摘要：本文结合离散制造车间数字化改造的实际项目经验，聊一聊工业多源异构数据融合处理落地过程中的真问题、常见坑和可复用的解法，给准备做车间级数据融合的工程师做参考。
我三年前牵头做华东某主机厂配套冲压车间的数字化改造，一开始就栽在数据融合上。那时候满网都是讲数据融合的概念，真拿到现场一堆数据才发现，跟论文里说的根本不是一回事。
为什么工业数据的“异构”比你想的更头疼
很多人对多源异构的理解，就是几个不同设备来的数据罢了。差太远了。
就说我那个冲压车间，有服役超过10年的老冲压床，输出的是4-20mA模拟量信号，只有压力、温度两个参数，一秒采样一次。有新进的六轴机械手，走PROFINET总线，十几二十个信号，一毫秒刷新一次。有MES系统导出来的批次生产报表，是带格式的Excel，里面混着人工录入的换模记录。有质检工位的工业相机，拍的是工件表面的缺陷图，还有三坐标测量机输出的txt格式坐标报告，测一个零件十分钟才出一组结果。
格式不一样，采样频率差十万八千里。时间轴都对不齐啊。
我上次见一个同类型项目，花了三百万搭了行业知名厂商的数据平台，结果最后算设备OEE的时候，把加工时间和换料时间对错了，误差超过20%。老板脸都绿了。说实话，工业数据的异构，本质不是格式问题，是数据产生的场景逻辑不一样对吧？传感器数据是过程量，质检数据是结果量，管理数据是统计量，根本不是一套逻辑。
还有最容易踩的坑，语义异构。比如说“设备运行时间”，PLC里统计的是通电时间，MES里算的是实际加工时间，名字一模一样，含义差了十万八千里。我刚做这个项目的时候，就是在这里卡了快一周，才找出融合结果不准的原因，懊恼得整周失眠都不为过！
落地能用的工业多源异构数据融合处理逻辑
我现在做项目，从来不用那种花里胡哨的炫技算法，三步走，稳得很，完全符合GB/T 39116-2020《智能制造 能力成熟度模型》里对车间级数据融合的要求。
第一步，工序锚定时间对齐。别上来就搞线性插补硬对齐，根本不准。所有数据都以单个工序的加工窗口作为锚点，比如冲压一个零件，从上料卡紧到下料完成，这个时间区间就是锚点，不管你原来采样频率是多少，哪怕你十分钟才出一个三坐标测量结果，只要这个结果对应这个工序的零件，就往这个锚点上挂。一下子就解决了不同频率数据的对齐问题，误差比硬插补低了快15个百分点，这是我现场跑了三个月实测出来的结果。
第二步，分类型特征归一化。不是说把所有数据都转成浮点数就叫归一化了。图片数据就用预训练CNN提好特征存成固定长度向量，文本类的工艺要求、人工记录就用轻量分词模型转成嵌入向量，模拟量传感器数据就做[0,1]缩放归一化，所有特征最后统一到同一个向量空间，维度太高就用t-SNE降维，对中小规模车间数据来说，足够好用，推理速度比那些复杂的大模型降维快十倍都不止，算力成本直接砍半。
第三步，缺失数据的加权填充。工业现场哪有不丢包的？老设备信号断个几秒太正常了，传感器偶尔漂移出个 outliers 也很常见。别直接删，也别用平均值填充，用同工序同批次同型号零件的历史特征做加权填充，我实测下来，误差比平均值填充低12%左右，比直接删除数据对模型精度影响小太多。
实际项目里的选型权衡，别被概念忽悠
很多人一来就问，我要做数据融合，到底上数据湖还是数据仓库？说实话，中小企业搞车间级融合，别上来就整数据湖。存一堆原始异构数据，查询慢死，维护成本高到离谱，大部分中小企业的团队根本养不起。
我做过十几个千万级以下的车间数字化项目，10亿条数据以内的规模，用轻量化数据仓库+特征前置处理的方案，足够用，整体成本只有纯数据湖方案的三分之一，查询速度还快三倍，香得很。不过话说回来，要是你做的是集团级十几个工厂的全链路融合，那当我没说，数据湖该上还是得上。
算法选型也是这个道理。很多人迷信大模型融合，说效果好。我上次在一个二十台设备的五金加工车间，试了两种方案：大模型做端到端融合，和用随机森林做特征层融合，结果大模型准确率只高了不到2%，推理速度慢了十二倍，项目成本差出了八个数量级，你说选哪个？
还有一个忠告，千万不要把不同工序的数据硬融在一起。冲压和焊接本来就是两个独立工序，数据逻辑完全不一样，硬融在一起只会出来一堆垃圾结果。先分模块做特征层融合，最后再做决策级融合，准度能提上去好大一截。
结论：工业多源异构数据融合处理，核心从来不是搞多么先进的算法，堆多么昂贵的硬件。先把现场数据的逻辑理清楚，把脏数据的坑填上，贴合自己工厂的生产规模和模式选方案，比什么都重要。很多项目死就死在上来就追概念，忘了数据融合本来就是为生产服务的。
