★ FEATURED ARTICLE 采集系统的价值不在"采到"，而在"让数据变得可用"。先说一个真实的失效场景。某产线做了能耗采集，月底拿系统报表和电表台账对账，差了【6000】度。查了一圈：采集没断、数据库没丢、接口没报错。真正的原因在加工环节——电表是累计量，中间翻过一次表（累计值归零重新计数），程序把它当成一次正常读数，末值 - 初值算出一个巨大的负增量，后面的统计全被带偏。这类问题的共同特征是：系统全程健康，只有结果是错的。采集、传输、存储任何一个环节出错都会有报警，唯独加工环节算错了，什么都不会发生。一、地基：先让数据变"干净"，再谈分析分析方法的正确性建立在数据质量之上。GIGO（Garbage In, Garbage Out）在工业数据上格外成立，因为工业数据的错误往往在合理值域内，肉眼根本看不出来。1.脏数据的四类类型典型表现来源质量位非 Good第三篇讲的 Bad / Uncertain通讯超时、传感器故障死值 / 卡值连续 N 个周期完全不变断线后保持末值、程序写死物理不可能值超量程、温度 −999、设备运行中电流为 0标定错、单位错、寄存器错位非物理跳变一帧内变化超出物理上限干扰、数据错位2. 异常值不要急着删很多人第一反应是"把异常值过滤掉"。这个动作本身没错，错在不分类、不标记、静默丢弃。正确做法是分三类处理：确认为故障（质量位 Bad、超量程、死值）→ 剔除，标记为"无效"，不参与统计疑似工况变化（在量程内、变化率在物理可能范围内）→保留，这往往就是被测对象的真实行为无法判定→ 保留原值 + 打标，交给下游决定静默丢弃是最危险的做法。一天少了几百个点，平均值悄悄偏移 0.3%，没有人会发现，但这个数会被写进报表、写进考核。3. 两个容易被忽略的点① 无效率本身要当指标监控。无效点占比突然升高，通常意味着传感器故障或通讯劣化。这个信号的诊断价值高于数据本身——它能在数据彻底断掉之前就暴露问题。② 死值检测不能一概而论。窗口内max == min判为卡值，听起来合理，但液位在停产后本来就是恒定的。所以死值检测必须结合设备运行状态：只有"状态为运行 + 数值恒定"才判为卡值。没有运行状态信号时，退而求其次的做法是把判定时长拉长到"远超该量的正常变化周期"。三、时间对齐：多源数据先落到同一根时间轴分析很少只看单个测点。温度 30 秒、振动连续、能耗 5 分钟——三种周期的数据要放在同一张报表里，就得先对齐。1. 用哪个时刻对齐第三篇讲过三个时刻：计划时刻（Bucket）、实际采集时刻、设备侧时标。分析一律用计划时刻。原因是：实际采集时刻带调度抖动和采集耗时，用它对齐，不同测点的偏移各不相同，跨测点的相关性分析会失真；设备侧时标用于追溯单条数据的来源
阅读完成 · 觉得有帮助？
