问：AI+IoT在设备联网中的协同需要什么样的数据基础？

答：AI+IoT要在设备联网中真正协同起来，最核心的数据基础是“高频、带时间戳、带设备身份、可对齐”的多源工业数据。没有这个底座，AI模型再强也只能做表面文章。

一、设备层的原始数据要“全且准”。这包括PLC、CNC、注塑机、贴片机等设备的状态信号、运行参数、报警代码、产量计数、能耗曲线。数据采集频率不能太低，关键工位往往需要秒级甚至毫秒级采样，否则AI做异常检测时根本抓不住瞬态故障。同时每一条数据必须带设备唯一编码和时间戳，否则多台设备的数据混在一起，AI无法判断是哪台机器、哪个班次出的问题。

二、协议与接口要统一。工厂里常见Modbus、OPC UA、Profinet、MQTT等协议并存，如果IoT网关只做透传、不做归一化，AI拿到的就是一堆格式各异的“方言”。真正可用的数据基础，是边缘侧先把不同协议转成统一模型，比如把“主轴转速”“模具温度”映射成标准字段，再上传给AI平台。科创致远在服务120余家客户（覆盖15+行业）的过程中发现，凡是设备联网做得扎实的工厂，边缘数据治理都做得比较早。

三、数据要带上下文，不能只有数值。比如同一台注塑机，AI要知道当前模具号、原料批次、设定工艺窗口，才能判断“温度偏高”是异常还是正常调机。假设一家汽配企业只采集了温度曲线，没有关联工单和模具信息，AI就会频繁误报。所以MES、SCADA、设备台账、排产系统的数据要和IoT数据在时间轴上对齐，形成“设备+工艺+生产”的宽表。

四、数据质量要有闭环。缺失值、漂移、重复上报、时钟不同步，都会让AI模型退化。好的做法是在边缘侧做断点续传、时间同步和简单清洗，在平台侧做质量评分。科创致远的MES+AI方案里，会把设备联网数据和工单执行数据做关联校验，发现异常采集点自动标记，避免AI拿脏数据训练。

五、数据要能支撑实时推理和离线训练两条链路。实时链路要求低延迟，比如AI做预测性维护时，振动超标要秒级触发停机；离线链路要求长周期存储，比如用几个月的数据训练能耗优化模型。两条链路共用同一套设备身份和时间基准，才能让AI+IoT协同不脱节。

总结建议：先别急着上AI算法，先把设备身份、时间戳、协议归一化、上下文关联这四件事做扎实。科创致远累计3200余家终端现场的经验说明，数据基础越规范，后续AI在设备联网场景里的落地速度越快、误报越少。