编者按：

8 月 22 日，2026 时序数据技术创新大会在北京成功举办，引发广泛关注。本次大会以「DB × AI」为主题，多位院士专家领衔，超 30 位嘉宾齐聚一堂，共同探讨数据库与人工智能融合发展的新趋势、新技术与新实践。

我们邀请到中冶赛迪信息技术（重庆）有限公司 AIoT平台总监 陶术江带来以“loTDB x CISDigital AIoT:流程工业智能化实践”为题的主题演讲。他在演讲中分享了如何以时序数据底座支撑工业现场数据平台和智能应用，推动流程工业从数据采集走向智能化应用。

30 多个项目、2,000 多万测点、约 400 TB 压缩后数据，这些数字背后，是工业时序数据库在真实生产环境中的规模化应用，也是从现场数据走向工业 AI 的一次实践探索。

全文约 3 千字，阅读约需 5 分钟，以下是演讲主要内容：

工业的四大时序数据挑战

钢铁生产从原燃料、炼铁到炼钢过程中，持续产生大量设备、工艺和质量数据，部分设备和工艺数据的采集达到秒级甚至毫秒级。要让这些海量数据能真正发挥作用，必须解决接入、治理、处理和分析四方面问题：

• 接入环节：现场数据由传感器等设备产生，经 PLC、DCS、SCADA 等系统采集和汇集。不同设备与系统的通信协议、采集频率和点位命名方式各不相同；新项目还会引入新的设备和系统，数据复杂度持续攀升。

• 治理环节：采集到的点位未充分映射到设备、产线、工序和业务单元；不同业务系统的数据口径与标准也不一致，难以形成可用的数据资产。

• 处理环节：高频数据持续产生，平台既要支撑实时监控和历史查询，又要控制长期存储成本。如何在满足查询需求的同时，合理使用数据压缩、按需采样和冷热分区，是这一环节的难点。

• 分析环节：钢铁生产流程长，环节耦合紧密。排查设备异常或能耗波动时，往往需要结合不同设备、产线和时段的数据；只看单个测点的变化，难以判断问题出在哪里。

陶术江指出，流程工业面临的关键挑战不是没有数据，而是如何把分散、异构、高频的现场数据转化为统一可信、可计算、可复用的数据资产。

针对上述问题，统一的工业时序数据底座需要具备以下四项能力：统一数据接入、统一数据组织与治理、高效时序存储与计算，以及统一的数据分析与服务能力。

陶术江总结说，工业智能化不是从 AI 开始，而是从数据底座开始。时序数据库承载着流程工业中核心的生产过程数据，是数据分析和应用的“地基”。AI 应用的效果不仅取决于模型能力，也取决于能否持续获得具有设备、时间和业务上下文的高质量数据。

以 IoTDB 为时序数据底座，构建工业 AIoT 数据平台

陶术江介绍了中冶赛迪智能工厂的三层架构：

• 现场作业层：面向装备和车间，推进自动化、数字化与少人化；

• 生产管控层：依托工业互联网平台，实现生产流程的一体化管理；

• 运营决策层：整合工厂内外部资源，支撑智能分析与协同优化。

其中，CISDigital AIoT 数据平台承上启下，向下连接现场设备和业务系统，向上支撑生产管控与运营决策。

CISDigital AIoT 平台通过物联接入、边缘网关等方式采集现场数据，按产线和业务对象组织点位，并完成数据清洗、聚合与计算。IoTDB 作为平台的时序数据存储与计算底座，支撑高频数据的持续写入、压缩存储以及高效查询。处理后的数据可用于组态、报表、时序分析和事件中心等应用，也可通过 API、数据订阅和自然语言交互等方式提供给上层应用。

建设工业数据底座要覆盖数据的采集、存储、加工、使用、共享、归档与销毁各环节，形成贯穿全生命周期的治理体系。在加工环节，平台提供复合计算、降频计算及数据开发等能力；在资产管理环节，平台提供数据目录、资产目录和数据服务目录等功能，让数据能够被发现、识别和使用。

在钢铁行业的实践中，中冶赛迪已将 IoTDB 应用于 30 多个项目，共部署 60 余套、覆盖 200 多个生产节点，管理测点超过 2000 万个，压缩后数据量约 400 TB。陶术江表示，钢铁行业不仅数据规模庞大，而且对生产连续性和系统稳定性有着很高的要求。经过多年的实际应用，IoTDB 在这些项目中经受住了大规模数据管理与连续生产环境的考验。

在实际项目中，现场系统和设备种类繁多，通信协议各不相同；新项目还可能引入尚未适配的协议。为此，平台在支持通用协议的同时，提供自定义协议开发框架，以应对新的接入需求。

数据汇聚后，平台根据高频时序数据、主数据、经营数据和能耗数据的不同处理需求，结合 IoTDB、数据仓库和关系数据库进行存储与加工，并提供脚本、离线作业、实时作业及配置开发等方式。

