玉溪卷烟厂通过正确选择时序数据库 轻松应对超万亿行数据

公司简介

玉溪卷烟厂的前身是创建于 1956 年的玉溪烟叶复烤厂。1991 年,玉溪卷烟厂成为全国烟草行业唯一的“国家一级企业”,“红塔山”荣获国家金质奖章。

经历了几十年的发展,玉溪卷烟厂成为红塔集团的主要卷烟生产厂。

截至 2021 年底,玉溪卷烟厂拥有完备的打叶复烤线、制丝生产线、梗丝生产线、卷接机组、包装机组、滤棒成型机组,年卷烟生产能力 220 万箱以上,厂区占地面积 134.04 万平方米,在岗员工数千人。工厂 22 项对标指标同比提升 18 项,其中 4 项排名行业第一、13 项排名行业前十,前十指标数量在行业卷烟工厂中排名第二、在云南中烟所属卷烟工厂中排名第一。

业务背景

玉溪卷烟厂主要生产业务涉及复烤、制丝和卷包三个工艺流程。卷烟原料的烟叶复烤环节是卷烟生产的首个工艺流程,烟叶从烟田采摘完毕,转至烟农处进行初烤,根据商业公司的采购送至复烤车间,根据预先设置的配方,对烟叶进行工艺流程加工存储。卷烟制丝工艺是卷烟生产的主要加工工艺,制丝加工是根据原料烟叶的理化特性,按照一定的加工程序,经过多种加工工序把烟叶制成合格烟丝的过程。当烟丝、辅料及卷包设备准备就绪,生产将进入卷包工艺,主要包括风力送丝、滤棒输送、辅料出入库、卷接、包装、及成品出入库。与上述工艺流程相对应,生产业务涉及复烤车间、制丝车间和卷包车间三个车间。复烤车间主要将原烟分离成叶片和烟梗,再分别干燥;制丝车间主要将淳化的烟叶进行加料加香和切丝工作;卷包车间主要是将烟丝卷接成支,再分别包装成包、条和件。

制丝环节直接决定了成品卷烟的感官品质和烟丝质量,是卷烟加工的重要环节,提升制丝过程质量保障能力直接决定着卷烟内在品质,进一步影响着品牌在市场上的认可度。因此,围绕过程制造能力,围绕工艺品质提升能力,围绕数字化管理能力,打造稳定、强大、可靠的制丝数采,切实保障生产运营与工艺提升,是数字化转型、实现智能产线的基础。

而制丝车间本身生产设备多且工艺复杂,一条制丝线有 8 个工艺段,260 多类设备,每个设备 11 个分类,合计 3 万 6 千多个数采点。主要涉及温度、湿度、水分、重量、风量、流量、液位、频率等多种数据,这些数据产生频率高,而且是实时的,每个监测点每秒都会产生数据。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。此外,这些数据大多是设备产生,同时也是按照时间戳实时采集和记录,所以也会有比较多的插入操作,对于实时、高频率、海量写入和存储的需求较大。从这两点出发,时序数据库Time Series Database)是比较理想的选择。

此次我们打造的项目是「精品线智能制造试点」,数据库存储的是制丝产线上产生的时序数据。此前我们使用的是国外传统的时序数据库,虽然它支持 OPC 数据直接采集,但在稳定性和安全性上存在一定的不足,而且还存在查询速度慢、运维成本高等问题。

后面切换到 TDengine 后,凭借着从时序数据特点出发设计的超级表机制,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,这一点解决了我们最大的难题。另外基于高效的列式压缩设计,数据的存储成本也显著降低了。

实践经验

为推进高端高档精品线建设,提升高端卷烟加工的内在品质,精品线智能制造试点项目以提升精品线生产过程制造能力、工艺技术水平为目标,充分应用新的工艺技术、前沿的信息化手段,打造全流程感知、全产业链协同、决策过程实时、IOT 融合的前沿生产制造车间,确保生产全过程批内批间品质的稳定性和一致性。全过程感知架构如下图所示:

TDengine Database

其中精品制丝线数据链路是这样的:PLC 设备通过 OPC Server 以 OPC UA 协议采集数据,然后把数据发送到 Kafka/Flink 集群,其中 Flink 起到消息缓冲的作用。Flink 的 job 运行在大数据平台 Yarn 的计算平台上,它里面包含 Kafka client、时间戳、窗口、数据过滤和聚合算子,架构如下图所示。

TDengine Database

最后,数据通过 TAOSC 模块把数据写入我们部署的 TDengine 企业版 6 节点集群中。

TDengine Database

我们每条产线有 8 个工艺段、每个工艺段 30 多个设备、每个设备有 1000 多个数采点类型,总结而言,设备采集点共有 36526 个,数据类型包括浮点数、布尔型、整型和字符串。自然而然,我们需要根据这个体系来建库建表。

