工业数据治理是什么？数据标准、质量规则与责任分工

工业数据治理是围绕生产数据的定义、责任、质量、安全和变更建立共同规则，使不同设备与系统产生的数据能够被正确关联、解释和使用。工厂接入了设备数据，并不意味着数据已经可用：同一个“产量”字段可能分别表示累计计数、当班完成量或检验合格量，直接汇总会得到不同结果。

对已经建设生产看板、质量追溯或工业人工智能应用的团队，治理工作的起点是明确一项业务结果需要哪些可信记录。工业大数据讨论数据的规模、类型与应用，本文进一步解释这些数据怎样形成统一口径，并在出错或变更时找到负责的人。

工业数据治理与数据采集、清洗有什么区别

数据采集解决“怎样取得记录”，例如从设备控制器读取计数、从执行系统取得工单。数据清洗解决某批记录中的具体错误，例如识别重复事件、转换单位。数据治理决定哪些字段算同一种数据、由谁确认含义、哪些记录允许进入报表，以及规则改变后怎样处理历史结果。

例如，两套系统分别将“停机”记录为没有加工和设备故障。即使采集没有丢包、字段也都不为空，两个停机时长仍不能直接比较。生产与设备人员需要先约定状态分类，数据团队才能写出相应转换和校验逻辑。IBM对数据治理的说明也将政策、标准、职责和数据全生命周期管理放在一起，而不只讨论清洗工具。

设备接入、通信协议和边缘缓存的具体方法，可结合工业数据采集理解。治理需要利用这些机制，但不能靠增加采样频率解决业务定义冲突。

主数据、业务记录与元数据分别管理什么

工厂数据标准首先要让不同系统识别同一个生产对象，再说明对象发生了什么。建议把下面三类数据分开管理，同时保留它们之间的关联。

数据类别	工厂中的例子	治理重点
主数据	设备、物料、工序、工厂及其编码	唯一标识、名称映射、有效时间和维护责任
业务与时序记录	工单报工、物料消耗、检验结果、温度测量	发生时间、对象关联、数量口径、状态与来源
元数据	字段含义、单位、采样方式、计算逻辑和版本	让使用者知道记录如何产生、适合怎样使用

设备叫“1号机”不足以跨车间关联。可以为设备设置稳定的内部标识，并维护它在控制器、生产执行系统和维修系统中的名称映射。设备改名或迁线时更新归属关系，不应把历史记录无条件改成新产线的记录。

主数据管理也不等于所有系统使用同一张表。企业可以保留专业系统，只要明确哪个系统负责创建或批准对象、其他系统怎样同步、映射何时生效。元数据则解释编码之外的含义：一个数值字段即使类型一致，也可能一个按“件”、一个按“箱”记录。

怎样把“产量”写成可执行的数据标准

数据标准不能只写字段名和格式，还应回答“数的是什么、在什么时点确认、什么情况下不能使用”。下面以离散制造产线的一条报工记录为教学示例，字段名称是示例约定，不是通用强制标准。

要明确的内容	示例规则
对象与粒度	一条记录对应一个工单、一道工序、一次报工事件；设备和物料使用稳定编码
数量和单位	完成量按件记录；区分本次增量与设备累计读数；合格量以已完成检验的结果为准
时间归属	保存事件发生时间与接收时间；使用明确时区及工厂班次日历归属班次
唯一性	事件使用可重复识别的编号；同一编号重传不再累计数量
状态与版本	区分正常、待确认、已撤销记录；关联当时有效的工艺和规则版本
责任与去向	生产确认报工含义，质量确认检验结果，数据团队实施转换；异常进入待处理清单

假设设备累计计数从12420增加到12540，在确认期间没有复位、溢出或计数口径变化后，本次增量是120件。如果同一批120件已经全部完成检验，其中5件不合格，合格量才是115件。累计值12540、增量120和合格量115都是有效数字，但不能放在同一个“产量”列中相加。尚未检验的产品也不能先计为合格。

如果设备换班时将计数清零，差值出现负数，应识别复位事件或用其他可靠记录重建增量，而不是把负值直接改为零。否则看板虽然恢复为正数，却掩盖了这段数据是否缺失的问题。

时间戳和质量状态为什么必须随数值保存

一条设备记录应尽量保留数据源时间、平台接收时间和质量状态，而不只保留数值。例如，事件发生于工厂当地23:59:58，网络恢复后在次日00:00:05进入平台。如果按接收时间归班，临近换班的产量就可能被放进下一班。跨时区工厂可统一存储时间基准，同时保留本地时区与班次规则，报表按业务所在地解释。

