3. 工厂数据特征
在UNS（统一命名空间）工厂数据主题规划与治理中，第一步不是急着建Topic树，而是把工厂数据的“物理特征”摸清楚。工厂数据与互联网数据最大的区别在于：它来自物理世界，受设备节拍、工艺约束和现场网络条件限制。只有先理解数据从哪里来、长什么样、有多大、要多快、哪里容易脏，后续的主题分层、命名规范、治理策略才有依据。
一、工厂数据的五类来源
工厂数据来源可以按“离物理设备由近到远”划分为五层，每一层的数据语义和接入方式都不同：
- 现场设备层：PLC、DCS、CNC、机器人、变频器、仪表（温度、压力、流量、振动）。数据以寄存器、点位、过程变量形式存在，典型协议有Modbus、OPC UA、Profinet、EtherCAT。
- 边缘采集层：边缘网关、工业一体机、SCADA采集服务。负责协议转换、点位映射、断线缓存，是UNS数据进入IT侧的第一道关口。
- 过程控制层：MES、WMS、QMS、能源管理系统。产生工单、批次、检验结果、物料移动、能耗统计等业务事件。
- 企业应用层：ERP、PLM、CRM、EAM。数据以主数据、订单、BOM、维修工单为主，更新频率低但权威性高。
- 外部与衍生层：天气、电价、供应链协同、AI模型输出。这类数据常被忽略，但在能耗优化和预测性维护中价值很高。
二、数据类型：从布尔量到非结构化文件
工厂数据类型远比“数值”复杂。常见类型包括：
| 类型 | 典型示例 | UNS中的表达要点 |
|---|---|---|
| 布尔/开关量 | 阀门开闭、电机启停、报警触发 | 状态语义明确，需带时间戳和来源设备 |
| 模拟量 | 温度、压力、电流、转速 | 需带工程单位、量程、采样周期 |
| 事件/报警 | 故障码、越限报警、操作日志 | 需区分事件等级、确认状态、恢复时间 |
| 结构化业务数据 | 工单、批次、检验记录 | 以业务主键关联，强调版本与状态 |
| 非结构化数据 | 图像、音频、PDF报告、点云 | UNS中存引用路径或元数据，不直接存大文件 |
类型决定序列化方式。布尔量和模拟量适合紧凑二进制或JSON；报警和事件适合带Schema的消息；图像和报告则应在UNS中保留URI和摘要信息，避免把消息总线当文件服务器。
三、数据量级与实时性：两条正交的坐标轴
工厂数据量级差异极大。一条产线可能有2000个采集点，按1秒采样，单线每天产生约1.7亿条记录；而ERP侧每天可能只有几百张工单。实时性同样分层：安全联锁要求毫秒级，过程控制要求100毫秒到1秒，MES看板要求秒级到分钟级，经营分析要求小时级或天级。
这张分布图是UNS主题规划的重要输入：高实时高吞吐区域的数据，主题设计要优先保证低延迟和分区扩展；低实时低量级区域的数据，主题设计要优先保证语义完整和可追溯。
四、数据质量挑战：工厂现场的五类“脏数据”
工厂数据质量问题的根源往往不在IT侧，而在物理世界。常见挑战包括：
- 时间戳不一致：PLC本地时钟、网关时钟、服务器时钟不同步，导致同一事件在UNS中顺序错乱。建议统一使用NTP/PTP，并在消息中保留“采集时间”和“入库时间”双时间戳。
- 点位语义漂移：同一寄存器在不同产线代表不同含义，或设备改造后点位未更新。UNS命名必须绑定设备ID、产线ID和版本号。
- 缺失与抖动：网络闪断导致数据缺口，传感器故障导致恒定值或跳变。治理策略包括断线缓存、质量码标记和异常检测规则。
- 单位与量纲混乱：温度有摄氏和华氏，压力有bar和MPa。UNS主题中应强制携带工程单位，必要时在边缘侧统一换算。
- 重复与冲突：同一数据被SCADA和MES分别采集，数值不一致。需要明确“权威源”，并在UNS中标注数据血缘。
五、案例场景：某汽车焊装车间的数据特征梳理
某焊装车间有12台机器人、8台焊机、1条输送线。梳理后发现：机器人关节电流和焊机焊接参数属于毫秒级高频数据，日增约80GB；PLC报警事件属于秒级中频数据，日增约200MB；MES过点记录和质检结果属于分钟级低频数据，日增约5MB。团队据此在UNS中划分了三个主题域：factory/welding/robot/{robotId}/telemetry、factory/welding/line/{lineId}/alarm、factory/welding/order/{orderId}/event。高频主题采用短保留期加流式聚合，低频主题采用长保留期加关系关联，既控制了存储成本，又保证了追溯能力。
# UNS主题示例：按数据特征分层
factory/welding/robot/R01/telemetry/current # 毫秒级，保留7天
factory/welding/line/L01/alarm/overheat # 秒级，保留90天
factory/welding/order/WO20240512/event # 分钟级，保留3年
六、复盘：从数据特征到治理动作
工厂数据特征分析不是一次性工作，而应形成“特征清单—主题设计—治理规则”的闭环。建议每季度复盘一次：新增了哪些设备？采样频率是否变化？哪些主题的数据量增长最快？哪些质量问题反复出现？只有把数据特征作为UNS主题规划的输入，才能避免“建了很多Topic，却没人用”的尴尬局面。