2025 工业软件趋势解读：国产时序数据库 DolphinDB 如何用“通用底座+AI”重塑工业物联网开发范式？

What this page covers

• 工业软件项目制困境与“通用底座+AI”的总体主张。
• 工业数智化转型中的高性能、低成本、快速迭代矛盾。
• 传统链路的技术栈割裂与运维复杂性问题。
• 存算一体、压缩与 AsOfJoin 多频对齐能力示例。
• 流批一体：统一脚本语言与增量计算的开发方式。
• 工业引擎：点位管理与响应式实时监控引擎。
• 五个工业落地案例与成效描述。

技能认证特训营第二期报名推广

页面顶部提供限时报名入口与福利优惠提示。

• 提供“技能认证特训营第二期”的报名入口。
• 报名入口以链接形式呈现。

文章标题与作者/日期信息

页面展示文章标题、作者与发布日期。

• 作者署名为 QianXiaojun。
• 发布日期为 2025-12-02。
• 文章标题为“2025 工业软件趋势解读：国产时序数据库 DolphinDB 如何用‘通用底座+AI’重塑工业物联网开发范式？”

导语：工业软件困境与 DolphinDB 的总体主张与案例范围

导语提出工业软件项目制困境，并说明 DolphinDB 将金融领域能力带入工业，以“通用数字化底座+AI”重塑开发范式并拆解多个案例。

• 提出以“通用数字化底座 + AI”破解工业软件定制化僵局的主张。
• 主张包含“存储 + 计算”的通用数字化底座与 AI 的组合。
• 说明将拆解多个实战案例。
• 案例覆盖长江电力、中钢集团、中国空间技术研究院、中广核、核动力研究院。

一、困局：烟囱式架构与定制化泥潭

该部分描述工业企业在高性能、低成本、快速迭代之间的矛盾，并指向传统工业软件开发的结构性问题。

• 工业数智化转型存在“高性能、低成本、快速迭代难以兼得”的矛盾。
• 该矛盾被表述为“不可能三角”。
• 指出烟囱式架构与定制化开发相关的结构性问题。

1.1 技术栈割裂：异构堆栈与烟囱式架构缺陷

该部分列举传统工业数字化链路，并说明数据搬运、语言碎片化与运维复杂性带来的问题。

• 传统链路示例包含采集层依赖 SCADA。
• 存储示例包括 InfluxDB、OpenTSDB 或 PI/IP21。
• 实时计算示例包含 Flink。
• 离线分析示例通过 ETL 导入 Hadoop/Spark。
• 算法建模示例使用 Python。
• 数据需经多级链路搬运，存在序列化/反序列化开销。
• 端到端延迟被描述为攀升至分钟级。
• 多语言混用（Java、SQL、Python）导致需要跨领域团队。
• Zookeeper、Kafka、HDFS 等中间件使管道复杂，故障排查变难。
• 运维团队被描述为有 30% 以上精力用于组件间一致性校验。

1.2 业务逻辑硬编码：灵活性缺失

该部分说明工业复杂规则常被硬编码，设备型号或参数变化时需要重写与重启，从而影响敏捷性。

• 复杂业务规则常被硬编码在底层代码中。
• 设备型号或工艺参数变化会触发代码重写需求。
• 重写后通常需要重新编译并重启服务。

1.3 缺乏统一底座：重复造轮子

该部分对比金融中间件成熟与工业基础软件不足，并指出企业在底层读写优化上耗费精力。

• 工业界被描述为长期缺乏架构完善的基础软件支撑。
• 企业大量精力被描述为耗费在底层数据读写优化上。

二、破局：将金融级能力引入工业

该部分说明 DolphinDB 来源于金融量化投研，并将相关能力迁移到工业大数据痛点。

• DolphinDB 起家于金融量化投研领域。
• 其主张将金融领域验证的读写性能与流批一体架构引入工业。

2.1 读写极致性能：核心技术与多频数据对齐（AsOfJoin）

该部分描述存算一体与自适应压缩，并以 AsOfJoin 处理异构频率数据对齐与性能提升作为示例。

• 存算一体（Data Localization）指计算任务可下推至存储节点执行。
• 该设计用于避免存储层与计算层之间的海量网络传输开销。
• 提到使用 Delta-of-Delta、LZ4 等压缩算法。
• 压缩比被声称可达 10:1~20:1 以降低存储成本。
• AsOfJoin 用于解决异构频率数据的毫秒级对齐难题。
• AsOfJoin 的查询性能被声称比传统 Join 提升 100 倍以上。
• 提供 AsOfJoin 文档链接。

