常高；
• 集群化：可以集群化部署，支持多副本，支持水平扩展；
• 安装便捷: 官网文档齐全，按照文档很容易就能完成安装部署；
• 开源：开源，而且社区非常活跃，很多问题都可以在社区找到答案；
• 使用简单：支持使用类 SQL 查询语言来插入或查询数据。

于是我们马上做了各种验证，结果表明，TDengine 完全符合我们的业务需求。

引入 TDengine 之后，平台整体的数据架构如下图所示。

三、TDengine 存储模型设计

TDengine 里有一个特殊的概念：超级表，每种数据采集类型对应一个超级表。超级表只负责存储这种类型的数据，同时数据存储采用横表存储。

我们将电机设备的测点幅值超级表设计成如下结构：

CREATE STABLE IF NOT EXISTS general_view_escalator (ts TIMESTAMP, elect_machine_one FLOAT, reducer_machine_one FLOAT, bottom_bolt_one FLOAT, elect_machine_two FLOAT, reducer_machine_two FLOAT, bottom_bolt_two FLOAT, left_main_drive FLOAT, right_main_drive FLOAT, left_step_chain FLOAT, right_step_chain FLOAT, up_main_drive_noise FLOAT, down_step_chain_work_noise FLOAT, left_step_chain_extend FLOAT, right_step_chain_extend FLOAT, left_handrail_temperature FLOAT, right_handrail_temperature FLOAT, env_temperature FLOAT, elect_machine_temperature FLOAT, reduction_gearbox_one_oil FLOAT, reduction_gearbox_two_oil FLOAT, rmd FLOAT) TAGS (line_id BINARY(20), site_id BINARY(20), elevator_code BINARY(20));

波形超级表设计如下架构：

CREATE STABLE IF NOT EXISTS waveform_view_escalator (ts TIMESTAMP, vals BINARY(16000), samplehz INT, len INT, ratio INT) TAGS (line_id BINARY(20), site_id BINARY(20), elevator_code BINARY(20), measuring_id BINARY(20));

TDengine 还有另外一个概念：子表。每台电机设备的数据对应一张子表，它可以在插入数据时动态创建。这种操作模式可以省去创建子表的业务环节，大大降低了业务复杂度。

四、用到的 TDengine 特性

1. 数据订阅(Publisher/Subscriber)
   在我们的业务场景中有一类数据叫预警、报警事件告警数据，直接使用 TDengine 的数据订阅功能，可以优雅快速地实现这一功能。

2. 缓存（Cache）
   在我们的业务场景中，需要显示每台电机设备的最新测量数据（如幅值、频谱等），直接使用 TDengine 提供的缓存（Cache）功能，创建数据库时设置参数 cachelast=1，将每张表的最后一条记录缓存，应用程序可以通过 last_row 函数快速获取当前的实时数据，进行动态数据刷新显示。

3. 其它有用功能
   比如采样查询、多表聚合查询、流式计算等，可以满足我们多种业务场景的需求。

时域波形采样查询

包络图采样查询

波形多表聚合查询

幅值流式计算

原来项目中有很多需要在程序中处理的计算工作，现在全部由 TDengine 承担，在分担程序的计算压力的同时，还可以实现聚合结果的持久化存储，支持历史数据快速查询。

五、总结

TDengine Database 作为一款新的产品，我们在使用过程中遇到了一些困难和挑战。不过在同事们的支持下，在涛思数据工程师们的热心支持下，我们还是相对顺利地完成了项目的上线。

目前平台的状态是，当前设备接入 300 台，每台设备 19 个测点，数据采集频率达到 1 秒钟，存储的数据维度更精细了，能为平台的智能诊断、智能分析服务提供更准确的数据支持，同时各业务场景下的计算查询性能也非常优秀，满足了项目的实际需求。

作者介绍：

李凯，蓝深远望大数据研发组负责人，2015 年起从事大数据研发，2020 起从事电机大数据平台运维研发。

---

想了解更多 TDengine Database 的具体细节，欢迎大家在GitHub上查看相关源代码。