工业数据质量

Summary

系统阐述工业数据质量的六大维度（完整性、准确性、一致性、及时性、唯一性、有效性），典型质量问题场景（传感器死值/跳变/漂移、数据缺失、时间漂移、单位不统一、编码不一致），三类检测方法（规则引擎、统计检测、AI检测），以及五步质量治理闭环流程（检测-标记-隔离-修复-验证）和质量评分模型。

Key Claims

• 数据质量六大维度：完整性（25%权重）、准确性（25%）、及时性（20%）、一致性（15%）、唯一性（10%）、有效性（5%）
• 传感器是最常见的质量问题的来源：死值（持续上报同一值）、跳变（瞬时异常值）、漂移（精度下降）
• 检测方法分三层：规则引擎（阈值/格式/逻辑规则）、统计检测（3sigma/箱线图/变化率）、AI检测（Isolation Forest/AutoEncoder/时序异常检测）
• 质量治理五步闭环：检测（Detect）→ 标记（Tag）→ 隔离（Isolate）→ 修复（Repair）→ 验证（Verify）
• 实施建议：抓主要矛盾（优先影响OEE和良率的数据），源头治理（在采集层解决），业务参与

Connections

• 工业数据治理框架 — 数据质量是治理框架中最核心的主题
• 数据采集层架构 — 采集层的源头质量控制是数据质量的第一道防线
• 实时数据流水线 — 质量检测嵌入实时流水线，在流处理环节进行实时检测
• 数据血缘与元数据管理 — 质量问题在血缘图上标注，实现影响分析
• 工厂主数据管理 — 编码不一致是典型的数据质量问题
• DataGovernance — 数据质量管理是数据治理的核心组成