一秒采集4万条数据，卷烟厂是如何实现实时决策的？

小T导读：本文介绍了中科院成都所旗下卷包智慧工艺平台在多家卷烟厂的成功应用实践，依托 TDengine 时序数据库和智能算法，实现了生产全链路实时监控、质量异常精准识别与设备状态动态分析，大幅降低了废品率，减少了停机时间，提升了生产效率。文章还分享了平台在高频数据采集、趋势分析、异常预警等方面的技术细节，并展望了基于TDgpt智能体等新技术的未来应用前景。

我们的卷包智慧工艺平台已在多家知名卷烟厂成功应用，显著降低了烟支剔除率，提升了质量控制水平。平台通过实时监控烟丝来料、设备状态和工艺参数，结合智能算法进行异常诊断，辅助现场技术人员高效决策，有效提升了产品质量，降低了废品率，减少了设备停机时间，提升了整体生产效率。借助这一平台，卷烟厂不仅增强了市场竞争力，还实现了成本控制和效益提升，全面满足了对生产效益和质量管控的核心需求。

平台以高速机器视觉和大数据技术为基础，采用 Kubernetes 进行容器编排，结合 TDengine 时序数据库与 PyTorch 计算框架，能够高效处理大规模实时数据分析和复杂业务逻辑，为智慧化生产提供强有力支撑。

时序数据库选型

为了支撑卷包智慧工艺平台对大规模实时数据处理的高要求，我们对时序数据库进行了深入选型。基于烟草工业的业务特点和痛点，平台在时序数据库选择上主要考虑了以下几个方面：

• 高效存储与压缩：能够高效存储海量时序数据，并具备优秀的数据压缩能力，降低存储成本。
• 高性能查询：支持实时查询和历史数据回溯，满足高频率数据采集和实时监控的需求。
• 高扩展性：能够轻松应对数据量和设备数量的快速增长，具备良好的水平扩展能力。
• 低运维成本：提供简化的运维管理工具，降低数据库的维护复杂度。
• 实时数据处理：支持实时数据采集和处理，确保生产过程的稳定性和快速响应。

我们对目前主流的时序数据库进行了调研和对比，包括 InfluxDB、TimescaleDB、Prometheus 和 TDengine。最终，综合性能、成本、运维等多方面考虑，TDengine 以最优的整体表现，成为智慧工艺平台的时序数据库选型。

平台时序数据模型

在上述选型基础上，为充分发挥 TDengine 的性能优势，平台在数据建模上也进行了精心设计。

智慧工艺平台数据采集频率设定为每秒一次，系统每秒钟需要处理接近 4 万条数据的写入。这种高频率的数据写入要求对系统的写入性能提出了很高的挑战；同时平台还需要支持获取最新数据、分析实时历史趋势、执行窗口计算等多样化查询，并保障多个监控终端的同步访问，确保机台与系统之间的数据保持实时同步。

参考 TDengine 的数据建模最佳实践，我们采用了单列模型，按数据类型创建超表，每个设备对应一张子表，并通过 TAG 标识数据来源。

TDengine 的超级表特性使得设备时序数据可以高效记录在子表中，TAG 信息则统一存储在超表内，既有效减少了存储空间，又大幅提升了数据检索效率，非常契合工业设备大规模数据管理的应用场景。同时，这一模型结构简单清晰，后期的运维管理也更加便捷高效。

超表示例：
type_nchar（存储nchar类型的超级表）
type_int（存储int类型的超级表）
type_float（存储float类型的超级表）
type_bool（存储bool类型的超级表）

建表示例：
CREATE STABLE type_float (ts TIMESTAMP, v FLOAT, is_valid BOOL) TAGS (tagid NCHAR(256), tagname NCHAR(256), type_name NCHAR(256), accmachine_name NCHAR(256), submachine_name NCHAR(256), machine_model NCHAR(256), machinearea_name NCHAR(256), machinefunction_name NCHAR(256), workshop_name NCHAR(256), factory_name NCHAR(256), fullname NCHAR(256))

