工业 AI 需要什么数据：数据清单与采集规范

结论先说：工业 AI 不缺"数据越多越好"的口号，缺的是一张对齐场景的数据清单。 质检要的是带标注的缺陷图像，预测维护要的是长周期、带健康标签的设备时序，工艺优化要的是参数与结果的配对记录——三种场景要的数据形态、采样率、标注方式完全不同。开工前先按场景把清单列出来，再对照工信部的分类分级指南定管理等级，比"先把所有数据都采上来"省至少一半工期。

一、先认清：工厂里只有四类数据形态

很多项目第一步就走错：把"数据"当成一个整体去谈。工程上，工业数据按形态只有四类，每类的采集方式、存储成本、AI 可用性完全不同：

数据形态	典型内容	采集方式	存储量级（参考）	直接可训练性
图像/视频	外观照片、X 光片、红外热像	工业相机、定时抓拍	单张 0.5–8 MB，日产 GB–TB 级	低：必须人工/半自动标注
时序信号	振动、温度、电流、压力	传感器 + 边缘采集，1 Hz–数十 kHz	单点位年 GB 级，全厂 TB 级	中：需对齐工况与健康标签
工艺参数	配方、温度曲线、速度设定	PLC/SCADA 读寄存器	小，全厂年 GB 级以内	高：本身结构化，但常与结果脱节
业务记录	工单、质检单、维修单、物料批次	MES/ERP/Excel 导出	小	中：字段口径混乱是常态

判断一个场景能不能做 AI，先问一句：这个场景需要的是哪一类数据，这一类数据现在有没有、采没采、标没标。 三类里断任何一环，模型都无从谈起。

二、按场景开清单：三种主流场景各要什么

不要泛泛地"建数据中台"，按场景开清单才是工程做法：

场景	核心数据	辅助数据	最小启动量（工程实践共识，非标准）	常见缺口
AI 视觉质检	缺陷图像（含良品对照）	光照参数、工件批次、换型记录	每类缺陷 100–500 张起步	缺陷样本少、成像不一致
设备预测维护	振动/温度/电流时序	维修工单、换件记录、工况标签	覆盖 2–3 个故障周期的连续数据	故障样本稀缺、工单与信号对不上
工艺参数优化	参数设定 + 产出结果的配对记录	原料批次、环境温湿度	数百到数千组有效配对	参数与结果分属两个系统、无法关联

注意第三列的口径：这些是行业工程实践的普遍经验区间，不是国标或论文结论，实际数值随缺陷类型、设备种类浮动很大，只能用于立项估算，不能写进验收条款。

宏观数据能佐证这张清单的紧迫性：国家数据局《全国数据资源调查报告（2024 年）》（2025-04 发布）显示，2024 年全国数据生产总量达 41.06 ZB、同比增长 25%，其中制造、金融、交通物流三个行业数据生产总量位居前三；同期用于人工智能开发、训练和推理的数据量同比增长 40.95%，结构化数据总量同比增长 36%。也就是说，工业侧的数据"产量"不缺，缺的是能直接进训练管线的"合格品"——产量与可用量之间的落差，正是清单要解决的事。

三、采集规范：五要素写进点位字典

清单定了之后，采集环节要有规范，否则采回来的还是废料。工程上每个数据点位至少登记五个要素：

1. 点位标识：唯一编码（设备号_传感器号_物理量），禁止中文别名直接入库；
2. 时间戳基准：统一时钟源（NTP/PTP 对时），多设备联动分析时，毫秒级漂移就会让因果判断失真；
3. 采样率与触发方式：连续采样还是事件触发，振动信号通常 10 kHz 起步，温度 1 Hz 足够，不要一刀切；
4. 单位与量纲：kPa 还是 MPa、℃还是华氏，写进字典而不是靠人记；
5. 语义标签：该点位归属的工况、批次、产品型号——没有标签的时序数据，后期基本无法用于监督学习。

数据流向示意：

传感器/相机/PLC ──► 边缘采集网关 ──► 时序库/对象存储 ──► 标注与清洗 ──► 训练样本集
      │                  │                  │                 │
   点位字典          时间戳对齐          原始数据留存      标签回流
   (五要素)          (统一时钟)         (不改写)          (闭环)

