4. 虚拟验证的数据基础

虚拟验证的结论是否可信，几乎完全取决于输入数据的质量。仿真模型本身只是“计算引擎”，它不会自动纠正错误的节拍、缺失的故障率或凭空假设的换型时间。因此，在建立产线模型之前，必须先把设备参数、工艺参数、物料属性和人员操作时间这四类基础数据采集齐全、校准到位。本节围绕“采什么、怎么采、采到什么程度算合格”展开，并给出可直接用于项目的数据采集清单与质量判定标准。

一、四类基础数据的采集对象与来源

设备参数描述的是设备自身的运行能力与可靠性，主要包括：理论节拍（秒/件）、实际节拍、上下料时间、换型/换刀时间、故障间隔时间MTBF、平均修复时间MTTR、设备综合效率OEE、可用率、以及设备间的缓存容量。这些数据通常来自三个渠道：设备铭牌与厂商手册（理论值）、设备PLC/SCADA历史记录（实际值）、以及MES或设备维护系统的故障工单（可靠性数据）。

工艺参数描述的是加工过程对节拍和良率的影响，例如：加工温度、压力、速度、进给量、焊接电流、固化时间、检测判定阈值、以及各工序的良率与返修率。工艺参数往往与产品型号强相关，采集时必须绑定“产品-工序-设备”三元组，否则换型后的节拍会失真。

物料属性包括：物料尺寸、重量、批次大小、来料节拍、包装形式、上线方式（整托/散件）、以及物料在制品（WIP）的流转批量。物料属性直接影响搬运时间、缓存策略和AGV/输送线的负载计算。

人员操作时间包括：标准作业时间（SOP中的标准工时）、人工上下料时间、目检时间、异常处理时间、以及人员在不同工位间的走动时间。这类数据最容易凭经验估算，也最容易成为仿真偏差的来源，建议用秒表实测或视频分析（如MOD法）获取。

二、采集方法：从手工记录到系统直采

采集方法按精度和成本可分为四个层级，实际项目中通常组合使用：

• 秒表实测与视频分析：适用于人员操作、换型、上下料等短周期动作。建议连续观测10~30个循环，剔除异常值后取均值，并记录标准差。
• 设备日志与PLC直采：适用于设备节拍、停机时间、故障记录。通过OPC UA或数据库接口按秒级/分钟级导出，采样周期应小于最短节拍的1/5。
• MES/ERP系统导出：适用于工单、批次、良率、返修数据。注意系统记录的是“报工时间”，可能包含等待和排队，需与设备日志交叉校验。
• 现场跟班记录：适用于异常处理、物料等待、人员离岗等非结构化事件。建议使用统一表单，记录事件类型、起止时间、影响工位。

三、数据质量要求：完整性、准确性、一致性、时效性

采集到的数据不能直接灌入模型，必须经过质量校验。建议按以下四个维度设定门槛：

对于不满足要求的数据，处理方式有三种：补采（回到现场重新测量）、修正（用相邻设备或相似产品数据推算，并标注假设）、剔除（删除明显错误记录，但需记录剔除原因和数量）。无论哪种方式，都应在模型文档中保留“数据血缘”，即每个输入参数的来源、采集时间、处理方法和置信度。

四、数据采集与校验的闭环流程

下面这张图展示了从数据源到模型输入的完整链路，以及质量校验的判定节点。图中左侧为四类数据源，中间为采集与清洗，右侧为模型可用数据，底部为质量门槛。只有通过校验的数据才能进入仿真模型，未通过的数据需回流补采或标注假设。

五、可直接使用的数据采集清单示例

下表给出一个面向装配线虚拟验证的最小数据采集清单，字段和粒度可根据实际项目扩展。表中“示例值”均为教学假设，用于说明填写方式，不代表任何真实产线实测结果。

完成采集与校验后，建议将数据整理为一份“模型输入参数表”，每个参数附带来源、采集时间、处理方法和置信度。这样在仿真结果出现偏差时，可以快速定位是模型逻辑问题还是输入数据问题。数据基础扎实，后续的节拍分析和产能验证才有意义。