OT 数据治理的底层逻辑:为什么工业时序数据不能套用 IT 主数据治理

引言

一家大型钢铁企业的 OT 点位规模通常是几十万到上百万量级:永钢公开报道的采集点位为 40 多万个,南钢已建成百万级工业 OT 点的数据资产地图。按 10 万点、1 Hz 估算,每日原始数据约 138 GB,一年约 50 TB——这还只是一个中等规模产线的量。

面对这个体量,最常见的起手式是“建个中台、把数接进来、做几张报表”。但这条路径在钢铁行业反复失败,原因不在投入不够,而在于把 OT 数据当成了“另一套业务表”。

一、八个结构性差异

维度IT 业务数据OT 时序数据治理含义
产生方式人录入或事务触发设备按周期采样,无人值守无法靠“录入校验”保证质量
写入特征读多写少,可更新可删除写多读少,只追加,历史不改修正只能新增标注,不能改历史
时间语义业务时间,精确到天或秒采样时标,毫秒级,多时钟源时标本身就是治理对象
数据结构表结构稳定,变更走流程点位随技改频繁增删元数据版本必须可追溯
数据量GB—TB 级TB—PB 级存储必须分层,否则成本失控
语义来源业务规则写在文档里语义藏在寄存器表、程序里语义不显式化就等于没有
变更影响改表影响下游报表改地址影响整条追溯链变更必须联动校验
责任人业务部门仪表、电气、工艺、信息化交叉责任天然模糊,必须显式定义

第三行和第八行最容易被低估。时间语义的差异决定了“对时”必须单独立项;责任的交叉决定了治理必须靠机制,不能靠某个能人。

二、直接套用 IT 方法的三个失效

不是 IT 治理方法错了,而是移植时目标变了。

失效一:一物一码只管住了名字。 IT 主数据治理的核心是统一编码,消除“同一个供应商三个编码”。搬到测点上也成立——但只统一命名不够。两条都叫 TEMP_01 的测点,可能一个是 1 Hz、一个是 10 s,一个是原始值、一个是滤波值。名字统一了,口径没统一,关联分析依旧错。

失效二:去重合并毁掉了时间序列。 IT 数据去重是去掉重复记录。时序数据里,“相同数值”往往是有效信息:稳定工况下温度就是长时间不变。把它当重复合并,等于把“稳定”误判成“没采到”,还会掩盖真正的冻结故障。

失效三:抽检式稽核看不见断联。 IT 质量稽核常按比例抽检。时序数据的问题往往是整段整段缺失(网关掉线、通道超时),抽检 1% 恰好避开的概率很高。完整性必须用“时间轴覆盖率”算,不能抽检。

这三条失效指向同一个结论:OT 治理的度量对象是“时间轴上的连续性”和“测量过程的可信度”,而不是“记录的正确性”。

三、标准给了什么

国内已有可用的度量依据,不必自创体系。

GB/T 36344—2018《信息技术 数据质量评价指标》(2018-06-07 发布,2019-01-01 实施,现行)给出六个维度:规范性、完整性、准确性、一致性、时效性、可访问性。这是国标层面最直接的依据。

DB15/T 1873—2020《大数据平台 数据接入质量规范》 在此之上扩到八维,增加了唯一性与关联性,更贴近接入场景。

GB/T 36073—2018(DCMM) 提供的是组织能力视角:8 个能力域、28 个能力项。需要注意该版本已于 2026-07-01 被代替,引用时应说明版本。

六维落到 OT 上,每一项的含义都会变形:

国标维度在 OT 中的具体化可度量的指标
规范性测点编码、单位、量程、命名符合编码规则台账合规率(合规测点数/总测点数)
完整性时间轴上应有的点是否都有覆盖率(实到点数/应到点数)、最大连续缺失时长
准确性值是否反映真实物理量与标准表比对偏差、超量程比例、冻结比例
一致性同一物理量在不同系统的值是否一致跨系统同测点差异率、单位统一率
时效性数据到达延迟P95 延迟、迟到点比例
可访问性能否被查到、被调用元数据完备率、接口可用率、查询 P95 响应