OPC统一架构（OPC UA）区分源时间戳与服务器时间戳。源时间戳由数据源赋予；服务器时间戳反映服务器收到数值或确认其准确的时间。它们不是可随意互换的同一个字段，也不等于业务事件一定发生在该时刻，仍需了解设备和采集程序的赋时方式。

时间不连续也未必等于丢数据。按固定周期采样、按变化上报和设备停机期间的记录规律不同，应先明确预期采集方式。质量异常或通信中断时保留的“最后有效值”，不能不加状态地当成新的实时测量值；用于历史分析时，应保留异常标记和处理依据。

工业数据质量规则怎样落到生产场景

数据质量需要按用途判定。月度能耗分析能接受的延迟，不一定适合实时异常告警；合乎格式的数据，也不一定反映现场事实。IBM的数据质量维度说明提供了准确性、完整性、一致性、及时性、有效性和唯一性等常用分类。将这些分类落到产量记录，可以形成以下检查。

检查方向	具体检查	发现异常后
完整性	必须有工单、工序、数量、单位和事件时间；按实际采集模式检查缺段	保留缺失标记，找到源记录；不把缺失填成实际零产量
唯一性	同一事件编号不能重复增加产量	保留重传日志，业务汇总仅采用一次
有效性	单位、类型、状态编码及业务允许范围符合约定	无法可靠转换的记录暂缓进入正式指标
一致性	同口径、同时间范围的报工与后续记录可以对账	拆出在制、待检、返工等差异，不强制改成相同总数
及时性	事件到达延迟满足该应用的要求	迟到记录补算时保留报表修订时间
准确性	抽样记录能与现场实物、计量或独立业务凭据对应	定位计数触发、人工填报或测量校准问题

检查通过只说明满足已经设置的规则。把合格量误定义为完成量后，系统仍可能做到“字段齐全、没有重复”，所以规则需要由懂生产含义的人确认。准确性不能仅凭格式校验得出，也不应将所有不满足规则的原始记录直接删除。

数据责任、权限与变更怎样分工

可将责任划为业务定义、日常维护和技术实施三部分。生产负责人确认报工与班次含义，质量负责人确认检验状态；数据维护人员处理编码冲突和异常记录；信息技术与自动化人员维护接口、采集和规则执行。企业规模较小时可以一人兼任，但同一字段仍需有明确的最终确认人，不能只写“由IT负责”。

权限跟随具体职责设置。看报表、改映射、改历史数据和批准指标规则属于不同操作，应分别授权并保存操作记录。数据保留周期、外部共享和跨地区使用要求，应结合实际数据类别与工厂所在地确定，不宜用一套通用期限覆盖所有记录。

以“合格量统计时点”改变为例，变更前先找到使用该字段的报表和接口，记录新定义、生效日期、影响范围及审批人；用相同样本按新旧规则各算一遍，解释差异后再切换。历史报表需要标明采用哪个规则版本，是否追溯重算也应明确。这样，数字改变时才能区分实际生产变化和统计规则变化。

从一个生产场景开始，怎样判断治理已经有效

建议从已有报表争议最多、业务结果明确的一项任务开始，例如让一个车间的班次完成量与检验记录可以解释一致。沿着“原始记录—对象映射—转换规则—汇总结果”追踪数据，先形成可运行的最小范围，再复制到其他产线。这里的“一致”是能够解释差异，不是强行让报工、入库与合格数量相等。

验收时可以实际回放重复报工、断网补传、设备复位、跨班到达和检验撤销等场景，确认规则产生预期结果，异常能够分派到责任人，修正不会抹掉原记录。再从报表抽取一个数字，逆向查到其事件、转换版本和源凭据，验证数据血缘是否可查。

治理运行后的衡量可使用“必要字段缺失记录数÷应检查记录数”“首次之外的重复接收条数÷收到事件总条数”等明确定义的指标，同时观察待处理异常和重开问题。每项指标都需说明范围与时间窗；不同采集方式、不同产品的样本不要不加区分地混算。判断工业数据治理是否有效，最终要看同一个业务问题能否被稳定解释，以及错误和规则变更能否被追踪、处理和复核。

参考资料

• IBM：What is data governance?，治理定义、职责与框架。
• IBM：What are data quality dimensions?，常用质量维度及按用途评估原则。
• OPC Foundation：OPC UA Part 4，SourceTimestamp与ServerTimestamp，两种时间戳的定义。