在石油化工领域，设备监测正在从定期巡检、事后维修的传统模式向实时监测和预测性维护的新模式转型，传感器数据逐渐成为设备健康管理和故障诊断的核心资产。机泵群、反应器等关键设备的振动、温度等信号，直接关系到生产安全与设备寿命。这类数据往往具有测点数量庞大、采集频率高、数据结构杂乱等特征，单日新增数据可达亿级，长期保存后总规模可达万亿级。

浙江微科机电有限公司是 DolphinDB 的长期社区合作伙伴，专注于工业设备物联网智能监测和故障诊断系统研发，在石油化工行业，尤其是在中石化的机泵群在线监测等项目中，已有众多应用落点案例。面对工厂设备振动的异常检测与告警这一具体场景，用户的核心诉求在于：

• 准确性：从振动波形中准确识别真正的设备异常，避免误报漏报；

• 实时性：异常须在毫秒级报出，不能因告警延迟而耽误处置。

随着数据量增大，原基于 SQL Server 的传统方案已难以满足业务需求。用户改用 DolphinDB 方案后，经测试，百亿数据测点最新值查询仅需 25.6 毫秒，全表按天聚合统计仅需 138.9 毫秒，很好地满足了数据承载与实时告警需求。

SQL Server + C# 方案：面对大数据量难以为继

用户原本采用的是存储靠 SQL Server、计算靠 C# 的传统模式，现场设备数据经 C# 程序解析后写入数据库，振动波形的滤波、傅里叶变换等信号处理则需要在 C# 中另行实现。这套方案面临以下挑战：

• 大数据承载难，大客户接不住：在中石化设备监测场景中，除了数据规模有限的小客户，微科机电也不得不面对数据规模更加庞大的大客户，此类客户的日新增数据规模可达 1 亿条，信息中心三年存量数据规模约 3 万亿条。SQL Server 这种传统关系型数据库存在显著的存查性能瓶颈，对小客户应用支撑尚可，但面对持续产生海量数据的大型单位，为保障性能，不得不拆分成多个子系统分别部署，运维成本急剧上升。

• 滤波计算开发复杂，算法实现效率低：对设备振动波形进行异常检测的难点在于，不能把波形突变等同于异常，也可能属于正常的噪音范畴，必须依赖窗口滤波、加权平均等时序窗口计算手段来提升告警准确性。在原有方案下，用 C# 实现窗口滤波和傅里叶变换等算法，相当于要从头开发，实现起来很复杂，且难以保障运行效率。

• 告警延迟严重，难以满足时效性要求：原方案采用计算逻辑与数据存储相分离的方式，导致数据搬运和外部计算链路冗长，一旦数据量增大，告警延迟会急剧恶化。而设备监控对实时性要求极高，异常必须在毫秒级内完成波形判断并报出，否则几分钟乃至十几分钟的延迟，很可能已造成难以挽回的损失。

DolphinDB 方案：存得下、算得快、报得准

面对上述痛点，用户在前置服务器端部署 DolphinDB 单节点，开发了一套轻量而高效的数据采集与分析系统，即可轻松应对实时告警需求。

跳出案例本身，在工业物联网设备监测场景下，DolphinDB 能做的不止于此，而是能形成一套存算一体、云边协同的完整解决方案：

• 在云端（信息中心）部署 DolphinDB 高可用集群，承载全量历史数据，实现批量分析；

• 在边缘端（厂区）部署 DolphinDB 单节点，负责边缘端采集与实时计算。

这种“中心集群 + 边缘节点”的协同架构，既满足海量数据的长期存储与分析需求，又保障了现场告警的实时性，真正实现“存得下、算得快、报得准”：

• 海量数据存查性能卓越：分布式存储，突破单机数据库容量天花板；通过 DolphinDB 的物联网点位管理引擎，实现多种异构数据在同一列中统一存储，既节省了存储空间，也避免了查询时的类型转换开销；面对海量数据，不再需要拆分多个子系统，大幅降低部署与运维成本。

• 提供开箱即用的强大信号处理能力：DolphinDB 内置大量窗口计算函数，可直接用于振动波形的加权平均、滤波等处理，复杂计算逻辑无需从零开发；官方 Signal 插件集成了高性能 FFTW3 傅里叶变换库，使数据处理能够以几行脚本高效完成。