基于这一高效的数据模型，我们进一步在生产实际中构建了全面的实时监控体系。

生产画像--实时精准追踪与分析设备运行状态

智慧工艺平台整合了从储丝柜、加丝机、卷烟机、包装机直至封箱机和打码机的全流程设备数据，确保能够实时监控生产全链路的状态。借助 TDengine 集群的高效实时数据查询能力，我们取代了传统依赖的中间件如 Redis，实现了对设备运行状态（包括生产与停机）、生产效率、损耗情况及进度等方面的精准追踪与分析。
这种全面的数据集成与动态分析，不仅帮助实时发现和识别生产过程中的异常，还极大增强了生产管理人员的决策能力，真正形成了生产过程的动态“生产画像”。

为满足海量设备实时查询的需求，我们通过配置 TDengine 的 cachemodel 参数，开启了数据库自带的缓存特性。这样，在大批量数据高速写入的同时，仍可实现最新数据的毫秒级访问，不再依赖 Redis，进一步简化了系统架构，提升了整体稳定性与效率。

缓存设置：
alter database jbdb cachesize 50;
alter database jbdb cachmodel 'both';

sql: 
select tagid ,last(v) as `value` 
from jbdb.type_int 
where (  tagid like '%70601' )   
group by tagid  

在生产画像之外，平台也进一步应用于质量管理场景，构建了基于数据驱动的质量画像体系。

质量画像--生产期间的趋势分析

烟支的关键质量指标，如重量、空头情况、吸阻、通风度及漏气等，常常因为微小波动而导致产品不合格，增加原辅材料的损耗。以往，卷包车间主要依赖电气维修工的经验和主观判断进行事后处理，响应滞后且效率有限。
现在，借助智慧工艺平台引入的智能分析与预警系统，卷包车间可以对烟支质量异常进行实时监控、精准识别和快速响应。系统基于 TDengine 数据库实时获取各关键参数的最新值，确保操作人员及时掌握车间质量状况，并在指标发生显著波动时第一时间发出预警。
同时，通过分析关键剔除指标在当班生产期间的趋势，平台能够快速定位异常发生的时间段，极大地提升了问题追溯和处理的效率。这一技术应用不仅显著降低了不合格品剔除率，减少了原材料浪费，还保障了生产线的稳定高效运行，帮助操作人员从经验依赖转向科学决策，提升了整体排查与应对能力。

质量趋势分析涉及大量历史数据的查询，TDengine 出色地支持了高并发复杂 SQL 查询需求，查询效果显著。在卷包机空头指标的一个月历史数据并发查询与平均值计算场景中，TDengine 平均响应时间稳定保持在 1 秒以内，展现了毫秒级的数据处理性能，性能表现令人惊艳。

Select tagId,avg(v) *1.5 as statdard 
from yjdb.type_int where ( tagId like '%xxxxx' or tagId like '%xxxxx' or  tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' ……) 
and ts >= '2025-03-01' and ts<='2025-03-31' 
group by tagId;

在质量管理之外，智慧工艺平台还进一步针对设备运行状态进行了精细化建模与异常分析。

设备画像--设备状态异常分析

针对影响产品质量的数十个子机关键传感器，平台基于历史数据挖掘技术，为每个传感器设计了最近一个月稳态值域的计算模型，形成了各传感器的稳态标准。通过实时计算技术，系统动态监测各传感器的波动趋势和异常状态，并结合建立的传感器点位关联图，自动分析相关点位是否处于稳态范围，是否存在单侧运行、频繁奇点等异常现象。
TDengine 数据库提供的特有状态窗口函数计算功能，使我们能够高效获取每个关键设备参数在一定时间段内的稳态变化，打破了传统依赖应用端处理的模式。一旦监测到参数波动超出设定范围，系统即可即时预警，大幅提升了异常识别、检查与处置的效率，进一步保障了产品质量和生产稳定性。

