工信部刚部署了"人工智能+制造"行动，方向很明确——AI要在制造业大规模落地。
但我跟不少制造业IT负责人聊过，大家普遍的一个感受是：AI是好东西，但数据跟不上。
模型再好，喂进去的数据是垃圾，出来的也是垃圾。这句话在制造业尤其成立。
今天不聊AI算法多先进，聊聊AI落地的隐形前提——你的工厂数据，准备好了吗？
一、制造业的数据现状：有数据，但"不好用"
大部分工厂不是"没有数据"。每台设备上都有传感器，DCS、PLC、SCADA系统每天都在产生海量数据。
但"有数据"和"数据可用"是两回事。
问题一：数据分散，各系统各自为政
一个中型制造工厂，通常有这些系统在跑：
- MES（制造执行系统）管生产
- SCADA管设备监控
- ERP管订单和财务
- WMS管仓储物流
- EHS管安全和环保
- 还有各种设备自带的控制系统
每个系统都有自己的数据格式、存储方式、时间戳标准。数据散落在五六个甚至十几个系统里，格式不同，口径不同，时间戳对不上。
想做排产优化？排产需要的数据在MES、WMS、SCADA里都有，但三个系统的数据拼不到一起。想做质量预测？质量数据在MES里，设备数据在SCADA里，环境数据在EHS里，对不上号。
问题二：采集频率不统一
有些关键设备的数据采集频率是秒级的，有些是分钟级的，还有些设备的数据是靠人工巡检每隔几小时记录一次。
当你试图用这些数据做分析时，时间维度对不齐——A设备每秒一个数据点，B设备每小时一个数据点，怎么对比？
问题三：数据质量参差不齐
传感器有噪声，数据有缺失，有些数值明显是异常值但没有被标记。更麻烦的是，有些关键参数根本没有传感器——全靠人工抄表，抄表的时间不固定，记录的精度也因人而异。
问题四：数据"看不到"
有些数据虽然在系统里，但系统之间没有打通。设备数据在SCADA里，但MES看不到。MES的生产数据，ERP看不到。想做跨系统的关联分析，得先把数据导出来手工拼表——效率低，还容易出错。
这就是大部分制造业的数据现状：不是没数据，而是数据"不好用"。
二、AI对数据的真实要求
理解了数据现状，再看看AI到底需要什么样的数据。
1. 实时性
AI做预测、做决策，需要的是"当前"的数据，不是昨天的、上周的。
比如AI要做设备故障预测，需要实时的振动、温度、电流数据。如果你给的是昨天人工抄表记录的数据，AI预测的结果没有任何意义。
2. 完整性
AI模型的训练和推理需要完整的数据序列。数据缺失会导致模型预测偏差，甚至直接报错。
比如排产优化需要所有设备的实时状态数据。如果某台设备的状态数据缺失了，排产引擎就不知道这台设备现在能不能用，排出来的计划可能把任务分配给一台已经故障的设备。
3. 一致性
不同来源的数据要在时间、口径、格式上对齐。否则AI在做关联分析时会得出错误结论。
比如做质量分析时需要把工艺参数（来自MES）和设备参数（来自SCADA）关联起来看。如果两个系统的时间戳对不上（差了几分钟甚至几小时），关联结果就不可靠。
4. 可信性
数据要真实反映实际情况，不能被人为篡改或误录。
在合规场景下（如环保排放数据、药品生产记录），数据的可信性直接关系到法律合规。如果数据被认定"不可信"，不管实际情况如何，处罚先来。
三、工业物联网：把"不好用的数据"变成"AI可用的数据"
怎么解决上述问题？答案就是工业物联网平台。
工业物联网平台的核心价值，是把分散在各系统中的设备数据统一采集、统一治理、统一管理，形成一个"可信的数据底座"。
具体来说，它解决四个问题：
1. 统一采集：不管什么设备，都能连进来
工厂里的设备品牌五花八门，通信协议各不相同——Modbus、OPC UA、MQTT、Profinet、EtherCAT……
工业物联网平台要做的第一件事，就是把这些不同协议的设备统一接入。不管你的设备是什么品牌、什么年代，只要能输出数据，就能接入平台。