• 存算一体，大幅降低告警延迟：计算过程在库内即可完成，不必在数据库与应用程序之间来回搬运数据，计算链路大幅缩短，告警延迟得以压缩。

• 生态完备，可兼容既有技术栈：DolphinDB 具备丰富良好的生态，提供多种功能完备的 SDK，C#、Java 等程序均可直接调用其接口和内置函数，无需对既有技术栈做大幅改造，既节省了部署成本，也确保了算法的运行效率。

• 云边协同，各司其职：云端信息中心部署的高可用集群凭借高算力承载全量历史数据，支撑跨厂区、长周期的复杂分析与运营优化；边缘端 DolphinDB 单节点用于实时异常检测，就地完成分析，同时在端侧仅保留短期数据以控制资源占用。

关键代码实现

使用 DolphinDB 脚本进行傅里叶变换可参考signal。Signal 插件是官方提供的信号处理函数库，社区版即可加载使用。

根据用户需求，需要通过 DolphinDB 脚本将业务逻辑封装成函数视图，并提供给 C# 程序调用。以下代码演示了如何从 DolphinDB 中过滤查询数据，对其进行快速傅里叶变换，并返回计算结果。

def getFFT(devID){

    //模拟数据源

    tb = table(rand(1..100,10000) as id, (now()-9999)..now() as ts, norm(50, 40, 10000) as value)

    y = select value from tb where id = devID and date(ts) = today()

    return signal::fft(y.value)

}

addFunctionView(getFFT) //将自定义函数持久化到系统中，作为可被公开调用的用户函数

构建 DolphinDB 的函数视图，使 C# 程序可以通过 SDK 来调用函数。

//1. 建立dolphindb连接

DBConnection conn = new DBConnection();

conn.connect("localhost", 8848, "admin", "123456", "try{loadPlugin('signal')} catch(ex){}");

//2. 调用快速傅里叶变换函数

//C# SDK提供两种调用functionview的方式：简单参数按照字符串方式传入;复杂参数可以通过构造本地对象传参。示例如下

//2.1 按字符串方式传参

BasicComplexVector res = (BasicComplexVector)conn.run("getFFT(55)" );

//2.2 按对象方式传参

//List<IEntity> args = new List<IEntity>();

//args.Add(new BasicInt(55));

//BasicComplexVector res1 = (BasicComplexVector)conn.run("getFFT", args);

//3. 获取返回的复数结果

//DolphinDB中用两个浮点来保存复数, Double2类型包含x实数，y虚数两个部分。

List<Double2> v = res.getDataArray();

System.Console.WriteLine(v[0].x); //实部

System.Console.WriteLine(v[0].y); //虚部

百亿数据毫秒级查询，为工业设备健康管理提供新路径

在实测中，通过 C# 读取数据，并调用 DolphinDB 的 Signal 插件，能够得到准确的傅里叶变换计算结果，验证了在 DolphinDB 中实现振动异常识别的可行性。此外，在百亿级数据规模以及包括遥信浮点、遥测浮点、遥测整型、开关状态布尔量等多种数据类型的测试环境下，结果显示：百亿数据测点最新值查询耗时仅需 25.6 毫秒，对全表进行按天聚合计算数据条数耗时仅需 138.9 毫秒。

当单日亿级数据、三年万亿级存量与毫秒级告警时效要求同时摆在面前，传统存算分离模式已难以为继。DolphinDB 以高性能分布式存储打破容量瓶颈、以内置函数与插件提供开箱即用的强大信号处理能力、以存算一体架构和完善的 SDK 让计算下沉到库内，回应了用户对告警准确性与实时性的核心诉求。

工业物联网的数据架构正从“多组件拼装”走向“存储、计算、流处理一体化”，国产时序数据库在化工等关键行业的落地，正是以更高的性能、更低的开发门槛和部署成本，让原本受制于技术条件而难以实现的业务能力成为可能。随着 DolphinDB 在振动监测、异常告警、边缘计算等场景中的持续打磨，将为更多工业企业的设备健康管理提供一条可行的创新路径。