工业设备互联采集是数字化工厂建设的基础，设备在运行的过程中会产生大量有价值的数据，例如：新泵车运行状态、搅拌压力、总泵送方量、异常报警信息等，为后续的数据分析挖掘提供最可靠的数据来源。 MatrixDB 专门针对工业互联网、物联网及车联网等场景设计，为设备多、指标多和数据量大的场景特别优化，支持数据快速写入、查询和计算。在工业领域设备采集的实时数据，不仅用于设备状态监控和预警，还能满足批量数据复杂分析要求，指导生产决策，提高效率和质量，大幅度降低数据存储和存储系统运维成本，做到高吞吐、低延时，实时处理流数据及海量历史数据。 01 关于泵诵云平台 三一重工专注于以＂工程＂为装备的制造业，泵诵云平台是三一集团泵送研究院建设的集分布式存储、数据建模与部署、可视化展示于一体的工业大数据平台。 通过工业大数据的挖掘，实现混凝土机械设备主要性能指标的智能巡检，形成千车千面的设备画像，达到设备的预测性维护，并打通工厂数据与经营数据，实现设备全生命周期管理，构建设备全生命周期最优模型，优化资源利用与配置效率，提升设备可用率。 平台覆盖超过两万台混凝土机械设备。通过量化分析＂抖、堵、高、转、效＂五大关键性能约268项指标，提供单设备的全面体检报告和故障预警，为智能运维出谋划策。同时，基于历史的多设备、多维度统计和对比分析，为研发产品定义、优化、跟踪提供数据决策支撑；全面支撑数据决策、新品跟踪、技改验证、精准排故四大场景。 02 当前业务挑战 为了支撑上述功能与业务，泵诵云大数据平台因此应运而生。整个平台接入来自超过两万台设备的近两千个工况参数的数据，数据回传频率最大为2Hz，每日回传数据在5亿条以上，占用磁盘空间1TB以上，实现了每天每台车的指标计算、智能巡检、模型训练和时序数据的展示。 在早期版本中，我们采用 Hadoop + Spark 架构， 在这四个方面遇到比较大的挑战： 1. 架构复杂导致数据冗余与运维困难 传统的 Hadoop + Spark 架构需要搭建 CDH 等大数据全家桶，包括 Hadoop（负责存储原始数据）、Spark（负责每日任务）、Hive（负责临时离线任务）、HBase（负责数据展示），构成复杂的技术栈。 为了满足不同服务的需求，我们的数据同时以不同形式存在不同的组件中，浪费资源也给运维带来了极大的不便，过多的技术栈也不利于团队成员的配置和培养。 2. 工况数据不对齐的问题 工况数据具有时序性。在设备工作时，由于各种无法预计的情况导致数据无法整齐上传，大量的数据在＂行的维度＂上不对齐。 平台是数据的被动接收方，只有等待数据落盘后才能对数据进行清洗等操作，每天的集群有大量的空数据，数据清洗的工作繁琐，正确率也低。 3. 传统架构进行数据分析的 ＂周期过长＂ 数据进行反复的测试对数据分析师来说是十分必要的。在此前提下，需要分析工具能够快速得到结果，分析结果的易得性将快速迭代分析程序，使数据分析人员在思维上连续，有利于算法的产出。 传统架构中数据计算引擎 Spark 计算需要将存在 HDFS 的数据移动出来，归集的过程中非常消耗资源和时间，严重影响我们的计算速度。 4. Python 面向过程语言缺乏良好的支持 在工业场景中，类似于 Python 的过程语言是数据分析师们必要的分析手段之一。传统架构中，在采用 Spark 计算引擎中的 pandasUDF 功能来批量运行 python 代码，这导致了本身代码中大量的胶水，拖慢了算法开发的周期。 03 MatrixDB 解决方案 为改善当前遇到的业务挑战，我们将泵诵云平台的底层架构切换成以 MatrixDB 为主体的架构上，MatrixDB 相比于 Spark 有着四大明显优势： 1. One for ALL，超融合时序数据库 MatrixDB 将不同的场景需求融合到数据库中，满足了数据存储、实时计算、离线计算以及数据展示的功能，避免了 Hadoop 全家桶式的尴尬。