在工業互聯網與智能製造加速發展的今天，企業的數據量正呈爆發式增長。傳統的歷史數據庫在高併發寫入、分佈式架構、AI 原生能力等方面逐漸難以滿足需求。作為國產時序數據庫的代表，TDengine 以高性能、低成本、雲原生與智能化特徵，成為新一代工業數據底座的首選。
本文嚴格基於公開資料與官方文檔，對國內外主流數據庫（包括 PI System、亞控、紫金橋、麥傑、力控、中控、庚頓）與新興國產工業數據平台 TDengine（包含 TSDB 時序數據庫和 IDMP 工業數據管理平台）進行了系統對比，從功能架構、模型設計、安全體系、AI 能力等多維度展示差異，助您一覽國產數據庫格局。
我們會分成七個系列來展示這一系列的深度解析，此次是第二篇。
亞控 KingHistorian 系列包括 KingIOServer、KingSCADA、KingSPC 與 KingPortal 等模塊，整體以組態與控制為核心。系統不具備分佈式與多級存儲能力，也不支持寬表模式。
亞控（KingHistorian）vs TDengine
|
功能類別
|
具體功能
|
TDengine TSDB+IDMP
|
亞控
KingHistorian+KingIOServer
+KingSCADA+KingSPC+KingPortal
|
|
數據庫
|
高可用/負載均衡/分佈式集羣部署
|
✅
|
❌
|
|
|
多級存儲
|
✅
|
❌
|
|
|
多測點連接查詢（join）
|
✅
|
不支持，需藉助內部函數
|
|
|
實時表/歷史表統一
|
✅
|
❌
|
|
|
寬表模式存儲
|
✅
|
❌
|
|
|
數據分發權限管理
|
✅
|
❌
|
|
|
時間戳精度
|
納秒
|
毫秒
|
|
|
數據類型
|
TIMESTAMP、INT、INT UNSIGNED、BIGINT、BIGINT UNSIGNED、FLOAT、DOUBLE、BINARY、SMALLINT、SMALLINT UNSIGNED、TINYINT、TINYINT UNSIGNED、BOOL、NCHAR、JSON、VARCHAR、GEOMETRY、BLOB、DECIMAL數據類型
|
開關量（布爾類型）、單字節整數（有符號）、雙字節整數（有符號）、四字節整數（有符號）、八字節整數（有符號）、單精度浮點數、雙精度浮點數、定長字符串變長字符串、定長Unicode字符串、變長Unicode字符串、時間戳、定長二進制數據、變長二進制數據、精確小數類型、數字狀態量、ScaledFloat16，不支持GEOMETRY、BLOB、DECIMAL
|
|
|
是否支持指令下發
|
❌
|
✅通過獨立SCADA下發，庫本身不下發，作為SCADA歷史庫
|
|
資產模型
|
樹狀結構
|
✅以元素為基礎形式展示
|
以測點為基礎形式展示
|
|
|
工藝模型/圖形模型
|
❌
|
✅
|
|
|
元素引用
|
✅
|
部分支持，通過構建單獨的數據模型支持,數據模型要求實例化的變量相同
|
|
|
屬性特性
|
✅
|
✅
|
|
|
數據引用設置
|
✅
|
✅KingSCADA支持
|
|
|
測量單位（可參與運算）
|
✅
|
❌
|
|
|
模板和繼承
|
✅
|
✅
|
|
|
查找
|
✅
|
主要是測點或者組件內容查找過濾
|
|
|
版本控制
|
✅
|
❌
|
|
資產分析
|
觸發器
|
週期、多種窗口觸發和條件過濾
|
週期、條件、變化觸發
|
|
|
表達式分析
|
✅
|
✅
|
|
|
彙總分析
|
✅
|
✅
|
|
|
事件分析
|
✅
|
❌基於測點
|
|
|
統計質量過程分析
|
❌ (planned)
|
✅
|
|
|
回填和重計算
|
✅
|
❌
|
|
|
歷史記錄更新觸發重計算
|
✅
|
❌
|
|
|
會話、狀態、計數、事件等窗口觸發
|
✅
|
❌
|
|
|
環比/同比分析
|
✅
|
✅需要藉助特殊組件
|
|
報警和事件
|
獲取事件值
|
✅
|
部分支持，主要為操作事件記錄/冗餘切換/登錄等，組件格式固定，無法拓展
|
|
|
確認事件框架
|
✅
|
部分支持，支持報警事件確認
|
|
|
物料轉移事件
|
❌
|
❌
|
|
|
元素引用
|
✅
|
✅（通過KingSCAD引用模型對象）
|
|
|
事件模板
|
✅
|
❌
|
|
通知（事件轉發）
|
通知模板
|
✅
|
❌
|
|
|
觸發條件
|
依據報警嚴重性等級
