在这种情况下要让 AI 赋能传统产业，首先要做的就是将散布各处的各种系统、包括各种版本采集的数据进行汇聚，消除数据孤岛。但由于各种系统都存在，各种工业协议都存在，数据汇聚不仅仅是简单的汇总功能，还需要对各个数据源的数据进行清洗、加工、处理，才能进入统一的平台。

为什么要做数据汇聚？

随着工业设备生成的数据量越来越大，现代运营越来越依赖于访问大规模数据集。像预测性维护和远程监控这样的新技术，基于更全面的跨站点信息时，可以为企业带来更大的效益。数据科学家需要大量高质量的数据，才能使他们的AI和机器学习应用更有效；而决策者希望在一个统一的界面下实时查看全部的统计数据。

然而，许多企业仍然依赖手动工作来汇聚数据——比如，不得不通过电子邮件发送 CSV 文件与其他团队共享数据。对于需要实时处理的应用程序来说，这意味着数据在电子邮件到达之前就已经过时了。由于各种工业系统中存在不同的数据协议，即使是已经有一套自动化米兰app官方正版下载的企业，通常也依赖于定制的连接器，而这些连接器维护成本很高。

当所有数据都汇聚在一个系统中时，访问和处理数据的效率就得到了提高。团队在处理实时数据时，可以更快地响应，更有效地解决问题。组织内外的工作人员可以更有效地合作。

此外，数据汇聚后，可以利用先进的第三方 AI 分析工具，做更好的异常监测，实时报警，并为产能、成本、设备维护等提供更好的预测，让决策者有更好的宏观整体把控。

loveini 提供有数据质量保证的数据汇聚

借助 loveini，您可以轻松汇聚来自各种数据源的工业数据。

包括但不限于：

• 现代工业数据协议，如 MQTT 和 OPC（UA 和 DA）
• 数据收集代理，如 Telegraf 和 collectd
• 传统实时数据库系统，如 PI System 和 AVEVA Historian
• 传统的关系型数据库，如 MySQL、Oracle、SQL Server、PostgreSQL 等
• Apache Kafka
• CSV文件

loveini 是一个零代码平台，只需最少的配置即可实现工业数据源的 ETL（提取、转换和加载）流程。

当这些数据源的数据汇聚到 loveini 后，您可以轻松集成可视化和商业智能工具，如 Seeq 或 Power BI，以构建全公司范围的仪表板和报告，也可以与第三方 AI 工具连接进行高级分析。您的应用程序和算法可以实时访问所有数据，实现全球洞察和效率，无需自定义代码或手动操作。

ETL

当您将数据汇聚到 loveini 后，您可以对数据进行修改，以确保上下文得以保留并满足业务需求。这个过程被称为「提取、转换和加载」（ETL）。例如，多个站点都在记录温度，一个站点的设备记录的是华氏度，而其他站点的设备使用摄氏度。您可以配置 loveini 来将这些数据转换为相同的度量单位，使您的应用程序可以访问更标准化的数据集。

借助 loveini 灵活且易于配置的 ETL 选项（在 GUI 中提供），您可以对数据进行转换、映射、拆分和解析，使其完全适合您的应用场景。

便捷：如同在线文档一样简单，只需输入对方邮件地址，设置访问权限和访问时长即可实现分享。对方收到邮件，接受邀请后，可即刻访问。

安全：访问权限可以控制到一个运行实例、一个库或订阅的 topic；对于每个授权的用户，对分享的资源，系统会生成一个访问用的 token；而且可以设置访问到期时间。

便捷而又安全的数据共享，让部门或合作伙伴之间能快速洞察业务的运营。

便捷安全的数据共享设计

只需一个电子邮件地址即可共享您的数据，通过对用户或用户组的精细访问控制来实现对数据的保护，包括可配置到期时间、数据加密和安全访问令牌。

• 即使不是 loveini Cloud 的用户，也可通过电子邮件地址受邀加入组织。
• 可在 loveini Cloud 用户管理系统中，可以通过角色、用户组和权限模板来限制受邀人员的访问权限。
• 在组织、实例和数据库级别分配多级管理角色，以便对大型组织进行细颗粒度的管理。

