摘要

在工业物联网（IIoT）领域，企业普遍面临一个矛盾：为了解决海量时序数据的存储与分析问题，不得不堆叠越来越多的技术组件，架构越做越复杂，投入越来越高，效果却往往不尽如人意。DolphinDB 提出了一种截然不同的思路——做"减法"。本文从工业物联网数据架构的复杂性困境出发，深入剖析 DolphinDB 如何通过存算一体、流批一体、多模存储、2000+ 内置函数和云边协同等核心能力，用一个平台替代传统"拼图式"多组件架构。结合能源电力、智能制造、核工业、车联网等领域的真实落地案例，展示 DolphinDB 帮助工业企业在降低架构复杂度的同时，实现性能跃迁的实践路径。

一、引言：工业数据架构的"越做越复杂"魔咒

在我参与过的多个工业物联网项目中，有一个现象反复出现：企业在数据平台建设上投入越多，架构反而越脆弱。

一位负责大型水电站数字化的工程师曾向我坦言，他们的数据平台用了 Kafka 做消息缓冲、Flink 做流计算、一个时序数据库做存储、再叠一套 Spark 做离线分析。光数据链路就经过四五次搬运，每多一个组件就多一个可能的故障点，每多一个环节就多一批需要协调的团队。结果呢？“数据采到了，但用起来的效率还不如十年前的人工抄表。”

这不是个例。从电力到制造，从核工业到车联网，我看到的普遍模式是：企业为了弥补单一组件的能力短板，不断叠加新技术，最终陷入"组件越多、问题越多"的死循环。

问题的根源并不在于某个组件不够好，而在于整个技术路线本身——用多个"专而窄"的组件拼凑出一个"看起来完整"的平台，本质上是一种饮鸩止渴。

有没有可能换一种思路？不做加法，而是做减法——用一套系统覆盖数据从采集、存储、计算到分析的完整链路？

这正是 DolphinDB 的设计理念。

二、问题全景：传统架构"做加法"的三大代价

2.1 代价一：数据在搬运中"蒸发"的价值

工业物联网的时序数据有一个残酷特征：价值与时间成反比。 设备振动异常发生后的一秒内，数据对故障预警的价值最高；十分钟后再拿到，可能已经来不及了。

然而，传统多组件架构中，数据从传感器到最终可分析状态，要经过"采集→消息队列→流计算引擎→时序数据库→批处理引擎→BI 工具"的漫长旅程。每一个环节之间都是不同的技术栈，数据需要被序列化、传输、反序列化、再序列化，循环往复。

以某钢铁企业为例，其焙烧工艺参数优化需要将数据在"施耐德 Ampla + SQL Server + Flink"三套系统之间来回搬运。单次产线调整耗时长达半年，等分析结果出来，生产批次早已换了好几轮。数据的价值，就这样在搬运过程中一点一点"蒸发"了。

2.2 代价二：每多一个组件，就多一道"人墙"

每种技术组件都有自己独特的运维体系和开发范式。Kafka 需要 Java 团队维护，Flink 有自己的 DataStream API，Spark 用 Scala 或 PySpark，时序数据库又有各自的查询语言。

这意味着什么？一个中等规模的数据平台，可能需要四五个不同技能栈的团队协同工作。当一个新需求从业务端提出时，需求确认、接口定义、链路调试、联调测试……每一个环节都要跨团队协作。从想法到落地，少则数周，多则数月。

更棘手的是问题排查。当数据流出现异常时，究竟是 Kafka 堆积了？Flink 延迟了？还是时序数据库写入瓶颈？要在多个系统之间追踪根因，就像在一个迷宫里找线索。

2.3 代价三：AI 落地的"最后一公里"始终走不通

工业智能化的终极目标是预测性维护、工艺参数智能优化、设备数字孪生。这些场景有一个共同前提：机器学习模型必须能够基于实时数据在线推理。

但在传统架构下，模型训练和实时数据是割裂的。算法工程师在外部平台训练模型，训练完成后要部署到生产环境——而实时数据流和离线分析平台可能是完全不同的技术栈。模型上线后，又往往因为实时数据延迟过高，预测结果"慢半拍"，根本赶不上实际生产节奏。

