负责人 中移动　·　状态 定稿　·　覆盖 109 个标书单元　·　 批注 3

1、数据资源建设的总体设计

采购清单第 1 项「数据资源建设服务」包含两项内容：十七个外围应用系统的集成采集，离线非结构化数据的解析与录入（b0804r02）。

1.1 建设内容与范围边界

集成采集的工作面在源系统侧：每一个源系统用什么通道取数、取哪些数据、多久取一次、取不到或取错了怎么办、源系统需要配合什么。按业务域组织的采集任务编排——供需计划、产品工艺设计、制造过程、产品质量四个域各自汇集哪些域内数据、产出什么样的原始数据批次——由数据加工生产主线的采集环节承接（3.2.6.3.1、b1364）。两者是同一批数据的两种视角：按系统横切得到接入通道与采集记录，按业务域纵切得到原始数据批次；接入通道与采集记录定义一次，加工主线直接调用。

与之相邻的两类工作分属其他交付内容：通用服务器与接入连接器的安装适配、服务密码机的国密算法调试、硬件网络连接属系统集成服务（b0804r05、b1210）；接入连接器的硬件配置与功能要求属硬件选型（b2150r03）。

源系统的接口协议、数据库连接信息、数据字典与低峰时段，按招标文件第 3.2.2 节各条的写法，是对源系统提出的要求，由招标方协调源系统侧提供（b0807）。十七套系统逐条列明需要对方提供什么、我方据此做什么、对方暂时提供不了时我方退到哪一步；这些事项同时是采集接入工作的前置条件，第 6 节单列风险与配合事项。

1.2 四项设计原则

采集接入的设计落点是三件事：按已授权范围只读取数，在入口处就把来源、口径、许可与缺失登记清楚，并让取回的数据带着能与物理对象对上的标识。四项设计原则由此展开。

只读优先，不向源系统写入。 本项目对十七个源系统一律采用只读方式取数，不向源系统写入业务数据、不修改源系统表结构、不在源系统部署改造代码。这是责任边界，也是降低对方配合成本与风险的最直接办法——只读权限的开通审批远比读写权限容易通过。

低峰窗口取数，不扰动生产。 招标文件为十六个系统逐条写明「须提供业务低峰时段：例如 0 点至 5 点」（b0814、b0821、b0828、b0835、b0841、b0846、b0852、b0857、b0864、b0870、b0877、b0883、b0889、b0894、b0899、b0905）。我方按此口径编排批量作业：全量初始化与大批量历史回溯一律安排在约定低峰窗口内执行，窗口外只运行轻量增量与实时流。

增量优先，全量兜底。 每一个源系统都先确定一种可靠的增量识别手段，按增量取数；仅在首次初始化、口径变更、数据校验不一致或增量水位线失效时才回退到全量或分片重取。这样做的直接收益是对源系统的压力可控，次级收益是采集批次天然按时间切分，便于后续按「近三年时效性数据条数占比不低于 40%」的指标口径统计（b0670）。

入口即治理。 数据源登记、许可凭证核验、入口脱敏与格式合规校验在采集环节完成，而不是等数据落到加工区再补（b1396）。每一个采集批次都附一份采集记录，写明来源系统、取数时点、数据范围、行数或文件数、校验结论与门控状态；门控不通过的批次不进入下游环节。

1.3 总体技术路线

总体技术路线一句话概括：五类采集通道取数，三层落区分层承接，一套登记台账贯穿全程。

五类采集通道。 十七个源系统的技术形态差别很大——有关系库、有接口、有文件服务器、有时序库、有组态系统。按技术形态而非业务归属划分通道，可以把十七套对接压缩为五种标准做法，每种做法一次设计、多处复用。五类通道分别是：数据库只读直连通道、应用接口通道、文件与附件通道、时序与设备通道、单向监管数据通道。各通道的适用范围、协议、增量机制与频次见表 1-1。

三层落区。 取回的数据在数据集加工生产平台（我方平台对外名称为奔牛数据智能平台，下同）内按加工成熟度分三层承接。贴源层按源系统原样留存，字段不改名、不转码、不清洗，只附加采集元数据（批次号、采集时点、源系统标识、行指纹），作用是保留可回溯的原始证据——数据集可信性维度要求非合成数据能追溯到采集源头并与源头保持一致，贴源层就是这一要求的落脚点（b1997）。标准化层做格式统一、编码对齐、时间基准归一与主键映射，产出按业务对象组织的规范化记录。加工区由数据加工生产主线接管。

一套登记台账。 数据源登记台账记录每一个源系统、每一张表或每一个接口的责任归属、授权范围、许可凭证、敏感等级、取数通道、增量键、频次与窗口、字典版本。台账是采集作业的配置来源，也是审计与验收的依据；采集作业不读台账以外的任何对象。

图 1-1 给出总体数据流与责任边界。

图 1-1　数据资源采集接入总体数据流与责任边界

图 1-1　数据来源：招标文件第五章 3.2.2.1 各系统集成要求（b0807–b0908）、3.2.6.3.1 采集环节门控要求（b1396）、采购清单第 1 项（b0804r02）。

1.4 五类采集通道

表 1-1 把十七个源系统按技术形态归入五类通道。归类依据是招标文件为每个系统写明的「须提供数据库连接信息、API 接口信息或 FTP 信息」一类条款——招标文件允许三种之一，说明具体形态以现场勘察为准，方案须对三种都给出做法（b0813、b0834、b0876）。

表 1-1　五类采集通道的适用范围、增量机制与频次口径

表 1-1　数据来源：招标文件 3.2.2.1.1–3.2.2.1.17 各系统「须提供数据库连接信息、API 接口信息或 FTP 信息」条款（b0813、b0820、b0827、b0834、b0840、b0845、b0851、b0856、b0863、b0869、b0876、b0882、b0888、b0893、b0898、b0904）及 3.2.2.1.17 单向集成要求（b0907）。

1.5 人员组织、双方职责与交付责任

采集接入是一项双边工作，一边开通、一边取数，任何一边缺位都无法推进。为避免实施期扯皮，表 1-2 把双方职责按工序列明。

表 1-2　采集接入的双方职责划分

表 1-2　数据来源：招标文件 3.2.2.1 总则「与以下各系统集成基于项目实际需求执行」（b0807）及各系统「须提供」条款的责任归属。

这里需要如实写明一项前提：招标文件对十七个源系统的连接信息、数据字典与低峰时段均写为「须提供」，提供方是源系统侧。源系统多为既有建成系统，其接口开放、字典交付与配合联调需要由招标方出面协调；部分系统若由原建设方承担接口开发或配合工作，相应配合范围与费用归属须在合同谈判阶段明确。

我方据此设计了分档接入策略：授权与字典齐备的系统走完整通道；授权已开通但字典缺失的系统，先按实际库结构反向推导并提交核对；授权暂未开通的系统，先按甲方提供的样例数据或导出文件完成解析与建模，待授权到位后切换为常态接入。三档的具体切换口径见第 6 节。

2、多源异构数据集成采集（对应 3.2.2.1）

数据集所需原始数据来自企业各业务系统，与各系统的集成按项目实际需求执行。十七套源系统按原编号逐项落位，各系统共用的接入规范先行写定，逐系统只写本系统特有之处。

2.1 通用接入规范（十七个源系统一体适用）

招标文件为每一个源系统重复写了三到四条同样的要求：须提供连接信息、须提供低峰时段、须提供数据字典。这三条在十七处重复出现（b0813–b0815、b0820–b0822、b0827–b0829、b0834–b0835、b0840–b0841、b0845–b0846、b0851–b0852、b0856–b0857、b0863–b0864、b0869–b0870、b0876–b0877、b0882–b0883、b0888–b0889、b0893–b0894、b0898–b0899、b0904–b0905）。与其在逐系统方案中抄十七遍，通用做法在本小节一次写定，第 2.3 节至第 2.19 节各系统只写自己特有的部分；逐系统各节未另行说明之处，一律按本小节执行。

2.1.1 接入四要素的接收、核验与登记

每一个源系统接入前须齐备四项要素：连接方式、数据范围与授权、数据字典、低峰窗口。四要素以「接入要素表」的形式逐系统填写、双方签认，作为后续授权申请与作业配置的唯一依据。第 2.3 节至第 2.19 节为十七个系统各给出一张接入要素表，表中已填妥我方可自行确定的部分，留白处为须招标方确认或提供的部分。

连接方式。 库直连需要的信息包括数据库类型与版本、实例地址与端口、只读账号、可访问的库与模式、字符集、是否允许建只读副本。接口方式需要的信息包括接口清单与地址、鉴权方式与令牌申领流程、请求与响应结构、分页与时间区间参数、速率限制。文件方式需要的信息包括服务地址与协议、只读目录路径、目录组织规则、文件命名规则、保留期限。三种形态按招标文件允许的范围择一或并用（b0813）。

数据范围与授权。 我方按最小必要原则提交权限申请：按表、按接口、按目录逐项列明，每一项写明用途指向哪个数据集与哪个场景。权限申请不使用通配符，不申请数据定义语言权限，不申请写权限。授权范围变更走同一流程，留档可查。

数据字典。 字典或数据库设计说明书到手后，我方做三件事：一是与实际库结构逐表逐字段比对，列出字典中有而库中无、库中有而字典中无、类型或长度不一致三类差异；二是登记字典版本号与生效日期，采集作业绑定字典版本运行；三是对枚举字段抽取实际取值分布，与字典声明的码值集合比对，差异作为数据质量线索移交预处理环节。字典缺失时按 2.1.1 节末所述的分档策略处理。

低峰窗口。 按招标文件示例口径，低峰时段取 0 点至 5 点（b0814）。实际窗口逐系统确认，确认结果进入采集作业日历。十七个系统若窗口重叠，按表 2-1 的错峰原则排布。

表 2-1　采集作业时段编排原则

表 2-1　数据来源：招标文件各系统「须提供业务低峰时段：例如 0 点至 5 点」条款（b0814 等十六处）。

2.1.2 增量识别与水位线管理

增量取数的可靠性取决于增量键选得对不对。我方按源系统实际条件分四档择用，优先级从高到低。

第一档，变更数据捕获。 源数据库开放日志读取时首选此法。它能捕获插入、更新与物理删除三类变更，不依赖业务字段的填写规范，对源系统的额外开销最小。本项目中优先在企业资源计划、制造执行、仓储管理三类事务量较大的系统上争取此条件。

第二档，更新时间戳与自增主键双键水位线。 多数业务表有创建时间与更新时间字段。单用更新时间会漏掉同一秒内的并发写入，单用自增主键会漏掉历史记录的更新，两者并用并保留一个可配置的回看窗口（默认回看一小时），可把漏采概率压到很低。每次作业结束后推进水位线，水位线与批次号一并落库。

第三档，接口侧时间区间加分页游标。 接口提供按更新时间区间查询时，按区间分片拉取，区间之间留重叠；接口只提供全量列表时，按主键与行指纹在我方侧做差异比对，取出新增与变更部分。

第四档，清单比对。 文件与附件类数据按路径、大小、修改时间与内容摘要四项比对。摘要用于识别「同名文件内容已变」这类改动，这在工艺图纸与管理制度文件上并不罕见。

四档之外保留一条兜底：按月对关键表执行一次全量行数与关键字段校验比对，发现与增量累计结果不一致时，对差异时间窗定向重取。这一机制使采集完整性可以被独立核验，而不是只靠作业成功标志。关于完整性，本方案的承诺口径是逐步接近源系统已授权范围内的全量，以月度校验比对的差异率作为度量：首月基线以试采结论为准，此后按季度收敛差异率，并在采集记录中如实披露每一批次的已知缺口（b1997）。