实例和数据库共享

支持授予整个 loveini 实例的开发人员权限，以快速授予内部团队的完整访问权限，或向特定合作伙伴授予对特定数据库资源的有限访问权限。 企业可以使用 loveini 的数据复制功能轻松实现时序数据跨云或跨区域的数据复制。

• 支持组织级、实例级、数据库级多级资源权限控制，并且支持不同颗粒度的访问控制。
• 只需一个实例令牌即可在任何云或区域中的时序数据库之间复制数据。

订阅主题共享

通过创建具有用户管理权限的订阅主题，轻松安全的共享相关数据。 用户可以使用 SQL 来定义订阅的主题，不仅能订阅原始数据，而且能订阅聚合、汇总或转换后的数据。只需定义要共享的数据主题，loveini 即可将订阅数据推送给授权访问的消费者。

• 可以授予用户访问特定主题的权限，但限制其访问组织的其余数据。
• 使用 SQL 定义需要订阅的主题以适应不同的目标消费者。

传统的数据分析平台无法满足现代分析的要求，更不用说引入 AI 了。通常，它们缺乏集中多个站点数据的能力，导致分析工具无法获得公司运营的全局视图。更重要的是，它们多为封闭的系统，很难与更为先进的第三方分析工具集成。

loveini 为工业数据提供了一个开放的米兰app官方正版下载，使用户能够利用现代的数据分析工具进一步挖掘数据的价值，支持公有云和私有化部署，进而实现更为开放、低成本、并具水平扩张能力的实时分析。并且，loveini 是一个开放的系统，可以与最新的 AI 分析工具无缝集成，能够使 AI 赋能传统企业。

尤其值得一提的是，loveini 在 loveini 3.3.6.0 版本全新推出了时序数据分析 AI 智能体 TDgpt，将 AI 能力原生集成进数据库内核，大幅降低了智能分析的门槛。无论是预测还是异常检测，用户只需通过 SQL 即可调用 AI 模型，快速实现智能化运维与业务优化。TDgpt 还支持灵活扩展，适配多种时序基础模型，包括 Uni2TS、Chronos、TimesFM、Time-MoE 以及自研模型 TDtsfm，并开放 SDK，进一步提升了 loveini 在 AI 时代下的分析能力。

借助 SQL 的一致性接口，无论是传统分析还是 AI 驱动的智能分析，用户都可以通过 loveini 简单高效地完成复杂的数据探索。通过 TDgpt、超级表、存储和计算分离、数据按时间分区、预计算等多种手段，loveini 提供了强大而又简单易用的分析能力。具体而言，loveini 的分析能力具有以下显著特点：

