4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

问:AI运维(AIOps)在制造IT系统里落地,到底需要什么样的数据基础?

答:AIOps在制造IT系统能不能跑起来,关键不在算法多先进,而在有没有"够用、够准、够连续"的四类数据底座——指标、日志、链路追踪和事件工单,缺一类,告警收敛和根因定位就会退化成人工排查。

一、指标数据要覆盖"IT+OT"两层,不能只盯服务器

制造IT和纯互联网不一样,机房里的服务器CPU、内存、磁盘IO只是半张图,另一半在车间:MES/ERP中间件的JVM指标、数据库连接池、工业网关的端口流量、边缘节点的温度与心跳。采样粒度建议核心系统15秒到1分钟,边缘设备可放宽到1分钟以上,但时间戳必须统一对齐,否则跨层关联就是空谈。指标基数要控制,标签维度别无限膨胀,不然存储和查询成本会先压垮项目。

二、日志要结构化,非结构化日志等于没采

很多工厂的IT日志散在应用目录、Windows事件查看器、网络设备Syslog里,格式五花八门。AIOps需要的是带时间戳、主机名、服务名、级别、TraceID的结构化日志,建议统一走Syslog或OpenTelemetry协议归集。某电子厂的假设场景里,MES应用日志和数据库慢查询日志如果没打上同一笔订单的关联ID,出了卡单问题,算法也只能给出"疑似数据库慢"这种没用的结论。

三、链路追踪是制造IT的短板,要补

制造企业普遍没做分布式追踪,但ERP、MES、WMS、SRM之间调用链很长。建议在关键业务流路上埋OpenTelemetry探针,至少覆盖订单下发、工单流转、库存过账这几条主链路。有了TraceID,AIOps才能把"某台应用服务器响应慢"定位到"某个SQL拖垮了下游过账接口"。

四、事件与工单数据是AIOps的"老师"

历史告警、工单记录、变更记录、值班排班,这些是训练告警收敛和根因推荐模型的标注数据。假设一家汽配企业过去两年攒了几万条工单,其中"重复告警""误报""变更引发"这几类标签如果没打,模型学不会区分噪声和真故障。建议先做半年到一年的工单标签治理,再谈智能降噪。

相关追问:数据量要多大才够?不是越多越好,核心是覆盖率和时间跨度。关键系统指标覆盖率达到90%以上、日志留存30到90天、工单标签完整度超过70%,通常就能支撑第一阶段的告警收敛和异常检测,规模因子取决于系统数量和告警日峰值。

相关追问:老设备没有数据接口怎么办?通过工业网关做协议转换(Modbus、OPC UA转MQTT),或旁路镜像网络流量做被动采集,别指望一次性全量改造,先覆盖高价值产线和核心IT系统。

相关追问:数据质量怎么把关?重点看三条:时间同步是否统一到NTP、标签是否规范、缺失率是否可控。时间戳错乱是AIOps项目最常见的隐形杀手。

适合与不适合的边界:系统数量在几十套以上、告警日峰值过千条、已有基本监控和工单体系的制造企业,适合启动AIOps数据底座建设;如果IT系统不足十套、告警靠人盯、连CMDB都没有,先把监控和配置管理做扎实,再谈AIOps更划算。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商生态里,能提供从数据采集到运维平台完整链路的方案更省心,但选型时重点看它对你现有OT协议和工单体系的兼容度,而不是功能清单长度。

所属分类: AI-FAQ