2.1.3 入口脱敏与合规校验

招标文件要求对涉及个人信息、敏感地理信息、重要行业数据、企业秘密数据进行去标识化或脱敏处理（b0804r06）。采集环节是执行这项要求成本最低的位置——数据一旦落到加工区再回头脱敏，散落的副本就难以收干净。

我方在采集通道的出口、落贴源层之前设一道入口治理闸，按字段级规则执行三类处置。第一类是直接标识符，如客户联系人姓名、手机号、身份证号、银行账号，一律在入口处替换为不可逆的稳定假名，同一真实值在全库映射为同一假名，以保留关联分析能力。第二类是准标识符，如精确地址、精确坐标、小范围时间戳，按泛化规则降精度。第三类是企业秘密字段，如未公开的报价明细、成本构成、供应商价格条款，按授权范围裁剪：训练用途不需要原值的，在入口处即裁掉。

格式合规校验在同一闸口完成，检查项包括字符编码可解析、必填字段非空、数值字段可解析、日期字段符合声明格式、枚举值落在字典码值内、主键非空且在批次内不重复、文件可打开且类型与扩展名一致。校验结论分三级：通过、带告警通过、不通过。带告警通过仅适用于加工区内部的受控流转——该批次可进入预处理与清洗环节，告警项随采集记录传递作为清洗与补全的输入，但不得直接进入数据集交付物，也不得作为场景验证的输入。安全与许可类检查项（敏感内容命中、许可凭证缺失或过期、授权范围外取数）与各表登记的强制检查项，不适用带告警通过：命中即判不通过，一律不放行。不通过的批次挂起并移入隔离区，生成异常处置单。凡带告警通过的批次，其告警项须在该批数据进入交付物之前逐条闭合；闭合记录随采集记录留存，未闭合的告警项在交付前复核时按未完成项处理。

2.1.4 异常处理口径

招标文件未逐条规定异常处理，但「方案可实施性」要求方案说清做不到时退到什么。表 2-2 把采集接入可能遇到的异常按来源分类，给出判定条件、处置动作与升级口径。表中各项均已在作业调度配置中实现为可配置策略，不依赖人工临场判断。

表 2-2　采集接入异常分类与处置口径

表 2-2　数据来源：招标文件评分表「方案可实施性」要求（b0496）及 3.2.6.3.1 采集环节门控结论要求（b1534）。

2.1.5 一次增量采集作业的执行时序

图 2-1 以库直连通道为例，给出一次增量采集作业从触发到门控的完整时序，以及三处失败点各自的回退路径。另外四类通道的时序结构相同，差别只在取数动作与增量键。

图 2-1　一次增量采集作业的执行时序与失败回退

图 2-1　数据来源：招标文件 3.2.2.1 各系统低峰时段要求（b0814 等）、3.2.6.3.1 采集环节门控与采集记录要求（b1396、b1397）。

2.1.6 采集记录与数据源登记台账

采集记录是采集接入最重要的交付物之一。招标文件要求采集环节「按业务域产出原始数据批次及其采集记录，作为后续各加工环节的输入」（b1397），质量评测侧要求说明文档清晰说明原始数据的来源渠道、采集时间范围及地理区域等溯源信息（b1939），采集方法另有专门评估项（b1940）。这三处要求指向同一件事：数据从哪来、怎么来的，要写得下来、查得出来。

表 2-3 给出采集记录与登记台账的字段设计。两者是一对多关系：台账一条记录对应一个取数对象（一张表、一个接口、一个目录），采集记录一条对应该对象的一次作业批次。

表 2-3　数据源登记台账与采集记录的字段设计

表 2-3　数据来源：招标文件 3.2.6.3.1（b1396、b1397）、质量评测规范溯源信息与采集方法评估项（b1939、b1940）。

2.1.7 跨系统对象主键的贯通

跨系统主键贯通虽非招标文件 3.2.2 节的字面要求，却决定了按该节取回的数据能否被使用。

十七个系统各有自己的编码体系。同一套刮板输送机产品，在客户关系管理系统里是商机号与合同号，在产品全生命周期管理系统里是图号与物料清单号，在企业资源计划系统里是物料编码与销售订单号，在制造执行系统里是施工号与工单号，在仓储管理系统里是批次号与库位号，在质量管理系统里是检验单号，在热处理群控系统里是炉次号，在数据采集与监控系统里是设备编码与测点号。这些编码之间目前没有稳定的映射关系。

因此，采集环节在取业务数据的同时，另取一类数据：跨系统标识映射证据。做法是在每一个源系统的取数范围内，额外纳入那些能把本系统对象与其他系统对象对上的字段——制造执行系统工单上的施工号与图号、质量管理系统检验单上的工单号与零件号、热处理群控系统炉次工单上的工单号与零件批次、仓储管理系统出入库流水上的物料编码与批次号与项目号。这些字段单看无用，合起来就是主键映射的原始证据。

映射关系的构建与维护属于数据治理与预处理环节；采集环节的职责是把映射所需的字段一并采回来，并在登记台账中标注其映射用途。表 2-4 列出本项目重点贯通的七类业务对象及其在各系统中的标识字段，作为权限申请的范围依据。

表 2-4　重点贯通的业务对象及其在各源系统中的标识字段

表 2-4　数据来源：招标文件 3.2.2.1 各系统数据范围条款（b0810、b0818、b0838、b0844、b0867、b0873、b0880、b0897）及 3.2.6.3.1 各业务域采集要求（b1364–b1394）。

2.1.8 人员组织、人机协同分工与门控归属

通用接入规范之外，还有一件贯穿各工序的事：这些工序里哪些步骤可以由自动化手段加速，加速到什么程度为止，以及谁来按下放行键。招标文件在离线数据录入环节要求建立「质量校验及人工复核机制」（b0912），在采集环节要求给出门控结论（b1534）。两处要求指向同一件事——数据能不能往下走，要有一道判据写得出来的闸，闸上要有人签认。自动化手段在此前提下使用。

本方案的口径是一句话：自动化手段用于候选生成与初筛，判定与放行权保留在通用接入规范与第 3.4 节已经立起来的门控上。 候选与判定的区别在于后果——候选错了，下一步的人要多看几眼；判定错了，错数据就进了数据集。所以凡是会改变数据去向的那一步，签认权不下放。表 2-5 按工序逐项列明这条口径的落点，第四列是该项效率设计的度量办法：没有基线、没有测法、没有不达标时的回退，这一项就不写进本方案。

表 2-5　采集与清洗各工序的人机分工、门控归属与度量口径

表 2-5　数据来源：招标文件 3.2.2.2 第 2 条「质量校验及人工复核机制」（b0912）、3.2.6.3.1 采集环节门控结论要求（b1534）及评分表「方案可实施性」要求（b0496）。

十七个源系统的厂商、版本与接口开放情况，以现场勘察与授权开通后的核实结论为准。通道选型因此不预先写死某个系统用哪一种接口，而是按通道类型给出可选方案与判定规则：勘察阶段（T+1 至 T+2 月）按规则逐系统判定并记入接入要素表，试采阶段（T+2 至 T+4 月）以适配验证确认该判定可执行，适配验证通过并双方签认之日即为该系统通道形态的冻结时点，此后变更按源系统变更类流程处置。表 2-6 给出判定条件与不可用时的转向；通道本身的取数协议、增量机制与频次口径见表 1-1，不重复。

表 2-6　接口形态未定时的通道判定规则与转向

表 2-6　数据来源：招标文件各系统「须提供数据库连接信息、API 接口信息或 FTP 信息」条款（b0813、b0820、b0827、b0834、b0840、b0845、b0851、b0856、b0863、b0869、b0876、b0882、b0888、b0893、b0898、b0904）、3.2.2.1.17 单向集成要求（b0907）及评分表「方案可实施性」要求（b0496）。

本表的判定顺序与系统集成分节的接入通道选型规则一致：同一系统按两处判定得到的首选通道相同。两处在「不可用时转向」一列的写法不同——系统集成分节按通道优先级列出相邻一档，本表则以本表适用条件已排除的通道为前提：按本表第二行判定的系统，库只读直连已因不满足第一行条件而不适用，故转向文件与附件通道。两种写法不会使同一系统判出不同的首选通道。

上述分工另有三点约束。其一，本方案不设自动化率一类的指标，也不以自动化手段替代人工复核环节——表 2-5 第三列列出的门控，是本方案对数据去向负责的位置。

其二，第四列的度量口径一律由基线、测法与不达标时的回退三件构成，这三件缺一项，相应的效率断言就不写进本方案，因为没有基线的效率说法在验收时无法核对。其三，模型通道所依赖的模型能力按统一网关接入的口径管理，可替换、可评测、可随代升级；模型能力的更替不改变表 2-5 的门控归属，也不改变第 3.4 节各复核环节的触发规则。

2.2 逐系统接入要素表的填写口径

十七个源系统按招标文件 3.2.2.1.1 至 3.2.2.1.17 的原编号逐项落位，每一个系统先以论述写清五件事：这套系统在本项目中承担什么用途、取哪些数据、怎么取与多久取一次、本系统特有的异常怎么处置、须招标方及源系统侧配合提供什么；再以一张接入要素表把可核对的口径逐项写定。通用部分不重复，按第 2.1 节执行。

接入要素表所覆盖的事项是统一的，十五项一项不缺；具体行名按该系统的数据形态合并或拆分——数据形态单一的系统合为「取数对象」一行，时序、结构化与非结构化三类并存的系统则按形态分列。填写内容一律按各系统的实际业务分别确定，不套用同一份模板。表 2-7 给出每一项必须回答的问题与填写要求；凡某一项在该系统上确无可写之处，须写明理由而非留空。表中「须招标方确认或提供」一列对应招标文件为该系统写明的「须提供」条款，以及我方勘察时须核实的事项，是该系统能否按期接入的前置条件。

表 2-7　接入要素表须覆盖的十五项事项与填写要求

表 2-7　数据来源：招标文件 3.2.2.1 各系统「须提供」条款（b0813 等）、3.2.6.3.1 采集环节门控要求（b1396、b1534）及评分表「方案可实施性」要求（b0496）。

2.3 与 CRM 系统集成（3.2.2.1.1）

用途。 客户关系管理系统承载营销相关业务原始数据，是供需计划域数据集的首要来源（b0809）。它在本项目中有两项不可替代的作用：一是提供商机、报价与合同的时间序列，使库存控制智能化场景的需求侧预测有真实历史可依；二是提供招投标文件与业绩合同这类非结构化文档，这是标书智能问答场景的语料主体，也是预训练子集中通用语料的一部分。

数据范围。 结构化部分取客户、商机、报价、合同、订单、回款六类业务对象的主表与明细表，以及各对象的状态流转记录（b0810）。状态流转比终态更有价值——商机从线索到成交的各阶段时点，是预测模型可用的特征；只取终态则这部分信息丢失。

非结构化部分取招标与投标文件（PDF、Word）、资质文件（PDF、JPG）、业绩合同（PDF、JPG）三类附件及其与业务对象的挂接关系（b0811、b0812）。附件的挂接关系须与附件同批取回，否则文档与合同对不上，标书问答场景就无法回答「这一条出自哪份标书、对应哪个项目」。

接入方式与频次。 该系统正在上线，历史数据较少，结构可能仍在调整。据此分两段：历史数据一次性初始化，置于约定低峰窗口分片执行；此后按日增量。结构化部分优先走库只读直连，以更新时间戳与自增主键双键水位线取增量；若对方仅提供接口，按接口的时间区间与分页游标拉取。附件走文件传输服务或对象存储只读目录，按清单四项比对下载（b0813）。

本系统特有异常。 第一类是附件缺失：业务对象记录存在但附件实体在文件服务上找不到。处置办法是记入「附件缺口清单」，按业务对象标识回单给联络窗口，不以空文件占位。第二类是历史数据稀疏：该系统上线时间短，部分年份的商机与报价记录可能不足以支撑时序建模。

