小T导读：本篇文章来自“2024，我想和 TDengine 谈谈”征文活动的优秀投稿，深入探讨了如何在消防行业中运用 TDengine 进行业务建模。文章重点介绍了如何通过 TDengine 的超级表、标签设计和高效查询功能，有效管理消防监控系统中的时序数据。作者详细阐述了实时监控、报警系统以及历史数据分析在消防行业中的应用，展示了 TDengine 在数据压缩、保留策略和分布式架构下的强大优势。
在 TDengine 中进行消防行业的业务建模，需要根据消防场景的具体需求，设计高效的数据存储、查询和分析架构。消防行业的业务模型通常涉及大量传感器、报警设备等数据源，需处理设备的实时数据采集、监控和历史数据分析。通过优化数据处理流程，确保系统能高效地管理和分析这些海量的时序数据。
TDengine 是一款专为时序数据设计的数据库，广泛应用于物联网、工业监控、金融监控等场景。这些场景通常涉及大量连续的数据点。以消防系统为例，系统中的各类监控设备（如电气火灾监控探测器、烟雾探测器、温湿度探测器、可燃气体探测器等）定期上传数据，形成典型的时序数据。其数据类型主要包括：
- 实时监控数据：消防物联网设备持续上传环境监控数据，如电压、电流、温度、湿度、烟雾浓度和气体浓度等，其中时间戳是数据的核心。
- 事件数据：当设备检测到异常情况（如火警、预警、故障、动作或隐患等）时，会上传告警信息，帮助及时响应和处置。
- 地理位置数据：设备分布在不同区域、楼宇、楼层，因此需要记录设备的准确地理位置信息。
在 TDengine 中，针对这类数据，我们可以使用超级表进行管理。超级表不仅能优化批量写入，还能提高查询效率，确保大规模时序数据的高效处理。
接下来，我将围绕设备模型的超级表设计、标签（Tags）设计、数据压缩与保留策略等方面，详细解析 TDengine 在消防物联网场景中的应用。
设备模型的超级表设计
消防系统中设备种类繁多，但同类型设备的数据结构高度相似。利用 TDengine 的超级表（Super Table）进行建模，可以为每类设备创建一张超级表，让不同设备共享统一的数据结构，并通过标签（Tags）区分每个设备的个性化信息。
以电气火灾监控探测器场景为例，超级表可进行如下设计：
CREATE STABLE electrical_fire_device (
ts timestamp, --时间戳
residual_current float, -- 剩余电流
A_phase_temperature float, --A相温度
B_phase_temperature float, --B相温度
C_phase_temperature float, --C相温度
N_phase_temperature float, --N相温度
A_phase_current float, --A相电流
B_phase_current float, --B相电流
C_phase_current float, --C相电流
A_phase_voltage float, --A相电压
B_phase_voltage float, --B相电压
C_phase_voltage float --C相电压
) TAGS (
device_address varchar(32),
unit_id varchar(32),
deivce_type_id varchar(32),
device_id varchar(32),
building_id varchar(32),
floor_id varchar(32)
);
AI 代码解读
设计要点如下：
- ts（时间戳字段）： 用于记录每次数据采集的时间。
- residual_current、A_phase_temperature、A_phase_current、A_phase_voltage 等字段： 存储电气火灾监控探测器上报的重要实时数据，包括剩余电流、相温度、相电流、相电压等。
- 标签字段： 通过 device_id、building_id、floor_id、location_address 和 unit_id 等标签，精准标识设备位置，同时支持高效的数据查询。
标签设计
消防行业的设备具有清晰的层次结构，包括所属建筑、楼层、单位和区域等信息。这些层次可通过标签进行表示，合理设计标签不仅能精准定位设备数据，还能显著提升查询性能。
标签设计示例：
- device_id：每个设备的唯一标识符。
- building_id：设备所在的建筑 ID。
- floor_id：设备所在的楼层 ID。
- device_address：设备的具体位置描述。
- device_type_id：设备类型ID
通过这些标签，我们可以轻松实现条件查询。例如，查询特定建筑或楼层的所有设备数据，或基于设备 ID 精确定位单个设备的数据。
数据压缩与保留策略
消防系统中的监控数据通常需要长期保存，以便进行事故调查和分析。因此，在业务模型设计时需重点考虑数据的压缩与保留策略：
- 压缩：TDengine 内置高效的时序数据压缩算法，能够大幅减少存储空间，确保海量历史数据的高效存储。
- 保留策略：针对长期保留的消防数据，可以根据数据优先级设置合理的保留策略。例如，保留最近一年的详细数据，并定期清理超过一年的低优先级数据。
- 多级存储与对象存储：通过配置参数 dataDir，TDengine 支持集群挂载多块硬盘，实现数据分级存储，将不同时间段的数据存储在不同设备上，实现“热”数据与“冷”数据分离。例如，最新采集且访问频繁的数据可存储在高性能固态硬盘（SSD）上，以满足高效读写需求，而历史数据等访问较少的数据则可存储在成本更低的机械硬盘（HDD）上。此外，TDengine 还支持将时序数据存储到对象存储系统中，并允许对对象存储中的数据执行删除和更新操作，进一步降低存储成本，充分利用各类存储资源。
设置数据保留策略示例如下：
jCREATE DATABASE your_database_name KEEP 365;
ALTER DATABASE your_database_name KEEP 180;
AI 代码解读
实时报警与历史分析
消防行业的业务需求包括实时报警和历史数据分析：
实时报警：当设备检测到火警、预警或故障时，需要实时触发报警系统。借助 TDengine 的实时查询功能，可以对异常数据进行实时监测，并触发相应的报警机制。
历史数据分析：通过历史数据分析，可以实现趋势预测、设备故障排查和消防事故回溯等任务。例如，通过分析特定时间段内温度、烟雾浓度、电流、电压等变化趋势，识别潜在安全隐患。
以设备历史事件表为例，实时查询示例如下：
CREATE
STABLE monitor_event_his (
