4. 数据基础与治理

工业AI联动项目的效果上限，往往不由模型结构决定，而由数据基础决定。设备侧的振动、温度、电流、视觉图像、PLC状态字、MES工单与质检结果，只有被稳定采集、统一清洗、准确标注、可靠存储，并持续接受质量度量，才能成为可训练、可推理、可追溯的资产。本节围绕“采、洗、标、存、管”五个环节，给出可落地的工程方法。

一、核心原理：数据从现场信号到AI资产的链路

工业数据治理的本质，是建立一条从物理量到语义标签的可信链路。现场传感器输出原始电信号，经采集网关转换为带时间戳的测点值；再经过清洗与对齐，形成统一时间基准的宽表或时序片段；随后由工艺人员或半自动工具完成标注，形成“特征—标签”样本；最终写入时序库、对象存储或特征库，供训练与推理调用。整条链路必须保留血缘关系：任一训练样本都能回溯到设备、测点、采集时间与清洗规则。

二、方法流程：采集、清洗、标注、存储的关键动作

采集层要解决“采得全、采得准、采得稳”。建议统一采用OPC UA或MQTT作为上行协议，边缘网关负责协议转换与断点续传。每个测点必须携带设备ID、测点编码、时间戳、质量码四个要素。对于高频振动信号，采样率需满足奈奎斯特条件，通常不低于分析频率的2.56倍。

# 采集配置示例（YAML）
gateway:
  device_id: "CNC-07"
  protocol: "opcua"
  endpoint: "opc.tcp://192.168.10.21:4840"
  sampling:
    vibration: { rate: 25600, unit: "Hz", channels: 3 }
    temperature: { rate: 1, unit: "Hz" }
  buffer:
    offline_cache: true
    max_hours: 72
  tags:
    - { code: "VIB_X", addr: "ns=2;s=Channel1" }
    - { code: "TEMP_A", addr: "ns=2;s=Channel5" }

清洗层的核心是“规则可配置、结果可追溯”。常见动作包括：按设备与测点去重、线性插值填补短时缺失、基于3σ或IQR剔除异常值、按统一时间窗重采样。清洗规则应版本化，任何一条样本都能回答“它经过了哪些清洗步骤”。

标注层要兼顾效率与一致性。工业场景推荐“弱标注+强复核”：先用规则或预训练模型生成候选标签，再由工艺人员确认。对于故障分类，需明确标签体系与边界条件；对于视觉缺陷，需规定最小框选面积与遮挡处理方式。标注一致性可用Kappa系数衡量，低于0.75时应组织校准。

存储层需按数据形态分流：高频时序写入时序数据库，图像与音频写入对象存储，标注结果与特征向量写入特征库或关系库。所有存储对象应附带元数据：来源设备、采集时间、清洗版本、标注版本、责任人。

三、场景案例：某汽车零部件产线数据治理实践

某汽车零部件工厂在部署AI质检与预测性维护时，初期模型准确率长期停留在82%。复盘发现：采集端存在约7%的丢包，清洗时直接删除缺失行导致样本偏斜，标注由单人完成且无复核，存储层未保留原始数据导致无法回溯。治理后采取以下措施：网关增加本地缓存与重传；清洗规则改为“短缺失插值、长缺失标记”；标注引入双人交叉复核；存储层保留原始层、清洗层、标注层三层数据。三个月后，模型准确率提升至94%，误报率下降约60%。

四、误区与复盘：数据治理中最容易踩的坑

• 只重模型、不重数据：把大量时间投入调参，却忽视采集稳定性与标签一致性，导致模型上限被锁死。
• 清洗过度：为了“干净”而删除大量异常样本，反而丢掉了最有价值的故障特征。
• 标注无标准：不同人员对“轻微磨损”理解不一致，标签噪声直接转化为模型噪声。
• 存储无血缘：只存最终样本，不存原始数据与处理日志，出现问题无法定位。
• 质量无度量：没有完整性、准确性、一致性、时效性、唯一性的量化指标，治理效果无法评估。

总结来看，工业AI联动项目的数据基础与治理，应围绕“采得全、洗得准、标得一致、存得可溯、管得可量”五个目标展开。只有把数据当作与设备同等重要的资产来运营，AI模型才能在产线上持续稳定地产生价值。