2.1 业务逻辑同构映射：金融→工业对照表与成效验证

该部分以表格对照金融计算范式到工业应用，并给出某电力物联网场景下写入与查询成效描述。

• 以表格方式对照金融计算范式与工业应用映射。
• 某电力物联网场景被描述为“写入不阻塞”。
• 同一场景被描述为“查询毫秒级”。

2.2 流批一体：统一脚本语言与增量计算，降低开发成本

该部分介绍统一脚本语言与增量计算引擎，并以研发与生产共用代码的方式说明成本下降的主张。

• 使用 DolphinDB 脚本语言同时处理历史分析与实时流处理。
• 该做法用于减少技术栈分裂。
• 增量计算引擎基于数据版本管理实现增量更新。
• 增量更新用于避免全量重复计算。
• 研发与生产共用一套代码的开发成本被声称可减少 90%。

2.3 算法集成框架：函数、插件与算法/优化/信号处理能力

该部分列举 DolphinDB 的函数与插件数量，并说明机器学习、优化求解与信号处理等能力覆盖。

• DolphinDB 提供 2000+ 专业函数。
• DolphinDB 提供 100+ 专业插件。
• 机器学习算法示例包括随机森林、梯度提升树、神经网络。
• 优化求解示例包括线性规划、整数规划、非线性规划工具。
• 提供面向工业振动与声学等信号数据的处理函数能力。

三、解法：模块化可复用的通用数字化底座

该部分提出不做垂直定制应用而做底座，并列出流计算引擎数量与多个工业引擎/组件以支持低代码开发。

• DolphinDB 被描述为提供 20+ 的流计算引擎。
• 通用底座组件示例包括物联网点位管理引擎。
• 通用底座组件示例包括规则引擎。
• 通用底座组件示例包括复杂事件处理（CEP）引擎。
• 通用底座组件示例包括工业实时监控引擎。

3.1 点位管理引擎：TSDB + 最新值缓存 + 静态信息表/IOTANY

该部分介绍 IIoT 点位管理引擎的组成，并说明最新值缓存与 IOTANY 列在异构类型与存储优化上的作用。

• 点位管理引擎由 TSDB 引擎、最新值缓存表、静态信息表组成。
• 最新值缓存表由系统实时更新。
• 最新数据可直接从内存读取，无需查盘。
• IOTANY 列用于在单值模型字段中存储不同类型属性值。
• IOTANY 列用于优化存储结构，例如更高效压缩布尔类属性。

3.2 工业实时监控引擎：用配置替代代码（稀疏状态/无状态响应式）

该部分解释两类响应式引擎的特点与适用场景，并对比传统 Flink Java 开发与脚本热加载的效率差异。

• 工业实时监控引擎包含稀疏响应式状态引擎与无状态响应式引擎两类。
• 稀疏响应式状态引擎适用于连续趋势监测与窗口/历史状态计算。
• 连续趋势监测示例包括“连续三次上升”。
• 无状态响应式引擎适用于基于最新状态的综合条件判断。
• 综合条件判断示例包括“多指标同时满足”。
• 传统 Flink 开发流程被描述为需编写 Java 类、打包、上传与重启任务。
• 上述传统流程耗时被描述为以小时计。
• DolphinDB 引擎被描述为可用几行脚本热加载新规则。
• 脚本热加载耗时被描述为以秒计。

四、验证：标杆案例深度复盘（5个案例）

该部分通过长江电力、中钢集团、中国空间技术研究院、中广核、核动力研究院五个案例描述 DolphinDB 在工业场景的落地与成效。

• 长江电力案例提到总测点数为 200 余万点。
• 长江电力案例提到日产生数据规模为几百亿行。
• 长江电力原有“Flink + Java”架构被描述为开发效率低。
• 长江电力案例提到多测点关联查询存在性能瓶颈。
• 长江电力案例描述在数据库内部完成秒级降频与聚合计算。
• 长江电力案例描述用内置实时计算脚本替代 Flink 流处理逻辑。
• 开发周期被描述为从数周压缩至数天。
• 中钢集团案例提到单次产线调整耗时半年。
• 中钢集团原有架构示例为 SQL Server + InfluxDB 混合架构。
• 中钢集团案例使用机器学习插件构建参数寻优模型。
• 插件示例包括随机森林与拟牛顿法。
• 中钢集团案例结合机理模型与历史数据实时计算最优参数集。
• 中钢集团案例提到被替代的工业软件为施耐德 Ampla（描述为昂贵）。
• 中国空间技术研究院（卫星测试）案例提到 2万+ 指标、600 类、7000 余个规则。
• 新功能上线周期被描述为从数周压缩至数天。
• 性能被描述为满足毫秒级实时监控需求。
• 中广核案例提到 6500+ 点位条件。
• 中广核案例使用相关性分析函数辅助判断 SGTR 是否发生。
• 相关性分析示例代码包含 corrMatrix(matrix(pivotTable[,1:]))。
• 成效被描述为用于典型故障的快速诊断与定位。
• 核动力研究院案例描述智能体编排自动化流程。
• 示例流程为 C++ 取数 → Python 预测 → 可视化展示。
• 示例任务为预测温度传感器未来一小时温度。

