Wonderware 实时库——一套可落地的传统工业实时库

小 T 导读：对于卷烟厂来说，数据监控对于制烟各环节的品质把控起到关键作用，此前业内较为流行的数据监控方案就是 Wonderware 实时库。随着企业业务的飞速发展，该系统也遇到了很多瓶颈，本篇文章将就此展开分析。

从国外流行工业软件到国产软件过渡，卷烟厂数据架构转型

作为制烟单位，卷烟厂是标准的流程制造型企业，制丝和卷包是主要的两大工艺流程，前者是把烟叶加工成烟丝，后者则是把烟丝卷成烟并加上滤嘴，分别在独立的车间中实现。这之中每个环节的工艺操作质量必须保证达标，具体实现手段就是对产线进行监控。而想要保证车间的监控质量重点还是在于要保证设备的正常运行，否则任意环节出现严重问题都会导致停产、换线、废料等后果，造成巨大经济损失，因此，卷烟厂不惜在产线上搭建多重监控系统，以实现实时报警，同时支持对历史数据做定期分析。

例如整个制丝过程可以简单概括为不断通过加水、脱水、增温、降温等工艺手段使梗丝、叶丝在加工过程中达到卷烟填充物所需各项理化指标要求，在实际生产过程中，怎样控制温度和湿度，整个流程中如何保证流量的稳定、精确，这就需要配备装有很多传感器的烟草行业专用设备。一般来讲整个车间会有大约数十万个监测点，由此产生的实时数据量之大也可想而知，对于磁盘存储空间的消耗也非常严重。

对于大部分卷烟厂来说，车间内的设备都已经实现了高度自动化，开始生产后完全不需要人工操作，整个产线在 MES（Manufacturing Execution System，制造执行系统）系统控制和调度下自动运行。MES 系统本身会通过 PLC/DCS 设备采集生产过程中的时序数据（比如温度、湿度、进料量等），再经过提前预设好的逻辑进行实时调控。

从以上背景出发，时序数据的高效处理成为了卷烟厂业务发展的关键点之一。在过去很长一段时间里，工业实时数据库成为卷烟厂等工业企业采集数据、实时/历史存储的第一选择。

而对于中国的卷烟厂来说，因为企业数字化早期阶段海外软件所具备的先发优势，业内大多使用的都是 Wonderware 实时库（现被 Aveva 收购）的解决方案。随着业务的飞速发展，Wonderware 实时库作为传统工业实时库的代表，遇到了一些瓶颈：

• 非国产化：在复杂的国际形势下，存在一些不确定性
• 封闭性：软件是闭源的，而且处于自己的封闭体系之下，扩展性差
• 高度复杂度：需要采购一系列产品组合
• 高成本：采购价格昂贵、功能扩展需要额外付费，依赖 Windows、SQL Server 等其他软件，会产生额外的采购成本
• 服务响应慢：国外产品普遍服务响应不及时，经常以天为单位反馈，服务保障性差
• 不具备扩展性：单机性能有限，无法支持业务规模、数据采集点持续增长的情况
• 对外连接集成便捷性差：虽然在对接大数据平台上支持 ODBC 等接口，但这些接口功能需要付费使用，一方面是额外成本，另外一方面可能涉及盗版

一直以来，中国工业软件领域都是被国外软件垄断的局势，从 Wonderware 实时库在一众卷烟厂企业流行的行业现状中就能窥探一二，但企业业务和技术发展都并非一成不变，近年来很多优秀的国产软件已经发展起来，而且随着国内软件替代浪潮的兴起，这些优秀的软件也进入了大众视野，它们在性能和成本管控等方面都能媲美甚至高于国外软件。

在智能制造、国产化替代快速演进的当下，很多卷烟厂也开始尝试国产软件转型，为了实现业务规模和管理的进一步升级，除了车间，厂级和集团级也都需要搭建大数据平台。在实践方面，已有多家卷烟厂将原来的 Wonderware InSQL/Historian 替换为新一代开源时序数据库（Time Series Database） TDengine，下文将就两家卷烟厂的具体替换实例展开分析。

