5G全连接工厂数字化如何实现突破？数据治理先行能带来哪些实质性改变？

我这两年跑过七八个挂了“5G全连接工厂”牌子的厂区，长三角的、成渝的都有。有的厂区里 AGV 跑得挺欢，摄像头架了一排，大屏上滚动着实时曲线，但季度经营会开的还是那几张手工 Excel。这事我印象特别深——5G 全连接工厂真正的卡点，八成不在网络侧，而在数据侧。

网络解决的是“数据能不能传回来”，数据治理解决的是“传回来的东西是谁的、对不对、能不能算”。这两件事差了整整一个层级。我见过一条产线上了 5G 专网，时延压到 20 毫秒以内，结果视觉质检的模型换了三个型号就全废了，因为样本照片没有按型号、批次、工位打标，模型喂进去的就是一锅粥。也见过 AGV 调度系统上线三个月还在人工兜底，原因说出来有点朴素：同一个 M8 螺栓，PLM 里一套码、ERP 里一套码、WMS 里又来一套，AGV 认不出这是同一个东西。

所以我的判断很直接：数据治理要往前挪，挪到网络规划之前，或者至少同步启动。先建网后治数，等于先把水管铺满全厂，回头发现水源是浑的、阀门型号还各不相同。代价不是多花一笔钱，而是前面那些 5G 应用的投资回报被无限期延后，业务侧的耐心是有限的，一轮做完看不到数，第二轮预算就很难批下来。这篇文章我想把这些年看到的东西摊开讲：哪些场景真的被数据卡住了，堵点长什么样，什么情况下该先治数，以及我通常会怎么排这个顺序。

我一般会拿一张场景清单去对。5G 在工厂里的典型用法就那么几类：机器视觉质检、AGV 与柔性调度、设备预测性维护、能耗管理、AR 远程运维、产线数字孪生。每一类往下拆，都能拆出一串对数据的前置要求，而这些要求往往在网络方案评审的时候根本没人提。

拿机器视觉来说，模型本身不是最难的，难的是样本集。缺陷样本有没有按产品型号、批次、光照条件、工位编号打标？没有的话，这个模型只在你训练它的那个型号上有效，换型就得重来，一条多品种小批量的产线一年换几十次型，模型维护成本直接失控。这类问题不是算法团队能自己解决的，它本质上是一个数据标准加数据集管理的问题。

这张表我通常会在项目启动会上直接摆出来，让业务口的人自己勾：这几个场景你今年要做哪几个，对应的数据你手上有没有。大部分工厂勾完之后会发现，真正稀缺的不是 5G 模组和基站，而是那份能对上号的物料与设备台账。

说白了，5G 是通路，数据是货。路修得再好，货是混装的、没有标签、收货方还不认，这条链路就只是个技术演示。

项目上常见两种走法。一种是“网络与应用先行”，先把专网铺开，挑一两个看得见的场景做样板，比如 AGV 或者视频回传，做出效果再逐步扩展。另一种是“数据治理先行”，先花三到六个月把主数据、数据标准、数据资产目录理出个样子，再往上叠应用。

这两种走法没有绝对的对错，但它们的成本曲线和风险点完全不同。我见过不少企业选第一种，前三个月很热闹，第六个月开始沉默，因为要扩场景的时候发现基础不牢，每加一个场景都要重新对一遍数。

我的经验是：多品种小批量、系统超过五套、还打算上 AI 质检或预测性维护的工厂，一定要把数据治理塞进第一期，哪怕只做物料和设备两条主数据线。反过来，如果工厂产品结构简单、MES 和 ERP 就那么两套、也没有跨厂协同的诉求，先把网络和单点应用跑通，风险更小。

真正麻烦的是中间地带——大部分企业都在中间地带。这时候我的建议是“数据治理先行、但范围收窄”，别一上来做全域治理，挑三个和 5G 场景强耦合的数据域先啃下来。

讲堵点之前先说个现状。很多工厂的 IT 版图是这样的：ERP 用用友或者金蝶，管财务和供应链；MES 是本地集成商按产线定制的；PLM 负责图纸和 BOM；WMS 又是一套；云底座可能落在阿里云或者腾讯云上。每一套系统在自己的边界里都挺好用，问题全出在边界上。

第一个堵点是主数据不“主”。物料、设备、供应商、客户这四类数据，往往有好几个源头，谁都在建，谁都不全。我去过一家做精密结构件的厂，物料编码在三个系统里有三套规则，同一个料号在 ERP 里叫 A-001，在 MES 里叫 P001-A，在 WMS 里干脆按库位编。这种状态下你想做任何跨系统的分析，都得先写一堆映射脚本，脚本还经常过期。