这就造成了一个尴尬局面：AI 算法本身并不差，但架构的局限性让它始终无法充分发挥价值。

三、做减法的底气：DolphinDB 为什么能"以一抵多"？

DolphinDB 是浙江智臾科技研发的一款高性能分布式时序数据库，但把"数据库"三个字套在它身上，显然是低估了它。更准确地说，DolphinDB 是一个集存储、计算、流处理、分析建模于一体的实时计算平台。它用架构的简洁性，换取了性能的极致性和开发的高效性。

3.1 存算一体：数据不动，计算动

传统架构最大的性能损耗来自数据搬运。DolphinDB 的存算一体架构从根本上解决了这个问题——计算任务直接下推到存储节点执行，数据在哪里，计算就在哪里。没有跨节点网络传输，没有序列化开销。

这一设计的威力有多大？在存储层面，DolphinDB 的分布式文件系统支持单表万亿行数据存储；在计算层面，原生分布式计算框架充分利用多机多核 CPU 资源，集成 Pipeline、Map-Reduce 和迭代计算等多种计算模型。某大型水电企业在压力测试中，面对单机百万级测点的高并发写入，DolphinDB 实现了"写入不阻塞、查询毫秒级"。

值得一提的是，DolphinDB 是少数提供事务机制的时序数据库之一，保证 ACID 特性和快照级别隔离。在工业场景中，即使面对海量数据的并发写入与复杂查询，系统依然能保证数据的一致性和可靠性——这在时序数据库领域并不多见。

3.2 流批一体：一套代码打通研发与生产

如果只能用一个词概括 DolphinDB 最具特色的设计，我会选"流批一体"。

它允许用户使用同一套脚本语言，既处理历史数据的批量分析，又处理实时数据的流式监控。研发环境中基于历史数据构建的分析表达式或模型，可以无缝应用到生产环境的实时数据流中，且保证流计算结果和批量计算完全一致。

DolphinDB 内置了丰富的流式计算引擎——时间序列聚合引擎、横截面处理引擎、响应式状态处理引擎、异常检测引擎、会话窗口引擎、多表关联引擎——可以像搭积木一样串联组合，构建复杂的实时计算流水线。大部分算子实现了增量计算模式，将复杂度从 O(n) 降到 O(1)，实现亚毫秒级的计算延迟。

这意味着什么？一个离散制造企业计算 OEE（设备综合效率）的指标，过去是 T+1 才能出结果，现在可以在当班内实时可见。开发和运维成本大幅降低，因为只有一套代码需要维护。

3.3 2000+ 内置函数：把"武器库"搬进数据库

实现一个复杂的工业分析算法，过去可能需要编写数百行代码并调用各种外部开源库。DolphinDB 内置了超过 2000 个数据处理与计算分析函数，覆盖时序处理、信号处理、统计分析、机器学习等广泛领域，且全部经过向量化优化。

配合 SQL-92 标准的支持和多范式编程能力（命令式、函数式、向量式、SQL），开发者能够直接在数据库层面完成复杂的数据分析，无需在数据库和外部计算引擎之间来回切换。

更关键的是，DolphinDB 原生支持 Tensor（张量）数据格式，内置轻量化的机器学习推理模块，支持通过 libTorch、XGBoost 等插件加载模型预测。数据清洗、特征提取、模型在线推理在数据库内部闭环完成，打通了"数据→计算→模型→决策"的全链路。

3.4 多模存储：消除工业"数据孤岛"

真实的工业场景中，数据类型是多样的：传感器产生的时序数据、设备台账的关系型数据、运维日志数据往往需要联合分析。DolphinDB 提供了多种存储引擎来应对这一需求：

• TSDB 引擎：PAX 行列混存，适合高精度时序数据点查
• OLAP 引擎：列式存储，适合长时间跨度聚合分析
• PKEY 引擎：主键唯一性保证，支持从 OLTP 数据库的 CDC 同步
• IMOLTP 引擎：内存数据库，支持事务和 B+ 树索引
• VECTORDB 引擎：支持向量数据索引和近似最近邻搜索

