在2025全球工业互联网大会上，中国工业互联网研究院发布《工业高质量数据集研究报告》，把“工业数据”从一个笼统概念拆成可建设、可评估、可流通的工程对象。报告给出一组直白的前提：没有工业数据就没有工业智能，没有高质量数据集就没有高水平工业智能；不少智能化改造项目中，数据工程投入占比高达50%—60%。
三类特征：多元、分级、融合
第一是多元。我国工业涵盖41个大类、207个中类、666个小类，不同行业的数据带着各自的工艺机理；数据又贯穿研发、生产、运维全生命周期，并横跨结构化、非结构化、时序与非时序多种模态。数据集建设必须打通过去散落在各系统的“数据孤岛”。
第二是分级。设备与产线级是基础层，聚焦运行与工艺参数，服务于故障诊断、能耗优化；工厂与企业级是核心层，聚合计划、成本、经营数据，驱动调度与资源配置；产业生态级是生态层，通过跨主体数据支撑供应链韧性、全生命周期碳管理等应用。
第三是融合。工业数据只有与机理、专家知识、算法结合才产生价值：面向生产控制，需要高频、实时、参数聚焦的数据；面向知识传承，则要把设计图纸、工艺文件、操作规程、维修记录等非结构文本与图像纳入，让隐性经验显性化、模型化、软件化。
六步建设：从场景到验证
报告把建设流程归纳为六步，并给出可核对的案例。
需求规划：某钢铁企业中厚板生产的机理模型预测精度只有84%，非稳态工况失准率约20%。项目把目标定为“融合冶金知识的高精度轧制力模型”，构建覆盖全工序链的数据集，预计准确率提升到95%以上、非计划停机率降低3%、成材率提高0.2%。
数据采集：某矿山安全数据项目深入350多座煤矿，覆盖人员、车辆、设备、环境四大要素的57个场景，并针对烟雾、黑暗、粉尘等11类极端工况专项采集。
数据处理：某风电装备企业在风机叶片布置上千个传感器点，通过清洗、对齐、降噪、归一化，解决原始数据25%缺失、10%异常的问题，把上千个特征压缩到300个核心特征，数据有效性从70%提升到99%以上，缺陷预测准确率达到97%。
数据标注：某企业采用“预标注—人工校验—模型迭代”流程，精准标注53个子类目标标签，标注一致性波动不超过5%，分割掩码误差小于2%。
数据合成：某汽车发动机缸体、轮毂表面缺陷数据集原始样本3000张，缺陷样本只有600张。项目用几何变换、颜色变换、噪声增强，并用生成对抗网络合成1500张高质量缺陷图，判别器准确率提升到85%。
应用验证：某航空发动机剩余寿命模型实验室调测准确率92%，实际装机测试掉到85%。验证环节发现稀疏样本覆盖与类别均衡不足，经增强、重标与再训练，准确率稳定到98%，误报率降低70%。
七项指标：工业数据集的体检表
报告没有照搬通用数据标准，而是提出七项核心指标：规范性看格式、标注、单位、元数据是否合规，在化工、核电、航空航天等场景直接关系安全；完整性看应采集的数据元素是否齐全，例如压缩机预测性维护要同时覆盖振动、温度、电流、转速及启停、满负荷、部分负荷等工况；准确性看信息是否真实精确，微小偏差就可能让机理模型失准；一致性看单位格式、样本分布与标注基准是否统一，否则标签歧义会破坏训练稳定性；时效性看数据是否反映当前状态，拿十年前的环境数据预测风机发电量显然不行；专业性看数据与工艺、工序、机理的关联，例如晶圆缺陷若不关联工序，就分不清光刻“边缘划伤”与刻蚀“侧壁损伤”；均衡性看类别与来源分布，钢铁表面检测若“裂纹”“夹杂”样本过少，模型就识别不了高风险缺陷。
从数据集到流通
报告还讨论了价值实现：依托国家工业互联网大数据中心构建工业可信数据空间，用隐私计算、安全沙箱、身份认证、使用控制与全链路追溯，实现“可用不可见、用途可控可追溯”；按“国家—产业集群—企业”三级部署与登记，截至2025年8月，工业数据资产登记平台已在苏州、北京、沈阳等地试点，累计注册企业2200余家、发放登记证书超1700张。应用侧形成三类服务：工业场景训练语料订阅、AI一体机定制、数据“采洗标测验用”工具服务。
小结
这份报告的价值，是把“买更多数据”改写成“按场景定义数据”。先问模型要解决什么工况，再反推采集范围、标注规范与均衡策略，最后用真实产线表现回验——这套顺序比堆数据量更决定工业AI的上限。
资料来源：《工业高质量数据集研究报告》正式发布 — 新华网（2025-09-08）。本文为技术要点整理/编译，非原文全文。