在具体应用中，我们利用 TDengine 的状态窗口查询功能，对以整数（布尔值）或字符串标识的设备状态量进行连续监控。当记录的状态值保持一致时，归属于同一个状态窗口，状态值发生变化后窗口关闭。借助这一机制，运营人员可以快速发现设备运行状态的异常变化，实现实时、精准的设备异常预警。

Create Table: 
CREATE STABLE type_bool (ts TIMESTAMP, v BOOL, is_valid BOOL) 
TAGS (tagid NCHAR(256), tagname NCHAR(256), type_name NCHAR(256), accmachine_name NCHAR(256), submachine_name NCHAR(256), machine_model NCHAR(256), machinearea_name NCHAR(256), machinefunction_name NCHAR(256), workshop_name NCHAR(256), factory_name NCHAR(256), fullname NCHAR(256))

sql:
SELECT * FROM (SELECT COUNT(*), FIRST(ts), status FROM jbdb.type_bool STATE_WINDOW(is_valid)) WHERE STATUS=0;

时序应用展望

TDengine 时序数据库的核心特性，大大降低了应用开发的复杂度，在数据库层面直接支持了缓存、异常比对等功能，使开发人员能够更加专注于业务实现，从而有效提升了客户体验与满意度。
在此基础上，TDengine 全新推出了 TDgpt 组件，将 AI 智能体引入时序数据应用领域，提供灵活的插件式算法引擎，支持应用方自由集成各类算法，提前预测时序数据趋势，增强异常检测能力，进一步以低成本提升时序数据应用效率。同时，全新增强的虚拟表特性，实现了真正意义上的“一设备一张表”，通过将各类测点数据统一融合到一条时间线上，极大简化了应用端的数据拼接与处理工作。
我们相信，随着这些新特性的落地，智慧工艺平台将在数据利用效率、智能分析能力与客户服务水平上持续跃升，让数据更高效、更快捷、更低成本地为客户创造更大价值。

关于中科院成都所

中科院成都信息技术股份有限公司（证券简称：中科信息，证券代码：300678）由创立于 1958 年的中国科学院成都计算机应用研究所整体转制而来的高科技企业。2017 年，公司在深交所创业板挂牌上市，成为国内首家整体转制并上市的中央直属科研单位。中科信息深耕烟草行业超过 40 余年，是国内少数能为烟草农、工、商全产业链提供信息化整体解决方案的供应商。公司积极响应工业互联网创新发展工程，面向烟草行业提供生产数字化管理整体方案，推动边缘融合与工业软件云端快速开发，创新智能服务模式，助力企业实现设备互联、产业协同和质量追溯，同时构建数据应用中心，推动数据应用从传统定制化统计分析向工业场景模型深度挖掘转型。

关于本文作者

何启学，男，1978 年 3 月生，中共党员，正高级工程师，硕士生导师，现任中国科学院成都计算机应用研究所导师、中科院成都信息技术股份有限公司工业信息化事业部副经理。深耕工业互联网与智能制造领域 20 余年，尤其在烟草行业智能化转型中取得突出成就。

研究方向：

1.工业互联网与安全：主导工业互联网基础软件平台关键技术研究，构建云边端协同的智能检测体系（如智能网关与云端融合平台）
2.工业大数据分析：开发基于多尺度门控膨胀卷积网络的时间序列预测算法，应用于卷烟工艺优化与生产管理
3.工业知识图谱与大模型：探索行业垂直大模型在智能制造中的应用，实现卷烟包装缺陷智能分类等技术创新
4.智能检测技术：构建智能在线全数无损检测技术体系，覆盖烟包缺陷检测、虫情监测预警等场景

主要荣誉：

四川省科学技术进步奖三等奖（2022）
四川省计算机学会科学技术进步一等奖（2022）
北京产学协会产学研合作创新成果奖三等奖（2022）