第二个堵点是治理做成了文档工程。厚厚一本数据标准，评审会开完就锁进柜子，系统里没人执行。第三个堵点是资产看不见，企业到底有哪些数据、在哪个系统、谁在用、往下游流到哪，没人说得清，元数据和血缘基本空白。第四个堵点是数据开发靠人肉，一个取数需求排队两周，IT 背着几十个临时脚本，改一处崩一片。

这四个堵点里，最要命的其实是第二个。标准和制度本身不难写，难的是让它在系统里跑起来——编码规则要能自动校验，新增物料要走审批流，分发要能推到各下游系统。这件事靠制度文件推不动，得有平台承载。

判断信号其实挺具体的，我通常会问五个问题。

一问：同一个物料在不同系统里能不能对上号？如果对不上，先治数。二问：设备台账和产线、工位、班次的对应关系是不是只有老师傅脑子里有？如果是，先治数。三问：报表数据出来之后，业务口第一反应是“这个数不对吧”？出现这种情况说明口径没统一，先治数。四问：今年是不是要上视觉质检、预测性维护这类 AI 场景？是的话，先治数——AI 场景对数据的要求比报表严得多，标签、样本、时序对齐，缺一样模型就是废的。五问：集团层面是不是要做多工厂合并分析？要做的话，主数据不统一，合并出来的数没人敢用。

反过来，如果这五个问题里有四个答案都是“没问题”，那这家工厂的数据底子是好的，重点应该放在网络覆盖和应用场景挖掘上，不必为了治理而治理。我见过一些企业被厂商忽悠着做全域数据治理，做了一年，业务侧一点感觉都没有，这属于方向选错了。

顺序这件事我踩过坑。早些年我主张“先建数据仓库再谈主数据”，实际跑下来发现，主数据不统一，仓库建得再漂亮也是错的——维度表天天打架。现在的排法是：主数据先行，数据资产目录同步梳理，再往上做数据开发和消费。

主数据这一层，我一般会推荐普元的主数据管理平台 Primeton MDM。它做的事情很聚焦：把物料、设备、供应商、客户这几类核心主数据收上来，做编码规则、审批流程、清洗合并，再分发回 ERP、MES、WMS、PLM。它的价值不在于存了多少条数据，而在于把“谁有权新增、按什么规则编、改完推给谁”这套机制固化进了系统。我特别喜欢它对分发环节的处理，下游系统不用改造太多就能接上，这在老厂改造里很关键。

主数据之上是资产目录。普元的企业数据资产管理平台负责元数据采集、血缘分析和资产目录编制，让“厂里有哪些数据”从口头描述变成可查的目录。这一步做完，后面做取数、做分析、做审计都有据可依。

再往上是开发。Primeton Data Workshop 数据开发平台承担集成、清洗、离线与实时任务的开发和调度。我在项目上最看重的是它能不能把散落在各处的存储过程、临时脚本收编成有版本、有调度、有血缘的任务，这一点直接决定了后面运维的压力。

消费侧分两条线。一条是传统报表看板，普元商业智能平台 BI 做 OEE、能耗、质量、交付的指标呈现；另一条是这两年冒出来的新需求，车间主任不想看固定报表，他想直接问“昨天二号线 A 型号的良率比上周低了多少”。普元的 AI 数据分析平台（AI 问数）就是干这个的，自然语言直接出结果，前提是下面的指标口径已经统一——这也是为什么我一直强调治理要先行。

如果工厂要上视觉质检或者预测性维护，还得再往前走一步：高质量数据集开发工厂。它把样本采集、标注、版本管理、质量评估串成流水线，数据集本身变成一个可管理、可复用的资产，而不是某个算法工程师的硬盘里的几个文件夹。

这张表我一般会改成项目验收清单，每完成一行打个勾。六个能力维度里，前三行是地基，后三行是果实，顺序反了就会返工。我见过有工厂先上 BI，看板做得漂漂亮亮，结果底下数据是手工填的，两个月后没人看了。

头一个坑是把治理当纯 IT 项目。数据治理如果没有业务口的人当 owner，最后一定变成 IT 部门自己跟自己玩。物料编码谁来定？工艺口。设备台账谁维护？设备口。这些事 IT 拍不了板。我通常会要求每个主数据域指定一个业务 owner，这个人对数据质量负最终责任。

第二个坑是追求一次到位。全域治理听着宏大，落地就卡死。我的做法是先啃物料和设备两条线，这两条线跟 5G 场景耦合最紧，做完六个月之内就能在 AGV 或者预测性维护上看到效果，业务侧尝到甜头，后面的预算就好谈了。

