单位简介：
昆山润石智能科技，是一家科技公司，严格来讲是一家科技创新及应用为主的科技公司，为半导体、泛半导体行业客户提供智能制造一站式解决方案，是全国领先的工业智能化解决方案供应商之一，公司集智能制造需求的软硬件研发、销售、服务于一体。团队成员具备两岸半导体与泛半导体产业资深背景，精通高端智能制造、制程研发、整合及半导体设备知识，丰富的研发、管理、营销经验。
场景介绍：
VMPC是润石开发的智联网管理平台，将集成电路相关制程所需的传感器，依据实际工艺阶段分门别类，将Leading Foundry的经验数字化、模型化，来满足微影、蚀刻、薄膜、扩散、离子注入、研磨、测试或是面板厂的Array、Cell、CF、Module等物联网需求，也对Facilities相关的附属设备加以监控，以实现维护提醒、故障报警和状态预测等功能。VMPC是一套整体解决方案，更是一套定制化的解决方案，最终的方案会根据工厂生产线和设备的实际情况，进行定制化的二次开发。
润石的VMPC将IOT、BD、AI三环节打通、形成闭环，从而解决数据孤岛的问题。VMPC本质上是Data + Algorithm，Data智联网传感器采集到的数据，Algorithm是AI算法在特定领域创新应用的算法。可将流量、振动、压力、温度、速度等模拟量，通过边缘端设备进行采集，从来得到大量的实时数据和历史数据，采用AI工具和算法进行分析和建模，根据量测到的数据监控设备实时状态，进而做到预测维护。
VMPC数据收集、业务逻辑、日志管理是分离的，传感器采集的数据，存储在TDengine中，数据流向如下：
1）TBOX负责现场数据采集；
2）TBOX将数据发送到指定的Server；
3）Server 后台处理程序，将数据进行解析和处理；
4）根据客户实际的场景选择算法模型，算法模型决定了TDengine中库和表的结构。解析和处理之后的数据，存储到TDengine中；
5）采集的数据一方面用来实时监控，另一方面用来报警和预测。
业务流程：
VMPC中AI的Algorithm主要包括两大类，一是图像数据算法，二是时序数据算法。如下图：
TDengine专业用于存储时序数据。
良品率的提升涉及到查找问题根因，根本原因隐藏在数据之中。以时序数据场景为例，在设备的众多参数中，找到关键参数，从单一变量演化成多变量分析，从设备监视过渡到设备控制等。从针对某一类问题的通用型产品，到可以定制化的物联网平台。
业务流程抽象如下：
生产设备 → 数据采集 → 实时展示 → 数据存储 → 数据分析 → 模型算法 → 生产设备
公司的着力点和发展路径也是相似的，一般最开始盈利点在数据展示，后期盈利点和技术壁垒来自模型和算法。数据是模型和算法的基础，模型和算法挖掘数据的价值。
快速实现MVP
举一个项目作为示例：面板行业的Robot健康度管理及预测维护——对噪音、设备马达监控及预警。传感器部署到现场控制设备上，收集设备的噪音与马达的振动的数据，收集到的数据利用润石自研的通讯技术，将数据推送到存储接口，调用TDengine的jdbc的接口写入数据。实时数据通过VMPC的应用软件实现展示。
以上的流程可以很复杂，也可以很简单。润石已经有了一些积累，对于一些进入到某个行业的初创企业，如果可以给一些建议的话，那就是快速的实现MVP，特别是在给客户做PoC的阶段。技术上需要哪几部分呢？
1）传感器，传感器解析模块；
2）TDengine，TDengine提供的写入和查询Demo；
3）Grafana，TDengine提供的Grafana插件。
整个过程，真正需要写的代码，不会超过500行，然后通过一条SQL语句，就完成了MVP的搭建工作，也就可以是客户演示了。
数据的写入和查询
润石采用的传感器精度很高，采集的数据是us级别的。TDengine默认的时间精度为ms，只需在建库的时候指定precision us即可将时间精度设置为us，如下：
Create databasetestdb keep 365 precision ‘us’;
其中keep 365表示保存一年的数据，过期的数据会被删除，而这个过程全部由数据库完成，不需要认为参与。只需要在项目之初，硬件选型时预留足够的空间，就不用操心数据的任何问题了
由于业务的具体场景不太方便过多的设计，但是在使用TDengine的过程中，使用超级表tag，仅需要一条SQL就可以检索出需要的数据，并进行对比：
select * from stb where ts > t1 and ts < t2 group by tag1;
模型的训练集
从事AI模型和算法研究的人都比较清楚，数据处理的流程如下。其中最宝贵的就是数据的训练集，训练集的好坏直接决定着模型和算法的成败。
很多公司新进入一个行业，最难的不是技术，而是拿到一些现场数据。如果有幸得到PoC的计划，有机会得到实际生产环境中的数据，如果数据量不足以训练模型，TDengine的降维(down sample)聚合功能可以用于产生训练集数据。SQL语句如下：
聚合查询中，当function取：avg、sum 、min、max、first、last、percentile的时候，就可以降频之后新的数据集。
原始数据如下：
变换之后数据如下：
在预测模型中，很多神经网络模型都是Long Short Term Memory networks（以下简称LSTMs）的变换，LSTMs一种特殊的RNN网络，该网络设计出来是为了解决长依赖问题，非常适合设备维护和故障的预测。LSTMs的训练集，通过TDengine做降频处理非常方便，可以在保证样本数的前提下，改变时间跨度：
TDengine应用中遇到的问题：
1) 客户端接口不是很方便。
2）指定是否可以显示tag
我们查询子表的时候，数据的tag是显示不出来的。虽然可以使用group by tag将tag的值显示出来，但是作为一个对技术有洁癖的工程师而言，我认为作为一个选项决定是否显示tag值更为合理。
3）支持多表之间的联合检索
虽然内测的beta版功能已经实现，希望尽快发布出来，是用的人多了，产品才能更加稳定。
下一个发力点：
随着AI人工智能的兴起，由于机器深度学习以及类神经网络的显著突破，工业智能化由弱于人、类于人到超于人，最先机器代替人工的智能制造进化到自动化派工，先进制程回馈控制......算法不断迭代的时代，最后发展为超越人类能力的毫秒级动态生产，智能制造会是工业互联网的机遇和挑战。工业物联网最大的阻力就是和企业价值的对接，企业主要面对的经营管理问题，最终还是要回归基本面——产品质量够硬吗？产能可以满足客户要求吗？交期是否可以准时？企业决策者们，如能化繁为简，找到问题根源，定会推动工业物联网的发展。
TDengine的ARM 32位版，是为边缘计算、嵌入式场景下时序数据的存储、查询、分析与计算提供一强大的工具，以解决流行的SQLite在该场景下的诸多不足，并且100%开源。并且提供数据库远程登录功能、提供数据的生命周期管理、提供流式计算、提供数据订阅服务、支持更好的并发等。可以预见TDengine的ARM 32位版将为VMPC的边缘计算提供很多的便利。
作者简介：
blues，润石科技解决方案工程师，在公司主要负责技术架构、业务推广等工作。
