人工智能能不能在装备企业里工作，第一道门槛，是企业能不能把这些经验和资料说清楚。

一份图纸属于哪台设备，当前哪一版有效；一个参数使用什么单位，适用于什么工况；一条报警对应哪台设备，最后由谁处理。企业如果说不清这些问题，系统回答得越快，越可能把旧资料、相近产品和不同工况混到一起。

人工智能可以读文件、识别数字、整理文字，也可以把相似内容放在一起。编号、版本、适用条件和责任关系缺失时，系统没有依据替企业补齐这些内容。

装备企业多年积累的资料，记录着产品怎样设计、怎样制造、怎样检验和怎样交付。数据篇要讲清楚的，是这些资料怎样从分散记录变成岗位能够找到、理解、核对和继续使用的内容。

先把数据看完整

很多企业谈数据，首先想到 ERP 里的订单金额、MES 里的工时和设备系统里的运行曲线。这些数字当然重要，装备制造业还有大量资料以文件和记录的形式存在。

一张产品图纸，一份技术协议，一张工艺卡，一组检测照片，一张设备报警截图，一份售后工单，都在描述产品怎样设计、怎样制造和怎样使用。它们有的存在于系统中，有的在共享文件夹里，有的还在工程师的电脑和纸质文件夹里。

人工智能需要处理的，正是这些不同形态的内容。它要从图纸中识别零部件和尺寸，从技术协议中找到工况要求，从工艺文件中找到加工条件，再把这些内容和某个订单、某台设备或某批物料联系起来。只把文件上传到一个系统里，资料并不会自动变成可用数据。

数据真正有用，要回答几个很朴素的问题。它描述的是什么，属于哪个产品，形成于什么时间，现在是不是最新版本，谁有权修改和确认。

一张没有编号的图纸，和一张没有设备编号的报警截图，遇到问题时都很难继续追查。

第一件事  先认清每份资料是谁的

企业常见的资料混乱，有时从一个名称开始。

同一类零件，研发部门叫它“支撑座”，采购台账里可能写成另一种简称，仓库又按照物料编码管理。设备名称也会变化，项目文件里写的是客户名称，车间按设备编号记录，售后工单里只留下一个现场习惯叫法。

人还记得这些称呼之间的关系，系统却未必知道。人工智能检索时，名称不统一会带来漏查。经营人员分析采购时，也可能把同一类物料拆成几种统计结果。

企业可以先从高频对象开始统一。产品、设备、物料、工序、客户和供应商，各自使用什么编号，名称有哪些别名，哪个字段作为正式标识，都要写清楚。没有必要一开始整理所有资料，先选一类产品或一个生产单元，把关键对象认全，后面的资料才有地方可放。

这项工作看起来没有技术演示那么热闹，却会直接影响人工智能能不能找到相近项目，能不能把质量问题追到具体物料，也会影响采购和生产人员是否看到同一件事情。

第二件事  让时间和版本说得清

图纸有修改日期，不等于版本关系清楚。

设计人员改过尺寸，工艺人员可能已经按照旧版本编了工艺卡，采购已经向供应商发出旧的技术要求，车间手里还留着前一天打印的图纸。每份资料单独看都像真的，放在同一个项目里却可能互相冲突。

企业至少要把几个关系说明白。哪一版是当前有效版本，上一版何时失效，谁批准了变更，变更影响了哪些物料和工序，现场已经使用的文件是否需要回收或重新打印。

人工智能可以帮助比对不同版本的文字、尺寸说明和物料清单，提示可能发生变化的地方，也可以根据变更记录提醒相关岗位。但它需要先得到一套稳定的版本规则。系统没有依据时，生成的“最新版本”只是文件名上的判断。

版本管理还要和权限联系起来。工程师可以修改设计文件，工艺人员需要确认加工要求，质量人员要保存检验依据，生产人员使用批准后的文件。谁能改，谁能看，谁负责确认，这些关系需要留在系统里。

第三件事  给数据补上单位和条件

设备参数和工艺参数经常写在表格里，表格看起来整齐，使用时却可能出现误解。

温度是摄氏度还是华氏度，压力使用什么单位，转速对应哪种材料和刀具，设备报警发生时处于什么负荷，检测结果是在什么环境下得到的。只写一个数字，往往不够判断它有没有意义。

同样的道理也适用于质量记录。某件产品被判定为异常，需要知道异常发生在哪道工序、使用了哪批物料、对应哪台设备、由谁检测、采用什么标准。记录越简单，事后越难查清原因；记录里没有条件，人工智能也很难比较两次结果是否属于同一种问题。

企业整理数据时，可以先为关键字段补齐单位、时间、设备编号、物料批次、工序编号和判定标准。工业数据不一定需要写得复杂，却要让下一个使用者能够理解它当时代表什么。

第四件事  让资料彼此找到对方

一张图纸只有放在产品和订单关系里，才知道它为什么存在。

它可能对应某个客户的设备，设备又对应一组物料和工艺，工艺过程产生检验记录，设备交付后还会产生运行数据和售后工单。质量人员要查一次异常，实际需要跨过的可能正是这几类资料。

人工智能可以帮助企业搜索相似图纸、匹配技术协议、关联工艺文件和维修记录，也可以按照设备编号、订单编号、物料批次和时间范围，缩小问题排查的范围。前提是这些资料之间已经有基本的对应关系。

如果图纸没有产品编号，工艺卡没有图纸版本，质量记录没有物料批次，售后工单只写客户名称，系统再强也只能把看起来相近的内容放在一起，不能替企业确认它们属于同一个问题。

这也是数据整理容易被低估的地方。企业整理数据时，要同时处理文件本身和文件之间的关系。关系清楚以后，资料检索、质量追溯、设备分析和经营查询才可能使用同一套事实。

数据基础从哪里开始

中小装备企业很难一次整理完所有历史资料，也没有必要这样做。

可以先挑一类产品、一台关键设备或一个反复出现的质量问题，列出它会用到的图纸、技术协议、物料清单、工艺卡、检验记录和售后资料。再检查每份资料的编号、版本、时间、责任人和关联对象，找出最影响使用的缺口。

第一轮整理可以形成几项看得见的结果。当前有效文件能够找到，历史版本能够区分，关键对象拥有统一编号，重要参数带有单位和使用条件，一次质量问题能够追到相关工序和物料批次。

这些工作完成以后，企业再选择人工智能的使用方式。工程师可以从相近项目检索开始，质量部门可以从异常记录查询开始，设备部门可以从报警和维修工单关联开始，经营人员可以从订单和采购数据查询开始。每一种应用都要有资料来源，也要允许岗位人员纠正错误。

企业不需要等所有历史资料整理完，再开始人工智能应用。可以先选一类产品、一台关键设备或一个反复出现的质量问题，把它涉及的图纸、工艺、物料、设备、检验和售后记录列出来，逐项确认编号、版本、责任人和相互关系。

先让一条资料关系查得清楚，人工智能才有可靠的依据。工程师能够找到适用的历史方案，质量人员能够追到相关工序，生产和经营人员也能够看懂同一组事实。后面的研发、生产和质量应用，都要从这一步接着往下做。

                                                                   来源：山东省装备制造网