Cognite Data Fusion 使用介绍：功能、价格与上手指南
Cognite Data Fusion 是面向工业场景的数据融合与 AI 平台，可将 OT、IT 与工程数据统一建模，支持上下文查询、工业数据模型和低代码应用开发。本文介绍其核心功能、价格模式与上手步骤，并给出适用团队建议。
Cognite Data Fusion（简称 CDF）是 Cognite 推出的工业数据融合平台，目标是把分散在传感器、PLC、SCADA、ERP、文档和工程系统中的数据统一成可查询、可分析的工业知识图谱。对于想用 AI 优化生产、维护和安全的团队，CDF 常被当作数据底座。本文从功能、价格和上手流程三方面展开。
一、Cognite Data Fusion 是什么
CDF 不是简单的数据湖，而是面向工业场景的数据操作平台。它通过 Data Modeling 把设备、流程、文档、时序数据关联起来，让用户能用自然语言或 API 提问，例如“过去 30 天哪些泵的振动异常与润滑记录相关”。
核心价值在于：
- 打破 OT/IT 数据孤岛
- 提供工业上下文，而非原始表
- 支持 AI 模型训练与部署
- 降低工业应用开发门槛
二、核心功能详解
1. 数据连接与摄取
CDF 支持多种工业协议和云服务连接器，可接入：
- 时序数据：OPC UA、MQTT、Historian
- 资产数据：SAP、Maximo、Excel
- 文档与 3D 模型：PDF、P&ID、点云
- 事件与工单：CMMS、ERP
摄取后自动进行实体解析和关系建立。
2. 工业数据模型（Data Modeling）
这是 CDF 的差异化能力。用户可定义设备类型、层级和关系，形成知识图谱。例如：
- 工厂 → 区域 → 系统 → 设备 → 传感器
- 工单关联设备、文档关联设备
模型支持 GraphQL 查询，方便应用调用。
3. 上下文查询与搜索
CDF 提供上下文搜索，可跨时序、文档和关系数据检索。典型查询：
- “找出所有高温报警且最近 7 天未维护的换热器”
- “显示泵 P-101 的图纸、手册和近期工单”
4. 数据治理与安全
- 细粒度访问控制
- 数据血缘与审计日志
- 与 Azure AD、Okta 等集成
5. 应用与 AI 开发
- 提供 Python SDK、REST API、GraphQL
- 支持 Jupyter Notebook 做探索分析
- 可部署机器学习模型做预测性维护
- 低代码工具 Cognite Flows 可编排流程
三、价格模式
Cognite 未公开标准价目表，通常采用企业订阅制。影响价格的因素包括：
| 因素 | 说明 |
|---|---|
| 数据量 | 时序点位数、文档数量、资产数 |
| 用户数 | 管理员、开发者、业务用户 |
| 模块 | 基础平台、Data Modeling、AI 模块 |
| 部署 | 云托管或私有化 |
| 支持 | SLA、培训、实施服务 |
建议先申请试用或联系销售获取报价。中小团队可关注按用量计费或分阶段上线，先做 1-2 个高价值场景。
四、上手指南：从 0 到 1
步骤 1：明确场景
不要一开始就全厂铺开。选择痛点明确、数据可获取的场景，例如：
- 关键设备预测性维护
- 报警泛滥治理
- 文档智能检索
步骤 2：准备数据源
- 梳理资产清单与编码
- 确认时序数据接口
- 收集相关文档和工单
- 指定数据负责人
步骤 3：创建 CDF 项目
- 注册 Cognite 账号并申请租户
- 在 CDF 中创建项目
- 配置数据连接器
- 导入资产与关系
步骤 4：建立数据模型
- 使用 Cognite Data Modeling 定义设备类型
- 建立层级和关联
- 用 GraphQL 验证查询
步骤 5：开发第一个应用
- 用 Python SDK 读取数据
- 在 Notebook 中做异常检测
- 用 Cognite Functions 部署为 API
步骤 6：推广与迭代
- 培训业务用户
- 收集反馈
- 扩展新场景
五、适用团队与替代方案
CDF 适合：
- 大型工业集团
- 有多个数据源需要整合
- 想快速构建工业 AI 应用
若预算有限或场景单一，可先考虑：
- 云厂商数据湖 + 自建模型
- 开源时序数据库 + 图数据库
- 垂直领域工业软件
结论
Cognite Data Fusion 是工业 AI 领域成熟的数据融合平台，功能覆盖摄取、建模、查询、治理和 AI 开发。价格以企业订阅为主，需根据数据量和模块评估。上手建议从单一高价值场景切入，先建数据模型，再逐步扩展。对于需要统一工业数据并快速交付 AI 应用的团队，CDF 值得列入候选。