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AI112 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。