在一个平台内融合多种数据类型的联合计算，无需跨库关联——这正是消除"数据孤岛"的根本途径。

3.5 云边协同：从几十 MB 的边缘节点到云端集群

工业设备的地理位置分散是常态。DolphinDB 对这一场景提供了原生支持：边缘端一键部署，部署包仅几十 MB，为资源受限的工业边缘设备提供完整的存储、分析和实时计算能力。云端脚本可快速下发至边缘端，便捷实现数据上传、规则下发的云边协同架构。

在兼容性方面，DolphinDB 支持 Windows/Linux 操作系统，兼容鲲鹏、飞腾、海光、兆芯、龙芯等国产芯片和统信、银河麒麟等国产操作系统，具备完善的国产信创生态。数据采集层面，原生支持 MQTT、OPC UA/DA、Modbus、IEC 104 等工业协议，可与 Grafana、商业 BI、消息队列等工具无缝对接。

四、价值兑现：八个真实场景中的"减法"实践

技术的价值不靠白皮书证明，而靠真实业务场景检验。以下是从宣传手册中梳理的八个落地案例，涵盖 DolphinDB 在不同工业场景中的实际应用。

4.1 某大型水电企业：百万测点的统一底座

背景：中国乃至全球最大的水电上市公司，200 余万测点每日产生数百亿行数据，原有单机实时数据库导致数据孤立分散。

方案：采用云边协同架构，在各水电站边缘侧部署 DolphinDB 节点进行数据预处理，云端进行全量汇聚与深度分析。

成效：多源数据关联查询响应从分钟级缩短至秒级；复杂分析任务效率提升 5-6 倍；关键设备故障预警延迟从"分钟级"压缩至"毫秒级"。

4.2 某电力监测设备企业：工控机上的 SCADA 系统

背景：为南方电网提供振动监控与故障诊断，需在资源有限的工控机上实现大规模数据的存储和低延时实时计算。

方案：基于 DolphinDB 在边缘端实现振动数据的降采样和异常波形录制，通过流计算引擎完成傅里叶变换、小波变换等信号处理算法，云边协同实现设备运行状态的实时管控。

成效：在硬件资源有限的工控机上实现了低延时复杂实时计算；大幅降低数据存储成本；有效提升了企业生产效率。

4.3 某无人工厂：产线异常检测的实时化

背景：全球领先的智能制造整体解决方案服务商，需要实时监控产线设备状态，降低停工停线成本。

方案：仅用 3 台 4 核 32GB 服务器部署 DolphinDB 集群，满足实时写入 32.4 万点/秒数据（双副本）。利用异常检测引擎用简单表达式定义复杂异常规则，与消息中间件无缝衔接。