|
✅報警觸發和手動觸發
|
|
|
轉發設置
|
✅
|
✅
|
|
|
升級轉發
|
✅
|
✅
|
|
可視化
|
支持圖素/組件
|
曲線、報表、值輸出、儀表盤、條形圖、XY曲線、地圖、圖像、文本框
|
支持曲線、報表、圖片、xy曲線、地圖、報警窗口、事件窗口、視頻組件、3D組件、歷史回放等
|
|
|
組態展示
|
❌ (planned)
|
✅（客户端採用MFC編譯的IDE環境、KingPortal採用Canvas）
|
|
|
事件
|
Partially matched
|
通過報警/操作事件組件展示
|
|
數據寫入
|
OPC
|
✅
|
✅
|
|
|
OPC採集是否有自動更新點位功能
|
✅
|
❌
|
|
|
MQTT
|
✅
|
✅
|
|
|
Kafka
|
✅
|
❌
|
|
|
Relational databases
|
✅
|
❌
|
|
|
CSV files
|
✅
|
❌
|
|
|
Other industrial protocols
|
❌（但很方便通過第三方生態實現）
|
✅
|
|
|
斷線續傳（採集到數據庫）
|
✅
|
✅
|
|
數據分發
|
Kafka
|
✅
|
❌
|
|
|
MQTT
|
✅
|
✅
|
|
安全
|
Role-based access control (RBAC)
|
✅
|
✅
|
|
|
Single sign-on (SSO)
|
Planned
|
❌
|
|
|
Data encryption
|
✅
|
❌
|
|
|
SOC 2 certification
|
✅
|
❌
|
|
|
ISO 27001 certification
|
✅
|
❌
|
|
應用訪問
|
Server access
|
瀏覽器
|
瀏覽器/ CS客户端
|
|
平台和部署
|
Windows
|
✅
|
✅
|
|
|
Linux
|
✅
|
❌
|
|
|
Installation package
|
✅
|
✅
|
|
|
Ansible deployment
|
✅
|
❌
|
|
|
Helm deployment
|
✅
|
❌
|
|
|
Cloud service
|
與本地相同
|
❌
|
|
|
Supported cloud platforms
|
Azure, AWS, GCP，阿里雲
|
❌
|
|
集成
|
REST API
|
✅
|
✅
|
|
|
JDBC and ODBC
|
✅
|
功能受限，部分支持
|
|
|
Power BI
|
✅
|
❌
|
|
|
Tableau
|
✅
|
❌
|
|
|
Seeq
|
✅
|
❌
|
|
|
Grafana
|
✅
|
❌
|
|
|
Excel
|
✅
|
✅
|
|
|
Flink table SQL/CDC
|
✅
|
❌
|
|
AI
|
Chat BI
|
✅
|
❌
|
|
|
Zero-Query Intelligence
|
✅
|
❌
|
|
|
AI-based time-series forecasting
|
✅
|
❌
|
|
|
AI-based anomaly detection
|
✅
|
❌
|
|
|
Integration with third-party AI applications
|
容易
|
很難
|
在數據模型上，亞控以測點元素為基礎展示結構，SCADA 產品支持模板與屬性功能，但不支持單位換算、版本管理或歷史回填。TDengine 具備模板繼承、屬性引用及測量單位參與運算等功能，能在複雜工業結構中實現統一建模。
在計算與分析方面，兩者均支持週期、條件與變化觸發，具備表達式與彙總分析能力，但亞控的環比/同比分析需依賴特殊組件實現。TDengine 支持週期窗口、歷史重算、環比同比及狀態觸發機制，計算體系更靈活。
數據接入上，亞控支持 OPC 與 MQTT，但不支持 Kafka、CSV 以及 Flink 等。安全性方面，亞控不支持存儲加密與雲邊協同架構。TDengine 具備 REST API、JDBC/ODBC、BI 工具與 AI 模塊集成能力，安全體系更完善。TDengine 同時支持 Kafka 與 MQTT 的數據分發，實現負載解耦、流量削峯、數據完整性消費等。
瞭解更多，歡迎直接訪問：七家工業數據庫橫評：PI/亞控/紫金橋/麥傑/力控/中控/庚頓 vs TDengine
