最佳实践
IDMP 提供了一强大的数据建模能力，让数据标准化、情景化，从而可以更好地利用 AI 技术，从数据中挖掘出业务价值，但数据建模本身是一个很难用 AI 完成的事情。
为最大程度减少建模的成本，TDengine 推荐在数据源侧做好最基础的数据治理工作。有几条建议：
- 每个采集量的名字要规范命名，全局统一
- 对于同时采集的物理量，因为共享时间戳，尽可能采用多列模型
- 对于每一个数据采集点，无论是单列还是多列，配置好层次结构，作为元数据，发送给 TDengine TSDB-Enterprise。比如：
工厂-1.产线-A.设备-X
TDengine TSDB-Enterprise 里的 taosX 模块，在读取这些采集的数据时，能自动创建超级表和子表，做数据的转换，并可以添加更多的标签，把设备的层次结构信息保存起来。IDMP 就能依据 TSDB 里的元数据，自动构建出树状层次结构，自动创建出元素模版和元素。
对于 PLC 采集的数据，因为是单列模型，而一个设备往往拥有多个采集量，需要将多个采集量组装到一个设备下面，这个组装只能在 IDMP 里完成，可以参考 数据导入导出-TSDB 资产模型 章节进行。
一旦树状层次结构模型在 IDMP 里建立起来，您可以通过元素、属性等模版补充更多的描述信息和业务语义，提供更好的数据情景，让整个数据平台 AI-Ready，这样便于更好的发挥 AI 的作用。
下面我们选取了不同行业的典型应用场景，来说明如何使用 TDengine IDMP, 供您参考：
- TDengine IDMP 应用场景：微电网监控
- TDengine IDMP 应用场景：烟草制丝
- TDengine IDMP 应用场景：工业锅炉监控
关于 TDengine
TDengine 专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。
