摘要：很多工厂数字化项目死在了数据环节，其中工业数据清洗是最容易被低估的核心步骤。本文结合我多年做设备数字化改造的实际经验，讲清楚工业数据脏的根源，可落地的清洗方法，以及常见的踩坑点，给负责项目的中级工程师做参考。
去年给珠三角一家做汽车冲压的老厂做数字化改造，上线冲压件开裂预测模型的时候，踩了个大雷。调参调了快半个月，模型训练精度始终卡在72%上不去，甲方催得急，我们团队天天熬夜找问题，最后翻原始数据集才发现——三分之一的采集数据根本不能用。
很多人觉得数据清洗是IT的活，扔个算法跑一遍就行。说实话，那是你没接触过真实的工业现场。
为什么工业数据脏得远超你想象
互联网的脏数据大多是用户输入错误、爬虫漏抓，无非就是缺失、乱码，改改就行。工业现场不一样，什么离谱的情况都有。
工人检修完忘了插传感器信号线，设备空跑八个小时，数据全是零。车间行车启动的时候变频器干扰，整个车间的模拟量信号集体跳变到满量程，看起来像是设备炸了其实就是电磁干扰。不同批次买的传感器，采集频率差个几十毫秒，同一个设备不同传感器的时钟不同步，差个两三百毫秒，做时序工况分析的时候，整个对应关系全错。
更坑的是，很多工厂设备换了，工艺改了，数据标签还没改。新工人打标签，把合格品标成不合格，不合格标成合格品，这种标签错误，算法根本识别不出来，只能靠懂工艺的工程师逐批核对。
乙方很多项目，拿到数据直接跑个3σ原则去异常，完事了。结果呢？把换模时候的正常低载荷数据全给删了，模型根本学不到不同工况的特征，精度能高才怪对吧。
我用了五年的三级工业数据清洗逻辑
做了快十个工厂的数字化项目，我总结出来的方法，根本不需要什么花里胡哨的AI算法，核心就是结合工业知识分层清洗，比纯算法靠谱太多。
第一层是物理层规则清洗，按照设备本身的物理参数范围先卡阈值，这个是基础。比如冲压机的工作油压范围是10-16MPa，符合GB/T 39115-2020《智能制造 工业数据清洗 要求》的规范要求，超出这个范围的，直接标记为异常，不是直接删除，要单独存起来——这些异常说不定就是早期故障的信号，删了才是大错。
第二层是业务逻辑校验清洗，这个全靠工业知识，算法学不来。比如折弯机的滑块下行速度额定最大是150mm/s，采集出来个500mm/s，肯定是采集模块错了，直接标记。再比如，设备都没开机，主电路电流不可能超过10A，出现大于10A的数值，肯定是采集错了。
第三层是关联对齐清洗，这一步最费时间，但对精度影响最大。不同数据源的时间戳要对齐，不同工况的数据要做匹配标记。比如我们做焊接质量预测，焊接电流数据和焊道位置数据差了一秒，你对应的电流和焊道位置对不上，洗得再干净也没用。还有同一条生产线的新旧模具，基线不一样，必须分开标记清洗，不能混在一起。
我试过，这一步做对，模型精度直接涨15%到20%，一点水分都没有。
几个刻进我骨子里的踩坑经验
干这么多年，踩的坑能绕车间三圈，挑几个最痛的给你说。
第一个坑，绝对不要随便删异常值。前两年我圈内一个朋友做风电齿轮箱故障预警，图省事，把所有超过3倍标准差的点全删了，结果那些点刚好是早期齿轮点蚀的振动信号，删完之后模型根本报不出预警，等到现场发现异响的时候，齿轮已经裂了，业主方直接索赔几十万，项目黄了不说，名声也坏了。
异常值不是都是脏数据，很多时候就是你要找的故障信号。
第二个坑，不要随便填充缺失值。很多人遇到空值，直接填均值，太省事了对吧？但是如果是温度传感器断线了，连续两个小时空值，你填成车间环境温度，模型就会以为这两个小时设备运行完全正常，根本发现不了传感器已经坏了，下次真出设备故障，直接漏检。正确做法是标记缺失，留好业务标识，让模型自己学缺失代表什么含义。
第三个坑，新老设备数据不能混洗。老设备用了五六年，磨损大，振动基线本来就比新设备高15%左右，你把新老设备的数据放在一起清洗，统一做标准化去异常，很容易把老设备的正常振动当成异常删掉，模型上线之后，到老设备上用直接废一半精度。
不过话说回来，很多工厂本身的数据管理就乱，新老设备数据扔一个表，没人打标签，这不踩坑才怪。
最后
工业数据清洗，从来不是纯数据技术的活，本质是工业知识的梳理过程。懂数据的不懂设备，懂设备的不懂数据，最后就洗不出能用的数据。现在很多工厂砸了几百万上千万做数字化，最后出不了能用的模型，十有八九是第一步数据就错了。
这个坑，早点认清楚，少走好几年弯路。
