27. 制造业AI的“血液”:传感器、系统、人工,谁才是数据的“真命天子”?

在兰州石化油品调合中心，生产调度轻点鼠标，以往需要一个上午手动统计的全厂物料“日平衡”数据瞬间生成。这背后，是近8千条基础数据、1773条平衡公式在集成后的MES与ERP系统中自动流淌、计算。

在智能制造的世界里，数据被誉为驱动一切的“新石油”，是AI模型得以运转的“血液”。然而，当工厂决心引入AI，面对的第一个灵魂拷问往往是：数据从哪里来？是斥巨资部署传感器，是挖掘沉睡在MES、ERP里的系统记录，还是继续依赖老师傅的经验和纸笔？答案并非三选一，而是一场关乎成本、精度与智慧的“融合艺术”。

01 传感器数据：实时精确的“现场直击者”，但成本高昂

传感器数据是离物理世界最近的信号，如同为机器装上了永不疲倦的“感官”。它们直接采集设备的振动、温度、压力、图像等物理量，特点是高实时性、高客观性、高精度。

在铁路安全监测中，南京某高校的团队将碳纳米管传感器织成“感知网”，能“听”到铁轨0.1毫米的细微形变。在大型工程边坡监测中，“智能测量员”系统通过集成多类传感器，实现了毫米级变形数据的全天候自动采集，彻底告别了传统人工监测“看天吃饭”的局限。江苏小云智能科技为钢铁轧机部署的三轴温振传感器，每5分钟就能采集一次设备运行的三维波形数据，将故障识别准确率提升了40%以上。

然而，这种“直击现场”的能力代价不菲。传感器的硬件采购、安装部署、布线维护成本高昂。福特汽车在其德国电动汽车工厂引入无线传感器网络，一个重要驱动力就是为了破除传统有线传感器带来的 “线缆枷锁” ，以应对产线灵活调整的需求，并降低长期维护的复杂性。此外，海量高频的传感器数据对传输网络和存储计算资源构成了巨大压力。

02 系统数据：现成廉价的“历史记录簿”，但可能失真沉睡

系统数据主要指来自MES（制造执行系统）、ERP（企业资源计划）、SCADA（数据采集与监控系统）等业务系统的数据。它们记录了生产订单、物料消耗、工艺参数、工时、库存等业务信息。其最大优势在于 “现成” 和 “廉价” —— 这些系统企业通常已经部署，数据是业务运行的副产品。

兰州石化的实践展示了系统数据的巨大潜力。通过将MES平台与ERP系统无缝集成，企业构建了一个“数据湖”，实现了全厂物料数据的自动归集、按规则计算，数据提取和计算准确率达到99.9%，将生产平衡的核算周期从“月”缩短到了“日”。

但系统数据的痛点同样突出：

“不准”与“不全”：许多系统的历史数据依赖人工录入，错误率不低。一份报告指出，人工录入导致的平均错误率在3%-7%之间，任务繁重时更高。某电器企业在数字化转型初期就曾因不同基地数据采集标准不统一，导致数据无法整合，形成信息孤岛。
“滞后”与“失真”：数据从车间到系统存在时间差，管理层看到的可能是“过去时”。更棘手的是，出于绩效考量，人为修改数据（如虚报产量、瞒报废品）的情况并不少见，导致数据失去客观性。
“沉睡”的宝藏：大量非结构化的日志、文本记录（如维修报告、工艺日志）沉睡在系统中，未被有效利用。

03 人工录入数据：灵活智慧的“经验承载者”，但难以标准化

人工录入数据，即通过人工观察、判断并输入系统的信息，例如老师傅对设备“异常响动”的记录、质检员对复杂外观瑕疵的描述、维修工对故障根因的文字总结。这类数据的核心价值在于高度灵活性和承载了人类的隐性知识与上下文。

当AI视觉系统无法定义何为“感觉不对劲”的划痕时，当传感器无法判断设备异响背后的复杂原因时，人类的经验依然是无可替代的。这种数据是工艺诀窍（Know-how）和专家经验的直接载体。

但其缺陷与生俱来：

主观且不稳定：不同的人对同一现象的描述可能大相径庭，同一个人在不同状态下的判断也可能波动。
效率瓶颈与高错误率：纯手动录入效率低下，且如前所述，错误率高企。长时间重复录入导致的“视觉疲劳”，会使错误率显著上升。
难以追溯与结构化：纸质单据易丢失、损毁，信息流转慢。即便录入系统，非结构化的文本也难以被AI模型直接分析利用。

04 融合策略：“铁三角”构建可信数据基座

单一数据源无法支撑起可靠的工业AI。成功的路径是三者融合，扬长避短，构建一个立体的、互补的“数据铁三角”。

三类数据源的对比与融合定位

序号	数据源类型	核心特点	主要优势	关键缺陷	在融合体系中的角色
1	传感器数据	实时、客观、连续、高精度	反映物理世界真实状态，预警及时	成本高，部署维护复杂，数据量大	神经末梢”：提供实时、客观的物理信号，用于监控、预警和精准模型训练
2	系统数据	业务相关、结构化、历史性	成本低（已存在），涵盖业务全流程	可能不准、不全、滞后，存在人为干扰风险	“骨骼框架”：提供生产上下文和业务逻辑，用于宏观分析、关联挖掘和流程优化
3	人工录入数据	灵活、富含隐性知识、非结构化	承载人类经验与复杂判断，弥补机器盲区	主观、不稳定、效率低、难标准化	“智慧大脑”：输入专家规则、标注疑难样本、验证与修正自动结果，将隐性知识显性化

融合的关键路径

以系统与规则为纲，约束和引导人工录入：用数字化系统（如MES移动终端）取代纸质单据，通过下拉选择、扫码、表单自动校验等方式，将人工录入规范化、结构化。兰州石化的系统集成，本质上就是将人工核算规则（1773条平衡公式）固化到系统中，实现了从“人算”到“系统自动算”的转变。
以传感器为锚，验证和校准系统数据：用传感器采集的客观物理数据（如实际转速、温度），去校验和校准依赖人工报工的系统数据（如报工工时、设备状态），从而发现并纠正数据造假或误差。例如，通过振动传感器直接判断设备是否真在运行，而非依赖人工填报的“运行中”。
以人工知识为魂，标注和解释复杂数据：将老师傅的专家经验，转化为对传感器异常波形、系统报警记录的标注样本和判断规则，用于训练AI模型或配置诊断知识库。当AI遇到从未见过的复杂缺陷时，最终仍需人工介入判断，并将此次判断作为新样本反馈给系统，形成闭环。

当福特的无线传感器网络将设备状态实时上云，当兰州石化的MES与ERP让全厂数据透明流动，当老师傅的经验被转化为AI模型能理解的规则，我们看到的正是数据融合的终极形态。

它不再是简单的数据堆砌，而是构建了一个“传感器实时感知、系统逻辑串联、人工智慧点睛” 的协同网络。在这个网络中，客观数据验证业务流程，业务流程规范人的行为，人的智慧提升系统的智能。

通往工业智能的道路，始于对每一类数据价值的清醒认知和务实融合。最坚固的AI大厦，必定建立在传感器、系统与人这三根相互支撑的支柱之上。唯有如此，数据才能真正从成本变为资产，从噪声变为洞察，流淌出驱动智能制造的真实力量。

最后

文中提到的这些情况，在你的项目中是否也遇到过？评论区欢迎补充你的经验。

《智能制造中的人工智能：工程视角入门》系列文章，每周二、周五准时更新，全系列共50期。本期内容就到这里，感谢阅读，我们下期再见！