先定义模型要帮助哪个决定
工业 AI 项目很容易从“我们有很多数据”开始，却没有说清楚模型要帮助谁做什么决定。预测设备故障、优化能耗、识别产品质量波动和辅助排产，需要的数据、时间尺度和容错方式完全不同。
在收集文件前，应写出一个可以验证的问题。例如提前多少小时识别泵的异常趋势，或在不改变产品质量的前提下减少某段蒸汽消耗。问题越具体，越容易判断数据是否足够。
如果目标仍然模糊，先做数据盘点而不是训练模型。盘点可以揭示采样频率、缺失区间、仪表更换和记录责任，避免把业务不确定性藏进算法。
时间对齐是第一道门槛
炼化装置的数据来自 DCS、实验室、维修系统、巡检记录和生产报表。它们可能使用不同时间格式、时区或录入节奏。一个五分钟采样的压力值，无法直接与每天一次的化验结果逐行对应。
停机、切换原料、仪表校准和检修也会改变数据意义。如果只按时间戳拼接，模型可能把检修后的正常变化误认为异常规律。时间轴需要附带工况事件，而不是只有连续数字。
跨区域传输时，应保留原始时区、采集系统和导出时间。为了方便展示而提前改写原始时间，会让后续复核变得困难。
标签来自工程判断
所谓故障标签通常不是天然存在的数据列。它可能来自报警、维修工单、工程师判断或停机原因。不同团队对“异常”的定义不一致，模型训练前必须把定义和证据写清楚。
只保留故障时刻也不够。预测任务需要知道故障前的观察窗口，以及正常运行中与故障相似但没有后果的工况。否则模型容易学会识别停机，而不是提前发现风险。
标签版本要和数据版本绑定。工程师修正一次事件分类后，应记录修改原因和影响范围，避免不同团队使用同名但内容不同的数据集。
原始数据与处理数据分开
原始导出文件应只读保存，清洗、插值、单位转换和特征计算在独立目录完成。每一步写下脚本版本、参数和输入文件校验值。这样模型结果出现变化时，团队可以追到具体环节。
删除异常值看似能让曲线更平滑，却可能同时删除最有价值的故障前兆。处理规则应由工程知识和任务目的共同决定，并保留被排除记录的索引。
FastLink 适合承担大批文件和结果版本的交付，但不能替代数据治理。平台提供的是可续传、可核对的路径，数据语义仍由项目团队负责。
从小范围试验开始
第一阶段不必连接整个工厂。选择一套设备、一个明确问题和一段工况相对完整的历史数据，更容易验证方法。成功标准也不应只有模型准确率，还要包括误报成本、提前量和工程师是否能解释。
试验完成后，记录哪些数据真正有用、哪些字段长期缺失、哪些系统需要调整。扩展范围时优先修复数据流程，而不是不断增加模型复杂度。
工业 AI 的可靠性来自持续维护。装置改造、原料变化和传感器更换都会让旧规律失效，项目必须保留监测、复训和人工复核机制。
炼化流程中的工业AI数据准备记录表（1）
本组检查业务问题至生产报表等字段，用于炼化流程中的工业AI数据准备的实际交付；团队可依据业务问题与生产报表的用途删减，并让保留字段帮助团队确认模型输入能够解释工况，并支持工程人员复核预测结果。
业务问题应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将业务问题与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录预测对象时不宜只写“正常”或“异常”，应保留预测对象的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
提前量发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响提前量，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把误报成本纳入固定清单，同时保持误报成本的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果漏报成本无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
DCS时间戳应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将DCS时间戳与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录实验室时间戳时不宜只写“正常”或“异常”，应保留实验室时间戳的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
维修工单发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响维修工单，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把巡检记录纳入固定清单，同时保持巡检记录的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果生产报表无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
炼化流程中的工业AI数据准备记录表（2）
本组检查采样频率至正常工况等字段，用于炼化流程中的工业AI数据准备的实际交付；团队可依据采样频率与正常工况的用途删减，并让保留字段帮助团队确认模型输入能够解释工况，并支持工程人员复核预测结果。
采样频率应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将采样频率与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录时区时不宜只写“正常”或“异常”，应保留时区的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
装置开停发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响装置开停，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把原料切换纳入固定清单，同时保持原料切换的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果负荷变化无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
仪表校准应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将仪表校准与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录设备更换时不宜只写“正常”或“异常”，应保留设备更换的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
报警记录发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响报警记录，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把故障标签纳入固定清单，同时保持故障标签的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果正常工况无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
炼化流程中的工业AI数据准备记录表（3）
本组检查异常工况至训练数据版本等字段，用于炼化流程中的工业AI数据准备的实际交付；团队可依据异常工况与训练数据版本的用途删减，并让保留字段帮助团队确认模型输入能够解释工况，并支持工程人员复核预测结果。
异常工况应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将异常工况与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录观察窗口时不宜只写“正常”或“异常”，应保留观察窗口的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
标签版本发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响标签版本，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把原始导出纳入固定清单，同时保持原始导出的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果单位转换无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
缺失值应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将缺失值与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录插值规则时不宜只写“正常”或“异常”，应保留插值规则的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
异常值发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响异常值，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把特征脚本纳入固定清单，同时保持特征脚本的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果训练数据版本无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
炼化流程中的工业AI数据准备记录表（4）
本组检查验证数据至上线范围等字段，用于炼化流程中的工业AI数据准备的实际交付；团队可依据验证数据与上线范围的用途删减，并让保留字段帮助团队确认模型输入能够解释工况，并支持工程人员复核预测结果。
验证数据应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将验证数据与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录时间泄漏时不宜只写“正常”或“异常”，应保留时间泄漏的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
类别不平衡发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响类别不平衡，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把模型版本纳入固定清单，同时保持模型版本的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果参数记录无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
置信区间应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将置信区间与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录误差分布时不宜只写“正常”或“异常”，应保留误差分布的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
工程解释发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响工程解释，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把人工复核纳入固定清单，同时保持人工复核的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果上线范围无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
炼化流程中的工业AI数据准备记录表（5）
本组检查漂移监测至试验结论等字段，用于炼化流程中的工业AI数据准备的实际交付；团队可依据漂移监测与试验结论的用途删减，并让保留字段帮助团队确认模型输入能够解释工况，并支持工程人员复核预测结果。
漂移监测应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将漂移监测与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录复训条件时不宜只写“正常”或“异常”，应保留复训条件的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
权限控制发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响权限控制，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把脱敏规则纳入固定清单，同时保持脱敏规则的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果传输清单无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。
输入校验应随炼化流程中的工业AI数据准备一起记录，因为单独字段不足以解释原因，将输入校验与同批次的设备、时间和文件清单对照后，团队才能确认模型输入能够解释工况，并支持工程人员复核预测结果。
记录结果校验时不宜只写“正常”或“异常”，应保留结果校验的数值、状态或原始提示，并注明对应批次，以便确认模型输入能够解释工况，并支持工程人员复核预测结果。
算力环境发生变化不一定代表网络故障，设备、目录结构、工况和接收端处理都可能影响算力环境，需要结合前后任务判断并确认模型输入能够解释工况，并支持工程人员复核预测结果。
团队可以把依赖版本纳入固定清单，同时保持依赖版本的名称、格式和单位长期一致，使跨班次与跨地区资料仍能用于确认模型输入能够解释工况，并支持工程人员复核预测结果。
如果试验结论无法确认，应在炼化流程中的工业AI数据准备记录中明确标为“未记录”而不是凭经验补值，让资料缺口可见并继续确认模型输入能够解释工况，并支持工程人员复核预测结果。