不少制造企业砸了大几百万上数字化，最后数据堆在服务器里落灰，想用的时候拿不出来能用的。我在离散机械行业摸了快十五年，做了十几个车间的数据改造项目，踩过的坑攒起来能绕车间三圈，今天说点没在公开课上讲过的干货。
为什么九成离散车间的工业数据治理都做了白功
去年给山东一家年产12万台重型商用车变速箱的民营厂做改造，客户拉着我吐槽，说两年前花两百多万上了MES和数据采集系统，现在要做齿轮疲劳寿命的根因分析，翻遍了三个系统的存储，居然找不到对应某一批次齿轮的完整热处理炉温曲线。
要么是数据存在热处理炉自带的工控系统里，导不出来。要么是导出来了，文件名是“炉温20231015.log”，根本没对应批次号，谁知道哪段曲线是哪批齿轮的。更离谱的是，三坐标测量的齿轮精度数据，存在测量仪厂商的加密系统里，每次导出要收五百块授权费。
问题出在哪？
绝大多数项目搞反了顺序。上来就铺采集点，建数据中台，喊着“全域数据接入”，根本没问一句：我们拿这些数据做什么分析？
我见过最夸张的项目，一个百来人的小加工厂，给每台机床都装了采集卡，一秒采十个点，一个月存了快十个T，电费涨了三成，真要做刀具损耗分析，居然没有一个数据能和具体刀具绑定。这不就是垃圾进垃圾出吗？
工业数据治理分析的核心：锚定场景倒推治理规则
说实话，我现在接项目，头一周根本不碰设备，就是蹲车间跟操作工、工艺员聊天，把所有要解决的问题、要做的分析列出来，再倒推需要什么数据，需要什么治理规则。
我们机械行业最常见的两个分析场景，一个是刀具寿命预测分析，一个是热处理缺陷根因分析，我拿第一个举例子。
要做准确的刀具寿命预测，你必须拿到哪些维度的数据？每一把刀具的唯一编号、出厂批次、涂层类型；加工零件的图号、材料硬度；每一次走刀的主轴转速、进给量、切削深度、主轴电流采样；加工完成后的零件粗糙度、尺寸精度检测结果。少任何一个维度，你的分析模型就是瞎蒙。
之前有个客户，早先做治理的时候，主轴电流的采样频率设成了10秒一次。一把刀加工一个零件才12秒，整个切削过程只采到两个点，根本抓不到刀具磨损带来的电流波动特征，训练出来的模型预测准确率不到60%，完全没法用。后来改成100ms一次采样，数据量只涨了不到三倍，准确率直接拉到92%。
这里要提一个行业通用规范，GB/T 36645-2018《制造业工业数据分类与编码》里明确要求，所有工业数据必须绑定对应物理实体的唯一标识。这句话很多人看过就忘，其实这是治理的核心。你所有的数据，最终都要落到具体的零件、具体的设备、具体的刀具上，不然就是一串没有意义的数字。
不过话说回来，哪有那么多企业能一口气把所有数据都理清楚？中小企业预算有限，两三百万已经是极限了，那些喊着“全域治理”的方案，根本不落地。不如先挑两个最痛的场景，比如质量缺陷多、刀具消耗大，先把这两个场景需要的数据理清楚，能用了出效益了，再往其他场景扩，压力小很多，老板也愿意继续投钱。
落地避坑：几个帮你省几十万的实操经验
说几个我踩过坑之后总结的经验，都是能直接省钱的。
第一个，数据清洗别上来就删缺省样本。很多刚接触的工程师，看到数据里有空值、缺段，直接整批删掉。去年有个项目，一批次零件的炉温数据缺了12分钟，刚毕业的小伙子直接把整批一百多件样本删了，我骂了他一顿。那段时间刚好是保温阶段，炉温正常波动不超过2℃，你用前后十分钟的数据做线性插值补上，再给数据标上“补全”标记就行，根本不影响根因分析。删了之后，样本量少了四分之一，模型准确率直接掉了10个点，得不偿失。
第二个，别迷信统一存储格式。很多方案要求你把所有数据都转成统一的列式存储格式，说方便分析。可很多老设备的原始数据是厂商私有格式，硬转很容易丢精度，尤其是传感器采集的模拟量数据，转一次精度丢一个量级，你分析出来的结果能对吗？其实现在做个格式映射层并不难，原始数据不动，需要用的时候实时转码就行，费不了多少算力，还安全。
第三个，一定要留原始数据。我见过不止一个项目，治理完就把原始数据删了，只留处理好的特征数据。过了一年，要换分析模型，要提取新的特征，根本没有原始数据能用，只能重新花几十万去采集几个月，重新治理，太亏了。现在硬盘多便宜啊，一块16T的企业盘才一千多，存十年原始数据都花不了多少钱，别省这个钱。
最后给大家一个我用了五年的小技巧。每一条数据除了业务属性，都加三个字段：采集设备ID、采集时间戳、数据可信度等级。可信度从1到5分，人工录入的就是3分，自动采集校准过的就是5分，出过故障的设备采集的就是2分。做分析的时候，直接过滤掉3分以下的数据，准确率平均能提15%以上。亲测有效。
工业数据治理不是拿来给客户验收看的展板，是真刀真枪解决问题的。把你眼前的痛点解决了，比什么宏大的规划都有用。慢慢来，反而快。