处置办法是在采集记录中如实标注各年份的记录密度，并把缺口信息传给数据集建设环节，由该环节决定是否以其他系统数据交叉补充，采集环节不做推测性填充。第三类是客户联系人信息：客户与合同数据中含有联系人姓名、电话等个人信息，按第 2.1.3 节在入口处假名化，同一联系人在全库映射为同一假名。

须招标方提供。 数据库连接信息、接口信息或文件传输服务信息（b0813）；业务低峰时段，招标文件示例为 0 点至 5 点（b0814）；系统数据字典或数据库设计说明书（b0815）。

表 2-8　CRM 系统接入要素表

表 2-8　数据来源：招标文件 3.2.2.1.1（b0808–b0815）。

2.4 与 ERP 系统集成（3.2.2.1.2）

用途。 企业资源计划系统承载财务、采购、核算等业务原始数据（b0817）。它在本项目中的地位有两重：一是物料主数据与物料清单的权威来源，产品选型场景要用它做标准件的参考报价核算，库存控制场景要用它做需求运算与资金约束；二是本项目数据条件最好的一套系统——该系统录入规范、数据质量较好，因此适合作为主数据对齐的基准系统，其他系统的编码向它对齐而非反向。

数据范围。 按招标文件所列取组织、人力、物料、采购、销售订单、成本核算、应收应付、凭证、资产、资金十类结构化数据（b0818、b0819）。其中物料一类须取到完整的物料主数据、物料清单层级关系与价格数据——原材料与产成品均有价格，这是选型场景报价核算与库存场景资金核算的直接输入。人力一类按最小必要原则仅取组织岗位与定员口径，不取个人薪酬与考核数据；凭证与资金两类按授权范围取科目级汇总，不取明细到个人的收付记录。这一裁剪在权限申请清单中逐项写明，避免超范围取数。

接入方式与频次。 走库只读直连，优先在只读副本上取数。该系统事务量大，优先争取变更数据捕获；不可用时按双键水位线。物料主数据与物料清单变更不频繁，按日增量；采购订单、销售订单、应收应付等事务表按日增量；成本核算与凭证按月结节奏取数，月结后一次性取当期；库存账与价格按日取快照，保留历史快照以支持按时点回溯（b0820）。

本系统特有异常。 第一类是月结期间数据不稳定：月结过程中成本与凭证数据处于中间态，此时取数会得到会后被调整的数值。处置办法是在作业日历中标注月结窗口，月结期间暂停成本与凭证相关作业，月结完成标志出现后再取。第二类是物料清单版本问题：同一物料可能存在多个物料清单版本，取数时须带版本号与生效日期，不取「当前有效」的单一视图，否则历史工单无法还原当时的用料结构。第三类是价格数据的授权边界：采购价与成本价属企业秘密，按第 2.1.3 节在入口处按授权范围裁剪或分档处理。

须招标方提供。 数据库连接信息或接口信息（b0820）；业务低峰时段（b0821）；系统数据字典或数据库设计说明书（b0822）。

表 2-9　ERP 系统接入要素表

表 2-9　数据来源：招标文件 3.2.2.1.2（b0816–b0822）。

2.5 与 SCM 系统集成（3.2.2.1.3）

用途。 供应链管理系统承载供应链协同相关业务原始数据（b0824）。它在本项目中主要支撑库存控制智能化场景的供给侧判断。库存决策的难点不在于算出需要多少，而在于判断什么时候能到——外购件的有效提前期、供应商的履约稳定性、采购订单从下达到供货的实际周期，这三项数据只在这套系统里。缺了它，库存场景就只能按经验给提前期，这正是当前的困难所在。

数据范围。 取供应商档案、供应商评估、采购计划、采购订单、订单下达、供货履约、付款计划七类结构化数据（b0825、b0826）。其中供货履约一类须取到逐次到货的承诺日期与实际日期两个时点，由此才能统计有效提前期的分布而非均值；供应商评估一类须取到评估期间与评估项得分，而非仅取最终等级。

接入方式与频次。 走库只读直连或接口通道，按双键水位线取每日增量，置于低峰窗口（b0827）。供应商档案与评估变更不频繁，按周取增量即可，与招标文件要求不冲突，仅是把频次按数据变化节奏调低以减少对源系统的压力。

本系统特有异常。 第一类是与企业资源计划系统的采购数据重叠：两套系统都有采购订单，字段口径可能不一致。处置办法是两套都取，在贴源层各自原样留存，由标准化层按订单号做比对并标记差异，不在采集环节做取舍。差异本身是数据质量线索，应当保留。第二类是供应商商务信息敏感：价格条款、付款条件、信用额度属企业秘密，按授权范围在入口处裁剪。第三类是供应商联系人个人信息，按第 2.1.3 节假名化。

须招标方提供。 数据库连接信息或接口信息（b0827）；业务低峰时段（b0828）；系统数据字典或数据库设计说明书（b0829）。

表 2-10　SCM 系统接入要素表

表 2-10　数据来源：招标文件 3.2.2.1.3（b0823–b0829）。

2.6 与 QMS 系统集成（3.2.2.1.4）

用途。 质量管理系统承载质量管控相关业务原始数据（b0831）。它是产品质量域数据集的核心来源，也是热处理与焊接两个质量场景能否成立的关键——这两个场景的真正瓶颈不是模型不够强，而是过程数据与质量结论对不上。质量管理系统提供的是「结论」一侧：某个工件、某道焊缝、某个炉次的检验结果是什么。把这一侧与数据采集与监控系统、热处理群控系统提供的「过程」一侧配上，成对样本才成立。

数据范围。 结构化部分取制程检验、进厂检验、出厂检验、成品检验四类检验记录与质量台账（b0832）。四类检验记录须取到检验项目、实测值、判定结论、检验时点、被检对象标识四组字段；被检对象标识尤为重要，它是与工单号、零件号、批次号对上的唯一线索。非结构化部分取质量报告、检验数据文件、产品质量档案、质量知识四类文档（b0833）。其中质量知识一类是企业沉淀的缺陷判别经验与处置办法，对指令微调子集有直接价值。

接入方式与频次。 该系统新上线、正在推行，结构化数据与附件并重。结构化部分走库只读直连或接口通道，按双键水位线取每日增量；附件走文件传输服务，按清单比对下载（b0834）。工艺编制时标注的关键工序与重要尺寸会推送到该系统形成检查项，这部分数据与产品全生命周期管理系统的工艺数据同源，取数时须保留推送来源标识，便于与工艺侧对齐。

本系统特有异常。 第一类是缺陷描述为自由文本且未与工艺参数关联：这是该系统当前的实际状况。采集环节不做文本结构化处理——那是预处理与标注环节的工作——但须把自由文本字段完整取回并标注其为待结构化字段，不截断、不丢弃。第二类是被检对象标识缺失或填写不规范：新上线系统常见。

处置办法是统计该字段的填写完整度并随采集记录披露，同时把可用于间接关联的字段（检验单上的工单号、送检部门、检验时点）一并取回，为预处理环节的间接配对留出条件。第三类是交检拍照附件体量大：图片数量多、单张不大，按目录分片并发下载，并发数按对方给定上限配置。

须招标方提供。 数据库连接信息、接口信息或文件传输服务信息（b0834）；业务低峰时段（b0835）。招标文件对本系统未列数据字典条款，我方仍按第 2.1.1 节请求提供库结构说明或字段清单；未提供时按实际库结构反向推导并提交核对，这一差异在第 6 节如实列出。

表 2-11　QMS 系统接入要素表

表 2-11　数据来源：招标文件 3.2.2.1.4（b0830–b0835）。

2.7 与 WMS 系统集成（3.2.2.1.5）

用途。 仓储管理系统承载仓储相关业务原始数据（b0837）。它在本项目中支撑库存控制智能化场景的实物侧：账面库存与实物库存的差异、库位占用、项目专用料的锁定情况、余料与呆滞料的实际存放。库存口径不统一是当前的具体困难之一——不同系统中的库存数在同一时点不一致，三套口径并存。采集环节的任务不是统一口径，而是把各口径的原始数据按同一时点取回，使口径差异可被量化。

数据范围。 取仓库、库区、货位、物料、批次、到货单、入库单、出库单八类结构化数据（b0838、b0839）。到货单、入库单、出库单三类须取到单据头与明细行，并保留项目占用标识与批次号；库存一项须取按时点的快照而非仅取当前值，快照时点与企业资源计划系统的库存快照对齐，由此两套口径才可比。

接入方式与频次。 走库只读直连或接口通道（b0840）。仓库、库区、货位三类基础档案按周取增量；物料与批次按日；三类单据按日取增量，出入库流水量较大时按小时取轻量增量，批量校验置于低峰窗口。

本系统特有异常。 第一类是库存快照时点错位：若仓储侧与企业资源计划侧的快照不在同一时点，差异分析会把时点差当成口径差。处置办法是两侧快照统一取业务日切点（按企业实际的日切时间确定），并在采集记录中记录实际取数时点与业务日切点的偏差。

第二类是余料与呆滞料无结构化台账：这是当前的已知缺口。采集环节按现有数据取出长期未动的批次作为线索，但不以此替代台账；缺口在采集记录与第 6 节中如实列出。第三类是手持终端录入的时点滞后：出入库操作与系统记录时点可能有偏差，这一特征须在采集记录中说明，供时序分析环节判断可用性。

须招标方提供。 数据库连接信息或接口信息（b0840）；业务低峰时段（b0841）。招标文件对本系统未列数据字典条款，处理方式同 2.6 节。

表 2-12　WMS 系统接入要素表

表 2-12　数据来源：招标文件 3.2.2.1.5（b0836–b0841）。

2.8 与 MES 系统集成（3.2.2.1.6）

用途。 制造执行系统承载生产制造过程相关业务原始数据（b0843）。它在本项目中有一个别的系统替代不了的作用：把物理工件与时间对上。焊接参数流是按时间连续记录的，热处理曲线也是按时间记录的，但「这段时间在焊哪个工件的哪道焊缝」「这一炉装的是哪批零件」只有制造执行系统知道。没有这套系统的工单与工序流转记录，过程时序数据就无法绑定到物理对象，制造过程域数据集的成对样本也就无从构建。

数据范围。 招标文件对本系统列出焊丝牌号、焊丝直径、生产工单、生产进度四项（b0844）。按本项目的实际需要，取数范围在这四项之外须纳入工序流转与报工记录——这是把时间与工件对上的直接依据，也是招标文件 3.2.6.3.1 节要求「从 MES 采集生产工单、生产进度与焊丝牌号、直径」的落地前提（b1376）。焊丝牌号与直径两项是焊接场景的工艺参数基准：判断一组焊接参数是否偏离，须先知道当时用的是哪种焊丝。

接入方式与频次。 走库只读直连或接口通道（b0845）。工单与工序流转按日增量；生产进度按小时取轻量增量，使时序数据的对齐窗口不至于过宽。该系统已实现跨分厂、跨部门的多工序多路线管控，下道工序须待本车间全部工序报工完成后才能开始，这一规则使工序流转记录具备较强的逻辑一致性，可用于交叉校验取数完整性——若某工单的下道工序已开始而上道工序报工记录缺失，即为采集缺口信号。

本系统特有异常。 第一类是报工时点滞后于实际作业：这是该系统的已知特征。报工时点不等于加工时点，若直接用报工时点去截取时序数据窗口，会取到错误的数据段。处置办法是把报工时点与工序开始时点两个字段都取回，并在采集记录中注明该系统的滞后特征，由预处理环节按场景选择对齐基准；采集环节不做时点修正。

第二类是部分工单字段填写不完整：按第 2.1.3 节的校验口径，缺失字段不补齐，按字段统计完整度并随采集记录披露。第三类是工单与炉次、焊道的关联：须在取数范围内纳入能与热处理群控系统炉次工单、焊接工位记录对上的字段，详见表 2-4。

