摘要：本文以国内某1780mm热轧生产线的辊耗优化项目为案例，聊一聊工业数据从治理到挖掘落地的真实踩坑经验，给准备做数据项目的中级工程师一点可落地的参考。
为什么九成工业企业挖不动数据价值
说实话，我刚接这个热轧项目的时候，甲方总工拍胸脯跟我说，我们厂数据全，PLC、L2、MES全打通了，就等着你们挖了提产能。我去现场拉了一周数据，直接头大。
同一块钢坯的出口厚度，PLC出来的是12.34mm，L2记录的是12.41mm，MES报给生产部的是12.37mm——三个数三个口径，你信哪个？
十几个测温传感器，一年下来空值率超过15%，有的传感器坏了半个月才有人修，这段时间的数据全是补的固定值，混在正常数据集里。垃圾进垃圾出，这句话真不是说说的。
去年隔壁园区一家汽配厂，花了六百多万上工业大数据平台，上来就要做全产线质量预测，结果跑出来的模型精度才67%，连质检工人的肉眼准确率都不如，项目直接烂尾，领导换了一届，现在平台还在服务器上落灰。
问题出在哪？不是算法不行，是没人做深度治理。上来就谈挖掘谈AI，相当于给你一堆混着铁锈、泥沙、废钢的铁矿石，直接扔炉子里炼，能出好钢才怪。
深度治理的核心不是洗数据，是对齐业务逻辑
很多人对数据治理的理解，就是删异常值、补缺失值，弄成一个整齐的csv就完事了。真不是。
我们做辊耗预测，轧辊的磨损是跟每一次咬钢、每一块钢坯的轧制力直接相关的，不同层级的数据时间粒度差了好几个数量级：PLC的轧制力数据是100ms一条，L2的工艺参数是5s一条，MES的钢坯批次信息是1小时更新一次。原来大家都是按天统计辊耗，把一天的所有数据平均了扔进模型，能准吗？
我们做深度治理的第一步，就是按咬钢周期切分时间窗，把不同数据源的所有数据，对齐到每一块钢坯的单个轧制单元。光梳理这个时间对齐规则，我们跟工艺工程师泡了三天现场，跟着轧钢班走了两个夜班，才把逻辑捋顺。
说个常见的踩坑点。碰到缺失值你怎么办？大部分人会用均值、线性插值补上。我告诉你，工业数据里，大部分缺失值不是随机丢的，是传感器坏了、或者刚好过钢的时候信号断了才丢的，这种数据你补上，反而会把模型带偏。我们的做法是，把单轧制单元内缺失率超过10%的数据直接标记剔除，不到10%的，用同钢种同规格的历史数据按轧制力加权补，比瞎补准多了。
还有口径问题，辊耗怎么定义？设备部算的是轧辊总磨削量除以产量，生产部算的是轧辊从上线到下线的总损耗，财务算的是采购成本分摊到产量，三个口径差了快8%。做治理第一步就得跟业务部门把指标定义聊死，对齐到同一个口径，不然后面挖出来的结果，各说各话，没人认。
深度挖掘分析落地：窄域嵌入机理，比通用大模型靠谱
不过话说回来，治理完数据，挖掘该怎么做？现在动不动就说大模型，上来就用千亿参数预训练，我跟你说，工业场景真没必要，还容易出事。
我们这个项目，治理完一共拿到了近12万块钢坯的对齐数据，一开始用通用的XGBoost做辊耗预测，精度大概82%，看起来不错，但工艺部门不认——为什么这个轧辊磨损比那个快？模型说特征重要性最高的是轧制力，可工艺上本来就知道啊，说不出个所以然，没人敢用这个结果调工艺。
后来我们把经典的轧辊疲劳磨损机理公式嵌进了模型，把公式里的轧制力、轧制速度、冷却水温这些变量作为硬约束，模型只需要拟合机理公式里没覆盖的材料不均、安装偏差这些误差项，结果精度直接拉到了94%，而且每一个输出都能用工理解释，工艺工程师一看就懂，直接拿去做轧制计划优化了。
这个项目上线跑了半年，辊耗预测平均偏差从原来的16%降到了4%，每年节省的轧辊采购和磨辊费用超过180万，还间接提升了约2.1%的成材率，这个收益，真的是超出预期。
别总想搞大而全的全局挖掘。很多企业上来就要覆盖全产线所有环节，光梳理数据就耗了两年，需求改了三茬，最后项目没钱了，不了了之。不如找一个痛点足够明确、收益好算的小切口，比如轧辊损耗、比如轴承故障预测、比如冲压件开裂预判，先拿到实实在在的结果，拿到业务部门的认可，再慢慢扩，比什么都强。
工业数据的价值，从来都不是摆在台面上的。它埋在现场几十年攒下来的乱糟糟的原始数据里，埋在不同部门各说各话的口径里，埋在没人在意的时间错位和缺失里。你得沉下去淘，把杂质筛掉，把逻辑理顺，才能挖出真金。不是搭个平台跑个大模型就叫挖掘了，那是花架子，中看不中用。