ts timestamp, --时间戳
id varchar(32) primary key,
event_type int,-- 事件类型（0：火警，1：故障，2：隐患等等）
message_id varchar(32),-- 消息id
monitor_flag int,-- 监测项标识
monitor_item varchar(50),--监测项名称
monitor_item_value FLOAT,-- 监测项值
description varchar(50),-- 监测项单位（MPa，m，℃）
event_id varchar(32)-- 事件id
) TAGS (
device_address varchar(32),-- 设备地址
unit_id varchar(32),-- 单位id
deivce_type_id varchar(32),--设备类型
device_id varchar(32),-- 设备id
building_id varchar(32),-- 楼栋id
floor_id varchar(32)-- 楼层id
);
AI 代码解读
如下是查询最近一分钟内设备上报的隐患：
SELECT *
FROM monitor_event_his
WHERE event_type = 2
AND ts > NOW - 1m; -- 查询最近
AI 代码解读
再例如，可以通过 interval 按指定的时间窗口对原始数据进行聚合（即降采样），从而在展示趋势线时显著减少前端从数据库拉取的数据量，提高展示效率。
如下是查询某设备最近一周的剩余电流情况，按 10 分钟窗口划分并计算平均值：
select avg(residual_current) as avg_residual_current,first(ts) as ts
from electrical_fire_device
where device_id='20240806094407799068' and ts >= now - 7d
interval (10m)
AI 代码解读
高效批量写入
消防监控设备会生成海量数据，因此需要确保数据写入的高效性。TDengine 支持高效批量写入，可以一次性写入多条数据，减少频繁的单条写入请求，从而大幅提升写入性能。
批量写入示例：
INSERT INTO electrical_fire_device(tbname, ts, residual_current, A_phase_temperature, B_phase_temperature, C_phase_temperature,
N_phase_temperature, A_phase_current, B_phase_current, C_phase_current, A_phase_voltage,
B_phase_voltage, C_phase_voltage, device_address, unit_id, deivce_type_id, device_id)
VALUES ('20240806094407799068', NOW, 3.6, 30.6, 30.9, 30.7, 30.7, 0.3, 1.5, 2, 235.5, 236.5, 235.7, '强电井内',
'340000DW1809068949740978176', '23050000', '20240806094407799068'),
('20240806094407799068', NOW+1s, 3.7, 30.6, 30.9, 30.7, 30.7, 0.3, 1.5, 2, 235.5, 236.5, 235.7, '强电井内',
'340000DW1809068949740978176', '23050000', '20240806094407799068')
('20240806094407799068', NOW+2s, 3.8, 30.6, 30.9, 30.7, 30.7, 0.3, 1.5, 2, 235.5, 236.5, 235.7, '强电井内',
'340000DW1809068949740978176', '23050000', '20240806094407799068');-- 批量插入多条设备数据
AI 代码解读
分布式架构与高可用性
消防监控系统对数据的实时性和高可用性要求极高，因此 TDengine 的分布式架构设计尤为重要：
- 分布式部署：TDengine 支持分布式部署，可将不同区域或建筑的数据分配到不同节点存储，实现数据的水平扩展，满足大规模数据管理需求。
- 数据副本：通过设置数据副本，确保数据安全，避免因单点故障导致的数据丢失。
- 高可用性：依托 TDengine 的集群机制，即使部分节点发生故障，系统仍能稳定运行，确保业务连续性。
多维度查询与分析
在消防业务建模中，常常需要通过多维度分析来排查问题或辅助决策。TDengine 的标签功能非常适合支持多维度查询，例如：
- 查询某建筑的设备历史数据；
- 按设备 ID 查询特定设备的故障记录；
- 统计某时间段内所有设备的报警次数。
多维度查询示例如下，以下示例统计某建筑在特定时间段内的平均剩余电流和平均相电流：
SELECT AVG(residual_current), AVG(A_phase_current)
FROM electrical_fire_device
WHERE building_id = 'B001'
AND ts BETWEEN '2024-09-01' AND '2024-09-10';
AI 代码解读
这种灵活的多维度查询能力，使得问题排查和决策分析更加高效。
结语
消防行业的业务建模需要以传感器数据、实时监控和报警系统为核心。TDengine 凭借强大的时序数据处理能力，通过超级表、标签设计、高效查询与数据压缩机制，为消防行业提供高效的大规模数据管理和分析解决方案。在业务模型设计中，我们应充分发挥 TDengine 的分布式架构、高可用性、批量写入和实时查询功能，确保系统的可靠性、可扩展性和高性能。
更多 TDengine 用户案例移至 https://www.taosdata.com/tdengine-user-cases?utm_source=zimeiti-orther&utm_medium=case-blog&utm_campaign=2025-01-12 查看。如果你也在数字化转型中遇到数据接入复杂、实时性要求高、系统集成难等挑战，进入 https://taosdata.feishu.cn/share/base/form/shrcnUtB1ogP9bwxr9LWRYFKfNb 留下你的需求信息。