须招标方提供。 数据库连接信息或接口信息（b0845）；业务低峰时段（b0846）。招标文件对本系统未列数据字典条款，处理方式同 2.6 节；鉴于本系统是对象贯通的枢纽，我方建议优先补充提供其库结构说明。

表 2-13　MES 系统接入要素表

表 2-13　数据来源：招标文件 3.2.2.1.6（b0842–b0846）及 3.2.6.3.1 制造过程域采集要求（b1376）。

2.9 与 LMS 系统集成（3.2.2.1.7）

用途。 物流管理系统承载物流管理相关业务原始数据（b0848）。它在本项目中的作用集中在一点：把「物料什么时候真的到了现场」这件事记录下来。库存控制场景要算有效提前期，采购订单的到货日期只是入库时点，而从供应商发货到厂内可用之间还有运输与装卸环节；这段时间只在物流系统里。对供需计划域数据集而言，这是提前期分布的尾部来源。

数据范围。 取物流需求、运单、调度结果、装卸、取货、送达、运输时间七类结构化数据（b0849、b0850）。运单一项须取到起运地、目的地、承运方式与关联的采购订单或销售订单号；运输时间一项须取计划时长与实际时长两个值，单取其一无法度量偏差。

接入方式与频次。 走库只读直连或接口通道，按双键水位线取每日增量，置于低峰窗口（b0851、b0852）。

本系统特有异常。 第一类是运单与订单的关联缺失：部分运单可能只记录物料与数量而未带订单号，导致无法归集到具体采购行。处置办法是把可用于间接关联的字段（物料编码、数量、到货日期、供应商）一并取回，关联由预处理环节按规则推断，采集环节标注该运单为「待关联」。第二类是地理位置信息：起运地与目的地可能含详细地址，按第 2.1.3 节按泛化规则降精度，保留到可用于分析的行政区划层级。

表 2-14　LMS 系统接入要素表

表 2-14　数据来源：招标文件 3.2.2.1.7（b0847–b0852）。

2.10 与 EMS 系统集成（3.2.2.1.8）

用途。 能源管理系统须提供能耗监控、能耗统计、能耗分析三类时序数据（b0854、b0855）。它在本项目中有两项用途：一是热处理过程智能监控场景的能耗维度——热处理是本企业的高耗能环节，加热功率与保温时长的调整空间要靠能耗数据来度量；二是制造过程域数据集的时序模态补充，与设备运行状态数据同属时序模态，计入「涵盖超过 3 种模态」与「多模态数据条数占比不低于 40%」的统计口径（b0670）。

数据范围。 取能耗监控的原始计量点读数、能耗统计的按时段与按对象汇总值、能耗分析的既有分析结论三类（b0855）。原始读数的价值高于汇总值——汇总口径一旦变化，历史汇总值不可比，而原始读数可以按新口径重算。因此取数以原始读数为主，汇总值作为校验参照一并取回。

接入方式与频次。 走时序与设备通道。能源管理系统多以时序库或接口形式提供数据，按计量点与时间窗分片取数，维护每个计量点的采集水位线（b0856）。常态按小时分片拉取，历史回溯按日分片置于低峰窗口（b0857）。

本系统特有异常。 时序数据的典型异常有三类：计量点读数缺口、读数跳变（如计量器归零导致累计值回退）、采样周期不一致。三类处置口径统一为：缺口按缺口时间窗定向补采，补采不到的在采集记录中按测点与时间窗如实登记；跳变不在采集环节修正，保留原值并打标；采样周期按测点登记在台账中，不做重采样。

表 2-15　EMS 系统接入要素表

表 2-15　数据来源：招标文件 3.2.2.1.8（b0853–b0857）。

2.11 与 SOS 系统集成（3.2.2.1.9）

用途。 售后服务管理系统须提供设备远程运维相关业务原始数据（b0859）。它是刮板输送装备健康智能诊断场景的主要数据来源，也是本项目中数据形态最齐全的一套系统——同时提供时序数据、结构化业务数据与非结构化文档三类（b0860–b0862）。

健康诊断场景当前的核心困难是「报警不少，故障标签很少」：远程运维平台按阈值与多参数组合规则给出报警，但报警与真实故障之间缺少可核对的证据，历史数据没有事件级标签。因此本系统的取数重点不只是时序曲线，更在于把维修事实与数据段配上——售后工单上记录的是「什么时候、哪台设备、换了什么件、判定为什么故障」，这正是时序数据缺失的标签。

数据范围。 时序部分取设备健康状态时序数据，含测点配置、时序值与报警日志（b0860）。结构化部分取设备运维计划、报警处置记录、售后工单、备件消耗四类（b0860）。非结构化部分取设备档案（Word）、维修记录（PDF）、诊断报告（PDF、Word）、故障案例（PDF、Word）四类文档（b0861、b0862）。故障案例一类对指令微调与强化学习偏好数据有直接价值：一份写清了现象、排查过程与结论的案例，本身就是一条带推理过程的样本。

接入方式与频次。 三类数据走三条通道。时序部分走时序与设备通道，按测点与时间窗分片；结构化部分走库只读直连或接口通道，按日增量；文档部分走文件与附件通道，按清单比对下载（b0863）。批量与历史回溯置于低峰窗口（b0864）。

本系统特有异常。 第一类是测点可信度：井下工况恶劣、传感器易损，存在断链、漂移与失效测点。采集环节的处置是按测点统计数据连续性与取值分布，把疑似异常测点标注出来随采集记录提交，但不剔除数据——判断测点是否失效属于诊断场景的建模工作，采集环节剔除会掩盖问题。第二类是耦合干扰：刮板输送机被液压支架推移、被采煤机在机身上行走，在役监测信号中含有来自其他设备的耦合干扰。

采集环节须把同一设备同一时间窗的相关通道一并取回而非按单通道取数，否则后续无法做干扰分离。第三类是报警与工单的时点关联：报警日志与售后工单在时间上有先后，但不一定有显式关联字段。处置办法是两者都取，并保留设备编码与时点，由预处理环节按时间窗配对。第四类是维修记录的历史缺口：维修事实无结构化记录是已知缺口，非结构化的维修记录文档是当前唯一来源，须完整取回。

须招标方提供。 数据库连接信息、接口信息或文件传输服务信息（b0863）；业务低峰时段（b0864）。

表 2-16　SOS 系统接入要素表

表 2-16　数据来源：招标文件 3.2.2.1.9（b0858–b0864）。

2.12 与 EAM 系统集成（3.2.2.1.10）

用途。 设备资产管理系统须提供设备资产管理相关业务原始数据（b0866）。它在本项目中是厂内设备的档案基准：热处理场景要知道炉台的型号与功率配置，焊接场景要知道机器人工位与设备参数，诊断场景要把测点挂到设备上。设备编码的权威定义在这套系统里，其他系统的设备标识向它对齐。

数据范围。 取设备台账、设备档案、设备点检、维修工单、作业计划五类结构化数据（b0867、b0868）。设备台账须取到设备编码、型号、规格、安装位置、所属车间与状态；点检与维修工单须取到执行时点与处置结论，这两类是厂内设备异常的标签来源，与售后服务系统对在役装备的作用相同。

接入方式与频次。 走库只读直连或接口通道（b0869）。台账与档案按周取增量；点检、维修工单与作业计划按日取增量，置于低峰窗口（b0870）。

本系统特有异常。 第一类是设备编码与数据采集与监控系统的设备标识不一致：组态系统中的设备命名常由现场习惯形成，与资产台账编码不同。处置办法是两侧的标识字段都取回，并把数据采集与监控系统侧的位号命名规则作为映射线索一并登记，映射构建由治理环节完成。第二类是设备档案附件：部分设备档案以文档形式存在，按文件与附件通道取回。

表 2-17　EAM 系统接入要素表

表 2-17　数据来源：招标文件 3.2.2.1.10（b0865–b0870）。

2.13 与 PLM 系统集成（3.2.2.1.11）

用途。 产品全生命周期管理系统承载研发设计相关业务原始数据，招标文件明确其用途是「支撑数据标注和模型训练」（b0872、b0875）。本系统是本项目中单体价值最高的数据源，原因在于两件事。

第一件是成对样本。历史图纸约六十三万张，且每一张在历史上都配有一张已审核签发的工艺卡片。一张图纸进去、一张工艺卡出来，中间是工艺人员的专业判断——这正是板材备料工艺智能设计场景所要学的东西。六十三万对样本在矿山装备制造领域是极为稀缺的资产，它的价值不在体量而在配对关系的真实性：每一张工艺卡都经过审核签发，是实际执行过的工艺，而非人工构造的训练数据（b0875）。

第二件是原生图纸。板材备料工艺设计要读懂多视图的投影关系，读出材料牌号、板厚、外形轮廓、孔与方孔、坡口与倒角、压弯线与粗糙度符号。这些信息在原生 CAD 图纸文件（DWG、DXF）中是结构化的图元与标注，在 PDF 或截图中则退化为像素。因此本项目取图纸一律取原生文件，不以截图或 PDF 替代原生格式（b0874）。

数据范围。 结构化部分取物料清单编号、工序数据、变更记录、零部件信息四类（b0873）。工序数据一项与备料分厂现掌握的二十八道工序口径对应，二十八道以工艺部门确认的正式工序字典为准；变更记录一项是工艺演进的证据，记录了同一零件的工艺如何被修订，对指令微调样本的质量有直接影响。非结构化部分取选型方案（PDF、Word）、工艺图纸（PDF）、CAD 图纸（DWG、DXF）、工艺卡片（PDF）四类（b0874、b0875）。

接入方式与频次。 结构化部分走接口通道或库只读直连；图纸与文档走文件与附件通道（b0876）。这里有一项已知的技术困难须如实写明：该系统的原生图纸不支持整批导出。据此我方设计两条路径并行。一是按图号或项目批次调用图纸读取接口，分批取回，批次大小与并发按对方给定上限配置；二是在授权范围内挂载文件服务只读目录，按图号清单比对下载。

两条路径都不可用时，退到由甲方按批次导出并通过文件服务交付，我方按清单核收——这一退路会延长历史图纸的归集周期，相应的时间影响在第 6 节列出。历史图纸的六十三万张规模须按项目或年份分片，分片批量一律置于低峰窗口执行（b0877）。

本系统特有异常。 第一类是图纸与工艺卡的配对关系不在数据表中：配对关系存在于人的记忆与文件目录中，这是本项目最关键的一处已知缺口。采集环节的处置是把三类线索一并取回——图号与工艺卡片文件名的命名规则、文件目录的组织结构、结构化侧的零件号与工序数据关联，由预处理环节据此重建配对，配对结果须经工艺人员抽样核对。第二类是图号命名规则不统一：历史积累中存在多套命名习惯。

处置办法是按实际出现的命名形态分类统计并登记，不在采集环节做归一。第三类是大文件与并发：DWG 文件单个不大但数量巨大，按分片并发下载并断点续传，单次扫描目录深度与文件数设上限以免压垮文件服务。第四类是七八成图纸属可借用可对照的既有零件，这意味着相似图纸大量存在；采集环节按行指纹识别完全重复的文件并去重登记，相似但不相同的文件一律保留，相似度判定属预处理环节的工作。

须招标方提供。 数据库连接信息、接口信息或文件传输服务信息（b0876）；业务低峰时段（b0877）。另须明确图纸批量导出或接口批量读取的可行方式与授权范围，这是本系统能否按期完成历史归集的决定性前提。

表 2-18　PLM 系统接入要素表

表 2-18　数据来源：招标文件 3.2.2.1.11（b0871–b0877）、3.2.6.3.1 产品工艺设计域采集要求（b1371–b1374）及第 1 节事实口径（63 万张历史工艺样本、28 道备料工序）。

