我见过最离谱的事情，是有个工厂老板，花了三百万上了一套大数据平台，然后指着屏幕上的柱状图问我：这玩意儿怎么帮我省钱？说实话，那时候我真想抽支烟冷静下——大数据不是神仙水，对吧？你得知道它到底在干嘛。

传感器吐出来的数据，你敢直接用？

工业现场什么环境？高温、振动、电磁干扰。传感器传回来的数字，有时候就是一堆垃圾。振动传感器上个月报了个峰值，50毫米/秒，吓死人了，赶紧停机拆轴承——结果发现是老鼠爬过线缆，蹭出来的信号。❗ 这就是80%时间花在数据清洗上的原因。你指望AI模型能从垃圾里看出黄金？做梦。

时序数据库的选型也是个坑。有些IT出来的工程师，张口闭口Hadoop、Spark，但在车间里，一秒上百个测点，你要的是毫秒级响应，不是批处理。InfluxDB、TDengine这些才是正道——不过话说回来，TDengine的社区版有时候抽风，内存泄漏搞得你半夜起床。

工业传感器数据采集故障波形图

问：为什么我的预测模型上线就崩，离线精度明明很好？
答：因为离线用的数据是清洗过的、工况稳定的。现实呢？今天电压波动，明天原料批次变了，后天地脚螺栓松了。你的模型根本没学过这些异常。工业大数据最怕的，就是闭门造车。你得把模型丢到现场，让操作工骂你两句，再回来改——迭代三五次，能跑满三个月不报警，才算初步靠谱。

预测性维护，不是魔法

有一回，我给一家注塑机厂做方案，他们非要搞深度学习，要预测螺杆断裂时间。我直接说：这玩意儿断之前电流会波动，扭矩会下降，你装个边缘计算盒子，做简单的阈值判断加趋势分析就够了。杀鸡非要用牛刀？结果他们不听，花了半年采集数据，模型刚上线，螺杆断了两根——因为训练数据里就没包含这种突然断裂的模式！ 💡 所以，别一上来就迷信复杂模型，工业里，机理模型+数据驱动的混合方式，往往最稳。

还有一种痛：数据孤岛。生产部的MES系统、设备部的振动监测、质量部的三坐标测量数据，根本不通。你让大数据分析师跨部门要个数据，比讨债还难。最后拉通的数据湖里，一半是重复的，一半是缺失的。这种环境，搞什么数字孪生？——勉强搞出来的也是僵尸孪生，不会喘气的。

预测性维护系统实时监控界面

问：怎么判断传感器数据异常是真实故障还是误报？
答：看连续性和相关性。单点突变，持续不到3个周期，大概率是噪声。如果多个相关性测点同时漂移，比如振动和温度一起爬，那赶紧查设备。还有个小技巧——对比历史相同工况下的数据包络线，超出往最大范围10%以上，就要警惕了。这些规则，需要工艺老师傅拍脑袋定，不是算法能自动发现的。

边缘计算：别把所有数据都往云端扔

边缘计算：别把所有数据都往云端扔

上了一套IoT平台，把500台设备的每秒数据全传上云，一个月后收到账单，老板脸都绿了——流量费加云存储，快赶上设备折旧了。工业大数据不是数仓里的表，它有极强的时效性。很多数据，几秒钟后就失去价值了。所以现场需要边缘计算：就近处理，该报警报警，该聚合聚合，只把统计值和异常事件上传。这才是可持续的模式。

现在已经有工厂这么做：在PLC旁边挂一个工业网关，跑容器化的流处理引擎，用CEP（复杂事件处理）语言写规则。一旦工艺参数跑偏，直接触发分拣装置，把废品踢出来——根本不用绕一圈云中心。这种响应速度，才是工业该追求的。不过实施起来，OT和IT人员的扯皮，又是另一场大戏。

说穿了，大数据在制造业要落地，技术只占三成，剩下的都是人对流程的重新设计，以及对数据的敬畏之心。别把它当成IT项目，否则必死。