很多制造企业花了大价钱完成设备联网、上了MES和工业大数据平台，却始终挖不出数据价值，核心问题就是数据治理没做深，只停留在表层的格式对齐。本文结合我在国内某头部自主车企冲压车间的项目经验，拆解工业数据深度治理的核心逻辑，分享落地过程中的真实踩坑经验，给正在做工业数据应用的中级工程师做参考。
为啥你上了数据平台还出不了效果？脏数据是根儿
前年接的项目，客户是华东的一家主力整车厂，冲压车间12条全自动冲压线，三年前就完成了全设备联网，上线了MES和数据平台，想做设备预测性维护和工艺参数优化，结果做了一年多，输出的结论全不对。OEE计算偏差最高能到24%，模具磨损预测的准确率不到60%，连开料的产能统计都经常对不上手工台账。
我们进去第一周，没碰算法，就拉原始数据看。问题比想象中还离谱。
12条线，新旧设备混排，老的冲压线用的是08年的模拟量吨位采集模块，新线是19年换的数字量模块，采集平台对接的时候直接把两个信号按同一个标签存了，单位都没转，模拟量出来的10MPa，直接当成100MPa存进数据库。换模的时候操作工有时候赶产量，漏扫换模二维码，系统就把两个小时的换模时间全算成了设备停机待料，你说算出来的OEE能准吗？
还有更哭笑不得的，车间的天车定位数据，信号干扰大，每分钟跳出来十几个超出车间范围的异常值，直接堆在库里，没人管。
工业数据深度治理的核心：不是清数据，是建规则
很多人对数据治理的理解还停留在「删异常、补空值」，这都是表层治理。说实话，工业数据的问题，根源在数据产生的场景，不结合工艺逻辑的治理，都是瞎忙活。
我们做深度治理的时候，分了三层，完全贴合冲压车间的生产逻辑：第一层是格式层治理，解决不同设备不同协议的数据格式、单位、量程不一致的问题，这一步是基础，按GB/T 41831-2022《工业大数据 数据分类分级要求》先给所有数据打分类标签，把每一个信号对应到具体的设备、工位、工艺参数，从源头理清楚「这个数据是谁的、说的是什么」。
第二层是业务逻辑层治理，这才是深度治理的核心。比如说冲压机的滑块行程次数，正常生产的时候是10-12次/分钟，要是出来个1次/分钟，直接当成异常删掉吗？不对，那是操作工在试模，试模数据对模具磨损分析太重要了。我们要做的不是删掉，是给它打上「试模」标签，做分析的时候按需调用，而不是一竿子打死。
第三层是质量标签层治理，每一条治理后的数据都标注质量等级，比如A级是完全可信的生产数据，B级是试模调试数据，C级是已知干扰数据，做不同应用的时候直接取对应等级的数据就行，不用每次都重新洗一遍。
三个落地必踩的坑，都是我砸过真金白银换的教训
第一个坑，为了腾存储，删原始脏数据。真的，说多了都是泪。之前做的一个小项目，甲方说存储不够，让我们治理完把原始异常数据删掉，我们没坚持，结果半年后甲方要做模具早期开裂预测，早期开裂的信号全在那些看似异常的载荷波动数据里，全删了，只能重新采，花了三个月才补上，亏了几十万的项目款。现在我做项目，不管甲方怎么说，原始数据必须全量留存，做只读镜像，治理后的数据是衍生出来的，绝对不碰原始数据。
第二个坑，全靠算法自动治理，不结合工艺校验。之前我们图省事，用3σ法则自动剔除异常值，结果跑出来一看，把生产厚钢板的正常吨位数据全剔除了——厚钢板的冲压吨位本来就是薄钢板的两倍多，本来就在均值3倍以外，那都是正常生产数据啊！算法是死的，工艺是活的，任何自动治理的结果，必须找车间的资深工艺员抽一周的数据核对一遍，才能上线，这个步骤省不得。
不过话说回来，也不能全靠工艺员手工管，我们现在的做法是，把工艺规则做成可配置的表单，工艺员自己就能改，不用找IT改代码，换了新产品、换了新设备，规则半小时就能更完。
第三个坑，治理完就万事大吉，规则永不更新。我见过太多项目，上线的时候数据治理得好好的，一年后数据又脏得没法用了。为啥？车间换了两台新设备，改了工艺，甚至换了个操作工的习惯，原来的规则就不适用了。现在我们要求，治理规则每季度迭代一次，每次上线新的生产工艺，同步更新数据治理规则，这个机制必须写到项目的运维条款里，不然项目就是一锤子买卖，用不了多久就废了。
工业数据的价值，本质上是工业经验的价值。深度治理不是把数据治得干干净净整整齐齐就完了，是把藏在工艺工程师脑子里的生产逻辑，翻译成数据能读懂的规则，让数据能真正用起来。很多人说工业数据挖不出价值，其实不是挖不出，是你没往深了治，浮在表面，当然什么都出不来。
