凌晨两点，注塑机旁边的边缘网关又丢包了。屏幕上主轴电流曲线像心电图一样抽风，报警却死活不触发。那一刻我特别想砸键盘——后来发现，不是模型不行，是数据清洗没做透。工业数据清洗，说白了就是把传感器、PLC、MES、手工记录里那些带刺的原始记录，变成能算、能信、能追溯的中间层。它不性感，但它决定你后面做特征工程、故障诊断、数字孪生时，到底是在挖金矿还是在扒垃圾。
时间戳：机械工程师最容易轻视的暗礁
车间里最贵的往往不是传感器，是时间。振动采集卡跑在 25.6 kHz，PLC 扫描周期 2 ms，温度变送器 1 Hz，MES 工单按分钟落库。你想把主轴振动和注塑节拍对齐？先过时间戳这一关。Modbus 寄存器没有时标，OPC UA 的 SourceTimestamp 和 ServerTimestamp 还会差一截，边缘网关再缓存五分钟——完蛋，顺序全乱。
我的做法很土，但管用：所有原始数据先落 UTC 微秒时间戳，保留原始时钟源和网关接收时间。做多源融合时，用 as-of join 而不是简单等值连接，容差按设备动态设定。比如温度这种慢过程，50 ms 容差足够；振动和电流这种快过程，容差压到 1 ms 以内。别小看这个参数，容差放到 100 ms，轴承故障冲击可能被错配到下一个冲程，特征直接废掉。
还有采样抖动。理想采样是等间隔，实际 DAQ 的晶振会漂。短时分析忍一忍，做阶次分析就必须上转速参考。没有转速计怎么办？从电机电流基频估转速，再用 相位重采样 把时域信号转成角域，不然轴承外圈故障频率 BPFO 会糊成一片。公式不复杂：f_nyq = f_s/2，抗混叠截止频率必须小于 f_nyq，通常取 f_s ≥ 2.56 × f_max。但工程里最怕的是，你根本不知道 f_max 在哪，就敢设低通截止，结果把 3 kHz 的结构共振滤掉了。
3σ不是万能钥匙：野值、异常和真实故障得分开
很多同行一上来就 3σ。x_i 偏离均值 μ 超过 3σ，标红删除。对稳定工况的温度、压力，这招还行。对振动？简直是灾难。轴承早期故障的冲击幅值本来就落在尾部，你删得越勤，故障特征越干净——干净到消失。
更稳一点的是 稳健 z-score：z_i = 0.6745 × (x_i – median(x)) / MAD，其中 MAD = median(|x_i – median(x)|)。阈值取 3.5 比 3 更抗污染。注意，MAD 如果接近零，说明数据几乎不变，这时候别硬算，直接检查传感器是不是卡死。还有 峰度 kurtosis，健康轴承振动接近高斯分布，kurtosis 约 3；出现局部损伤后，kurtosis 可能冲到 5 以上。所以看到尖峰，先别删，问一句：这是干扰，还是故障在敲门？
工程上我常把异常分三层：野值，比如传感器断线、量程溢出、通信 CRC 错误；工况异常，比如负载突变、启停过程；故障异常，比如轴承剥落、齿轮断齿。前两类可以修，第三类要留给诊断模型。ISO 20816 里对振动烈度有明确的分区阈值，但那是 RMS 速度有效值，不是让你拿单点峰值去对表。标准得看场合，ISO 10816 老版本、ISO 20816 新版本，机器类别、支撑方式、功率档位不同，阈值差不少。
缺失值：插值不是许愿池
缺失值最考验人。温度缺 2 秒，线性插值没人反对。缺 20 分钟？你敢插，模型就敢信。热过程有一阶惯性，时间常数 τ = RC，如果缺失长度超过 5τ，线性插值基本是编故事。我的底线：短缺口用 样条或卡尔曼平滑，长缺口标 缺失质量码，别填。振动原始波形更狠，缺一块就补零？那会在频谱里造出方波边带，自己骗自己。
分类状态量也麻烦。PLC 的阀门开闭状态用 LOCF，听着合理，但阀门如果真在缺失期间动作了，你永远不知道。这时候事件日志比插值可靠。OPC UA 的 QualityCode 要保留，Good、Uncertain、Bad 别一扔了之。很多清洗脚本只留数值，最后现场扯皮：这个报警到底是不是误报？没有质量码，死无对证。
滤波与重采样：别把故障频率也滤掉
低通滤波是双刃剑。抗混叠必须有，截止频率得按关注频带定。比如关注轴承故障，先算 BPFO、BPFI、BSF、FTF，再考虑共振带。包络分析常用 5 kHz 到 20 kHz 的加速度共振，你如果设 1 kHz 低通，等于把诊断信息提前枪毙。重采样降采样时，先滤波再抽取，顺序不能反。反了就是混叠，频谱里全是假峰，到时候哭都来不及。
还有个细节：单位。振动位移 μm、速度 mm/s、加速度 m/s² 或 g，混用会出人命。清洗阶段就要把单位归一，量纲检查写进规则。温度热电偶、RTD 分度号不同，K 型、PT100 的换算别搞错。压力表是表压还是绝压，差 1 atm 在液压系统里足够让特征漂移。
清洗流水线：可追溯比干净更重要
我见过太多项目，清洗脚本一跑，原始数据被覆盖，三个月后想复现，鬼知道当时删了哪些点。所以流水线要分三层：原始层 immutable，清洗层 versioned，特征层 derived。每条规则带 rule_id、参数、影响行数、执行时间。谁改了阈值，调出来一目了然。ISO 8000 系列讲数据质量，核心不是追求 100% 干净，而是让质量可度量、可沟通。
监控指标也得有。缺失率、越界率、时间戳乱序率、重复率、单位异常率。比如某批次清洗后缺失率突然从 0.5% 跳到 8%，别庆功，先查网关。重复数据同样隐蔽，边缘缓存重发、MQTT QoS 1、数据库 at-least-once 写入，都会造重复。用 (tag, timestamp) 做唯一键不够，还要考虑值相同但合法重复的工况，比如压力稳定在 5.00 bar 采一万次。哈希去重只适合完全相同的行，别一刀切。
几句实在话
工业数据清洗没有一劳永逸的算法。它更像机加工里的去毛刺——不改变零件功能，但决定装配能不能过。先保时间戳，再谈异常检测；先看质量码，再想插值；先问故障机理，再动滤波。公式可以背，标准可以查，但现场那点脏数据，永远会给你新惊喜。别怕返工，怕的是你把脏数据喂给模型，还怪模型不争气。