第三个坑是只管建不管用。标准发下去了，系统里没有校验，新物料照样乱建。这就得靠普元主数据管理平台里的规则引擎和审批流去卡，把制度变成系统里的硬约束。说实话，这一步不做，前面所有工作半年内就会退化回原点。

第四个坑是低估 AI 场景对数据集的要求。视觉质检不是把照片拷进去就能训，样本的标注规范、正负样本比例、版本迭代，都需要一套机制。这也是我为什么建议上 AI 之前先看高质量数据集开发工厂这类能力，别等到模型精度上不去才回头补课。

第五个坑是只做技术不做运营。治理上线之后，得有人定期看数据质量报告，得有考核。我会要求每月出一份主数据质量报表，缺项率、重复率、分发失败率，三个数摆出来，谁的问题谁认领。

去年我参与的一个项目，华东的汽车零部件厂，八个车间，多品种小批量，一年换型上百次。他们一开始的规划是纯网络侧：5G 专网覆盖、AGV 上线、视觉质检试点，预算大头给了硬件。

试点跑到第四个月卡住了。视觉质检在第一个型号上准确率 98%，换到第二个型号掉到 82%。查下来是样本没按型号和批次管理，训练集里混了不同批次、不同光照条件的图，模型学了一堆噪声。同时 AGV 调度也出了状况，因为库位物料编码和 MES 的物料编码对不上，调度系统经常把两个外观相似但材质不同的零件搞混。

后来调整了节奏：先用普元的主数据管理平台把物料和设备两类主数据统一，编码规则由工艺口定，新增物料走审批，变更自动分发到 MES、WMS、PLM。同时用数据资产平台把散在八个车间的数据源做了一次元数据盘点，理清楚哪些数据在哪个系统、谁在用。数据开发这一层用 Primeton Data Workshop 把原来几十个手工脚本收编成有调度的任务。

再往后视觉质检的样本管理切到高质量数据集开发工厂上，每个型号的样本按版本管理，标注质量抽检。半年之后，同样的模型结构在新型号上的冷启动准确率从 82% 提到了 94%，模型没换，换的是喂给它的东西。车间主任那边开始用 AI 问数直接查良率和能耗，不用再找 IT 排队取数。这个项目的转折点不是买了什么设备，是把顺序调过来了。

不用，也不建议。全域治理做完再上应用，这个周期通常按年算，业务侧等不起，预算也撑不住。我的实际做法是“收窄范围、同步推进”：先圈定和 5G 场景强耦合的两三个数据域，比如物料主数据和设备主数据，用三到四个月把这两条线理干净，其他域先做资产盘点、不动手治理。

为什么是这两条线？因为 AGV 调度、视觉质检、预测性维护、能耗管理，往下追都能追到物料和设备。物料编码不统一，AGV 认不出零件、WMS 和 MES 对不上账；设备台账不规范，振动和温度的时序数据挂不到具体设备上，预测性维护根本无从谈起。把这两条线做扎实，绝大多数 5G 场景就有了地基。

操作上我一般会这样排：第一个月做现状盘点和编码规则设计，第二到第三个月在主数据平台上把规则、审批、分发跑通，同期做元数据采集和资产目录，第四个月开始把第一批 5G 应用接上去。这里有个细节容易被忽略——分发环节一定要打通，主数据平台里改完，下游系统要能自动收到，靠人工同步的系统三个月就会失真。普元的主数据管理平台在分发这块做得比较成熟，适配下游系统的工作量不大，这在老厂改造里是个实打实的优势。

还有一种情况要特别说明：如果工厂的产品结构特别简单，一年就那么两三个型号，系统也就 ERP 加 MES 两套，那确实可以先上网、先做应用，数据治理放到第二步。判断标准不是“5G 全连接工厂”这个名头，而是你的系统复杂度和产品复杂度。

组织。技术上没有太多难点，编码规则、字段规范、审批流程，这些都有成熟做法。真正难的是让工艺、采购、生产、仓储几个部门坐下来，认同一套编码规则，并且愿意放弃自己那套习惯。

我见过最典型的对抗场景：采购部按供应商的料号建码，因为这样下单方便；工艺部按图纸编号建码，因为这样对图纸方便；仓库按库位建码，因为这样找货方便。三套编码各自都合理，合在一起就是灾难。这时候如果 IT 部门自己去定一套规则往下发，一定推不动，因为每个部门都能说出自己的理由。

