自發布以來，TDengine IDMP 一直在以“快迭代、小步快跑”的節奏持續進化。依託 TDengine TSDB 的高性能時序數據底座，IDMP 專注於工業數據的標準化管理與智能分析，通過語義建模、統一口徑、實時分析和無問智推等能力，讓企業不僅能看見數據，更能從數據中獲得實時洞察與決策啓發。
作為一款 AI 原生的工業數據管理平台，IDMP 在每一次版本更新中都在強化“AI 驅動、零門檻、場景化”的特性。目前其已經更新至 1.0.5.0 版本，在模型計算、可視化分析、異常檢測與元數據管理等多個方面均實現了顯著提升。
本文將帶你一覽 IDMP 近期的重點更新與功能優化，見證它如何不斷拓展工業智能的邊界。
一、模型計算能力增強
元素和屬性支持公式與字符串構建
屬性和屬性模板現已支持公式與字符串類型，用户可直接在模型層定義計算邏輯：
- 公式引用：通過屬性、操作符、替換參數、常量與函數的組合，自動轉換為 TDengine SQL 表達式執行，可生成新的派生指標。示例如下：
- 字符串生成器：允許拼接文本內容，生成動態字符串屬性，用於描述性或標識性信息。示例如下：
這一功能讓屬性具備“可計算性”，從建模階段就能定義業務口徑，後續分析直接沿用統一邏輯，避免重複定義。
👉🏻 更多技術細節詳見：https://idmpdocs.taosdata.com/basic/data-model
二、可視化分析體驗升級
地圖面板
隨着各行業對地理區域相關數據（如用電量、人口分佈、經濟指標等）的分析需求不斷提升，傳統的表格或柱狀圖已難以直觀呈現區域差異與趨勢，用户往往需要耗費大量時間進行解讀。
為此，新版本新增了地圖面板功能，聚焦地理區域數據可視化，可展示省、市、區縣等多層級統計數據（如北京市各區縣用電量）。地圖面板支持縮放、平移等基礎交互操作，並可通過色彩梯度強化區域對比。用户還可點擊區域查看具體數值，通過調整閾值或篩選條件快速聚焦關注的地理區域，從而更高效地識別區域分佈規律與變化趨勢。
👉🏻更多技術細節詳見：https://idmpdocs.taosdata.com/basic/data-visualization/map
散點圖面板
在數據面板中新增散點圖可視化類型，支持兩個數值變量的關聯分析，能夠清晰展示數據分佈規律、聚類情況和異常值檢測，助力用户分析工況與能耗、轉速與振動、產量與良率等變量關係，識別異常點或潛在規律。
用户可通過雙擊或點擊選擇添加為維度/標籤方式快速配置 X 軸、Y 軸變量，並支持顏色、大小等視覺通道映射。支持聚類分析和迴歸分析，包含線性迴歸、指數迴歸、多項式迴歸等分析方法，更加直觀觀察數據趨勢。
👉🏻 更多技術細節詳見：https://idmpdocs.taosdata.com/basic/data-visualization/scatter
狀態時序圖
在物聯網監控、業務流程分析等場景中，用户需要追蹤設備狀態變化、業務工單流轉等離散狀態在時間維度上的分佈，傳統折線圖無法很好地表達這類信息的開始、結束和持續特性。為了解決這一問題，新版本在數據面板中新增了針對狀態變化數據的時序可視化功能，可清晰展示設備狀態、業務階段或工單流轉在時間軸上的變化與持續時間，並支持狀態聚合、持續時間統計及轉移分析，讓狀態演變一目瞭然。
事件趨勢圖
“事件趨勢圖” 功能通過趨勢圖展示事件相關指標，並高亮標註事件發生的時間範圍。用户可將任意設備監測指標及事件添加至分析視圖，直觀呈現數據隨時間的波動趨勢。該功能具備多視圖展示能力：一方面支持多泳道並列展示各相關指標曲線；另一方面可按事件開始時間進行對齊截取，將不同事件對應的指標曲線片段進行同期對比分析。
👉🏻 更多技術細節詳見：https://idmpdocs.taosdata.com/basic/data-visualization/trend
高級 SQL 面板
雖然通過鼠標點擊和少量鍵盤操作即可滿足大多數業務場景的面板創建需求，但在面對更復雜的數據處理邏輯（例如多層嵌套查詢或跨表計算）時，直接使用 SQL 顯然更加靈活、高效。
