摘要：很多制造工厂花大价钱上了数字化系统，采集了海量车间数据，却始终挖不出数据价值，核心问题就是跳过了基础的数据治理环节。本文结合实际驻场项目经验，拆解车间数据治理落地的核心坑点与实用方法，适合负责车间数字化改造的工程师参考。
我去年在东莞长安给一家做汽车底盘零配件的加工厂做MES二期改造，刚进场就碰到老板拍桌子骂，说前前后后花了近四百万上系统，连个准确的设备综合效率OEE都算不出来。导出来的数据一塌糊涂。同一个零件号有三种写法，换模时间有的算计划停机有的算故障停机，传感器采集的温度数据跳变点比正常点还多。
为什么你采了几百个点，还是做不出可用的分析模型
很多工厂的数字化路径错得离谱。老板一听数字化转型好，直接拍板买系统装传感器，以为把数据攒起来就能出效益。完全没想过，数据本身要是脏的、乱的、标准不对，再牛的算法也出不了正确结果。
就说刚才那个汽配厂，他们要做刀具寿命预测，模型跑出来准确率不到40%。我拉了一周的原始数据一看，同一个批次的零件，因为换了班组录数据，零件编码加了不同的后缀，系统直接识别成两种产品，刀具切割的参数自然对不上。
说实话，车间数据治理第一步从来不是搞算法搭数据湖，是定规则。按照GB/T 39116-2020《智能制造 能力成熟度模型》里的要求，核心生产数据必须先统一编码、统一分类、明确权责。谁产生数据谁负责维护，错了谁改，标准是什么，写得明明白白，才能往下走。很多团队跳过这一步，上来就搞上层应用，最后全是无用功。
落地车间数据治理的三个核心细节，都是踩坑踩出来的
第一个细节，数据采集的颗粒度，不是越细越好。很多工程师追求参数全、频率高，觉得越全越好。那个汽配厂原来给每台数控车床的主轴每秒采一次温度，一年下来存了快20T数据，真正用的时候，大部分都是没用的噪点，清洗数据花了我半个月时间。其实你要做刀具磨损预测，每分钟采一次完全够了，既省存储，又降低清洗难度。
不过话说回来，颗粒度怎么定？要看你要用数据做什么。要做产能统计，按班次采总产量就行；要做设备故障预警，那振动、温度就得按分钟采。没有通用的标准，完全看业务需求。
第二个细节，脏数据的预治理，要放在端侧，别全推到云端。很多工厂把数据全传到云端再统一清洗，成本是端侧预治理的三倍还多。比如操作工输错零件编码，不符合你定的编码规则，端侧采集程序直接弹窗拦下来，改对了再上传，这不比你到数据湖里捞脏数据舒服？
第三个细节，数据标准要动态更，别追求一步到位。我之前碰见过一个工程师，花了半年时间做全工厂的完美数据标准，写完的时候，车间已经换了三轮新产品，原来的编码规则直接废了一半。真的犯不上。先治理核心业务需要的数据，比如OEE相关、产能相关、质量相关的核心数据，其他的慢慢扩，小步快跑比什么都强。
怎么算你的车间数据治理做成了？两个硬指标
别搞那些虚头巴脑的KPI，什么数据覆盖率90%以上，说出去好听，没用。我判断成不成，就看两个硬指标。
第一个，核心生产指标的计算误差小于5%。你拿系统算出来的OEE，找三个不同班次的老班长现场人工统计三天，算出来的差值不超过5%，说明你的数据基本是准的，能用。超过5%，不用想，肯定哪里的规则定错了，回去改。
第二个，指定数据的调用响应时间不超过10秒。你要调过去三个月某台机台的某类生产数据，输完条件十秒内能出结果，而且拿到就能用，不用你再改格式清错漏，这就算合格了。
还有最关键的一点，很多工厂搞错了牵头部门。把数据治理全扔给IT部门，生产部门当甩手掌柜，最后出来的标准肯定不对。你想想，车间里换模的时候，哪种情况算待料停机哪种算计划维护，只有天天在现场的班组长说得清，IT工程师坐在办公室怎么可能想得到？必须生产一线牵头，IT做工具做支持，才能出来符合实际的规则。对吧？
那个东莞汽配厂做完基础数据治理之后，不到一个月，OEE直接提了8个点，没加一台设备，没多招一个人，纯靠把原来错算漏算的产能挖出来，就是这么实在。
车间数据治理从来不是什么高大上的玄学问，就是给你的生产数据理清楚家谱，定好规矩，让数据能用。别上来就玩概念堆设备，先把核心数据理清楚，该改的规则改了，你就能拿到属于你的隐形产能。