2.14 与 SCADA 系统集成（3.2.2.1.12）

用途。 数据采集与监控系统须提供工业设备工况与物联网相关业务原始数据（b0879）。它是制造过程域数据集中时序模态的主要来源，直接支撑焊接过程控制智能监控场景。

焊接场景当前的困难很具体：现有十五台焊接机器人已通过该系统采集电流、电压、温度、速度等过程参数，但数据利用停留在参数记录与简单阈值报警层面，参数流与工件、焊道之间没有对应关系（b1678）。因此本系统的取数设计有一条贯穿要求：凡取时序数据，必取时间戳与设备位号，并在同批次内取回同一设备同一时间窗的全部相关通道。单通道取数会使后续的参数横向比对无法进行。

数据范围。 按招标文件所列取设备电流、电压、温度、湿度、设备运行状态、焊接电流与电压、送丝速度、气体流量八类时序数据（b0880、b0881）。设备运行状态一项是时序数据的分段依据——同一台设备在待机、空载、焊接三种状态下的参数分布完全不同，不取状态就无法分段，分析结果会被待机数据稀释。

接入方式与频次。 走时序与设备通道。优先按时序库只读查询或组态系统历史数据接口取数，按位号与时间窗分片，维护每位号的采集水位线（b0882）。常态按小时分片拉取，历史回溯按日分片置于低峰窗口（b0883）。该系统的既有采集范围仅覆盖部分车间的部分设备，采集范围的扩展按各场景数据要求分批进行，首期以试点产线与试点车间所需设备为准，扩展清单以现场勘察结论为准——这一点属硬件与感知设备建设范围，采集侧只在扩展到位后把新增位号纳入台账并开始取数。

本系统特有异常。 第一类是采样周期与数据量：焊接过程参数的采样周期通常为秒级甚至更密，单位时间数据量大。处置办法是按位号分组错峰拉取，单次查询的位号数与时间跨度设上限，并在台账中按位号登记原始采样周期；采集环节不做降采样，降采样属预处理环节按场景需要执行。第二类是位号命名与设备编码不一致，处置同 2.12 节。

第三类是时间基准偏差：组态系统的时间源可能与业务系统不同步，若偏差未知，时序与工单的对齐就会错位。处置办法是在试采阶段测定该系统时间源与统一时间基准的偏差并登记，每一批次的采集记录中注明测定值与测定时点；时间基准归一在标准化层执行。第四类是数据缺口：设备停机、网络中断或采集点故障造成的缺口按缺口时间窗定向补采，补采不到的按位号与时间窗如实登记。

须招标方提供。 数据库连接信息或接口信息（b0882）；业务低峰时段（b0883）。另须提供位号清单、量纲、采样周期与位号对应的物理设备与安装位置说明。

表 2-19　SCADA 系统接入要素表

表 2-19　数据来源：招标文件 3.2.2.1.12（b0878–b0883）、3.2.6.3.1 制造过程域采集要求（b1377–b1380）及焊接场景现状描述（b1678）。

2.15 与 OA 系统集成（3.2.2.1.13）

用途。 协同办公系统须提供协同办公相关业务原始数据，形态全部为非结构化文档（b0885）。它是五个通用场景的语料主体：管理制度智能问答要查制度，合同合规智能审查要对照合同条款，标书智能问答要检索历史标书，技术标准智能问答部分资料亦在此沉淀。本系统同时是预训练子集中通用语料的来源之一。

数据范围。 招标文件写明两类：十一类管理制度（PDF）、九类合同文档（PDF、Word）（b0886、b0887）。「十一类」与「九类」是甲方既有的分类口径，取数时按该分类组织目录结构，不自行重新分类——通用场景回答问题时须说清依据的是哪一类、哪一版文件，分类口径一旦改动，答案的可核对性就下降。

除文档正文外，须一并取回文档的版本状态、生效日期、废止日期与访问控制信息。版本与权限是通用场景的核心约束：回答一个问题时能否说清依据的是哪一版文件、提问人是否有权看到这份依据，取决于这两组字段是否在采集时一并取回。

接入方式与频次。 走文件与附件通道，按只读目录或文档接口取数，按清单四项比对下载；文档元数据（标题、分类、版本、生效日期、权限标签）走接口或库只读直连（b0888）。批量初始化置于低峰窗口；此后按日扫描清单（b0889）。

本系统特有异常。 第一类是同名文件内容已变：制度与合同文档的修订常沿用原文件名，仅靠路径与修改时间无法识别。处置办法是按内容摘要比对，摘要变化即视为新版本并另存，旧版本保留。第二类是扫描件与可解析文本混杂：部分历史文档为扫描图像，须经光学字符识别才能用于语料。

采集环节按文件是否含可提取文本层分类标注，不在采集环节做识别——识别属多格式多模态录入环节的工作，见第 3 节。第三类是权限敏感文档：部分合同与制度涉及企业秘密，须按访问控制信息分级，未授权范围的文档不取。这一判断以甲方提供的权限标签为准，我方不自行判定可否取用。

表 2-20　OA 系统接入要素表

表 2-20　数据来源：招标文件 3.2.2.1.13（b0884–b0889）。

2.16 与久其系统集成（3.2.2.1.14）

用途。 久其系统须提供经营相关指标数据（b0891）。它支撑决策数据智能问答场景，也为供需计划域数据集提供经营结果侧的口径。与企业资源计划系统的区别在于：企业资源计划系统提供的是业务明细，久其系统提供的是对外报送口径的指标值。两者数值可能不一致，这种不一致不是错误，而是口径差——报送口径有合并、调整与追溯重述。决策数据问答场景回答「去年营业收入多少」时，依据应是报送口径，因此这套系统不可被替代。

数据范围。 取营业收入、利润、成本、资产负债四类指标数据（b0892）。每一项指标须取到指标值、报告期、口径版本与是否追溯重述标记。只取指标值而不取口径版本，历史数据会因重述而前后不一致，问答场景就会给出相互矛盾的答案。

接入方式与频次。 走应用接口通道或库只读直连（b0893）。指标数据按报告期产生，按月或按季在期末报送完成后取数一次，置于低峰窗口（b0894）。

本系统特有异常。 第一类是追溯重述：历史期间的指标值可能被后续调整。处置办法是按报告期与口径版本双键留存，不覆盖历史值，使任一时点的口径都可还原。第二类是指标数据属企业财务敏感信息，按授权范围取数，并在数据集中按敏感等级分级管理；未公开的明细口径按第 2.1.3 节裁剪。

表 2-21　久其系统接入要素表

表 2-21　数据来源：招标文件 3.2.2.1.14（b0890–b0894）。

2.17 与主数据管理平台集成（3.2.2.1.15）

用途。 主数据管理平台须提供组织、人员、物料等主数据（b0896）。它在本项目中的作用是第 2.1.7 节所述对象贯通的参照起点：组织机构、人员与物料编码三类主数据若在该平台已有统一定义，跨系统映射的工作量会显著下降；若该平台仅覆盖部分主数据域，则映射须回到各源系统逐一对齐。因此本系统的勘察结论直接影响第 2.1.7 节工作的工期估算。

数据范围。 取组织机构、人员、物料编码三类结构化数据（b0897）。组织机构须取到层级关系与生效区间，组织调整历史对按部门口径的统计有直接影响；人员一类按最小必要原则仅取岗位与所属组织，不取个人身份信息与薪酬考核数据；物料编码须取到编码、名称、分类、计量单位、替代关系与状态。

接入方式与频次。 走应用接口通道或库只读直连（b0898）。主数据变更频率低，按日取增量即可，置于低峰窗口（b0899）。组织与物料的历史版本按生效区间留存，不覆盖。

本系统特有异常。 第一类是主数据覆盖范围不完整：平台可能只纳管了部分主数据域，或部分源系统尚未接入该平台。处置办法是在勘察阶段逐域核实纳管范围并登记，未纳管域在采集记录中标明，映射工作按未纳管处理。第二类是人员数据的个人信息：按第 2.1.3 节在入口处裁剪至岗位与组织维度，个人姓名、证件号、联系方式一律不进入数据集。第三类是物料替代关系缺失：标准件库缺适用条件、替代关系与在产状态三项字段是已知缺口，采集环节如实登记缺口，不做推测性补齐。

表 2-22　主数据管理平台接入要素表

表 2-22　数据来源：招标文件 3.2.2.1.15（b0895–b0899）。

2.18 与热处理群控系统集成（3.2.2.1.16）

用途。 热处理群控系统须提供生产、开炉等相关业务原始数据（b0901）。它直接支撑热处理过程智能监控场景。该场景的要求是在不改动固定工艺参数的前提下把执行条件的差异管起来——为每一个处理批次建立完整档案，把装炉工件清单、材料批次、码装方式与装炉量、设定程序、实际温度曲线与检验结论串到一起。本系统提供的是其中最核心的两项：设定程序与实际曲线。

数据范围。 按招标文件所列取当前温度与设置温度、电流与电压、加热时间与冷却时间、冷却水温度、淬火液温度、淬火水温、温控测量值七组时序数据（b0902、b0903）。「当前温度」与「设置温度」成对取回是关键——热处理场景要识别的正是实际曲线对设定程序的偏离，缺任一侧则偏离无法度量。除时序数据外，须一并取回炉次工单、开炉与完工记录、工艺程序下发记录三类结构化数据：炉次级记录在该系统中可追溯，这是把时序曲线绑定到物理批次的唯一依据。

接入方式与频次。 走时序与设备通道取时序数据，按炉台与时间窗分片；炉次工单与开完工记录走库只读直连或接口通道，按日取增量（b0904）。历史回溯按日分片置于低峰窗口（b0905）。

本系统特有异常。 第一类是炉次与工件、材料批次、检测结果之间无稳定关联：这是热处理场景的已知核心缺口。采集环节把可用的关联线索一并取回——炉次工单上的工单号与零件批次号、开炉记录的时点与炉台号，由此与制造执行系统的工单、质量管理系统的检验记录在时间窗与标识上做配对，配对由预处理环节完成。第二类是装载量与码装方式无结构化记录：已知缺口。

这类数据的建设方式是在既有业务流程中增设填报入口并由系统预填、经手人确认，不属采集环节范围；采集环节如实登记缺口。第三类是温度测量系统校验记录未接入：计量校验记录决定了温度数据的可信度，若未接入则时序数据的绝对精度无法保证。处置办法是在勘察阶段确认校验记录的存放位置，具备条件时纳入取数范围，不具备时在采集记录中注明该限制。第四类是曲线采样密度：温控测量值的采样周期通常为秒级，处置同 2.14 节。

表 2-23　热处理群控系统接入要素表

表 2-23　数据来源：招标文件 3.2.2.1.16（b0900–b0905）及 3.2.6.3.1 制造过程域采集要求（b1380–b1381）。

2.19 与安全监管平台集成（3.2.2.1.17）

用途与集成方式。 招标文件对本系统的规定与前十六个不同：平台与安全监管平台为单向集成，即由数据集加工生产平台从安全监控平台获取数据（b0907）。单向是责任边界，也是该系统接入设计的出发点——我方只接收，不向该平台发起写操作，不发起取数之外的任何调用。

数据范围。 须包括安全监管数据与生产过程监控数据两类（b0908）。招标文件对这两类未列具体字段，此处按两类数据的通常构成给出取数口径，具体字段以勘察结论为准：安全监管数据按事件、隐患、检查与整改四个对象取记录，含发生时点、区域或工位、分级、处置状态；生产过程监控数据按监控对象与时间取记录，含监控点标识、时点、状态量与报警标识。两类数据在本项目中的用途是支撑安全合规判断类样本的构建，并为制造过程域数据集补充安全维度的上下文。