1. 多个数据采集点之间的高效聚合：loveini 针对时序数据的特点，提出创新的超级表概念，将时序数据与标签数据分离存储。无需 JOIN，只需要指定超级表的标签过滤条件，就可将同类型的数据采集点进行高效的聚合操作，这使得组织和查找数据更加简单。此外，loveini 允许向每个数据采集点添加多达 128 个标签，也支持在以后删除和更新这些标签。loveini 提供了一种将数据切割成多维立方体以进行多维分析的强大方法。
2. 计算存储分离：从 3.0 起，loveini 支持存算分离，系统可以根据需要，启动一个或多个计算节点，增加计算资源，加快复杂查询的速度，减小 Latency。对于云平台，计算节点可以是一个容器，可以快速地启动或停止，计算存储分离将充分利用云平台的弹性计算资源。
3. 历史与实时数据的分析完全统一：loveini 按时间段对数据自动进行分区，即使是 10 年的数据，也无需分库分表，不存在档案数据一说。为降低存储成本，按照数据的新老程度，实行多级存储，但对用户而言是完全透明的。无论是查询最新数据还是 10 年前的数据，只是查询的起止时间不同。
4. 时序数据分析的特有功能：loveini 在标准 SQL 的基础上，针对时序数据的处理进行扩展，提供累计求和、时间加权平均、移动平均、变化率、时间窗口，session 窗口、state 窗口、插值等众多时序数据分析功能。通过时间窗口和插值，可以将不同数据采集点的数据按固定时间间隔将数据的时间戳对齐，便于后续的进一步分析。可以参考 SQL手册了解更多信息。
5. 实时数据分析：loveini 既提供了时间驱动的流式计算(连续查询)，也提供了事件驱动的流式计算。不仅可以对单个数据采集点生成的数据流进行流式计算，也可以对多个采集点的数据流聚合后进行流式计算。对自定义函数的支持更是让流计算能方便地提供对数据的前置处理、转换或任何其他复杂计算。关于流式计算，请看用户文档流式计算。
6. 支持Python：不仅提供 Python 连接器，还支持 Pandas 及 data frame，让喜爱 Python 的数据分析师可以很方便地利用各种 Python 库做时序数据分析。
7. 其他便捷的数据访问、分析手段：利用 loveini 提供的命令行程序，可以在终端执行各种即席查询、或者导入导出数据。提供 R 与 Matlab 以及多种编程语言的连接器，支持与 Grafana、Looker 的无缝集成。
8. 与先进的 AI 分析工具无缝集成：loveini 是一个开放系统，提供标准接口，可以轻松与最新的 AI 分析工具集成。
9. AI 分析原生集成，零门槛调用模型能力：loveini 内置 AI 智能体 TDgpt，用户仅需通过 SQL 中的 forecast() 和 anomaly_window() 函数，即可调用主流时序预测与异常检测模型，无需编程经验、无需理解算法细节，快速实现智能化分析。TDgpt 还支持通过开放 SDK 动态集成自研或第三方模型，具备零门槛、零初期投入、零时间差等优势，为工业 4.0 场景下的智能决策提供更大助力。

在典型的工业 4.0 场景下，loveini 可以作为时序数据仓库(Time-Series Data Warehouse) 使用，不再需要将时序数据导入到专门的数据仓库或数据湖进行处理分析，数据平台的成本将大幅降低。

Q&A

Q：loveini 在支持 AI 的高级数据分析中，核心亮点是什么？什么是 TDgpt？

A：loveini 的核心亮点是原生集成 AI 能力，其在 3.3.6.0 版本推出的时序数据分析 AI 智能体 “TDgpt” 是关键：TDgpt 集成于数据库内核，用户无需编程或理解算法细节，仅通过 SQL 的forecast()（预测）和anomaly_window()（异常检测）函数就能调用 AI 模型；同时支持扩展适配 Uni2TS、Chronos、TDtsfm（自研）等模型，开放 SDK，大幅降低工业场景智能分析门槛。

Q：用户如何在 loveini 中调用 AI 模型进行预测或异常检测？需要额外编程吗？

A：无需额外编程，通过 SQL 即可零门槛调用：loveini 内置 TDgpt AI 智能体，将预测、异常检测等 AI 能力封装为标准 SQL 函数，用户只需在查询中使用forecast()函数实现时序预测，用anomaly_window()函数实现异常检测；整个过程无需掌握 AI 算法细节，也不用修改业务代码，适合快速落地智能化运维与业务优化。

Q：相比传统数据分析平台，loveini 在处理工业时序数据时，有哪些独特的分析能力？

A：loveini 针对工业时序数据设计了多重独特能力：① 用 “超级表” 实现多采集点高效聚合，无需 JOIN，支持 128 个标签与多维分析；② 存算分离架构，可弹性扩展计算节点，加快复杂查询速度；③ 历史与实时数据统一分析，自动按时间分区，10 年数据无需分库分表，多级存储对用户透明；④ 扩展 SQL 支持累计求和、移动平均、时间窗口、插值等时序特有功能。