这张表的用处是把“数据质量差”翻译成可以派工单的语言。说“准确性 92%”,比说“数据不太准”有用得多。

四、三条验收线

治理是否有效,不看接了多少点,看三条线能不能过。

可存储接进来、查得到可计算有单位、有口径、能聚合可追溯批次可回放、来源可查可复用被多个场景调用

图 1:从“存进来”到“被复用”的四级台阶,每上一级都要付出额外治理成本

可计算:有单位、有量程、有采样口径、有聚合规则。反例是只有裸值和时间戳的曲线——能做趋势图,算不了吨钢能耗,因为不知道单位是 kWh 还是 m³。

可追溯:给定一炉钢,能回放它在各工序的全部关键参数,并回答“这条数据来自哪个通道、是否插值、质量如何”。反例是报表里一个漂亮的均值,但没人能说清它是由哪 3 个测点、什么窗口、剔除了哪些点算出来的。

可复用:同一份治理后的数据被质量、能耗、设备三个场景共用,而不是每个场景各自再洗一遍。判据很朴素:新场景接入时,需要重新写 SQL 还是直接调接口。

五、四个行业约束

约束一:高温、连续、强耦合。 高炉、转炉、连铸一旦启动不能中断,治理动作(补采、重算、切库)都必须在不影响生产的前提下完成。IT 系统里“停机清洗”的思路在这里不成立。

约束二:ISA-95 的跨层语义断裂。 数据在 L1/L2 产生,业务在 L3/L4 消费。

L4 ERP / 经营层L3 MES / 制造执行L2 SCADA / 过程监控L1 PLC / 控制器L0 传感器 / 执行机构语义断裂带点位 → 业务对象秒级 → 班次级

图 2:L2 与 L3 之间的语义断裂带——值的密度变了,解释也断了

断裂带上有两处损耗:一是粒度(秒级点变成班次汇总),二是语义(AI_102 变成“2 号转炉氧枪流量”)。不治理这一层,数据在 L3 就只剩数字。

约束三:AI 对可解释性的要求。 模型训练需要知道每个特征的工艺含义、采样条件、异常处理方式。一条不知来自哪台设备、是否插值过的样本,进了训练集就是噪声。

约束四:标准在形成,机制没跟上。 行业已有针对性标准(如 T/DASIV 002-2025《钢铁行业设备智能运维标准体系》,2025-10-23 发布、10-24 实施;团体标准另有数据采集与治理相关规范)。标准解决“应该怎么做”,落地还靠跨 IT、OT、工艺、设备、安全多部门的协同机制。

六、三个常见误区

误区一:先建平台,后定规则。 平台三个月能上线,规则讨论半年没结论,结果平台上线即返工。规则可以先粗后细,但不能没有。

误区二:把点位数量当治理成果。 接了 100 万点,覆盖率 60%、语义完备率 10%,实际可用性远低于精心治理的 10 万点。

误区三:认为质量码是采集软件的事。 质量码是数据契约的一部分:谁生成、谁传递、谁消费、含义如何,必须在制度里定义,否则各系统各写一套,下游无法判断。

七、四个动作

  1. 先建一本测点台账,包含唯一编码、设备归属、单位量程、采样周期、责任人、质量码规则。
  2. 按六维建度量口径,每维给出可计算的分母与分子,季度出分。
  3. 明确一处语义层,把点位映射成设备、工序、物料、指标四类对象。
  4. 选定一个场景跑通闭环,用可量化效果(追溯时间、对账差异率)证明价值,再扩展。

八、结论

OT 数据治理不是把 IT 治理的方法搬过来改一改,而是承认三件事:

  • 时序数据的正确性由时间轴上的连续性和测量过程的可信度决定;
  • 语义必须显式化,否则数据只能看不能算;
  • 治理的验收标准是“能不能被第二个场景复用”,不是“接了多少点”。

理解了这三点,后面的对象、链路、时标、指标才有落点。