2. 遥测数据对象与质量维度建模

遥测数据质量治理的第一步，不是急着写校验规则，而是先把“数据对象”和“质量维度”这两件事定义清楚。对象决定了我们治理的边界与粒度，维度决定了我们用什么尺子去衡量好坏。二者共同构成后续采集、清洗、监控、告警的语义基础。本节围绕物联网遥测场景，梳理从传感器到元数据的对象层次，并给出六类质量维度的可操作定义。

一、遥测数据的对象层次

在物联网遥测体系中，数据并非孤立产生，而是沿着“物理世界—感知—汇聚—建模—描述”的链条逐层抽象。理解这条链条，才能为每个对象分配正确的质量责任。

• 传感器（Sensor）：直接感知物理量的最小单元，如温度探头、压力变送器、电流互感器。它输出的是原始电信号或经内部转换的工程值，关注点在于量程、精度、采样周期、供电方式。
• 设备（Device）：承载一个或多个传感器的物理实体，如一台水泵、一个配电柜、一辆冷链运输车。设备是资产管理和故障定位的基本单位，拥有唯一设备编号、型号、安装位置、投运时间。
• 网关（Gateway）：负责协议转换与数据汇聚的中间节点，如 Modbus 转 MQTT 的边缘网关。它决定数据能否按时、完整地上行，是时效性与完整性的关键控制点。
• 时序测点（Time Series Point）：遥测数据的最小可寻址单元，通常由“设备编号 + 测点标识”唯一确定，例如 PUMP-001.temperature。每个测点对应一条按时间排列的数值序列，是质量校验的直接对象。
• 标签（Tag）：附着在测点或设备上的分类属性，如 region=华东、line=A线、unit=℃。标签用于分组、过滤和权限控制，其一致性直接影响聚合统计的可信度。
• 元数据（Metadata）：描述数据的数据，包括测点名称、量纲、量程上下限、采集频率、精度等级、所属设备、启用状态等。元数据是质量规则能够自动生成的前提。

这六类对象并非平级罗列，而是存在明确的归属与引用关系。下图给出它们之间的结构关系，可作为后续建模的参照。

二、六类质量维度的定义与判定

对象确定后，需要为每个测点定义“好数据”的标准。物联网遥测中常用六类维度，它们各自回答一个不同的问题。

这六类维度并非彼此独立。例如，一条重复上报的记录，既违反唯一性，也可能因时间戳错乱而影响时效性；一个量纲写错的测点，既破坏一致性，也会让准确性校验失去基准。因此在实际建模时，通常先固定元数据，再依次施加规则。

三、从对象到规则的建模示例

下面以一个水泵温度测点为例，说明如何把对象与维度落到可执行的规则上。假设设备编号为 PUMP-001，测点标识为 temperature，采集周期 10 秒，量程 0～120 ℃，精度等级 ±0.5 ℃。

测点: PUMP-001.temperature
元数据:
  unit        = ℃
  range_min   = 0
  range_max   = 120
  sample_period_s = 10
  accuracy    = ±0.5
标签:
  region = 华东
  line   = A线
  device_type = 离心泵

质量规则:
  完整性: 每 10 分钟窗口内应到 60 点，缺失 > 3 点告警
  准确性: 值 < 0 或 > 120 判为越界；相邻两点变化 > 30 ℃/10s 判为跳变
  一致性: unit 必须为 ℃；region 必须属于 {华东, 华北, 华南}
  时效性: 入库时间 - 事件时间 > 30 s 判为延迟
  唯一性: (device_id, point_id, event_time) 组合唯一
  有效性: 值不得为空；必须为数值类型

这些规则一旦以元数据为输入自动生成，就能批量应用到成千上万个测点，而不必逐条手写。这也是为什么元数据质量本身必须先行治理——元数据缺失或错误，规则就会失效或误报。

四、维度之间的优先级与取舍

在资源有限的边缘侧，不可能对所有测点同时施加全部六类校验。通常按业务影响排序：安全相关测点优先保证准确性与时效性；计费相关测点优先保证完整性与唯一性；用于报表聚合的测点优先保证一致性与有效性。优先级不是固定不变的，应随业务阶段调整，并在元数据中显式标注，避免规则散落在各处难以维护。

把对象层次与质量维度对齐之后，后续的采集链路、清洗策略、监控看板才有统一的语义基础。下一阶段的工作，就是围绕这些定义去设计具体的采集与校验流程。