TDengine Database

考虑到好的建模是后续顺利使用 TDengine 的根基,因此我们在这上面也用了很多心思。当时一共有三种方案:

  • 创建一张超级表存储所有采集点的数据,一个采集点一张子表。超级表采用单列模型,采集值类型为字符串。
    • 优点:在获取某个 MES 业务计算所需要的 n 个测点全量数据时,可以用一条 SQL 查出,不需 join
    • 缺点:布尔、浮点数也会作为字符串存储,压缩比会受影响,且无法使用预计算,还可能需要对结果集做列转行操作
  • 创建多张超级表,单列模式,针对每一种数据类型创建一张超级表,一个采集点一张子表,采集点根据对应数据类型使用对应类型超级表。
    • 优点:采集点增减可以灵活匹配,且数值型采集值有预聚和优化
    • 缺点:获取某个 MES 业务计算所需要的 n 个测点全量数据时,需要分别从三个超级表中查询,后期考虑用 join,但仍会有结果集列转行的工作
  • 为每个 MES 业务计算任务(比如产品质量计算)所涉及的采集点建超级表(也可能是普通表),采用多列模式。
    • 优点:MES 业务涉及到的查询可以直接从对应表按时间段查出来,且不同测点的数据类型可以保留,预计算优化也会被保留
    • 缺点:表结构固定,不同 MES 业务系统之间的超级表可能会用到相同的指标,这些指标的数据就会反复存储。如果 MES 业务计算需求变化,则需要修改表结构,写入时要求所有采集点字段同时写入

最终,我们决定采用方案二、方案三的组合。数据分库存储,一个库存单列模式的全量原始数据,一个库将 MES 业务计算的采集点单独存储,再起一个库存储震动的高频数据。

这样设计的好处主要有如下几点:

  1. 单列模式可以保证其他业务使用数据的灵活性,而 MES 业务需要的指标组合几乎不变,针对性建表就可以保证计算的便捷性;
  2. 超级表可以加数据标签,单列模式便于对数采点进行管理,能够将制丝数采点表的 BOM 结构延袭到 TDengine 中,从而能够实现基于标签的快速查询和筛选;
  3. 得益于 TDengine 强大的压缩能力,多出的数据并不会带来很多成本; 
  4. 根据数据的重要程度和采集频率分库存储,对每一个进行采集存储程序的单独维护,互不干扰,有效保障存储稳定性,一个库的存储故障不会影响其他库。

落地过程&应用展示

最终,我们按照上述方案进行分库建表。

以 yjpzsa 库(制丝生产全量数据库)为例子,我们把 36526 个采集点,根据数据点类型设计成 7 个超级表。遵循一个数据类型一张超级表,一个数据采集点一张子表,表名使用数据点编码,且超级表标签继承数采点表 BOM 结构的原则,构建起“一码到底”的数采体系。

分别为 yjpzsa_bigint,yjpzsa_float,yjpzsa_nchar,yjpzsa_bool,yjpzsa_binary,yjpzsa_int,yjpzsa_timestamp。

TDengine Database

能够方便的根据数据标签查询某个工艺段、某个设备的数采点,如下图所示为烘丝工艺段烘丝机实际测量分类下的数采点数据。

TDengine Database

存储方面

其中既有单个字段 16 KB 的大表,也有只存单列数字类型数据的表:

TDengine Database
TDengine Database

我们主要的超级表都已经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,目前占用的总空间也仅有 1TB 左右。

我们采集电机高频振动信号,信号频率为10 Khz,TDengine 支持我们将每秒一万条振动加速度数据存入数据库中,用于时域和频域分析,如下图所示。

TDengine Database
TDengine Database
TDengine Database

查询方面

1. 对超级表 voltage_prop 表执行时间段查询。

  1. select * from yjpzsa_phm_opc.voltage_prop where ts >'2022-06-22 10:00:000' and ts <'2022-06-22 15:10:000';
TDengine Database
TDengine Database

2. 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。

TDengine Database
TDengine Database

以上便是我们使用 TDengine 的落地过程与应用展示。

写在最后

从选型测试到落地使用至今,我们和 TDengine 团队一直保持着充分的合作与交流。在帮助 TDengine 完善自身的同时,我们也得到了越来越好的产品与服务,最终达成了现在的使用效果,我们双方对此都是满意的。也祝 TDengine 越来越好。


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。

 

posted @ 2022-08-02 13:57  涛思数据TDengine  阅读(388)  评论(0编辑  收藏  举报