ThingsBoard资产层级与设备展示的深度解析
2025-05-12 22:48:40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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
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++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.68 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
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
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143