支持Modbus、MQTT、OPC UA、HTTP等主流工业协议，并且支持边缘计算节点，可以在设备端就近完成数据预处理。
2. 统一治理：让数据"对得上"
不同设备的数据频率不同、格式不同、时间戳不同。物联网平台要做数据清洗和标准化：
- 时间对齐：所有数据统一用统一的时间戳格式
- 频率标准化：根据业务需求设定统一采集频率，高频场景秒级，中频场景分钟级
- 异常值处理：自动识别和标记明显异常的数据点（如温度突然跳到...°C）
- 缺失数据补全：对于短暂的数据中断，用插值等方法补全
3. 统一存储：所有数据汇聚到一个"池子"里
不再需要从五六个系统里分别导出数据再手工拼接。所有设备数据、传感器数据、环境数据，都汇聚在物联网平台上，统一存储、统一管理。
做排产优化时，直接从平台拉取设备状态数据；做质量分析时，直接从平台拉取工艺参数数据；做能耗分析时，直接从平台拉取能耗数据。
4. 统一服务：让数据"流"起来
物联网平台不只是"存数据"，还要"服务数据"。
- 实时推送：设备数据变化时，实时推送给需要消费的系统（如排产系统、告警系统）
- API接口：提供标准化API，让其他系统可以方便地查询和调用数据
- 边缘计算：关键告警在设备端就能处理，不需要等数据传到云端再返回
四、物联网+AI：1+1>2 的协同效应
物联网平台解决了"数据可用性"问题，AI解决了"数据价值"问题。两者结合才能产生真正的价值。
场景一：设备预测性维护
物联网平台实时采集设备振动、温度、电流数据 → AI模型分析数据趋势，预测设备故障概率 → 当预测故障概率超过阈值时，自动触发维护工单 → 维护计划同步到排产系统，在设备故障前安排停机维护。
从"事后维修"变成"预测性维护"，减少非计划停机时间。但如果没有物联网平台提供实时、可靠的设备数据，AI模型就无从分析。
场景二：智能排产
物联网平台实时采集设备状态和产线进度 → AI排产引擎基于实时数据做排产优化 → 设备故障或进度偏差时自动触发重排 → 新计划实时下发到车间执行。
从"经验排产"变成"数据驱动排产"，排产效率和准确性大幅提升。但同样，排产引擎需要物联网平台提供实时的设备状态和产线进度数据，否则排出来的计划跟实际脱节。
场景三：合规数据管理
物联网平台实时采集环保排放数据、设备安全数据 → 数据自动打上时间戳、设备标识，不可篡改 → 异常数据实时告警 → 自动生成合规报表，一键导出供监管检查。
从"人工做台账"变成"数据自动合规"，大幅降低合规成本和风险。但前提是物联网平台能提供可信、完整、可追溯的数据。
五、落地建议：从"数据基础"开始
如果你的工厂想推进"AI+制造"，但数据基础还不扎实，建议分三步走：
第一步：先把关键设备连上网
不需要一下子把所有设备都联网。先找到对生产影响最大的关键设备（通常是瓶颈设备、高价值设备、安全风险高的设备），把它们连上物联网平台，实现数据的实时采集。
这一步的重点是"跑通"——验证协议兼容性、数据采集频率、边缘计算能力。
第二步：建立数据治理规范
数据采集上来以后，要有清晰的数据治理规范：
- 统一数据格式和时间戳标准
- 定义数据质量检查规则（异常值检测、缺失值处理）
- 建立数据保留和归档策略
这一步的重点是"数据可用"——让采集上来的数据真正能被分析和应用。
第三步：在数据基础上叠加AI应用
数据基础打好后，再根据业务优先级选择合适的AI场景切入。设备多的工厂先做预测性维护，排产复杂的工厂先做智能排产，合规压力大的工厂先做合规数据管理。
六、结语
AI的能力上限，取决于数据的质量和可用性。
工厂里的数据基础——设备联网率、数据实时性、数据治理水平才是决定AI能否真正落地的隐形门槛。
工业物联网平台不是"锦上添花"，而是"AI+制造"的地基。地基没打好，再好的AI也站不稳。
0.3版本如何解决0.1版本的致命缺陷？)
