导读

数据治理的第一步，不是补自动化，也不是上大屏，而是给产线立三层模型——静态、动态、治理。

这篇文章讲清三件事：验收标准只有一条——产线可用；关键动作只有一个——给产线立模型；落地路径只有一条——盘、模、接、治、用、运，顺序不能反，基础不牢别谈 AI。

同一条产线上，一头还是纸质工单，另一头已经在自动上传数据。

有的工序靠老师傅记录和口头交接；有的设备 PLC 天天在采数，却没几个人看；有的区域 SCADA、MES、ERP 都在跑，彼此之间互不通气。

这不是哪家厂没跟上，这是大多数工厂的长期状态：不是"没数字化"，而是"不均匀地数字化"。

工业智能的基础是数字化，数字化的基础是数据接入。可当同一个厂里手工、自动化、数字化同时存在，很多人的第一反应是：把落后的补上来。

补自动化当然对，但它解决不了眼下的数据问题——设备改造以年计，而产线的数据每天都在产生。

等不起的这段时间里，最该先做的事，恰恰是把模型立起来。

先把验收标准定下来：产线可用

做数据治理之前，先回答一个问题：做给谁看？

工业数据治理的核心目标只有一个：服务产线、确保产线可用。离开这条标准，治理很容易跑偏——变成比谁接的点位多、谁的报表漂亮。

产线不关心报表，它只关心三件事：

可信：数据准不准、有没有出处、口径是否一致。调度敢不敢按它做决定，全看这一点。

可控：谁能看、谁能改、数据流向哪里。出了异常，能不能查到源头、及时止损。

可靠：该到的时候到不到、断不断。产线三班倒，数据也不能停。需要建立兜底机制解决数据传输问题的风险

这三条，就是数据上线前的验收单：一条不满足，宁可不接。

数据治理做得好不好，不看报表有多漂亮，要看产线敢不敢用它做决定。

第一步不是接数据，是给产线建模

那具体怎么接？

很多工厂的做法是：MES 连 ERP，ERP 连 SCADA，设备直连平台，一个系统对一套接口。结果是接口越接越多，像一张蜘蛛网；换个系统，全部重来；手工环节的数据，永远进不了这张网。

换个思路：不按系统接，按产线里的"对象"建模。设备、物料、工单才是数据的天然挂点——系统只是对象的一件衣服，衣服会换，对象不换。

一个完整的产线模型，要覆盖三层：

• • 静态：实体、属性、关系——有什么，长什么样。
• • 动态：状态、事件、动作、时间——在发生什么，此刻怎样。
• • 治理：约束、标识、责任、质量——凭什么可信、可控、可靠。

下面逐层展开。

静态层：先说清"有什么"

静态回答的是：产线上有哪些对象，它们长什么样。

• • 实体：设备、物料、工单、人员。数据的"户口"。
• • 属性：型号、规格、量纲、精度、采样频率。同一个实体在不同系统对不对得齐，全看属性口径。
• • 关系：谁属于谁、谁加工谁、谁供应谁。设备挂在产线上，工单落在工序上。

这一层最像"档案"。不管数据是手工来的还是自动来的，先得知道记的是谁、记的是什么。

手工时代，这些信息也在——在台账上、在交接班本里。建模不是发明新东西，是让它们变成数据世界里有名有姓的成员。

动态层：再说清"在发生什么"

动态回答的是：产线此刻怎么样，正在发生什么。

• • 状态：运行、停机、维修、待料。产线此刻什么样。
• • 事件：报警、故障、工艺切换的触发点。状态为什么变，答案在事件里。
• • 动作：派工、切换、报工、停机。下一步做什么。
• • 时间：每个状态和事件发生在哪一刻。产线数据时序相关，没有时间，一切都对不上。

这一层最容易漏掉事件。只记状态、不记事件，就像只有病历、没有病因——知道它停了，不知道为什么停。

举个例子："3 号炉当前温度"是状态。有传感器的设备自动采，手工工序按规程人工录。温度超限是事件：自动设备自己报，手工工序由操作工按规程上报。来源成熟度不同，但在模型里，它们是同一个字段、同一个口径。

治理层：最后回答"凭什么信"

数据挂上模型还不够，还要回答三个问题：可不可信、谁负责、能不能用。

• • 约束：工艺范围、节拍、公差。什么允许，什么不允许——数据合不合规，规则说了算。
• • 标识：设备和物料有没有统一编码。同名不同物、同物不同名，是数据打架的源头。
• • 责任：谁录、谁改、谁审核。每一行数据都要能追到人。
• • 质量：准不准、全不全、有没有出处。质量规则不是事后检查，要在接入时就带上。