為此，新版本新增了高級 SQL 面板功能，為高級數據分析師和開發人員提供了更強的自定義能力。用户可在頁面中直接編寫並運行復雜的 SQL 查詢，查詢結果將即時呈現在面板中。目前該功能支持 TDengine 和 事件 兩種數據類型，並可接收外部傳入的元素、開始時間與結束時間參數，以支持更加靈活的分析場景。
👉🏻 更多技術細節詳見：https://idmpdocs.taosdata.com/basic/data-visualization/
三、智能分析與 AI 聯動
異常檢測分析
在工業和物聯網環境中，設備與傳感器產生的數據規模龐大、頻率高且特徵複雜。傳統依賴靜態閾值或人工規則的告警機制往往難以應對多指標聯動和動態變化的場景，不僅需要人工維護大量規則，還容易因環境、負載或時間變化造成誤報或漏報。
為解決上述問題，平台為數據分析師和運維人員提供了智能化的異常檢測能力，能夠基於時序數據（如設備傳感器、機組指標、網絡或系統監控數據等）自動識別特定時間段內的異常，並將檢測結果直接整合進面板，實現監測與分析的一體化。
👉🏻 應用場景：可用於設備健康監測、能耗波動識別、環境指標異常預警等。
無問智推集成異常檢測能力
許多用户並不瞭解“異常檢測”這一專業功能，或不知道如何進行配置，他們更習慣以自然語言的方式提問，例如：“最近電錶的電壓有異常嗎？”
為提升用户使用體驗，新版本在無問智推中集成了異常檢測能力。系統能夠自動推薦包含“異常檢測”的分析問題，用户點擊即可生成相應分析；同時，也支持在分析頁面直接以自然語言提問，系統會自動識別意圖並生成對應的異常檢測分析，讓複雜的分析過程變得簡單直觀。
👉🏻 應用場景：幫助非技術人員快速掌握異常檢測能力，實現 AI 主動分析與洞察推送。
四、數據導入與交付更高效
CSV 數據導入
在工業／物聯網場景中，設備類型眾多、數據結構複雜、往往存在大量靜態標籤（比如設備編號、位置、類別）與動態指標（傳感器數據、狀態指標）需要批量建模。若僅靠可視化逐個配置資產模板或手動映射超級表，工作量大、易出錯、且難以適應大規模設備體系。
此前，IDMP 已支持通過簡單導入和資產導入頁面進行單表配置，但在“成千上萬台設備”“多表結構”或“歷史數據遷移”等場景下仍顯效率不足。為此，新版本引入了 CSV 導入功能——一種批量、可編輯、可腳本化的建模方式。用户可預先編輯 CSV 文件並一次性導入系統，從而大幅提升建模與數據入庫效率，顯著降低人工操作成本。
👉🏻 更多技術細節詳見：https://idmpdocs.taosdata.com/operation/data-import-export
元數據導入導出
在工業系統持續擴展的過程中，資產模型的層級與規模不斷增加，單純依靠 UI 界面逐條創建或修改元數據，已難以滿足大規模建模、歷史數據遷移與多環境同步的需求。為此，IDMP 提供了完整的元數據導入導出機制，用於高效地遷移與備份資產模型。
系統支持將資產樹、元素（含層級結構）、元素模板、屬性模板、事件/分析模板、枚舉類型、單位（UOM）、類別、面板及儀表盤模板等元數據統一導出為可下載包（ZIP），並支持將導出的包文件批量導入至指定環境或連接（如 TDengine）。導入過程中，系統會自動解析依賴關係，採用異步任務方式執行，並生成可下載的導入記錄與錯誤報告，確保大規模元數據遷移的安全性與可控性。
👉🏻 更多技術細節詳見：https://idmpdocs.taosdata.com/operation/import-export
結語
從公式屬性到多維可視化，從異常檢測到模型計算，IDMP 的每一次更新，都是向智能化邁出的堅實一步。面向未來，我們將繼續沿着 AI 原生的方向迭代前行，讓 IDMP 在模型能力、分析深度與場景適配性上不斷突破，推動工業智能的普及與落地。
現在進入 https://idmpdocs.taosdata.com/release-history/1.0.5.0，可查看 IDMP 最新版本 1.0.5.0 的具體更新細節，歡迎大家體驗！