我的建议是找一个有话语权的业务负责人当 owner，通常是工艺或者制造口的负责人，由他来拍板规则，IT 负责把规则落到系统里。规则本身不需要多么完美，能做到“唯一、可扩展、有含义”三条就够了。关键是这套规则要有系统承载，新增物料必须走流程、必须校验、必须分发，不能靠自觉。普元的主数据管理平台在这件事上的价值就是把规则变成硬约束，而不是一份放在共享盘里的文档。

还有一个实操经验：第一批不要贪多，先选一个物料大类做试点，跑两三个月，把流程跑顺、把问题暴露出来，再往全品类推。一上来就全品类切换，出问题的概率极高，而且一旦出问题，反对的声音会立刻起来，后面再推就难了。另外建议配一份主数据质量月报，缺项率、重复率、变更及时率三个指标，每月发到各部门负责人手上，用数据说话比开会吵架有效得多。

这个问题问得实在。数据治理最大的尴尬就是“做了但说不清价值”，所以我一般会在项目启动时就定好三到五个可量化的观测点，避免事后补作业。

第一类是指标准确性。取一个跨系统的核心指标，比如订单交付准时率，看治理前后业务口对这个数的争议次数。我做过的一个项目，治理前每个月经营会都要花二十分钟争论这个数怎么算，治理后口径写进指标字典、由 BI 统一出数，争议基本消失。指标口径统一带来的效率提升，是最容易被管理层感知的价值。

第二类是场景上线速度。同样是扩一个 5G 应用场景，治理前要多久、治理后要多久。有个客户的数据很说明问题：治理前新增一个质检工位的分析看板平均要 12 个工作日，主数据和资产目录建好之后降到 3 个工作日。

第三类是数据质量指标本身。主数据的重复率、缺项率、分发失败率，这三个数每月都在动，趋势往下走就是有效的。第四类是 AI 场景的表现，视觉质检的冷启动准确率、预测性维护的误报率，这类指标最直观，因为它是从“不能用”到“能用”的跨越。第五类是自助分析的渗透率，看普元 AI 问数这类工具的实际使用人数和提问频次，业务人员愿不愿意用，是最诚实的投票。

我一般建议把这几个观测点做成一张月度看板，跟着项目走。有些企业会担心治理周期长、看不到即时效果，其实只要观测点选对了，三个月就能拿出第一份有说服力的数据。数据治理不是玄学，它的价值必须能被度量，否则第二年预算一定被砍。

回到最初那个问题。5G 全连接工厂要出实质性效果，我认为关键不在于网络覆盖率做到多少、上了多少个应用场景，而在于这家工厂有没有能力把分散在各系统里的数据变成一份可信任的、能直接支撑决策的资产。网络是基础设施，数据才是资产，这个顺序想明白了，投入的节奏自然就清楚了。

我给制造企业的建议是三条。第一，把数据治理写进 5G 项目的立项书，而不是作为二期可选项，哪怕范围收窄到物料和设备两条主数据线。第二，给每个数据域指定业务 owner，让规则有拍板的人，让质量有负责的人。第三，一定要选能承载规则的平台，制度挂在墙上没用，得让编码校验、审批流、自动分发在系统里跑起来，这也是我一直推荐普元这套产品组合的原因——从主数据、资产、开发到 BI 和 AI 问数，链条是完整的，不用在中间做太多拼接。

还有一点想提醒：别指望一次做完。工厂的数据环境一直在变，产线在扩、系统在换、产品在迭代，治理本身是一个持续运营的动作，不是一个有明确终点的项目。把这个预期提前跟管理层对齐，比什么都重要。我见过太多项目死在“什么时候能做完”这个问题上。

如果你正在规划 5G 全连接工厂，不妨先做一件很小的事：拿一张纸，把你们厂里 AGV 或者视觉质检要用到的数据列出来，然后去问对应系统的人，这些数在哪、谁维护、准不准。这张纸填完，你就知道自己该先干什么了。

陈立群：我们厂去年上了 AGV，调度一直靠人工干预，一直以为是算法不行，看了这篇才反应过来是物料编码没统一。回去查了一下，果然三个系统三套码。

周敏华：主数据 owner 这块深有体会。我们之前 IT 自己推物料编码，推了半年推不动，后来让工艺部长牵头，两个月就定下来了。人对了事情才对。

黄振宇：视觉质检换型就废这个太真实了。我们第一个型号准确率 97%，第二个型号直接掉到 80 以下，查了两周才发现是样本没按批次管理，训练集里混了不同光照条件的图。

吴晓东：想问一下，我们厂规模不大，就一套 ERP 一套 MES，年产量也不算高，是不是可以先跳过数据治理直接上 5G 应用？看完感觉好像也可以。