两条纪律：原始数据落库不改写（清洗、插值都生成新副本），标签必须回流（质检复判结果、维修结论要回写到对应时段的数据上，否则样本永远停在第一天的水平）。

四、存储与成本粗算

采集规模可以直接估算，立项前先算一遍：

def estimate_storage(points, rate_hz, bytes_per_sample, days=365):
    """时序数据年存储量粗算（未压缩）"""
    per_day = points * rate_hz * bytes_per_sample * 86400
    return per_day * days / 1e12  # TB

# 例:200 个时序点位,平均 100 Hz,每样本 8 字节
ts_tb = estimate_storage(points=200, rate_hz=100, bytes_per_sample=8)
print(f"时序数据年存储约 {ts_tb:.1f} TB(未压缩)")

# 图像:单工位每 2 秒一拍,单张 2 MB,双班 16 小时
imgs_per_day = 16 * 3600 / 2
img_tb = imgs_per_day * 2 / 1e6 * 365
print(f"单工位图像年存储约 {img_tb:.2f} TB")

跑出数量级之后就能回答两个现实问题：边缘侧缓存留几天、原始数据是全留还是按规则降采样留存。振动这类高频信号常见做法是"原始波形短期留存 + 特征值长期留存"，存储量可以砍掉一个数量级。

五、分级管理：先分类分级，再谈共享与上云

数据清单不是采完就完事，还要定管理等级。工信部《工业数据分类分级指南（试行）》（工信厅信发〔2020〕6 号）给出了官方框架：工业数据按研发、生产、运维、管理、外部五个数据域分类，再按遭破坏后的潜在影响分为一、二、三级。落到执行上：三级的核心工艺参数原则上不共享、不出厂；一级、二级数据在完成评估后可以进入共享和训练流通。这个分级直接决定哪些数据能上云训练、哪些必须本地闭环——安全合规不是最后补的手续，是清单设计阶段的输入条件。

能力底座的成熟度也有国家标准可对齐：DCMM（《数据管理能力成熟度评估模型》GB/T 36073-2018）把数据管理拆成数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生存周期八个能力域。据中国电子技术标准化研究院在第四届数据治理年会上披露（2025-11），全国 DCMM 贯标企业已突破一万家（10,448 家），其中制造业占比约 42%、在所有行业中占比居首——说明"按标准管数据"在制造业已经从可选项变成基础动作。

行业热度也在往同一方向走。工信部 2026-10 公示了 253 家卓越级智能工厂拟入选名单，"人工智能+制造"行动前三季度已在 20 个行业形成 1000 多个应用场景；本周乌镇峰会期间，运营商发布的工业数据加工平台也把"把图纸、老师傅经验和系统数据加工成模型可用的形态"作为卖点（综合证券时报、人民网 2026-11 报道）。政策与产业的共识很一致：智能化的瓶颈不在算法，在数据能不能被整理成模型吃得进去的样子。

小结

工业 AI 的数据问题，本质是一道清单题：按场景确定需要哪类数据 → 按五要素规范采集 → 按数量级估算存储 → 按五域三级定管理等级。先把清单和规范这两张纸写出来，比先买平台、先建中台都更接近落地。

常见问题

Q：工业 AI 需要什么数据？
按场景定：视觉质检要标注过的缺陷图像与良品对照，预测维护要覆盖多个故障周期的设备时序加维修标签，工艺优化要参数与产出结果的配对记录。四类形态（图像、时序、工艺参数、业务记录）至少有一类必须完整闭环，否则模型无法启动。

Q：数据量要多大才够做工业 AI？
没有统一下限。工程实践共识是：缺陷图像每类 100–500 张可启动验证，时序类需覆盖 2–3 个完整故障周期，工艺配对数据数百到数千组。这些是非标准的经验区间，只能用于立项估算。小样本场景可走预训练模型加少量微调的路线，不必等攒齐海量数据。

Q：老厂没有数据积累，从零开始怎么做？
先按场景开清单，只采清单上的点位，别全量铺。从单条产线、单一工位起步，把点位五要素和时间戳对齐做好，三个月就能积累出第一批可标注样本；同时按工信部分类分级指南给数据定级，避免后期返工。

---

关于作者：云湃智算（VASTIQ）是一家制造业 AI 技术团队，持续分享工业数据与 AI 落地的工程实践。