
一个电子制造车间里通常并存四套数据:设备侧的采集数据、生产侧的报工记录、质量侧的检验结果、仓储侧的出入库流水。四套系统各自的报表都能看,但要回答「这块板用了哪一批料、在哪台机做的、谁上的料」,往往答不上来。
多数团队的头一个反应是加接口。加完之后发现还是拼不起来——因为问题不在接口数量,在模型里缺三样东西:批次身份的定义、绑定关系的落点、指标口径的统一。
本文按这四层讨论取舍,技术点与具体厂商无关。
跨系统查询拼不起来,最底层的原因常常是两边说的「批次」不是同一个东西。
设备侧按料盘条码识别,仓储侧按收料单识别,生产侧按供应商批次识别。三个标识指向同一盘料,但没有任何字段能把它们串起来。
可行做法是定义三层身份,并使三者之间形成确定的换算关系:
层级 | 标识内容 | 生成方 | 作用 |
|---|---|---|---|
供应商批次 | 厂商打印的批号 | 供应商 | 对外追溯、质量索赔的依据 |
内部收料批 | 料号 + 收料日期 + 流水号 | 仓储收货环节 | 内部账务与库存核算的单位 |
料盘序列 | 单盘独立码(最小包装) | 收货贴标或供应商预印 | 上料扫码的实际对象 |
三者用一张映射表挂在料号下,主键取「料号 + 内部收料批」。料盘序列作为最细粒度,向上归属到内部收料批。
这一步做完,跨系统的「同一批料」才有了共同语言。剩下的是绑定关系。
绑定指「某个产品单元在某个工序消耗了某个批次」。这句话落在系统的哪个位置,直接决定追溯链能否成立。
落点一:上料扫码时实时绑定。 优点是数据最真实,扫码即落库;缺点是对现场执行要求高,漏扫就断链。
落点二:报工时随工单批量绑定。 优点是操作负担小,一次报工带出本工单消耗的批次;缺点是粒度粗,同一工单内不同时段用的不同批次会被合并,反向查询时无法区分。
落点三:事后按时间范围推算。 优点是零现场改动;缺点是这种「绑定」本质是插值,一旦时间重叠或跨班,结果不可信。生产环境不建议作为主方案,只能用于历史数据补齐。
工程上常见的组合是:以落点一为主,落点二兜底,落点三只用于历史回溯。三者并存时必须在数据里标记来源类型,否则事后无法判断某条绑定是扫出来的还是推出来的——这一点在质量事故复盘时尤其关键。
还有一个容易被忽略的约束:绑定记录与报工记录应当同事务提交。报工成功但绑定缺失,会造成「有产量无料」的断链,而且这类断链在报表上看不出来。
车间网络可靠性远低于机房,而追溯完整性要求接近财务系统。两条同时成立时,全部上云与全部本地都不成立。
分层判断的标准只有一句话:凡是影响产线能否继续运行的处理,必须留在边缘。
工单校验、槽位比对、前置条件联锁、断网缓存,这些放在中心侧,一次网络抖动就能让整条线停摆。反过来,追溯查询、跨厂汇总、报表分析放中心侧,因为它们是低频、重计算、需要全局视图的操作。
采集协议按对象选,不追求统一:
协议 | 适用对象 | 取舍 |
|---|---|---|
Modbus TCP/RTU | 老设备、辅机 | 实现简单,寄存器语义靠约定,点表需配置化 |
OPC UA | 中高端控制器、检测设备 | 语义化带类型,网关资源消耗高 |
MQTT | 网关与边缘盒子 | 断线重连友好,适合多车间汇总 |
文件导出 | 老测试机 | 只能定时导出,延迟以分钟计 |
扫码半采集 | 无通讯口设备 | 人工介入,成本低,先把链补齐 |
点表要配置化并带版本与校验值。设备换代或控制器程序升级后,寄存器地址会静默错位,采集照常「成功」,数据全错——这类故障比采不到数据更难发现。
同一个「良率」,设备侧、生产侧、质量侧算出来的数往往不同,原因是分子分母的取数范围不一样。
指标 | 常见口径分歧 | 建议做法 |
|---|---|---|
良率 | 是否含返修后合格、是否含试产 | 明确是否按首次通过计算,口径写进指标字典 |
直通率 | 按工序累计还是按最终检验 | 按工序累计,逐序可拆 |
报工及时率 | 时限按班次还是按小时 | 固定为班次内完成,时限值单独配置 |
采集完整率 | 分母是应采点还是已配置点 | 用应采点,配置点会随上线进度变动 |
口径不统一时,数据打通反而更危险:四个系统都能出数,四个数都不一样,管理层谁的都不信。
可行做法是建一份指标字典,每个指标写清四件事:分子、分母、时间窗、排除项。字典先行,看板后建。
边缘节点时钟不同步,会让同一工序的绑定记录时间顺序颠倒,追溯时看着像工序倒流。这类问题不会报错,只会让人对数据失去信任。
三条措施:边缘节点统一走内网时间源并做偏差告警;绑定记录同时存设备时间与服务端时间两个字段;跨时区工厂在存储层统一用 UTC,展示层按时区转换。
上线前至少跑四类异常,每类都要有明确的判定标准:
一条 SMT 产线的量级可以粗算:日产量两万片、每片过八个采集点,约十六万条每日;加上序列号主记录与测试记录,约二十五万条每日;一年按三百天,累计七千五百万条。
这个量级下,单表存全年会明显拖慢反向查询。常规做法是按时间分区,热数据保留三个月、温数据十二个月、冷数据归档,追溯查询走预先摊平的宽表。
需要提醒的是,分区解决的是查询性能,解决不了口径问题。口径没统一,分区后再快也是错的。
以上讨论适用于工序可离散化、存在明确前置条件的离散制造场景。流程型制造的追溯对象是批次参数区间,模型要重做。
另外,模型解决的是「链能不能连通」,不解决「链上的数据准不准」。准确性依赖扫码执行强度与首件确认机制,属于管理动作,软件只能提供拦截点。
以上为工程实践总结,不涉及厂商产品评价,也不构成选型建议。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。