接入方式与频次。 走单向监管数据通道。两种形态都支持：由对方按批次向我方推送，或由我方按只读接口拉取，具体以该平台的现有能力为准。网络层按单向可达配置，接收侧按批次号与时间窗水位线去重。频次按对方发布节奏接收；对方无固定节奏时，我方按日拉取一次，置于低峰窗口。

本系统特有异常。 第一类是字段口径未明：这是本系统与其他十六个系统最大的不同——招标文件未列字段清单。处置办法是把本系统列为勘察优先项，在勘察阶段确定对象与字段后再冻结取数范围；勘察前不预设结构。

第二类是数据敏感性：安全监管数据可能涉及人员伤害、违规处置等敏感内容，涉及个人的部分按第 2.1.3 节在入口处假名化，涉及监管报送的内容按授权范围取数。第三类是单向网络下的回单问题：单向可达意味着我方无法通过同一通道回报接收结果。处置办法是接收结果通过项目既定的协作渠道按日回单，不在数据通道上反向发起请求。

表 2-24　安全监管平台接入要素表

表 2-24　数据来源：招标文件 3.2.2.1.17（b0906–b0908）。

2.20 十七个源系统的接入汇总

图 2-2　十七个源系统到四个业务域与四类数据集的数据流向

图 2-2　数据来源：招标文件 3.2.2.1.1–3.2.2.1.17 各系统数据范围条款（b0810–b0908）、3.2.6.3.1 各业务域采集要求（b1364–b1394）、数据质量目标（b0670）、场景赋能目标（b0674）及第 1 节四大数据集规模口径。

表 2-25 汇总十七个源系统的接入要点，便于横向比对与实施期对照检查。表中「字典条款」一列标注招标文件是否为该系统写明数据字典要求——有十一个系统写明、六个系统未写明；未写明的系统我方仍按第 2.1.1 节请求库结构说明，这一处差异在第 6 节如实列出。

表 2-25　十七个源系统接入要点汇总

表 2-25　数据来源：招标文件 3.2.2.1.1–3.2.2.1.17 各系统条款（b0808–b0908）、3.2.6.3.1 各业务域采集要求（b1364–b1394）、术语定义表（b0659r04–b0659r16）。

3、多格式多模态的数据录入（对应 3.2.2.2）

要求是：实现本项目数据集加工生产相关的离线非结构化数据的解析及录入管理，并形成电子化数据资产和相关语料（b0910）；完成业务域文档、图片、工程图纸、技术书籍、财务票据、音视频等多格式多模态离线数据的批量导入与实时接入（b0911）；建立自动分类、关键信息抽取、结构化转换、质量校验及人工复核机制，形成规范化、标准化的离线电子化数据资产目录（b0912）；按业务主题与知识体系进行数据聚类、去噪清洗、格式统一与版本管理（b0913）。

3.1 录入流水线的总体设计

录入对象是不在任何系统流程里的离线资料：尚未数字化的纸质检测报告，以纸本或扫描件存放的技术书籍与外部标准资料，以扫描件而非原生文件存在的历史工艺图纸，按会计档案方式归档的财务票据，散存于部门自管目录的现场演示与培训录像。这类资料不随业务流程产生新记录，没有增量键可用；一个目录内可能同时存在 PDF、DWG、JPG、XLSX 与 MP4；同一类资料既有带文本层的电子文档，也有倾斜模糊的扫描件。

据此，录入以资料批次而非源系统为组织单位，以清单登记与内容摘要替代增量键，以自动分类先判别资料类别、再按类走对应的解析路径。录入流水线分六段：批次登记、格式识别与分类、解析与关键信息抽取、质量校验、人工复核、入目录与版本管理。六段之间以批次为单位流转，每段有明确的通过条件与不通过时的回退路径。图 3-1 给出完整流水线。

图 3-1　多格式多模态离线数据录入流水线

图 3-1　数据来源：招标文件 3.2.2.2 第 1–3 条（b0911、b0912、b0913）。

3.2 批量导入与实时接入

招标文件要求对业务域文档、图片、工程图纸、技术书籍、财务票据、音视频六类离线数据完成批量导入与实时接入（b0911）。两种方式并存，分工明确。

批量导入用于历史存量。甲方按资料类别分批交付，每一批随交一份清单，清单列明件数、类别与来源部门；我方按清单核收，逐件登记批次号、内容摘要与许可凭证，核收结论回单。清单与实物不符的，按差异回单，不以实物为准自行调整清单——清单是双方签认的交付凭据。大体量批次按资料类别拆分，单批不超过约定件数上限，避免一次交付的核收周期过长。

实时接入用于增量。在授权范围内设置只读监视目录与接收端点：新增文件落入监视目录即触发登记与分类，不必等人工发起；监视机制之外另按小时扫描目录清单作为兜底，防止事件丢失导致漏入。实时接入的典型来源是日常新产生的检测报告、新签合同扫描件与新摄录的现场视频。

表 3-1 给出六类资料的接入方式、支持格式与处置要点。格式判定一律按文件签名而非扩展名——扫描件被存成 .pdf 实际是图像包、图纸被改名为 .pdf 实际是 DWG，这两种情形在历史资料中都会出现，按扩展名分流会把数据送进错误的解析器。

表 3-1　六类离线资料的接入方式与处置要点

表 3-1　数据来源：招标文件 3.2.2.2 第 1 条所列六类数据（b0911）。

受理格式之外，还须把字符编码、色彩与采样规格、随件附件以及单件与单批的体量限值写定，否则核收时无从判断一批资料是该收还是该退。表 3-2 给出这四项的受理口径与超限处置。限值取值按首批次实测调整，调整须经双方书面确认后更新清单，不在核收现场临时放宽。

表 3-2　离线资料的编码、规格、随件要求与体量限值

表 3-2　数据来源：招标文件 3.2.2.2 第 1、2 条（b0911、b0912）、3.2.2.1.11 图纸格式要求（b0874）及 3.2.2.1.13 文档格式要求（b0886）。

这里须交代一处技术选择的理由。工程图纸一类同时列了原生格式与扫描件，但两者的后续用途不同。原生 DWG 与 DXF 文件中，尺寸标注、图层、线型与视图关系是结构化的图元信息，解析后可直接得到「这是一块多厚的什么牌号的板、轮廓是什么形状、哪里有孔、哪里要压弯」；扫描件则只有像素，同样的信息须靠图像识别推断，精度与可靠性都显著下降。

板材备料工艺智能设计场景的成立依赖前者（b0874）。因此本项目的取数口径是原生优先，扫描件作为原生文件缺失时的补充，并在资产目录中明确标注来源格式，使下游环节知道这一份图纸的可信度档次。

3.3 自动分类、关键信息抽取与结构化转换

招标文件要求建立自动分类、关键信息抽取、结构化转换、质量校验及人工复核机制（b0912）。本小节讲前三项，后两项见第 3.4 节。

自动分类分三层。 第一层判技术形态：真实格式是什么、有无可提取文本层、是否加密、是否损坏。这一层纯机器判定，不需要业务知识。第二层判业务类别：这是制度、合同、检验报告、图纸、票据还是录像。判别依据是版式特征、关键词模式与文档元数据三者结合，而非单一特征——仅靠关键词会把引用了制度条款的会议纪要误判为制度。

第三层判业务主题与知识体系位置：这份资料属于哪个业务域、对应哪一类知识对象、与哪个物理对象相关。第三层的分类体系由本项目的知识本体定义，录入环节只负责按该体系落位，体系本身的构建属知识本体与知识库环节。

分类采用大模型与规则双通道：规则通道处理有明确版式与命名特征的资料，判定确定、可解释、可审计；模型通道处理规则覆盖不到的长尾。两通道结论一致时直接通过，不一致时转人工复核，复核结论回流修订规则。这一设计的用意是把可确定的部分用确定办法处理，把人力集中到真正模糊的部分——分类准确率的提升主要靠规则库随复核结论逐步扩充，而不是靠换更大的模型。本项目承诺分类准确率按季度提高，以首批次的人工抽样复核结果作为基线，并在质量报告中逐期披露。

关键信息抽取按资料类别定义字段集。 抽取不是「把文档里的实体都找出来」，而是按下游用途定义必取字段。表 3-3 给出各类资料的必取字段与抽取方式。必取字段抽不出来或置信度低于阈值的，该件转人工复核，不以空值入目录。

表 3-3　各类资料的关键信息抽取字段集

表 3-3　数据来源：招标文件 3.2.2.2 第 2 条（b0912）、3.2.2.1.13 制度与合同分类口径（b0886）及板材备料场景对图纸解析的要求（b0874）。

抽取字段到目标结构的映射逐类登记。 抽取得到的字段名来自原件，入目录的字段名来自本项目的统一资产结构，两者之间的对应关系以「映射表」逐类资料登记：每一条映射写明来源字段（含其在原件中的定位方式）、目标字段、值域转换规则（单位、日期格式、码值对照）、必填与否，以及映射失败时的处置。映射表按版本管理，版本号随资产记录一并留存，使任一条资产都能说清它是按哪一版映射规则生成的；映射规则变更后，受影响的资产可从原件按新版本重新派生。映射落空分三种处置：来源字段确实不存在的，目标字段置为「源端无此项」并记明，不以空值冒充未抽到；抽取失败的转人工复核；值域转换不成功的（如日期无法解析、码值不在对照表内）整件挂起，待对照表补齐后重跑。

结构化转换的产出是一份统一的资产记录。 无论来源是文档、图纸还是录像，入目录的资产记录都遵循同一结构：资产标识、来源批次与原文件路径、真实格式、业务类别、业务主题位置、抽取字段集、正文或转写文本、版式锚点、可信度档次、权限标签、许可状态、版本链、血缘指向。统一结构的作用是让下游环节不必按来源形态分别处理，也让资产目录可以按任一字段检索与统计。原文件一律留存，结构化记录指向原文件，不替代原文件。

3.4 质量校验与人工复核机制

质量校验在机器侧完成六项检查：可读性（文件能否正常打开、内容能否提取）、完整性（必取字段是否齐备、页数与清单是否一致）、抽取置信度（各字段的置信度是否达阈值）、与来源一致性（内容摘要与登记是否一致、是否存在截断）、重复与近重复（按内容摘要判完全重复，按文本或图元相似度判近重复）、敏感内容命中（是否含个人信息、企业秘密或受限内容）。六项检查的结论汇总为该件的校验结论，分通过、带告警通过、转复核、挂起四档。其中带告警通过仅限资产目录内部的受控流转，该件可被检索与引用为线索，但在告警项闭合之前不进入对外交付的数据集；敏感内容命中与许可状态不明两类不适用带告警通过，一律转复核或挂起，挂起件移入隔离区单独存放，不与通过件混放。

人工复核不是全量复核，而是按三条规则触发：低置信度触发（任一必取字段置信度低于阈值）、敏感命中触发（命中敏感内容规则）、抽样触发（按类别对通过件按比例抽样）。抽样比例按类别与可信度档次差异化设定，初期从高比例起，随改判率下降逐步调低——抽样比例的调整须有数据依据，改判率不下降则比例不降。

挂起件不与通过件混放。校验或复核判为挂起的资料移入隔离区：隔离区是录入流水线内一块独立的存储区，与资产目录物理分离，其中的件不被检索、不被引用、不参与任何下游取数；每一件附一张挂起单，写明挂起原因、责任归属、拟采取的处置与再次判定的条件。隔离区的出口只有两个——处置完成后重新走一遍完整校验并经复核放行，或判定为不可用后登记于缺口清单并保留原件。隔离件在隔离区的停留时长按周统计并随质量报告披露，长期未处置的逐件回单。凡经隔离区放行的件，其挂起与放行记录随资产记录永久留存。

复核结论须留痕三项：原机器判定、人工改判结果、改判理由。改判理由是规则库与抽取逻辑的改进输入，这一回流是录入质量随时间提高的主要机制。表 3-4 给出复核机制的岗位分工与通过条件。本表所列岗位为项目组内部的角色划分，不涉及具体人员。