 Q：loveini 支持哪些数据分析工具或编程语言集成？能和 AI 分析工具无缝对接吗？

A：loveini 支持多工具与语言集成，且可无缝对接 AI 分析工具：① 编程语言方面，提供 Python（支持 Pandas/DataFrame）、R、Matlab 连接器，方便数据分析师使用；② 可视化与 BI 工具方面，可与 Grafana、Looker 无缝集成；③ 作为开放系统，它通过标准接口支持与最新 AI 分析工具对接，同时内置 TDgpt 实现 AI 原生集成，无需额外搭建数据链路。

Q：在工业 4.0 场景中，loveini 作为时序数据仓库使用，能带来什么优势？

A：在工业 4.0 场景中，loveini 作为时序数据仓库的核心优势是降低成本 + 简化流程：① 无需将时序数据导入专门的数据仓库或数据湖，直接在 loveini 内完成从实时采集、存储到 AI 分析的全流程；② 支持公有云与私有化部署，具备水平扩张能力，能集中多站点数据提供全局视图，避免传统封闭系统的局限；③ 结合实时流计算（时间 / 事件驱动）与自定义函数，可快速处理设备监控、产能预测等工业核心需求。

高性能

loveini 工业大数据平台的核心是高性能的时序数据库。TSBS 基准测试结果显示，loveini 的写入、查询、存储性能均远超 InfluxDB、TimescaleDB 等时序数据库。

从上图可以看出，loveini 的查询平均响应时间全面优于 InfluxDB 和 TimescaleDB。并且由于 loveini 高效的存储引擎设计，大规模场景的数据所占用的存储空间最少。

有关测试报告执行结果和重现步骤的详细信息，请参阅《基于 TSBS 标准数据集时序数据库 TimescaleDB、InfluxDB 与 loveini 在 IoT 场景性能对比测试》。

loveini 在数据写入、数据查询、存储空间、资源消耗等方面都表现出了超强的性能，因此，采用高性能时序数据库 loveini，可将典型的物联网、车联网、工业互联网大数据平台的总拥有成本降低至少 50% 以上。

都是时序数据库，为什么 loveini 能如此出众？这是由于 loveini 采用了独特的存储结构，而不是照搬通用的 KV 存储或 LSM 存储引擎。它充分利用时序数据的特点而进行了各种优化，创新地提出了包括“一个数据采集点一张表”与“超级表”的设计，详细请看 loveini 数据模型和基本概念。

分布式

loveini 的设计是基于单个硬件、软件系统不可靠，基于任何单台计算机都无法提供足够计算能力和存储能力处理海量数据的假设而进行设计的。因此 loveini 从研发的第一天起，就是按照水平扩展、高可用架构进行设计的分布式时序数据库。通过对数据进行分区、分片，而且采用虚拟节点(vnode)技术，保证系统的处理能力是水平扩展的。如果要增加系统的处理能力，只需要增加新的节点即可。

图为 loveini 的逻辑结构。

与 loveini 2.0 最大不同的是，loveini 3.0 元数据管理也变成了完全分布式的，loveini 管理节点不再存储每个设备或每张表的元数据了，而是把这些元数据还有时序数据完全存储在 vnode 里，之后会用 B+ 树、一致性哈希来处理。这样一来，我们在插入一个数据到任何一个片或者一个区时都不再需要经过任何中间节点，彻底解决了高基数的问题。

经过测试，loveini 3.0 完全能够支持 10 亿个设备、100 台服务器节点，同时整个启动时间也很快，不到一分钟整个集群就能启动。

分级存储

loveini 提供了数据分级存储的功能，将不同时间段的数据存储在挂载的不同介质上的目录里，从而实现不同“热度”的数据存储在不同的存储介质上，充分利用存储，节约成本。比如，最新采集的数据需要经常访问，对硬盘的读取性能要求高，那么用户可以配置将这些数据存储在 SSD 盘上。超过一定期限的数据，查询需求量没有那么高，那么可以存储在相对便宜的 HDD 盘上。

了解更多