4. 多源异构实验数据采集

自驱动实验室的“数据闭环”之所以难，往往不在于算法，而在于数据入口。一个典型实验站里，同一时刻可能并行产生四类数据：传感器以毫秒级连续输出温度、压力、流量；分析仪器在单次测量结束后吐出一份带谱图的结果文件；机器人执行日志记录“何时抓取了哪个孔位的样品”；LIMS/ELN 则保存样品编号、实验条件与人工录入的结论。这四类数据在格式、频率、时间基准和语义粒度上完全不同，若不在采集层做统一处理，后续的建模与决策就会建立在错位的时间轴上。

四类数据源的接入方式

接入方式的选择取决于数据源的“主动程度”。传感器通常是被动读取型：PLC 或数据采集卡通过 Modbus TCP、OPC UA 或串口周期性读取寄存器，采集程序按固定周期轮询。以 OPC UA 为例，客户端订阅一个节点后，服务端按设定的 publishing interval 推送数值，采集端只需维护订阅关系，不必自己写轮询循环。

分析仪器多为“文件产出型”。色谱、质谱、XRD 等设备在测量完成后生成 CSV、JCAMP-DX 或厂商私有格式文件。接入方式通常是目录监听：采集服务监控仪器输出目录，检测到新文件即读取、解析并登记。部分仪器支持 SiLA 2 或厂商 API，可主动查询状态与结果，但文件监听仍是兼容性最好的兜底方案。

机器人执行日志来自控制器的运行记录，常见形式是逐行追加的文本日志或通过 ROS 话题发布的 JSON 消息。接入时既要拿到“动作完成”事件，也要拿到动作对应的孔位、样品 ID 和时间戳。若机器人控制器支持，应优先订阅其状态话题；否则解析日志文件，但需注意日志写入存在缓冲延迟。

LIMS/ELN 是“事务型”数据源，数据通过 REST API 或数据库查询获取。接入时应以样品 ID 或实验批次为主键，拉取样品元数据、实验条件与人工结论。LIMS 的数据更新频率低，但语义价值高，是其他三类数据的“身份锚点”。

采样频率的差异与处理

四类数据源的采样频率跨度极大。传感器可能以 100 Hz 输出，机器人动作事件每秒只有几次，分析仪器一次测量耗时数分钟到数小时，LIMS 记录则可能一天只更新几次。采集层不应试图把所有数据“拉平”到同一频率，而应保留原始频率，在同步层按需处理。

对高频传感器数据，常见做法是保留原始序列，同时生成降采样版本。例如温度以 100 Hz 采集，可按 1 秒窗口计算均值与标准差，写入时序数据库；原始数据保留在文件或对象存储中，供需要时回溯。降采样不是丢弃信息，而是为不同用途提供不同粒度的视图。

对低频事件型数据，关键是记录精确的事件时间戳。机器人完成一次移液动作时，控制器应输出带时间戳的事件消息；若只能解析日志，则需在采集端记录“读到该行日志”的时间，并尽量通过日志内的序号或控制器时钟校正。分析仪器结果文件通常自带采集开始时间，解析时应提取该字段而非使用文件创建时间。

时间同步策略

时间同步的目标是让所有数据源共享同一时间基准。第一步是时钟同步：采集服务器、仪器工作站、机器人控制器应统一通过 NTP 与同一时间源同步，要求高的场景可使用 PTP 达到亚毫秒级。第二步是时间戳标注：每条记录至少携带两个时间戳——设备本地时间（device_ts）和采集网关接收时间（gateway_ts）。两者都保留，便于排查时钟偏差。

第三步是事件对齐。自驱动实验室的核心逻辑通常围绕“一次实验操作”展开：机器人抓取样品、放入仪器、仪器测量、结果返回。对齐时以机器人动作事件为锚点，向前后各取一个时间窗口，将窗口内的传感器数据、仪器结果和 LIMS 记录关联到同一个 experiment_event 上。窗口大小根据实验节奏设定，例如移液后 30 秒内的温度数据、仪器测量开始后全程的压力曲线。

一个可参考的采集配置示例

以下是一个采集服务的配置片段，用于说明四类数据源如何在同一服务中注册。参数为教学示例，实际值需根据设备手册和实验节奏调整。

sources:
  - id: reactor_temp
    type: opcua
    endpoint: "opc.tcp://192.168.1.10:4840"
    node: "ns=2;s=Reactor.Temp"
    sampling_hz: 100
    buffer: 5000
  - id: hplc_result
    type: file_watch
    watch_dir: "/data/hplc/export"
    pattern: "*.csv"
    parser: "hplc_csv_v2"
  - id: robot_arm
    type: ros_topic
    topic: "/robot/action_event"
    msg_type: "lab_msgs/ActionEvent"
  - id: lims_sample
    type: rest_poll
    url: "https://lims.example.org/api/samples"
    poll_interval_s: 300
    key_field: "sample_id"

sync:
  ntp_server: "ntp.lab.local"
  default_window_s: 30
  resample:
    reactor_temp: "1s_mean_std"

配置中 sampling_hz 控制传感器轮询频率，poll_interval_s 控制 LIMS 拉取周期，default_window_s 定义事件对齐窗口。采集服务启动后，可通过检查各 source 的 last_seen_ts 与 seq_no 连续性判断是否正常。若某传感器 seq_no 出现跳变，说明存在丢包或采集阻塞；若 gateway_ts 与 device_ts 偏差持续增大，说明时钟同步异常，需要检查 NTP 服务。

结果判断与常见问题

采集是否健康，可以从三个信号判断：一是各源数据的时间戳偏差是否在允许范围内（例如传感器与网关偏差小于 50 ms）；二是事件对齐后，每个 experiment_event 是否都能关联到完整的四类记录；三是降采样后的数据是否保留了关键趋势，例如温度曲线的峰值是否仍然可见。

常见问题包括：仪器结果文件延迟写入导致对齐窗口错过、机器人日志缓冲导致事件时间戳偏晚、LIMS 样品 ID 与机器人使用的孔位编号不一致。前两者通过增大窗口或改用事件触发采集缓解，后者需要在采集层建立孔位与样品 ID 的映射表，并在入库前做一致性校验。只有把采集层的时间与身份两条线都对齐，后续的数据闭环才有可靠的基础。