对应到数据管理里：约束与标识属"数据标准"，责任属"数据治理与安全"，质量属"数据质量"——这正是能力域划分。

静态是骨架，动态是血肉，治理是免疫系统。

落地六步：盘、模、接、治、用、运

模型是地图，流程是走路。真正落地，顺序一步都不能反——不盘清不建模，不建模不接入，不验收不上线，不用起来不算数。

六步归三段：盘、模——把模型立起来；接、治——让数据通起来；用、运——把价值做出来。

① 盘：盘清家底，先别接数据。

以产线为轴，从原料进场走到成品出厂，逐道工序问四件事：谁在做、数据在哪里（纸、表，还是系统）、成熟度是哪一档、痛点是什么。

产出的不是一份报告，是三张清单：对象清单、数据源清单、成熟度与痛点地图。同时定人：业务牵头、IT 支撑，每条产线都有明确的数据责任人。这一步先不产出数据，只产出建模的底稿。

② 模：立好模型，把语言的规则定下来。

就是前面说的静态、动态、治理三层。再统一编码与口径：设备、物料、工序各一套编码；"产量""停机"这些词，全厂只允许一个定义。

存量系统不用推倒重来——治理在模型层做，系统是衣服，模型才是身体。

③ 接：分级接入，先接影响产线可用的。

排序标准不是系统新旧，而是"缺了它，产线会不会出事"。

能自动的，走自动化通道：PLC、传感器、SCADA，用 OPC UA（IEC 62541）这类标准协议，或者 MQTT（ISO/IEC 20922）加 Sparkplug B 这类消息规范。

接不了系统的环节，留人工入口——扫码报工、终端录入都算接入。前提是：进模型、进流程、有人负责。命名层级可参照 ISA-95（IEC 62264）的"企业—工厂—区域—工作中心—工作单元"。

数据接得全，不如接得清楚；接得清楚，才治得下去。

④ 治：上规则，每一步都过验收。

规则不贪多，按验收标准来：质量与口径保"可信"（准不准、全不全、一数一源）；权限与留痕保"可控"（谁能看、谁能改、可审计）；时效与容错保"可靠"（到得及时、不断供）。

发现异常，不是躺在报表里，而是自动回到责任岗位。每一批数据上线前，用"可信、可控、可靠"过一遍：一条不满足，就不放行。

⑤ 用：找个场景，跑通闭环。

选一个产线痛点——设备异常响应、瓶颈工序进度、质量追溯——让数据能触发动作：报警、派工、叫停。

数据一旦能驱动动作，业务方就会主动要数据。到这一步，治理才算被证明有价值。

⑥ 运：把治理变成日常，再谈智能。

定度量（数据质量、场景使用率、问题闭环率），写进岗位职责；模型和规则复制到下一条产线——复制的是模型，不是又上一套系统。

基础扎实了，再往模型治理和 AI 走。

有人会问：这么一步步走，是不是太慢？混线工厂最怕的从来不是慢，是接了一堆数据，产线一样用不上。

别倒着来：先基础，再智能

最后说顺序。

"传统数据治理是基础，AI 数据治理是升级，两者相辅相成、不可或缺。"顺序做反，代价很大。

传统治理的对象主要是数据本身：主数据、业务数据、报表数据，管的是标准、质量、权限。

到了 AI 阶段，治理对象扩展到"数据 + 模型 + 训练与推理过程 + 输出结果"——数据治理的一次小疏漏，会变成模型每一次回答的偏差。

治理清单也跟着加长：偏见与公平、幻觉与事实一致性、数据与模型双重安全、可解释与可追溯。这些不是等模型上线才想，而是在数据阶段就要埋好伏笔。

基础不牢，模型越聪明，错得越快。

所以路线图是四步：夯实数据治理基础 → 建立模型治理体系 → 构建 AI 运营闭环 → 释放业务价值。混线工厂也不例外，只是基础这一段，要走得更扎实。

回到车间

不用等全厂自动化，从一条产线开始，先做四件事：

一，盘：挑痛点最明显的那条产线，一页纸盘清对象、数据源、成熟度和痛点。

二，模：把这条产线的核心对象（设备、物料、工单）统一编码和口径。

三，接与治：接一批、验一批，"可信、可控、可靠"不过关就不上线。

四，用：挑一个能触发动作的场景跑通，让产线先尝到甜头。

不是把工厂推倒重来，而是让三种方式，说同一种语言。

如果你们厂也在手工、自动化、数字化混着跑，把这篇文章转给负责数字化的同事——先盘清，再建模，再接入。