摘要：本文结合汽车零部件冲压车间预测性维护项目的一线经验，梳理工业数据处理从原始数据到落地应用全流程的常见坑点，给具备机械基础、刚接触工业数字化项目的中级工程师提供可参考的实操思路。
上周去给珠三角一家做冲压的车企供应商做现场调试，整理了三天他们车间12台伺服压力机跑出来的原始数据，差点把我笔记本干蓝屏。
现在随便一个车间，大大小小传感器装了一堆，动不动一天产出十几个G的数据，号称要做数字化转型。可真正能把数据处理明白，挖出真金白银降本增效的，十不足一。
工业数据处理第一步：你永远想不到原始数据有多脏
很多人上来就喊搞机器学习、搞大模型，恨不得立马出个准确率99%的模型。可第一步数据清洗，就能卡死掉一半项目。
这次项目里，压力机的负载传感器，合同写的是采样率100Hz，每10ms输出一个点，看着很完美对不对？结果实际导出来的数据，有大概12%的时间戳是乱序的，还有传感器在换模停机的时候，会硬输出满量程的4095，很多新手直接把这个值当正常负载算进去，最后出来的模内压力曲线歪到姥姥家，根本没法用。
还有更隐蔽的，PROFINET总线偶尔会丢包，采上来的点直接空值。很多人图省事直接用零填充，结果做故障预警的时候，把零值当成闷车故障，误报率超过40%，天天给厂长发手机预警，不到半个月厂长直接把项目停了，说你们这东西是来添乱的。
按照GB/T 33703-2017 《工业过程测量和控制 数据质量要求》里的规范，其实处理逻辑很清晰：异常值先做标记，不直接删也不瞎填充。换模停机阶段的满量程值，直接结合机床的「运行状态位」过滤掉就行，那本来就是传感器空闲时候的默认输出，和工艺半毛钱关系没有。时间戳乱序用长度为100个点的滑动窗口重排序，空值丢失在3个点以内的用相邻点线性插值，超过3个直接标记为数据缺失段，不参与后续计算。
说实话，就这一步，没在车间待过三个月以上的人，根本写不出符合要求的清洗逻辑。全是踩坑踩出来的经验。
特征提取：别把所有数据都扔给模型
我遇过好几个刚从学校出来的算法工程师，张口就要全量原始数据，说我模型自己会找特征，不用手工提。
扯犊子呢。
工业现场的时序数据，脱离工艺的特征提取全是瞎忙活。还是那个冲压模具磨损预警的例子，我们要的是提前一周预警模具需要研磨，避免冲出不合格的零件。模内压力曲线，每冲一个零件就有一条100个点的曲线，一万个零件就是一万条，全扔给模型，训练一次要一天，准确率还不到70%，跑起来云端算力钱都赚不回来。
我们结合冲压工艺提了三个特征：最大成型压力的偏移量、保压阶段压力波动率、加载段曲线的斜率变化，再加上累计冲压次数，一共四个输入特征。训练出来的模型，准确率直接干到87%，推理时间只要原来的1%，车间边缘控制器就能跑，根本不用往云端传全量数据，一年省下好几万带宽费。
这里还有个高频坑，很多人做归一化的时候，喜欢把整三个月的所有数据放一起归一化，结果你把新模具的压力和快磨坏的压力放一起拉平，特征直接给消掉了，模型当然看不出来变化。正确的做法是，归一化只做单批次生产的归一，以换模后的前100个合格零件做基准，后续所有特征都和这个基准算偏移，变化一目了然，根本不用搞复杂操作。
不过话说回来，也不是所有场景都要手工提特征，要是你做的是产品外观缺陷的图像数据，那CNN自己提就行。但机械加工、冲压、注塑这类工艺时序数据，脱离工艺谈特征，跟瞎蒙没区别。
边缘端工业数据处理的权衡：速度和精度怎么选
现在做工业项目，很少会把所有数据都扔去云端处理了，一来带宽成本高，二来延迟大，三来工厂也担心数据安全。大多要求放在车间边缘端处理，那怎么平衡速度和精度？
还是我们那个项目，一开始要求每一个冲压件都做全量检测，不合格直接停机。选的边缘控制器是4核A72的ARM架构，标称算力够，结果你猜怎么着？全量曲线处理一次要十幾ms，冲压节拍是12次/分钟，也就是平均5秒一个件，看着时间够，可10台机床同时跑，排队下来经常错过停机信号，还是出了好几件不合格品。
后来我们改了分层处理的逻辑：日常正常生产的时候，只提取三个工艺特征做快速判断，单条处理时间不到2ms，完全跟得上节拍。只有当特征偏移超过预警阈值，才把全量原始曲线用FLAC压缩后上传云端，做更精细的磨损程度分析。改完之后，边缘端的算力占用从原来的78%降到了不到12%，原来要换更高算力的控制器，现在原来的设备直接够用，成本直接砍了一半。
这里还有个选型的坑，很多人选边缘硬件做数据处理，只看标称算力，不看IO吞吐。10台机床同时传数据，每秒就是好几M的数据流，IO吞吐不够，算力再高也白搭，全在排队等，延迟高到离谱。还有压缩算法，工业时序数据用FLAC无损压缩，比常用的GZIP压缩率高20%左右，这个是我跑了三个月实测出来的，信我，错不了。
结语
工业数据处理，本来就不是实验室里摆着看的学术游戏，是要给工厂真真切切赚出钱来的。很多项目做不成，不是算法不行，是一开始就没接地气，没去车间摸过真实的数据流，把书本上那套直接搬过来，不踩坑才怪。
很多中级工程师刚接触工业数字化项目，上来就追求高大上的架构、最新的模型，其实把数据清洗、特征提取这些基础活儿做对，贴合工艺实际做取舍，就已经超过八成的同行了。毕竟，能落地产生收益的处理方法，才是好方法。