同时，MatrixDB 的界面化安装与 Grafana 监控使运维工作难度大大地降低，是我们理想中的 ＂One for all＂。 02. MatrixGate 支持 upsert 实时数据入库采用 MatrixDB 的实时数据写入工具 mxgate，支持 upsert 功能，可以将同一时刻的不同行数据进行合并更新。这对我们机械设备上传的时序数据是十分友好的。同时，我们可以将部分清洗数据的工作前置到入库前，简化了数据清洗的过程。 3. 独创的 MARS 将查询速度提高约5倍 MatrixDB 是一款 OLAP + OLTP 性的数据库，数据本身就存储在 MatrixDB 中，计算时无需移动数据。借助其独创的 MARS 表功能，将查询与计算速度综合提高了约5倍，使算法人员在查看原始数据的时候更加方便。 在每台物理机配置相同的情况下，两代集群性能的整体对比情况表，如下图： 可以看出 MatrixDB 仅使用了一半的机器数量，并且算法运行时间从2.5小时减少到1小时。 4. 与Python更好的兼容性 MatrixDB 友好的支持了基于 Python3 的自定义函数编写，所有接口的定义和调用被结构化的存储于集群中，Python 代码的迁移、调用与管理更加方便，这是只有程序员才懂的优点，非常有利于我们后续数据的分析与算法结构化迭代工作。 04 数据应用 从营销、研发和服务的日常工作场景出发，面向用户持续深化服务体系，高效支撑工作和决策。 >>>> 营销场景 泵送指数分析 分析各地域市场的开工率和泵送方量等情况，判断整体市场情况及客户盈利能力，辅助分析全国各级市场盈利能力情况及施工需求类型（如地铁、高架、高楼等），再进一步具象挖掘重点市场。 营销决策支撑 不同地域设备的用户使用习惯及各性能维度表现，找准各地域重点的设备需求。通过臂架长度、底盘类型、设备型号、出厂时间等多维度分析，助力营销更针对性的指定市场策略。 >>>> 研发场景 技改对比 基于设备技改工作进度，实时分析对比技改前后设备数据表现情况，量化技改前后的指标表现，直观展现技改效果。从原始的线下电话跟踪反馈转化为线上数据统计分析，极大提高工作效率和结果可靠性。 故障定位 远程通过实时查看（或回看）故障发生时的设备工况数据表现，快速定位故障原因，提高故障解除效率，减少因设备故障而产生的出差约60%。 产品创新支撑 通过臂架长度、底盘类型、设备型号、出厂时间等多维度的分析，助力研发更细致的对比、了解产品表现，进而掌握市场真实需求。 >>>> 服务场景 全国-地区-重点城市-重点设备的分析 全区域设备健康情况扫描，明确全区域设备的整体表现，找到表现好的设备用来做技术分享；找到表现差的设备，做重点跟进。对26项预测故障和297项故障自诊断问题的跟进闭环。 基于CRM的务闭环 将泵诵云平台和服务小助手集成，以微服务的方式助力服务效率提升，最终减少因设备堵管、发动机故障、液压系统故障等造成的客户停机损失。 05 结语 当前各类业务对＂海量、实时＂数据需求变得更加迫切，实时推荐、精准营销、实时决策成为数字化场景的关键能力，更为敏锐地识别和引导用户需求、提升用户的产品体验将为企业带来持续的竞争优势。MatrixDB 超融合时序数据库是在这种趋势下的最佳选择，一站式数据平台同时解决海量数据和实时分析难题，使得数据价值的变现更高效、简单。 原文链接：空间节省50%，时序性能提升5倍，三一重工从Hadoop+Spark到MatrixDB架构变迁实现One for ALL 本文为 yMatrix 原创内容，未经允许不得转载。 欲了解更多超融合时序数据库相关信息，请访问 ＂MatrixDB - 超融合时空数据库＂ 官方网站