4. 工业数据采集
工业AI的数据闭环，起点不是模型，而是数据采集。如果采集层拿不到稳定、准确、时序对齐的现场数据，后续的特征工程、模型训练和闭环控制都会变成“垃圾进、垃圾出”。工业现场的数据源高度异构：底层是传感器和执行器，中间是PLC与DCS，上层是SCADA与MES，再往外是IoT网关和云平台。理解这些数据源的角色、接口和采集方法，是构建工业AI数据管道的第一个关键动作。
一、核心原理：从物理量到可计算数据
工业数据采集的本质，是把物理世界的连续量（温度、压力、振动、流量、位置）和离散状态（开关、报警、批次、工单）转换为计算机可存储、可计算的数据流。这个过程通常经过四层：
- 感知层：传感器将物理量转换为电信号（4-20mA、0-10V、RTD、热电偶、IEPE等）。
- 控制层：PLC/DCS按扫描周期读取I/O，执行逻辑控制，并维护寄存器、线圈、数据块等内部变量。
- 监控层：SCADA/HMI通过OPC、Modbus、Profinet等协议从PLC采集数据，实现画面监控、报警和趋势记录。
- 互联层：IoT网关或边缘计算节点通过MQTT、OPC UA、HTTP等协议，将数据汇聚到数据库或云平台。
关键点在于：采集频率、时间戳精度、数据质量三者必须同时满足AI应用要求。例如振动诊断需要kHz级采样，而能耗分析可能只需分钟级；PLC扫描周期可能是10ms，但SCADA历史库可能只存1s或1min的归档值。如果AI模型直接使用SCADA归档数据做高频故障诊断，就会因采样率不足而丢失关键特征。
二、方法流程：从现场到数据湖的采集链路
一个可落地的工业数据采集流程，通常按以下步骤推进：
- 需求定义：明确AI应用需要哪些测点、采样率、精度、时间窗口和标签。例如设备预测性维护需要振动原始波形、转速、负载和故障标签。
- 数据源盘点：列出传感器型号、PLC品牌与型号、SCADA版本、现有网络拓扑和协议支持情况。
- 接口选择：根据实时性要求选择采集方式。高频数据走边缘直采，低频管理数据走SCADA/OPC UA。
- 时间同步：部署NTP或PTP，确保PLC、网关、服务器时间偏差在毫秒级以内。
- 数据建模：定义测点命名规范、单位、量程、数据类型和标签体系，避免“一测多名”。
- 采集与缓存：边缘网关断网时本地缓存，恢复后补传，保证数据不丢。
- 质量校验：对缺失值、跳变、超量程、时间戳重复进行规则校验和告警。
典型采集参数配置示例（边缘网关）：
{
"device": "CNC-01",
"protocol": "OPC UA",
"endpoint": "opc.tcp://192.168.1.10:4840",
"sampling": {
"vibration": { "rate": "10kHz", "mode": "raw" },
"temperature": { "rate": "1Hz", "mode": "deadband", "deadband": 0.5 },
"status": { "rate": "10Hz", "mode": "on-change" }
},
"buffer": { "type": "local", "max_hours": 72 },
"upload": { "protocol": "MQTT", "topic": "factory/cnc01/data" }
}三、案例场景：三类典型数据源与采集方法
| 数据源 | 典型对象 | 常用协议/接口 | 采集频率 | AI应用 |
|---|---|---|---|---|
| 传感器 | 振动、温度、压力、电流 | 4-20mA、IEPE、RS-485、IO-Link | 1Hz～50kHz | 故障诊断、异常检测 |
| PLC/DCS | 寄存器、线圈、数据块、报警字 | Modbus TCP、Profinet、EtherNet/IP、OPC DA/UA | 10ms～1s | 工艺优化、质量预测 |
| SCADA/历史库 | 归档值、报警记录、操作日志 | OPC UA、SQL、REST API | 1s～1min | 能耗分析、OEE、趋势建模 |
| IoT网关/云 | 多设备汇聚、边缘计算结果 | MQTT、Kafka、HTTP、OPC UA Pub/Sub | 事件驱动/秒级 | 跨厂区协同、联邦学习 |
以某汽车零部件工厂为例：冲压机振动数据通过IEPE传感器接入边缘采集卡，以20kHz采样；PLC通过Profinet将压力、速度、模具编号写入网关；SCADA历史库提供批次和报警信息。三类数据在边缘侧按统一时间戳对齐后，上传到时序数据库，用于训练冲压件裂纹预测模型。这里的关键不是“采到”，而是“采准、采齐、采同步”。
四、误区与复盘
常见误区：
- 只采SCADA归档值：归档周期通常为秒级甚至分钟级，无法支撑高频故障诊断。
- 忽略时间同步：PLC、网关、服务器各自为政，多源数据无法对齐，模型输入错位。
- 测点命名混乱：同一温度在PLC叫T1、SCADA叫Temp_01、MES叫炉温，导致数据融合困难。
- 无断点续传：网络抖动导致数据丢失，训练集出现大量空洞。
- 只采不校验：传感器漂移、量程错误、重复时间戳直接进入模型，造成误报。
复盘建议：在采集层建立“数据契约”——每个测点必须明确单位、量程、采样率、时间戳来源、质量码和责任人。上线前用一周时间做数据质量基线，统计缺失率、跳变率、时间偏差和重复率。只有采集层稳定可信，工业AI的数据闭环才有坚实的地基。
总结来看，传感器、PLC、SCADA和IoT网关分别承担了“感知、控制、监控、互联”的角色。采集方法的选择取决于AI应用对频率、精度和实时性的要求。把采集链路当作一个工程系统来设计，而不是简单拉一根网线读几个寄存器，才能真正支撑后续的数据闭环。