成效：百亿数据量级下高并发即席查询的毫秒级响应；低延时异常检测引擎大幅降低开发与维护成本；高可用架构确保系统持续可用。

4.4 中核集团某研究院：MySQL 的平滑替代

背景：原基于 MySQL 搭建的工业组态监控体系，随仪表测点增多和采样频率增加，已无法满足需求。

方案：基于 DolphinDB 搭建新体系，采用分区配置为数据设置合理存储方案，依托丰富函数库和流计算框架简化数据流处理流程。

成效：单表百亿数据量级下的毫秒级查询响应；实现对 MySQL 的平滑替代；系统高可用性和容灾能力得到保障。

4.5 某海关电子口岸：实时数据仓库建设

背景：原采用 MongoDB、Oracle、MySQL 等构建离线数仓，数据量达 TB 级，平台运行效率极低。

方案：利用 DolphinDB 丰富的外部数据源生态，实现多业务系统数据融合，通过分布式能力和流计算框架简化数据处理链路。

成效：复杂计算和复杂业务逻辑处理的秒级响应；极大简化数据处理链路；降低人员投入和运维成本。

4.6 某新能源车企：1.8 亿点/秒的车联网大数据平台

背景：单车测点达 7000，需要大宽表存储支持，每秒 1.8 亿测点的不间断写入。

方案：基于 DolphinDB 构建一站式数据分析平台，利用异常检测引擎实现毫秒级数据异常检测和告警。

成效：满足每秒 1.8 亿点写入速率，资源利用率稳定在 40% 左右；写入过程中单点查询平均耗时 100ms 以内；搭建了高效且轻量化的车联网大数据处理架构。

4.7 某地震台网中心：数字地震台网综合处理系统

背景：每 10 毫秒采集一条监测记录，需要低延时的异常检测、定位和预测能力。

方案：基于 DolphinDB 构建低成本、低延时的地震波形分析预警架构，包含 MiniSeed 文件解析、实时流接入、异常检测引擎等完整模块。

成效：毫秒级计算响应延时；内置 FilterPicker、RTSeis 和 TensorFlow 插件，支持复杂波形数据异常检测和预测；全流程效率显著提升。

4.8 某世界 500 强企业：异地多中心数据中台

背景：集群间同步超 4000 张数据表，单表数据量最高达千亿级，需确保多中心数据一致性。

方案：利用 DolphinDB 异步复制框架搭建异地多中心数据中台，以事务为单位进行数据同步。

成效：百万级数据毫秒级同步延迟；极大提升集群容错性和容灾能力；降低用户请求响应时间。

五、选型视角：工业物联网数据平台的"减法"评估框架

结合上述案例与分析，对于正在评估工业物联网数据平台的企业，我提炼出一个"减法"评估框架——核心不是看一个平台"能做多少事"，而是看它"能替你省掉多少组件"。

维度一：架构简洁度。 一套系统能否同时覆盖存储、计算、流处理和分析建模？如果能，你就可以砍掉消息队列、流计算引擎、批处理引擎等多个组件。

维度二：开发一致性。 实时处理和离线分析是否使用同一套代码？如果是，你就可以砍掉维护两套代码和验证一致性的成本。

维度三：分析深度。 内置函数是否足以支撑工业场景的复杂分析需求？如果是，你就可以砍掉对外部分析平台的依赖。

维度四：数据融合能力。 是否支持多模存储，能在平台内融合时序数据、关系型数据等多种类型？如果是，你就可以砍掉跨库关联的复杂性。

维度五：部署弹性。 从几十 MB 的边缘节点到云端大规模集群，是否使用同一套技术栈？如果是，你就可以砍掉边缘端和云端两套技术栈的运维负担。

维度六：生态兼容性。 是否原生支持 MQTT、OPC UA/DA、Modbus 等工业协议，能否与 Grafana、BI 工具无缝对接？如果是，你就可以砍掉大量的适配开发工作。

DolphinDB 在这六个维度上给出了相对完整的答案。它不是在某个单点上做到极致，而是用一套统一的架构把存储、计算、流处理、分析建模、云边协同这些能力串起来，让企业用"一套系统"替代"一整个技术栈"。

六、结语

工业物联网的数据平台建设，正在经历一场从"做加法"到"做减法"的范式转变。

过去十年，行业的主流思路是"缺什么补什么"——存储不够加数据库，计算不够加 Flink，分析不够加 Spark，AI 不够再加一个算法平台。但组件越多，架构越脆弱，数据价值在流转中损耗越大，团队协作成本越高。

DolphinDB 代表的是另一种思路：用架构的简洁性换取系统的可靠性和性能的极致性。 从百万级水电测点的毫秒级预警，到 1.8 亿点/秒的车联网数据写入，再到千亿级数据的异地多中心同步，这些真实案例印证了一个事实——在工业物联网领域，"少即是多"不是一句空话，而是一条可行的技术路线。

当你的数据平台不再需要一整个技术栈来支撑，当实时分析和历史查询共用同一套代码，当算法模型可以直接在数据库内闭环运行——数据从采集到决策的距离，才真正被缩短到了"毫秒级"。

工业物联网需要的不是更多的组件，而是更简洁的架构。 这或许就是 DolphinDB 给这个行业最重要的启示。

参考资料

• DolphinDB 官方技术文档：https://docs.dolphindb.cn/zh/about/ddb_intro.html
• DB-Engines 时序数据库排名：https://db-engines.com/en/ranking/time+series+dbms