ThingsBoard资产层级与设备展示的深度解析
2025-05-12 09:43:01作者:羿妍玫Ivan
资产层级结构设计
在物联网平台ThingsBoard中,资产层级结构的设计是构建复杂设备管理系统的基础。通过合理的资产层级划分,可以实现对物理世界实体(如建筑、楼层、房间等)的数字化映射。
典型的资产层级结构可以设计为:
- 顶级资产(如建筑、园区)
- 次级资产(如楼层、区域)
- 末端设备(如传感器、控制器)
这种层级结构不仅符合现实世界的物理关系,也为后续的数据展示和权限管理提供了便利。
设备与资产关联策略
在ThingsBoard中,设备与资产的关联是通过"关系(Relation)"实现的。正确的关联策略应遵循以下原则:
- 直接关联原则:设备应直接关联到其物理位置对应的最末端资产(如楼层)
- 层级继承原则:通过资产间的父子关系,自动建立设备与上层资产的间接关联
- 类型明确原则:为每种关系定义清晰的类型,便于后续查询和使用
动态仪表板设计技巧
实现"一处设计,多处使用"的动态仪表板,关键在于以下几个方面:
1. 状态(State)与别名(Alias)的配合使用
通过定义多个仪表板状态,每个状态对应不同的资产层级。使用别名系统动态绑定当前状态的上下文实体,实现数据的自动适配。
2. 实体查询的灵活配置
在仪表板部件中,可以使用以下几种查询方式:
- 直接实体查询:指定具体设备或资产
- 关系查询:基于当前实体查询相关联的其他实体
- 设备搜索查询:根据过滤条件动态查找设备
3. 部件动作的交互设计
通过配置部件动作(Widget Action),可以实现:
- 点击设备跳转到详情页面
- 在不同状态间导航
- 弹出对话框展示附加信息
实战案例解析
以一个包含两栋建筑、每栋两层的实际场景为例:
-
资产结构搭建
- 创建建筑A、建筑B两个顶级资产
- 为每栋建筑创建两个楼层资产
- 将各类设备关联到对应楼层
-
仪表板设计
- 创建"建筑总览"状态,展示所有建筑
- 创建"楼层详情"状态,展示选定建筑的所有楼层
- 创建"设备列表"状态,展示选定楼层的所有设备
-
交互流程实现
- 从建筑总览点击建筑进入楼层详情
- 从楼层详情点击楼层进入设备列表
- 从设备列表点击设备查看详细数据
高级技巧与注意事项
- 部件模板复用:设计通用部件模板,通过别名系统实现动态数据绑定
- CSS样式定制:为不同设备类型定义差异化样式,提升可视化效果
- 权限控制:结合资产层级设计权限组,实现数据隔离
- 性能优化:对于大型资产结构,考虑分页加载和懒加载策略
通过以上方法,可以在ThingsBoard中构建出既灵活又高效的设备管理系统,满足各种复杂场景下的展示需求。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660