（注：应相关企业要求，本文不会展示具体企业信息，仅就实际业务痛点、改造效果做分析）

数据量存储轻松超过万亿行，数据架构这样改造

在案例一中，某卷烟厂在制丝产业线上就是使用 Wonderware 进行时序数据存储。Wonderware 是一款非开源软件，虽然它支持 OPC 数据直接采集，但稳定性并不好、安全性也不足，而且还存在查询速度太慢、运维成本高等问题。考虑到设备数据的种种特点，该卷烟厂决定将其替换为国产时序数据库，最终他们选择了 TDengine。

凭借着超级表机制（从时序数据特点出发进行设计）以及按照时间分片的存储引擎，即便是单表千亿级别的总数据量，TDengine 也可以在物理逻辑上完成划分，直接操作对应时间段的数据文件，摒弃无效的搜索消耗，这一点解决了该卷烟厂制丝产业线上最大的数据处理难题。此外基于 TDengine 高效的列式压缩设计，数据的存储成本也显著降低。

改造后数据处理链路如下：

在随后的实际运作中，该场景下主要的超级表存储了数千亿行数据，总数据量轻松超过了万亿行。即便是在三副本（数据存储三份确保高可用）的配置下，占用的总空间也仅有 1TB 左右。在查询方面，对单设备的查询，既可以通过超级表筛选找到子表，也可以直接通过子表找到。

在案例二中的卷烟厂同样使用 Wonderware 作为数据处理解决方案，随着业务的发展，其生产中需要监测的指标从几万个增加到几十万甚至百万个以上，Wonderware 在性能和扩展能力上越来越难以为继，存在以下几点问题：

• 在软件使用上，写入速度满足需求，但查询速度却太慢；
• 缺乏统计工具，数据统计效率较低；
• 在软件运维层面，软件体量大，运维成本高；
• 过于受限，永久授权也不能自由修改数据点；
• 支持 OPC DA 数据采集，但稳定性较差、安全性不足。

该卷烟厂希望改造后的系统具备功能稳定、高效的数据写入及数据查询（包括最新数据和历史数据）、可云化部署、可私有化部署、支持线性扩展、高可用的特性，而他们早在 2019 年便关注了 TDengine，一直跟涛思技术团队保持技术交流，借此契机，在内部对比测试了 OpenTSDB、InfluxDB 等开源时序数据库后，综合表现最优的 TDengine 成为他们的不二之选。

改造后数据架构如下：

该卷烟厂所做测试显示，相比之前使用 Wonderware 时，对全量（不足1亿条记录）的均值计算需要 2-3 分钟，TDengine 在应对 10 亿级别的数据量做聚合计算只需要 2 秒；其写入和查询的效率非常高，平均在 10ms 以内，性能完全满足数据处理需求。此外其 Database 内置时间窗口自动分割和统计机制，还能让后期报表数据统计更加快捷方便。

凭借着 TDengine 可以和 Grafana 实现无缝对接的特性，该卷烟厂在实际业务中使用 TDengine + Grafana 搭建起了卷包车间的数据存储和可视化平台。在接入半年后，TDengine 已存储该卷烟厂卷包部所有卷接包设备，每张子表超过 150 列数据，总计累计数据量达到了 5 亿 5 千万条，而落盘后的磁盘空间使用只有 1.9GB，极大节省了存储空间。

从以上两个案例的具体实践出发，我们总结出了一版数据迁移方案，供有需要的企业参考：

• 步骤一：实时数据并行接入 TDengine
  • 在生产区、管理区部署 TDengine 集群（3 节点、8 核 16GB）
  • 基于现有 DCS/PLC 系统开发一个数采转换程序，将 DCS 系统数据写入 TDengine
  • 基于 TDengine 与生产区应用的对接，提供数据查询能力