五、展望：AI 赋能的下一代工业底座

该部分描述 DolphinDB 向 AI 全栈延伸，覆盖数据交互、训练、算力加速与部署，并列出 AI 相关能力模块。

• AI 方向覆盖从数据交互到模型部署的全流程环节。
• 全流程环节包含模型训练。
• 全流程环节包含算力加速。

5.1 AI Agent 与 RAG 支持：VectorDB 与文本检索/上下文构建

该部分介绍向量存储与文本检索能力在 RAG 中的底层支撑，并描述知识与实时数据融合的自然语言交互设想。

• 提供向量存储（VectorDB）能力，用作 RAG 底层支撑。
• 提供文本检索能力，用作 RAG 底层支撑。
• 检索延迟与规模被声称为可毫秒级从万亿级时序数据中检索相关片段。
• 被检索的对象示例为“故障波形片段”。
• 提到提供最近 24 小时高频数据作为上下文以抑制“幻觉”。

5.2 AI DataLoader：对接深度学习框架与流式数据喂给训练

该部分介绍 AI DataLoader 用于打通深度学习训练的数据通路，并描述与深度学习框架的对接方式。

• AI DataLoader 用于打通深度学习训练的数据通路。
• 其定位包含解决落地文件模式的内存带宽瓶颈问题。
• 其定位包含解决落地文件模式的存储空间问题。
• DDBDataLoader 被描述为可与 PyTorch/TensorFlow 等框架直接对接。
• 提供 AI DataLoader 文档链接。

5.3 GPU 异构计算（Shark 平台）：@gpu 与性能提升范围

该部分介绍异构计算平台 Shark 的使用方式（@gpu）与相对 CPU 的性能提升范围。

• Shark 平台的使用方式示例是在自定义函数前添加 @gpu 标签。
• 该方式被描述为可向 GPU 计算无缝迁移。
• 性能提升被声称相较 CPU 可提升 10~100 倍以上。
• 另有说法为相比传统 CPU 方案可使数小时任务在分钟级完成。
• 提供 Shark 平台白皮书/介绍链接。

5.4 库内推理：通过插件加载 LibTorch/TensorFlow 模型

该部分说明通过插件加载深度学习模型以形成库内闭环，并强调减少数据移动带来的延迟与风险。

• 库内推理支持通过插件直接加载 LibTorch（PyTorch）模型。
• 库内推理支持通过插件直接加载 TensorFlow 模型。
• 适用场景示例包括未来一小时负荷预测。
• 适用场景示例包括实时质量检测等时效性要求高的场景。
• 提供库内推理文档链接。

六、核心价值问答（FAQ）

该部分以问答形式解释为何工业场景引入金融级时序数据库，以及如何替代 Flink + InfluxDB 架构。

• 说明工业与金融数据处理被描述为同构（高频、海量）。
• 引入存算一体与流批一体用于解决数据搬运导致的延迟与一致性问题。
• 替代 Flink + InfluxDB 的方式被描述为 All-in-One 设计与库内流计算引擎。
• 替代路径被描述为无需维护 Flink 集群与 Kafka 管道。
• 库内可完成清洗、聚合与告警的描述。
• 开发成本降低 90% 为宣称性表述。

结语与文章标签关键词

该部分以标签形式汇总核心产品、技术架构关键词、应用场景关键词、痛点解决关键词与 AI 融合关键词。

• 核心产品标签包含 DolphinDB 与 Shark。
• 技术架构关键词包含 TSDB、流批一体、存算一体与库内推理。
• 应用场景关键词包含工业物联网、智能制造与能源电力。
• 痛点解决关键词包含消除数据孤岛与消除 IO 瓶颈。
• AI 融合关键词包含 AI Agent、RAG 与 AI DataLoader。

Facts Index

Key links mentioned

• 报名链接：https://www.qingsuyun.com/h5/e/217471/5/
• AsOfJoin 文档：https://docs.dolphindb.cn/zh/progr/sql/asofjoin.html
• 点位管理引擎文档：https://docs.dolphindb.cn/zh/db_distr_comp/db/iotdb.html
• CEP 引擎文档：https://docs.dolphindb.cn/zh/stream/cep.html
• AI DataLoader 文档：https://docs.dolphindb.com/zh/tutorials/ai_dataloader_ml.html
• Shark 白皮书/介绍：https://dolphindb.cn/whitepaper/shark
• 库内推理文档：https://docs.dolphindb.cn/zh/tutorials/dolphindb_tensor_libtorch_tutorial.html
• 流批一体文档：https://docs.dolphindb.cn/zh/stream/str_batch.html