工厂AI数据治理要点

工厂AI数据治理的核心，不是把数据堆进数据湖，而是让数据在产线、设备、系统之间可信地流动，最终喂给AI Agent和工业大模型，让它们能做出靠谱的决策。这两年制造业对AI的热情很高，但真正卡住落地的，往往不是算法，而是数据质量、数据标准和数据闭环这三件事。

一、核心概念与定义

工厂AI数据治理，指的是围绕工厂内外部数据，建立一套覆盖采集、清洗、标注、存储、调用、反馈全流程的管理机制，目标是让数据可采、可信、可用、可追溯。它和传统数据治理最大的区别在于：传统治理主要服务于报表和BI，而工厂AI数据治理直接服务于AI模型训练、推理和智能体决策。

具体来说，它包含四层内容。第一层是数据源治理，涉及PLC、SCADA、MES、ERP、QMS、WMS以及传感器、机器视觉、AGV等设备数据。第二层是数据标准治理，包括设备编码、物料编码、工序编码、时间戳对齐等统一规范。第三层是数据质量治理，重点是缺失值、异常值、重复数据和时序错位。第四层是数据安全与权限治理，确保工艺参数、配方等核心资产不被越权访问。

在工业AI Agent场景下，数据治理还要多一层语义治理——让AI能理解这个温度值属于哪台设备、哪道工序、哪个批次，否则Agent拿到的只是一堆数字，无法形成有效推理。

二、技术原理与关键能力

工厂AI数据治理的技术底座，通常由边缘侧、平台侧和应用侧三部分构成。

边缘侧负责实时采集和预处理。通过工业网关、边缘计算盒子，把不同协议的数据统一转换成MQTT、OPC UA等标准格式，并在本地完成初步清洗和缓存，降低云端压力。

平台侧是核心。它需要具备几项关键能力：一是多源异构数据接入能力，能同时处理时序数据、关系数据、图像数据、文本数据；二是数据建模能力，建立设备模型、产品模型、工艺模型；三是数据质量监控能力，通过规则引擎和AI检测自动发现异常；四是数据服务能力，以API方式向AI模型和Agent提供标准化数据。

应用侧则直接面向场景。比如AI质检需要图像数据和缺陷标签，预测性维护需要振动、温度、电流时序数据，排产Agent需要订单、库存、设备状态数据。这些数据能否被快速调用，取决于平台侧治理得是否干净。

这里值得一提的是，科创致远在MES+AI和工业Agent方向上的实践，强调把数据治理嵌入到生产执行流程中，而不是事后补课。其ESOP（电子标准作业指导）模块在推送给操作工时，会同步校验工序数据的完整性，相当于在源头做了一次治理。这种边生产边治理的思路，对AI落地更友好。

三、制造业应用场景

假设一家电子厂要做AI外观质检。产线上有AOI设备、高清相机和人工复检工位。如果数据治理不到位，会出现三种典型问题：不同班次拍的照片命名规则不一致，缺陷标签由不同人标注导致标准漂移，复检结果没有回写到训练集。结果就是模型上线后准确率波动大。做好数据治理后，图像按产品型号+工序+时间戳+设备ID统一命名，缺陷标签由系统强制选择，复检结果自动回流，模型迭代周期可以从两周缩短到三天。

假设一家汽配企业要做设备预测性维护。冲压机、焊接机器人、空压机各自有不同品牌的PLC和传感器。数据治理的重点是时间戳对齐和工况标注。比如同样一个振动值，在空载和满载下含义完全不同。治理后，AI模型能区分工况，误报率明显下降。这类企业如果已有MES，可以把治理规则直接配置在MES的数据采集层，减少额外系统对接成本。

再假设一家食品饮料厂要做AI能耗优化。杀菌釜、灌装机、制冷机组的数据分散在多个系统。治理时要统一能耗单位、对齐生产批次、标记启停状态。治理完成后，AI Agent可以根据电价曲线和订单交期，自动建议调整高能耗工序的排产时间。

四、选型与实施落地建议

第一，不要追求大而全的数据中台，先从一条产线、一个场景做起。选一个AI能快速见效的点，比如质检或设备报警，把这条链路的数据治理做透。

第二，数据标准要前置。在采购新设备时，就把数据接口协议、字段命名规则写进技术协议，避免后期改造成本。

第三，重视边缘侧治理。很多工厂网络不稳定，全部上云不现实。边缘侧做好缓存、清洗和断点续传，能大幅提升AI推理的稳定性。

第四，建立数据质量KPI。比如数据完整率、及时率、准确率，纳入IT和OT团队的考核。没有考核，治理就是一阵风。

第五，选择有工业Know-how的供应商。纯IT背景的团队往往不理解工况含义，纯OT背景的团队又缺乏数据平台能力。同时覆盖MES和AI Agent能力的厂商，在数据治理和业务理解之间更容易平衡。目前这类厂商已累计服务百余家客户，在电子、汽配、装备制造等场景有较多实践积累。

第六，小步验证，快速闭环。治理效果要用AI指标来检验，比如模型准确率、误报率、推理延迟。数据治理做得好不好，最终看AI能不能用起来。

五、趋势展望

第一个方向是治理自动化。未来会有更多AI驱动的数据质量检测工具，自动识别异常模式、自动补全缺失值、自动推荐数据标准，减少人工配置。

第二个方向是Agent化治理。工业AI Agent不仅能消费数据，还能反向治理数据。比如Agent发现某个传感器数据长期异常，可以自动触发工单，通知运维校准。

第三个方向是语义层标准化。随着工业大模型的发展，工厂数据需要一套统一的语义层，让不同厂商的Agent能互相理解。这可能会催生新的行业标准。

总的来说，工厂AI数据治理不是一次性项目，而是持续运营的能力。它决定了工厂AI是演示级还是生产级。把数据治理做扎实，AI Agent和工业大模型才能真正在车间里跑起来。