表 3-4　人工复核的触发条件、分工与通过条件

表 3-4　数据来源：招标文件 3.2.2.2 第 2 条「质量校验及人工复核机制」（b0912）。

3.5 按业务主题聚类、去噪清洗、格式统一与版本管理

招标文件第 3 条要求按业务主题与知识体系进行数据聚类、去噪清洗、格式统一与版本管理（b0913）。四项分述。

聚类按业务主题与知识体系两个维度并行。 业务主题维度按供需计划、产品工艺设计、制造过程、产品质量四个业务域及通用语料划分，这一维度与四大数据集的域划分一致，使录入资产可以直接归集到对应子集。知识体系维度按知识对象类型划分——制度条款、技术标准条目、工艺规则、设备知识、故障知识、术语定义等，这一维度服务于知识库构建与问答场景的检索。同一份资产在两个维度上各有位置，互不替代。聚类结果可被人工调整，调整留痕并回流修订聚类规则。

去噪清洗针对离线资料的典型噪声，分四类处置。 版面噪声：页眉页脚、水印、装订线、页码在正文中反复出现，按版面位置与重复模式识别并剥离，剥离前的原文保留。识别噪声：扫描件的识别错误，按词表与上下文校正，校正处标注为已校正并保留原识别结果。

重复噪声：完全重复的文件合并为一条资产并记录多条来源，近重复的分别保留并建立相似关系——历史图纸中七八成属可借用可对照的既有零件，近重复大量存在，若按相似度合并会丢失零件之间的实际差异，而这些差异正是工艺借用判断所依据的（b0875）。断续噪声：音视频转写中的断句错误与语气词，按分段边界与停顿校正，原音轨保留。

格式统一的原则是统一派生格式、保留原始格式。 文本类统一转为带结构标记的规范化文本，表格统一转为行列化结构，图纸的解析结果统一转为图元与标注的结构化表示，音视频的转写统一转为带时间码的文本。统一的是派生物，原始文件一律按原格式留存。这样做的理由是：派生格式的规范随项目推进会调整，调整后可从原始文件重新派生；若只留派生物，一次规范变更就意味着一次不可逆的信息损失。

版本管理按资产标识建版本链。 同一份资料的不同版本（制度修订、图纸升版、合同补充协议）在同一资产标识下串为版本链，每一版记录版本号、生效区间、变更来源与前一版指向。版本链的作用在通用场景中尤为关键：回答「现行制度怎么规定」时取当前有效版，回答「这份两年前的合同按当时制度合规吗」时取当时有效版。两类问题都成立，才算真正可用。版本链同时承载血缘：派生资产指向其原始文件版本，使任一结论可追溯到具体的那一版原件（b1997）。

表 3-5 给出资产目录的字段设计，这是录入环节的主要交付物之一，也是招标文件所要求的「规范化、标准化的离线电子化数据资产目录」（b0912）。

表 3-5　离线电子化数据资产目录字段设计

表 3-5　数据来源：招标文件 3.2.2.2 第 2、3 条（b0912、b0913）、数据集模态与时效性指标口径（b0670）、可信性溯源要求（b1997）。

3.6 录入环节的验收用例

录入流水线的验收不以「跑通了」为判据，而以一组可重复执行的用例为判据。用例按资料类别与异常形态设计，每一条写明输入、预期结果与判定方式；用例随首批次试运行执行一轮，形成基线，此后每季度回归一轮，结果随质量报告提交。用例所用的资料一律取自真实批次，不另行构造样本——构造样本验不出历史资料的实际毛病。

表 3-6 给出验收用例集。用例不通过的，相应功能不进入常态运行；已在常态运行中发现的缺陷按隔离区口径处置，并在最终交付前逐条闭合，闭合记录随质量报告提交。

表 3-6　录入环节验收用例集

表 3-6　数据来源：招标文件 3.2.2.2 第 1–3 条（b0911、b0912、b0913）、可信性溯源要求（b1997）及评分表「方案可实施性」要求（b0496）。

3.7 录入环节与四大数据集的衔接

录入环节产出的资产目录不是终点，而是数据加工生产主线的输入之一。衔接口径有三条。

其一，按模态与时点统计。资产目录中的模态标记与资料时点两个字段，直接支撑「数据集涵盖超过 3 种模态、多模态数据条数占比不低于 40%、近 3 年内时效性数据条数占比不低于 40%」三项指标的统计（b0670）。统计口径在资产目录层面定义一次，各子集按同一口径取数，避免各算一套。

其二，按可信度档次分流。可信度档次高的资产可直接进入标注与样本构建；档次低的（如扫描件解析结果）须先经人工复核或作为辅助证据使用，不作为唯一依据。这一分流规则在资产目录中以字段固化，下游环节按字段取数而非按经验判断。

其三，按许可状态门控。许可不明或使用受限的资产不进入商用用途的数据集，这一限制由资产目录的许可状态字段实现门控。招标文件要求核查项目建设过程中是否包含不可用于商业用途的建设内容、承诺数据集来源的合法性（b0804r06），许可状态字段是这项承诺在数据侧的落脚点。

4、采集通道部署与存储承接方案

前三节所涉的采集通道部署形态与数据落区的存储承接方案汇总如下，与采购清单第 1 项「数据资源建设服务」的交付内容对应（b0806、b0804r02）。

4.1 部署形态：采集区与加工区分离

十七个源系统分布在企业内网的不同网段，形态包括业务系统数据库、应用服务、文件服务与工业侧的组态系统与时序库。工业侧与管理侧通常处于不同的安全域，网络策略也不同。据此采集能力按两区部署。

采集区紧邻源系统部署，承担取数动作本身：建立只读连接、执行分片查询、下载文件、订阅时序点位、执行入口治理闸的脱敏与校验。采集区不长期存放业务数据，仅保留在途缓冲与断点续传所需的临时数据，缓冲数据在批次完成并校验通过后清理。这样安排有两个用意：一是把与源系统的交互限制在最小的网络面上，源系统侧只需对采集区开放访问，不必对整个加工环境开放；二是脱敏在采集区完成，加工区从一开始就拿不到未脱敏的原值，合规边界靠部署结构保证而非靠流程约束。

工业侧设备数据的采集另在工业网段设采集代理，由代理向上汇聚到采集区。代理只做取数与缓冲，不做计算与写回。热处理群控、数据采集与监控、能源管理三类系统的时序数据按此路径接入（b0902、b0880、b0855）。

加工区承载三层落区中的贴源层与标准化层，以及资产目录与登记台账。加工区与采集区之间按单向数据流通，加工区不直连源系统。

图 4-1 给出部署形态与数据流向。

图 4-1　采集通道部署形态与跨区数据流向

图 4-1　数据来源：招标文件 3.2.2.1 各系统集成要求（b0807–b0908）、3.2.2.2 离线数据接入要求（b0911）、3.2.2.1.17 单向集成要求（b0907）。

4.2 存储承接：按数据形态选存储，不用一种存储装所有数据

本项目的数据形态跨度很大：关系型业务记录、秒级时序点位、数十万件图纸与文档、图像与音视频。用一种存储装下所有形态在技术上可以实现，代价是每一类数据都用得不顺——时序数据存在关系库里查询慢，文档存在关系库里占空间且检索差。因此按形态分配存储，由统一的元数据层把它们串起来。

表 4-1 给出各形态的存储选型与分区策略。选型一律取国产化产品，与招标文件「数据库、安全软件、云平台、服务器、存储、网络、芯片等软硬件设备整体国产化比率不低于 80%」的要求一致；具体产品型号在系统集成与硬件选型中给出，此处只给形态与容量口径（b0677）。

表 4-1　各数据形态的存储承接与分区策略

表 4-1　数据来源：招标文件 3.2.2.1 各系统数据形态（b0810、b0833、b0855、b0860、b0874、b0880、b0902）、3.2.2.2 多格式多模态要求（b0911）、国产化比率要求（b0677）。

4.3 容量与吞吐的估算口径

容量估算在此给出口径与方法，不给确定数值——确定数值取决于源系统的实际数据量，须在勘察阶段测定。给出口径的用意是让估算过程可核验，而不是报一个无从验证的总数。

结构化数据按「表行数 × 平均行宽 × 保留份数」估算。表行数在勘察阶段由源系统侧提供或由我方只读查询计数；平均行宽按字段类型与长度推算；保留份数计贴源层与标准化层两份，另计列式压缩系数。增量部分按日均新增行数 × 项目周期估算。

时序数据按「测点数 × 采样频率 × 保留时长 × 单点字节数」估算。本项目时序数据的采样周期通常为秒级，测点数随感知设备建设分批扩展，因此时序容量按首期测点清单估算基线，扩展部分按扩展清单逐期追加。时序存储的压缩比对总量影响显著，估算时按时序数据库的实测压缩比取值，不按理论值。

文档与图纸按「件数 × 平均件大小 × （1 ＋ 派生物系数）」估算。历史图纸约六十三万张是本项目最大的一宗文件体量，派生物系数按解析产出的结构化表示与缩略图推算。

吞吐约束来自两处：源系统可承受的查询压力，以及低峰窗口的时长。低峰窗口为五小时，窗口内可完成的数据量决定了历史初始化须分多少批。因此历史回溯的总周期由「总量 ÷ 单窗口可完成量」决定，这一算式是第 5 节里程碑排期的直接依据。单窗口可完成量在试采阶段实测，不按理论带宽推算。

表 4-2 给出容量与吞吐估算的输入项清单，这些输入项须在勘察阶段逐项取得。

表 4-2　容量与吞吐估算的输入项清单

表 4-2　数据来源：招标文件各系统低峰时段条款（b0814 等）、第 1 节事实口径（63 万张历史工艺样本）。

4.4 对源系统的影响控制与承诺

采集接入最容易引起源系统侧抵触的是性能影响。本项目对此给出四条可核验的承诺。

第一，窗口外不跑批量作业。批量取数、历史回溯、文件批量下载一律在约定低峰窗口内执行；窗口结束未完成的作业优雅中止并保留断点，次日窗口续跑，不延长占用业务时段。

第二，并发与单次返回量受限。每一个源系统的并发连接数、单次查询返回行数、接口调用速率、并发下载数，均按源系统侧给定的上限配置在登记台账中，作业按台账执行，不临时提高。未给定上限时，按保守值起步并在试采阶段逐步上调，上调须经源系统侧确认。

第三，只读副本优先。具备只读副本或备库条件的系统，取数一律走副本，不压主库。这一条对企业资源计划、制造执行、仓储管理三套事务量较大的系统尤为必要。

第四，异常时自动降级。收到限流响应、查询超时或源系统负载告警时，作业自动降低并发与分片大小后重试；连续两日发生则调低该系统的频次并书面通知，不靠人工盯守。

这四条写进方案即构成我方须应答的条款，相应的监控指标（各系统的作业时长、并发峰值、查询耗时分布、重试次数）随采集作业日报提交，供招标方核验。

4.5 采集接入与上下游组件的技术交接

采集接入在技术上与四类对象发生交接：源系统、承载采集组件的基础设施、数据落区、消费采集结果的下游组件。交接界面以交接物与判据的形式固定在登记台账与采集记录中，不以口头约定为准。

与源系统的交接。 交接物是只读结果集、接口响应、文件与附件、测点时序四类取数结果；判据是登记台账中为该系统登记的授权范围、增量键、频次与窗口，台账以外的对象不取。源系统侧的结构变更、停机与迁移按表 2-2 源系统变更类处置，变更经双方确认并更新字典版本与作业配置后方可恢复取数。

与承载基础设施的交接。 采集区连接器、工业网段采集代理与入口治理闸运行在通用服务器与接入连接器上，加密与脱敏调用服务密码机提供的密码服务；这些承载组件、网络策略与密码服务由系统集成交付（b0804r05、b1210），采集作业在其交付并通过连通性测试后启动。

