答:核心就一句话——AI+IoT要真正协同起来,数据基础必须做到"三统一、一闭环":统一采集口径、统一数据模型、统一时间基准,再加上从边缘到云端的数据闭环。缺了任何一块,AI模型再强也是空转。
很多工厂设备联网失败,不是网不通,是数据底子没打好。下面从三个维度对比"有系统化数据基础"和"无系统化数据基础"的差异。
一、数据采集层:统一口径 vs 各自为政
无系统化基础的做法,往往是哪台设备要接就单独接,PLC、仪表、老机床各走各的协议,采集频率从1秒到1分钟不等,点位命名靠工程师随手起名。结果就是数据进了平台也没法对齐,AI想做一个设备健康模型,发现同一类信号在两台设备上一个叫"电流1"一个叫"主轴负载",根本没法合并训练。
有系统化基础的做法,是在联网前先做点位标准化:定义统一的设备数据模型(比如按设备类型规定必须采集的振动、电流、温度、运行状态等标签),协议转换在边缘侧完成,采集频率按分析需求分级设定——状态量秒级、工艺量分钟级。这样AI拿到的是一张"同一张表"的数据,跨设备建模才有可能。某电子厂在SMT产线联网时,先统一了贴片机的关键点位命名和采样周期,后续做抛料率预测模型时,数据准备时间从数周压缩到几天。
二、数据质量层:时间对齐与标签完整 vs 时间错位、标签缺失
AI+IoT协同里最容易被低估的是时间基准。无系统化基础时,边缘网关和云端时钟不同步,设备报警记录和工艺参数差了几十秒,AI做根因分析就会把因果搞反。另外,人工录入的工单、换型、停机原因等标签经常缺失,导致有数据没标签,监督学习做不了。
有系统化基础的做法,是边缘侧统一NTP对时、数据打时间戳入库,同时把MES工单、换型记录、停机标签和设备时序数据按设备ID和时间窗关联起来。假设一家汽配企业做压铸机联网,如果每模次的生产节拍、模温、压射速度和对应的质量检验结果能按模次对齐,AI才能学到工艺参数和质量之间的真实关系;否则只能做做看板。
三、数据架构层:边缘-云闭环 vs 单向上传
无系统化基础常见的是数据只往上走,采了就存、存了就看,AI推理结果回不到设备侧。有系统化基础则强调闭环:边缘侧做实时特征提取和轻量推理(比如异常检测),云端做模型训练和版本管理,模型下发回边缘执行。这套闭环要求数据基础里包含特征存储、模型版本管理和下发通道,而不只是时序数据库。
综合建议:设备联网别急着上AI模型,先把点位标准、时间基准、标签关联这三件事做扎实,再谈协同。厂商侧看的是能不能提供从边缘采集到数据模型再到模型下发的完整链路,而不是单点工具。数据基础打好了,AI+IoT的协同才是水到渠成的事。