4. 工业系统与数据基础
工业智能体的决策质量，取决于它对现场真实状态的感知能力。而感知能力并不来自单一传感器，而是来自一条跨越设备层、控制层、执行层与经营层的完整数据链路。理解这条链路上每一类数据源的角色、采集方式与预处理要求，是构建运维决策智能体的第一步。
一、四层数据源：从毫秒级信号到月度经营指标
工业数据源通常按层级划分，不同层级的数据在时间尺度、数据量、语义密度上差异巨大，直接决定了后续采集与存储策略。
- 设备层：包括PLC、变频器、伺服驱动器、数控机床、机器人控制器等。数据以毫秒到秒级周期产生，典型量包括电流、转速、扭矩、温度、振动、报警字、运行状态位。这一层是故障诊断与预测性维护的核心数据源。
- 传感器层：温度、压力、流量、液位、位移、加速度、声发射等变送器与智能仪表。多数通过4-20mA、HART、Modbus、IO-Link接入，采样频率从1Hz到数十kHz不等，振动类信号对带宽要求最高。
- SCADA层：负责监控与数据采集，汇聚设备与传感器数据，提供实时画面、报警、趋势与历史归档。SCADA是运维智能体最直接的数据入口，通常通过OPC UA、Modbus TCP或历史数据库接口对外提供数据。
- MES/ERP层：MES管理工单、批次、工艺参数、质量结果、设备停机记录；ERP管理物料、订单、成本、维护工单与备件库存。这两层数据时间粒度粗，但语义丰富，是判断“停机影响多大”“该不该现在修”的关键依据。
四层数据并非孤立，而是通过时间戳、设备编码、工单号、批次号等主键关联。智能体要做的第一件事，就是把这些异构数据对齐到同一时空坐标系中。
二、数据采集：协议、频率与边缘策略
采集环节的核心矛盾是“采得全”与“传得动、存得起”之间的平衡。工程上通常采用分层采集策略：
- 高频信号就地处理：振动、电流波形等kHz级信号在边缘侧完成FFT、包络分析或特征值提取，只上传特征值而非原始波形，可降低90%以上带宽。
- 中低频信号周期上传：温度、压力、转速等秒级数据通过OPC UA或MQTT按变化死区上传，兼顾实时性与流量。
- 业务数据按事件触发：MES工单状态变更、ERP维护工单创建等通过消息队列或API推送，避免轮询。
一个典型的边缘采集配置片段如下：
[采集通道]
设备 = CNC-07
协议 = OPC UA
端点 = opc.tcp://192.168.10.21:4840
采样周期 = 200ms
死区 = 0.5%
上传目标 = mqtt://edge-broker:1883/topic/cnc07
[特征提取]
振动通道 = 3轴加速度
窗口 = 1024点
特征 = RMS, 峰值, 峭度, 1X/2X幅值
上传周期 = 5s三、存储与预处理：让数据可被智能体消费
原始数据不能直接喂给智能体。预处理的目标是生成“干净、对齐、有语义”的特征数据集。关键步骤包括：
- 时间对齐：不同源数据时间戳精度不同，需统一到同一时基，常用最近邻插值或线性插值。
- 缺失与异常处理：传感器断线、通信丢包会产生空值与跳变，需标记而非简单填充，保留质量位。
- 工况切片：按设备运行状态（待机、空载、加工、换刀）切分数据，避免不同工况混在一起训练模型。
- 标签关联：将故障码、维修工单、质量缺陷与时间窗口关联，形成有监督学习所需的样本标签。
预处理阶段务必保留“数据质量标记”。智能体在决策时若发现某传感器数据质量位为“可疑”，应降低该通道权重或触发人工确认，而不是盲目相信。
四、典型场景：主轴轴承故障预警的数据链路
以某加工中心主轴轴承早期磨损预警为例，完整链路如下：
| 环节 | 数据源 | 关键参数 | 处理动作 |
|---|---|---|---|
| 信号采集 | 主轴前端加速度传感器 | 25.6kHz采样，3轴 | 边缘FFT，提取1X/2X/BPFO特征 |
| 状态关联 | PLC运行状态字 | 加工中/待机 | 仅保留加工中数据窗口 |
| 业务关联 | MES工单与质量记录 | 批次号、表面粗糙度 | 关联质量异常与振动特征 |
| 存储 | 时序数据库 | 特征值+质量位 | 按设备+时间分区存储 |
| 决策输入 | 智能体特征接口 | 趋势斜率、阈值偏离度 | 输出预警等级与建议检修窗口 |
五、常见误区与复盘
误区一：只采SCADA数据，忽略设备层原始信号。SCADA归档周期通常为秒级甚至分钟级，会丢失高频故障特征。轴承早期故障、伺服抖动等问题必须在设备层或传感器层捕获。
误区二：不做工况切片，直接全量训练。待机与加工状态下的振动幅值差异可达数十倍，混在一起会导致模型学到“是否开机”而非“是否故障”。
误区三：忽视主数据一致性。同一台设备在SCADA、MES、ERP中可能有不同编码。若不做设备主数据映射，智能体无法把振动异常与工单、备件、成本正确关联。
复盘建议：在项目初期就建立“设备主数据映射表”和“数据质量看板”，把采集通道在线率、时间对齐偏差、标签覆盖率作为运维智能体上线前的硬性验收指标。数据基础不牢，再先进的决策模型也只能在噪声上做猜测。