資料進入決策時，治理就開始了
當一條信號、告警、儀表讀數、工單、巡檢記錄、文件或計算指標開始影響營運決策時，工業資料治理就已經開始。
對營運數位孿生來說，資料連接只是第一步。團隊還需要知道資料來自哪裡，描述哪台資產或哪個空間，使用什麼單位和時間戳規則，誰負責映射，數值是否可靠，哪些 AI Agent 或看板正在使用它，以及上一次發布後發生了什麼變化。
Data Fusion Services 在 FactVerse 產品體系中支撐這套營運紀律。它連接來源系統，將資料映射到孿生實體，清理並統一欄位，計算指標，準備資料集市，並把即時上下文綁定到數位孿生中。圍繞這些步驟建立治理，才能讓接入的資料真正服務 FactVerse AI Agent、FactVerse Twin Engine、Inspector、看板、模擬和機器學習流程。
DFS 應該幫助治理什麼
資料治理需要沿著資料從來源系統到每個營運使用者的路徑展開。
| 治理範圍 | 實際問題 | 為什麼重要 |
|---|---|---|
| 來源系統責任 | 哪個系統擁有這個值，誰批准使用 | 避免資料被質疑時責任不清 |
| 存取邊界 | 哪個網路、租戶、站點或角色可以讀取 | 保護敏感營運資料和客戶專屬資訊 |
| 實體綁定 | 它描述哪台資產、哪個空間、系統、路線或工作流程 | 把原始標籤變成營運上下文 |
| 單位與時間戳 | 使用什麼單位、時區、時鐘、採樣率和彙總規則 | 讓趨勢、告警和比較有意義 |
| 品質狀態 | 數值是否缺失、過期、插值、越界或來自更換後的感測器 | 幫助 AI 和操作員判斷證據強弱 |
| 計算邏輯 | 派生 KPI 或指標由什麼公式產生 | 讓分析、能耗和維護指標可復核 |
| 資料血緣 | 哪個連接器、映射、轉換和發布版本產生了這個值 | 支撐排障和稽核復核 |
| 使用者清單 | 哪些看板、AI 流程、報告或工單使用這條資料 | 在修改點位或公式前評估影響 |
這種治理不代表每個點位都要走複雜委員會。關鍵是讓會影響決策的資料具備清晰責任和可重複規則。
按營運身分治理
工業系統經常用不同方式描述同一個對象。一台泵在 SCADA 中可能有一個名稱，在歷史資料庫中有另一種標籤，在 CMMS 中有另一個資產 ID，在 BIM 中又有另一個標註，現場技師還可能使用習慣叫法。資料治理需要用穩定的營運身分把這些別名連接起來。
FactVerse 為空間、資產、系統、關係、文件、資料綁定和工作流程提供共享上下文。Data Fusion Services 將來源欄位和點位映射到這個上下文，讓每個值都綁定到正確的資產、位置和營運閉環。
良好的身分治理應覆蓋園區、建築、樓層、區域、房間、產線、路線、服務區域、資產類別、資產 ID、顯示名稱、型號、負責人、生命週期狀態、上下游系統關係、來源系統別名、文件、SOP、巡檢點、工單引用和權限邊界。
即時與歷史資料的品質規則
時序值和事件會持續變化。資料管線需要操作團隊和資料團隊都能理解的品質規則：缺失值處理、資料過期閾值、單位換算、時間戳和時區對齊、採樣與彙總、異常值和長時間不變值識別、感測器更換記錄、告警級別與復位邏輯、計算指標公式與復核負責人。
Data Fusion Services 可以幫助統一單位、對齊時間戳、識別品質問題並計算派生指標。治理層應記錄使用了哪條規則，以及誰負責復核異常。
對 AI Agent 工作流程，品質狀態本身就是證據的一部分。基於新鮮感測器資料、近期工單歷史和已批准計算結果生成的建議，應與基於過期數值或臨時手工上傳資料的建議區分看待。
資料血緣與變更控制
工業資料經常悄悄變化。BMS 點位可能改名，儀表可能更換，歷史資料庫標籤可能遷移到新閘道，CMMS 欄位可能因流程調整改變含義，KPI 公式也可能更新分母。
