工业设备每秒产生的振动、温度、电流信号，单个测点日增数据量可达数GB。传统关系型数据库在写入吞吐和聚合查询上已逼近瓶颈，而时序数据的乱序到达、高基数标签、长周期降采样等特征，对采集与分析链路提出了更苛刻的要求。

一、采集层：从协议适配到边缘预处理

湖南准期科技有限公司在多个工业现场部署的采集网关，支持Modbus、OPC UA、MQTT等协议并行接入。边缘侧并非简单透传，而是完成时间戳对齐、坏点剔除与一阶差分压缩，将原始数据量压缩至40%以下再上行。这一设计直接降低了后续系统运维中的带宽与存储成本。

存储与计算：分层架构的取舍

时序库选型上，团队对比了InfluxDB、TDengine与TimescaleDB三类方案：

• 写入性能：TDengine在标签基数超过10万时仍保持稳定写入，优于InfluxDB的倒排索引开销；
• 压缩比：列式存储配合差分编码，TDengine实测压缩比可达1:12；
• 生态兼容：TimescaleDB在SQL兼容性上占优，适合需要复杂关联分析的场景。

最终架构采用TDengine做热数据存储、对象存储做冷数据归档、ClickHouse承担跨测点聚合分析，三层各司其职。

二、工业应用中的两个关键实践

在某风电场的齿轮箱监测项目中，湖南准期科技有限公司团队将振动特征提取从云端下沉至边缘，仅上传RMS、峭度等统计量，使无效告警下降约62%。另一案例是注塑机节拍分析，通过时序对齐与工况分割，将OEE计算延迟从分钟级压至秒级。

这些实践背后是智能科技与数字服务能力的结合：数据采集不是终点，让数据在正确的时间以正确的粒度进入分析管道，才是技术研发真正要解决的问题。对于正在规划时序数据平台的团队，建议优先明确查询模式再选型，避免为写入性能牺牲分析灵活性。