最终，平台将全厂数据汇聚并组织为可管理的数据资产。管理人员可以查看数据结构、数据血缘、数据质量和使用情况；业务及开发人员则可以通过数据预览、交互分析、组态和报表使用数据。

从“裸数据”到“业务语义丰富的数据”

建成数据底座后，要让 AI 用上生产数据，还需将原始记录加工为质量可靠、具有业务含义的模型可用数据。

CISDigital AIoT 平台通过工业协议、消息队列和边缘节点接入现场数据，同时接入 IT 系统的库表和 API 数据。平台对这些数据进行清洗、格式转换、整合和质量检测，并按应用需要开展建模与事件分析，最终通过 API、数据订阅或导出等方式提供给应用。

在语义化处理环节，平台按属性、行为、规则和关系组织点位数据，并将点位与设备、工序等业务对象关联，语义化使得时序数据在具体业务场景中能被更好地理解和使用。

数据质量治理是准备“模型可用数据”的关键环节。CISDigital AIoT 平台通过规则和统计算子识别现场数据异常，生成质量标注和异常事件记录。之后，平台再根据具体场景，采取异常标注、无效数据剔除、缺失值补全等处理方式。

对于需要修复的数据，平台支持人工确认、结果写入与回退，使数据治理过程具备可追溯、可审计的能力。这一机制既关注数据质量的提升，也为后续分析和模型训练保留必要的判断依据。

完成数据治理后，平台汇集钢包成分、中包温度等数据，经过数据过滤、关键特征提取和离线特征处理，形成用于支持模型训练的高质量数据集。陶术江还提到，通过动态工况适应算法，训练后的模型可随工况变化动态调整并进行自适应学习。

在指标层，CISDigital AIoT 平台进一步结合 OT 与 IT 数据，将其加工为原子指标、派生指标和复合指标，让业务人员和 AI 模型更直接地使用运营、质量和能耗相关数据。

智能应用： AI 智能助手赋能时序数据全流程

陶术江进一步介绍了 CISDigital AIoT 平台中的 AI 应用实践。

首先，平台尝试以 AI 助手作为时序数据应用统一交互入口，让用户通过自然语言查询数据、分析趋势或创建处理任务。

过去，业务人员查询点位、分析趋势或创建数据处理任务，往往需要开发人员协助；现在可以通过自然语言提出需求，AI 智能助手可根据用户需求编排工具调用，辅助完成数据获取、汇总、分析和结果呈现，也可以根据业务描述创建相应的数据处理任务。

这一方式有望降低工业时序数据的使用门槛，使业务人员能够更直接地利用已有的数据资产。

其次是在线监控。平台实时采集时序数据，以秒级响应支撑关键生产数据的在线监控，帮助监控人员及时发现异常。平台还可叠加判异规则，自动识别异常并向相关人员推送提醒。

在钢铁生产的温度管控场景中，平台进一步汇聚不同工序的温度数据，结合生产过程中的分析与预测需求，为全流程温度跟踪、异常识别和工艺优化提供支持。中冶赛迪在流程工业优化领域的探索，取得了显著的收益：精炼电耗可降低约 2 千瓦时／吨钢，年节约成本 400 余万元；优化 LF 进站后的送电档位和时间减少测温电偶消耗，年节约约 9 万元。

针对高炉这一多维耦合、连续运行且内部状态难以直接测量的场景，平台结合多维数据，使用 AI 进行炉况分析，支持事前预测预警、事中监测评估和事后调整指导。

从数据接入、治理到智能应用，以上实践展示了工业现场数据如何逐步转化为业务可用的数据。

谈及未来，陶术江认为，IoTDB 的作用并不局限于生产历史数据的保存与查询，而是能进一步发挥实时数据管理、特征加工与长期历史数据积累等能力，成为工业 AI 数据体系的重要组成部分。

他将这一发展路径概括为四个阶段：

首先，持续组织工业现场数据，形成高质量的业务上下文；

其次，将原始数据加工为模型可用的数据和特征；

再次，让模型参与生产运行中的实时推理与辅助决策；

最后，将报警、预警和决策结果反馈到后续分析与优化中。

随着数据处理、模型推理、业务决策和反馈机制逐步打通，工业企业有望建立从数据到模型、从分析到行动、再到持续优化的智能化闭环。

关于中冶赛迪

中冶赛迪信息依托中冶赛迪六十余年的冶金行业知识积淀和十余年的数字化工程实践经验，以工程设计、生产制造和工业知识为基础，将云计算、大数据、物联网、人工智能等技术与钢铁工业相结合，推动企业数字化转型与智能化发展。

近年来，中冶赛迪在钢铁智慧管控中心、全流程智能工厂等领域积累了丰富的实践经验，并逐步将相关技术和解决方案拓展至有色、化工、机械等行业。