數位孿生畫面可能仍然正確，但底層資料已經指向錯誤來源。治理要讓這些變化在影響 AI 復核、看板、工單或外部報告之前變得可見。
實用的變更記錄應包括受影響的來源系統和連接器、改動的點位或公式、受影響的資產和工作流程、下游使用者、復核人、批准狀態、生效日期、回退方式，以及用於驗證變更的證據。
權限、證據與審批
營運資料經常包含敏感資訊：受限房間、客戶專屬布局、生產狀態、設備健康、能耗曲線、維護發現和服務記錄。資料從來源系統進入數位孿生時，治理應保留存取邊界。
有用的控制包括空間、資產、文件、看板和 AI 流程的角色權限，站點級和客戶級資料邊界，AI 輔助建議的審批規則，巡檢、工單和復核決策的證據保留，映射變更和資料匯出的稽核日誌，以及臨時上傳與手工修正值的處理規則。
Inspector 和已連接的工作系統可以記錄誰復核了發現、採取了什麼動作、採集了什麼證據、結果是否改善。這些記錄會成為下一輪 AI 復核或機器學習循環中的治理資料。
面向機器學習的資料治理
機器學習需要的不只是乾淨的感測器歷史。它需要能解釋物理現場發生了什麼的資料。
以預測性維護為例，資料集應包含輸入信號、資產身分、運行狀態、告警上下文、技師復核、工單動作、完成證據和行動後的讀數。能耗分析需要儀表、空間、設備組、運行計畫、天氣、公式和改善記錄。模擬需要場景假設、資產版本、過程狀態和已批准的資料範圍。
資料治理應保留特徵定義、來源欄位、訓練前的品質過濾規則、由工單或巡檢產生的標籤、模型版本、建議版本、人工復核決策、被拒絕的建議、行動後結果、資料集刷新計畫和審批負責人。
DataMesh 推進方式
- 選擇一個決策閉環 - 從預測性維護、設施巡檢、資料中心資產復核、能耗證據或數位 SOP 執行等工作流程開始。
- 明確資料負責人 - 為來源系統、資產身分、資料映射、品質規則、計算邏輯、權限和下游流程指定負責人。
- 映射營運身分 - 使用 FactVerse 對齊空間、資產、系統、關係、文件、工作流程和別名。
- 連接並治理資料 - 使用 Data Fusion Services 連接來源系統，將欄位綁定到孿生實體，統一單位，對齊時間戳，計算指標並標記品質狀態。
- 登記下游使用者 - 記錄哪些看板、AI Agent 例程、Inspector 表單、報告和機器學習資料集使用這些資料。
- 發布前復核變更 - 在影響生產工作流程之前驗證點位變更、公式更新、連接器調整和權限變化。
- 採集結果 - 透過 Inspector、Checklist、CMMS、EAM 和客戶系統採集現場證據、復核決策和行動後結果。
- 改進規則 - 用異常、映射失敗、過期資料、被拒絕的 AI 建議和現場回饋改進治理模型。
治理檢查清單
- 每個被治理的資料源是否有業務負責人和技術負責人
- 資產、空間、系統和工作流程身分是否跨系統一致
- 來源系統別名和點位命名規則是否記錄清楚
- 單位、時間戳、採樣率和品質規則是否可見
- 計算指標是否綁定公式、負責人和復核日期
- 從來源連接器到孿生對象再到下游使用者的資料血緣是否保留
- 看板、AI Agent 工作流程、報告和資料集是否登記為使用者
- 敏感空間、客戶記錄和受限文件是否受角色權限保護
- 現場證據和工單結果是否能用於復核和機器學習
- 點位改名、感測器更換、公式變化和綁定失效是否有變更路徑
公開參考
Data Fusion Services 產品頁介紹了 FactVerse 產品體系中的資料整合層。
資料準備指南說明如何為 AI Agent 和營運數位孿生工作流程準備第一層資料基礎。
營運數位孿生模型治理指南說明上線後如何保持模型、資料綁定和現場變化同步。
工業知識圖譜指南說明語義關係如何連接資產、空間、系統、信號、文件和 AI Agent 推理。