答:5G+AI要在智慧工厂里真正跑起来,数据基础的核心不是"数据量大",而是"时序数据采得全、传得稳、标得准、存得下、取得到"——缺了任何一环,AI模型都只是实验室里的演示。5G解决的是"传"的问题,AI解决的是"算和判"的问题,但两者都架在数据底座上。具体来说,需要具备五个层面的基础。
一、设备层的高频时序数据采集能力
产线上的PLC、CNC、机器人控制器、视觉相机、振动传感器、电表水表,都要能按统一时间戳输出数据。5G+AI的典型场景——比如多路高清视频质检、AGV协同调度、机械臂远程控制——对采样频率要求差别很大:视频质检需要25~60fps的连续帧,振动监测可能需要每秒数千点的采样率,而能耗数据分钟级就够。数据基础的第一关,是搞清楚每类设备该采什么、采多快,并且支持OPC UA、Modbus、Profinet等主流工业协议解析,不能靠人工抄表补数据。
二、确定性的网络传输与时延保障
5G在工厂里不是替代有线,而是补有线到不了的地方——移动的AGV、旋转的机械臂、临时布线的检测工位。数据基础要求网络能提供分级的服务质量:控制类指令端到端时延通常要在10~20毫秒以内,视频回传可以放宽到几十毫秒,但抖动要小。同时要支持5G LAN、TSN协同、边缘UPF下沉,让数据在厂区内闭环,不必绕到公网。假设一家汽配企业的冲压车间,如果5G时延抖动超过阈值,AI视觉判定就会因为帧不同步而误判,这不是算法问题,是数据链路问题。
三、统一的数据模型与时空对齐
工厂数据最麻烦的地方是"同一时刻、不同来源、口径不一"。PLC里是毫秒级状态位,MES里是工单批次,ERP里是物料编码,视觉系统里是缺陷坐标。数据基础要求建立统一的对象模型和时间基准,把设备、工单、物料、人员、位置关联起来,做到按时间戳和产线工位可追溯。没有这层对齐,AI做根因分析时只能看到孤立的异常点,说不出"是哪批料、哪台机、哪个班次"。
四、边缘与云端的分层存储和治理
5G产生的数据量很可观,一路高清视频一天就可能几十GB。数据基础要分层:边缘侧保留秒级到分钟级的实时数据用于闭环控制,厂级平台保存数月用于模型训练和回溯,云端做跨工厂的模型迭代。同时要有数据清洗、缺失值处理、标签管理机制——尤其AI质检的缺陷样本标签,需要工艺工程师参与标注,否则模型学不到真实判据。数据治理还包括权限和脱敏,涉及工艺参数的敏感数据要有分级管控。
五、面向AI的数据服务接口
数据存下来不等于能用。基础要求是能通过标准API或数据服务层,把时序数据、图像数据、标签数据按需供给训练平台和推理引擎,支持特征工程和数据集版本管理。某电子厂的假设场景里,SMT产线要做焊点缺陷检测,如果每次换型都要重新导数据、重新对齐,AI上线周期就会被拖得很长。
相关追问一:5G和Wi-Fi 6在工厂数据采集上怎么选?
不是二选一。Wi-Fi 6适合固定工位、对时延要求不苛刻的办公和扫码场景;5G更适合移动设备、大上行视频回传和需要网络切片隔离的生产控制。很多工厂是两者共存,按场景分级。
相关追问二:老设备没有数据接口怎么办?
先做设备联网改造,通过加装边缘网关采集电流、振动、温度等外挂信号,再逐步替换支持OPC UA的新控制器。不要一上来追求全量数据,先锁定一条产线、一个场景做通。
相关追问三:数据基础建设大概要投入多少、周期多长?
取决于产线数量、设备协议复杂度和是否需要5G专网。影响因子主要是:边缘网关数量、5G基站与UPF部署方式、平台软件许可、以及数据治理的人力投入。建议按"单场景试点—单产线复制—多厂推广"三步走,每步都设可验证的指标,而不是一次性铺开。
适合与不适合的边界:这套数据基础适合设备联网率较高、有明确质检或调度痛点的离散制造和流程行业工厂,尤其是多品种小批量、换型频繁的场景,数据价值密度高。不适合的情况是:产线设备老旧且短期无改造计划、生产节拍极不稳定、或者连基础的MES工单数据都还没跑通——这种阶段先把信息化底座补齐,再谈5G+AI,否则投进去的网络和算力会空转。判断标准很简单:能不能说清楚"哪个工位、哪类数据、支撑哪个AI判据",说不清就先别上。