• 步骤二：历史数据离线导入 TDengine
  • 保持实时数据向 TDengine 与 Wonderware 数据库的实时写入
  • 开发一个程序，将历史数据从 Wonderware 导出，并补录入 TDengine。TDengine 支持历史数据写入，此补录过程完全可以离线、批量、有计划地进行

• 步骤三：补录结束、程序稳定运行一段时间后停止 Wonderware 服务
  • 历史数据全部补录完成、基于 TDengine 的实时数据读写稳定后，可以停止 Wonderware 数据库的服务，实现无缝切换

卷烟厂“边云协同” 现三点难题，TDengine 3.0 提供思路

在如卷烟厂一般的工业互联网场景中，企业通常面临的一个痛点问题就是数据同步，业内通常有三种解决方案，第一种就是离线传输数据，比如积攒一个星期，一下传一个 T 的数据；第二种是指派人员拿着移动硬盘去现场拷，浪费人力成本；第三种就是开 VPN 专线定期同步，将数据导出成压缩文件进行传输，但这种情况 VPN 都会出现一些短暂带宽的阻塞，对其他业务生产产生一定冲击。

如果不做数据同步，那边缘设备只能处理局部数据，无法形成全局认知，在实际应用中仍然需要借助云计算平台来实现信息的融合。在此背景下，边云协同正逐渐成为支撑工业互联网发展的重要支柱。

在边云协同的实现上，一些卷烟厂早就利用了 Wonderware 自带的数据镜像能力，进行从厂区到集团的数据同步，但在具体实施上，这种操作却存在着一些缺陷。具体可以总结为以下三点：

• 车间生产网到烟厂办公网数据同步，需穿越堡垒机，大量手动操作，效率低下，需要可配置规则的自动同步
• 烟厂到集团中心数据同步，数据以文件形式定期集中传输，实时性差且阻塞网络带宽
• 集团中心无法自主灵活决定数据获取，依赖下级单位变更数据上送的配置信息

为帮助企业解决这些痛点，TDengine 3.0 发布了企业级工具 taosX，该工具具备百万条/秒同步效率、可配置的同步规则、实时流计算结果同步、支持重新订阅，断点续传、历史数据迁移五大特性，借助 taosX，企业可以实现平滑且有选择地将数据发送到云上的大数据平台中。

taosX 能保证所有数据都可以从一个集群同步到第二个集群，包括离线乱序数据，它可以支持实时的数据同步，包括离线数据的增量备份、边端到云端的数据协同。

具体实现思路如下图：在车间侧，数据采集完成之后会进入 TDengine，首先经过 TMQ 消息队列，其中一部分数据有选择性地并入到本地的 TDengine 集群 1 中。之后我们可以在集团侧部署 taosX ，它会去订阅车间侧 TMQ 消息队列中的数据，为了达成业务需求，可能这里需要由数据分析工程师设置一些订阅规则，比如数据需要经过降采样再进来或者只关心阈值超过定值的数据。之后 taosX 会把数据同步到 TDengine 集群 2，集群 2 可以支持报表分析等更大维度的分析工作。

这一边云协同的实现思路主要有以下四点优势：

• 数据跨区同步自动化程度大大提高、错误率降为零
• 数据无需缓存，减少批量发送，避免流量高峰阻塞带宽
• 通过订阅方式同步数据，集团不再依赖下级单位配置同步规则
• 边云均采用 TDengine，数据模型完全统一，降低数据治理难度

结语

在今年 7 月，工信部等六部门发布加快培育发展制造业优质企业的指导意见，其中表示推动产业数字化发展，大力推动自主可控工业软件推广应用，提高企业软件化水平。随着政策东风吹拂以及卷烟厂等工业行业软件国产化的加速进行，国产工业软件势必将进一步崛起，软件行业的外化垄断局势有望加速打破。

---

想了解更多 TDengine Database的具体细节，欢迎大家在GitHub上查看相关源代码。