与数据落区的交接。 交接物是原始数据批次及其采集记录，记录内容为批次号、来源系统、采集时点、数据范围、行数或件数、校验结论与门控状态（b1397）。贴源层按源系统原样留存并附采集元数据，标准化层产出按业务对象组织的规范化记录；两层均以批次为写入单位，批次未完成不对下游可见。

与下游组件的交接。 预处理与清洗作业按门控结论入场：通过的批次直接入场；带告警通过的批次连同告警项一并入场，告警项闭合前只在加工区内受控流转，不进入交付数据集、不作场景验证输入；不通过的批次不移交，挂起于隔离区。数据治理组件接收数据源登记台账、脱敏规则集、数据字典核验差异项与质量线索；跨系统主键映射所需的关联字段随业务数据一并采回并标注用途，映射关系本身在数据治理与预处理环节构建（见第 2.1.7 节）。数据集构建与数据卡统计按资产目录与采集记录中的模态标记、资料时点、来源与地理区域字段取数，模态占比与时效性占比两项指标的统计口径在这两处定义一次，各子集按同一口径取数（b0670、b1939、b1940）。

与感知设备的交接。 时序取数以已到位的测点为准；新增测点在设备到位后纳入登记台账并开始取数，位号、量纲、采样周期与物理设备对应关系随测点台账一并登记。

图 4-2 给出上述交接界面与各界面上的交接物。

图 4-2　源系统、采集组件、数据落区与下游组件之间的技术交接

图 4-2　源系统、采集组件、数据落区与下游组件之间的技术交接。数据来源：原始数据批次与采集记录依 b1397；门控结论口径依 b1534；承载组件与密码服务范围依 b0804r05、b1210；三项占比指标依 b0670；数据卡来源与采集方法字段依 b1939、b1940。

5、实施安排、里程碑与验收口径

时间以项目启动为基点按月表示，具体日期在项目实施计划中与总体进度对齐。

5.1 四个阶段的划分与依据

阶段划分的依据不是工作量，而是前置条件的到位节奏。采集接入的每一步都依赖上一步的外部输入：没有勘察结论就无法提交权限申请，没有授权就无法试采，没有试采实测就无法确定历史初始化的分批数。因此阶段之间是串行的依赖关系，压缩任一阶段都会把风险推给下一阶段。

第一阶段：勘察与授权（T+1 至 T+2 月）。 对十七个源系统逐系统勘察，确认版本、部署位置、数据库类型、接口形态、文件服务形态、可用的增量机制与实际数据量；接收数据字典并完成核验；提交按表、按接口、按目录的最小权限申请；确认各系统低峰窗口。本阶段的输出是十七份源系统勘察结论表与一份完整的数据源登记台账初版。安全监管平台因招标文件未列字段清单，列为勘察优先项（b0908）。

第二阶段：试采与通道建设（T+2 至 T+4 月）。 按五类通道分别建设采集作业，每一个源系统先做小范围试采：取一个代表性时间窗或一个代表性目录，比对行数与关键字段，实测取数速率与源系统压力，测定时间源偏差，验证入口治理闸的脱敏与校验规则。试采结论签认后冻结该系统的取数范围与作业配置。本阶段并行开展录入流水线的首批次试运行，以一批代表性离线资料验证解析器与分类规则。

第三阶段：历史初始化（T+3 至 T+9 月）。 按试采实测的单窗口可完成量分批执行历史数据回溯。各系统并行推进，但同一低峰窗口内对同一源系统只排一个重作业。历史图纸的六十三万张规模是本阶段的主要工作量，按项目或年份分片，分片进度按月核对。本阶段与第二阶段有重叠：已签认试采结论的系统即可开始初始化，不必等全部十七个系统试采完成。

第四阶段：常态运行与范围扩展（T+5 月起至项目结束）。 常态增量作业按日运行，采集作业日报按日提交，月度校验比对按月执行。范围扩展随感知设备建设分批进行：新增测点到位后纳入台账并开始取数；新接入该主数据平台的源系统纳入映射范围；新增资料类别纳入录入流水线。

表 5-1 给出各阶段的交付物与完成判定。

表 5-1　四个阶段的交付物与完成判定

表 5-1　数据来源：招标文件 3.2.2.1 总则（b0807）、各系统「须提供」条款、3.2.2.2 录入要求（b0910–b0913）。

图 5-1　四个阶段的时段、串行依赖与重叠区间

图 5-1　四个阶段的时段、串行依赖与重叠区间。数据来源：阶段时段与工作内容依第 5.1 节与表 5-1；前置条件责任归属依招标文件 b0813–b0905 各系统「须提供」条款；安全监管平台字段清单缺失依 b0908；历史图纸规模依甲方需求说明书六十三万张口径。

5.2 验收口径

采集接入这类工作的验收容易落到两个极端：或者只看「接通了没有」，接通即算完成；或者提出「全量、无缺失」这样无法核验的指标。两者都不利于项目。验收口径按四类指标设计，每一项都给出度量方法、基线取法与不达标时的处置。

第一类，覆盖类指标。 度量的是该取的是否都在取。具体指标：十七个源系统的接入完成数；各系统已授权取数对象数与登记清单的一致性；时序测点的覆盖数与位号清单的一致性；离线资料的归集件数与交付清单的一致性。这类指标是计数比对，度量方法确定，可直接核验。

第二类，完整性类指标。 度量的是取回来的是否完整。具体指标：各表的行数与源端计数的差异率；时序测点的数据缺口时长占比；文件下载的成功率与缺口清单。这类指标的目标值不写为零——源系统本身的数据缺失、设备停机期间的时序空档、原件已损坏的文件，都不是采集能解决的。因此口径是：以首月试采与初始化结论作为基线，按季度收敛差异率，并在每一份采集记录中如实披露已知缺口的范围。逐步接近已授权范围内的全量是目标，不是承诺当期即达成。

第三类，可用性类指标。 度量的是取回来的数据能不能用于下游。具体指标：关键字段的填写完整度；被检对象标识可关联比例；焊接参数可定位到工单与焊道的比例；图纸与工艺卡可配对比例；运单与采购订单可关联比例。这一类最贴近项目实际价值，也最受源系统数据质量的制约。口径同第二类：以首批抽样核对结果作为基线，按季度提高，每期披露实际值。达不到目标值时，须说明是源系统数据本身的缺口还是我方的处理不足，前者转入缺口清单并提出补录建议，后者由我方整改。

第四类，合规类指标。 度量的是取数过程是否守规。具体指标：脱敏规则覆盖的敏感字段数与识别出的敏感字段数是否一致；超范围取数事件数；许可状态不明而被挂起的资产件数与处置时长；审计留痕的完整性。合规类指标中，超范围取数事件的目标值为零，这一项可以写成零——因为它由权限配置与台账约束在技术上保证，不依赖概率。

表 5-2 把四类指标按项列出，含度量方法、基线取法与不达标处置。

表 5-2　采集接入的验收指标、度量方法与不达标处置

表 5-2　数据来源：招标文件评分表「方案可实施性」要求（b0496）、3.2.6.3.1 采集环节门控要求（b1396、b1534）、质量评测可信性与溯源要求（b1939、b1997）、安全合规要求（b0804r06）。

5.3 常态运行的例行输出

采集接入在项目期内是一项持续运行的工作，不是一次性交付。例行输出按三个周期组织，这既是我方的工作纪律，也是招标方可以据以检查的凭据。

按日：采集作业日报。 内容包括当日各系统的作业执行情况（成功、失败、挂起）、取回行数与文件数、作业时长与窗口占用情况、异常处置单的新增与关闭、当日已知缺口的新增。日报篇幅短，重点在异常与缺口，不罗列正常项的明细。

按月：校验比对报告。 内容包括各表的行数与关键字段汇总的核对结果、差异率、差异的定向重取结论；各时序测点的缺口统计；文件清单的比对结果；台账变更记录；本月新增与关闭的异常处置单汇总。月报是完整性类指标的度量依据。

按季：质量与进度报告。 内容包括四类验收指标的实际值与基线对比、未达目标项的原因分析与整改安排、缺口清单的更新、下一季的范围扩展计划、前置条件待办事项的进展。季报是验收评审的依据。

三类报告的模板随本项目的治理文档体系一并交付，模板样式与字段在数据治理章与附件章给出。

6、前置条件、分档接入策略与配合事项

各源系统的数据库连接信息、接口信息或文件传输信息，业务低峰时段，数据字典或数据库设计说明书，这三类材料是采集接入工作的前置条件。

招标文件把这三类条款写在「对该系统的要求」之下，提供方是源系统侧。十七个源系统均为既有建成系统，其接口开放、字典交付与联调配合需要招标方出面协调；若部分系统的接口开发或配合工作由其原建设方承担，相应的配合范围与责任归属须在合同签订阶段明确，以免实施期出现无人对接的环节。据此按「前置条件不齐备时也要能往前走」的原则设计分档接入策略，使项目不因个别系统的授权节奏而整体停滞。

6.1 三档接入策略

甲档：授权与字典齐备。 走完整通道，按第 2.1 节与第 2 节的方案执行：建立只读连接或接口授权，按登记的增量键取增量，绑定字典版本运行，按约定频次与窗口执行作业。甲档是常态目标，十七个系统均以进入甲档为目标。

乙档：授权已开通、字典缺失。 这是本项目很可能的多数情形——招标文件仅为三个系统明确写明字典条款（b0815、b0822、b0829），其余十四个系统的字典须另行请求。乙档的做法是：按实际库结构或接口响应反向推导字段清单与类型，形成「推导字典」并提交源系统侧核对；核对未回之前，推导字典以我方版本号运行，枚举字段按实际取值分布登记而非按声明码值校验；校验口径相应放宽——结构类校验仍执行，码值类校验降为告警而不拦截。乙档的风险是字段语义理解偏差，缓解办法是在试采比对时增加业务口抽样核对，由业务人员确认关键字段的实际含义。

丙档：授权暂未开通。 做法是请甲方按代表性范围导出样例数据或文件，我方据此完成解析、建模与规则开发，使授权到位后可直接切换为常态接入，不必从零开始。样例数据的范围要求写明：结构化部分按每张表若干行并覆盖主要枚举取值，时序部分按若干测点若干小时，文件部分按每类若干件并含典型异常样本（扫描件、倾斜件、无文本层件）。丙档期间不产生正式采集批次，产出的是通道设计与规则资产。

档位切换的触发与时效。 乙档在收到正式字典后七个工作日内完成与推导字典的比对并切换甲档；丙档在授权开通后十个工作日内完成试采并切换乙档或甲档。切换记录与档位历史在登记台账中留存，验收时按实际档位计入覆盖类指标，不把丙档计为已接入。

表 6-1 给出三档的判定条件、做法与影响。

表 6-1　三档接入策略的判定、做法与影响

表 6-1　数据来源：招标文件各系统「须提供」条款的责任归属（b0813 等）、字典条款的实际覆盖情形（b0815、b0822、b0829）。

图 6-1　三档接入策略的判定、升档路径与时效

图 6-1　三档接入策略的判定、升档路径与时效。数据来源：三档判定与做法依第 6.1 节与表 6-1；各系统「须提供」条款的责任归属依 b0813 等；字典条款的实际覆盖情形依 b0815、b0822、b0829。

6.2 数据接入的前置条件清单

分档策略解决的是条件不齐备时如何继续推进，尚未回答究竟缺哪些条件、由谁补齐、补不上我方怎么办。表 6-2 回答的是这一问：把十七个源系统与离线录入链路所依赖的外部输入拆为十四项，每一项都落到确定的提供方与确定的用途上，使实施期的协调有清单可依，也使配合范围与责任归属在合同签订阶段即可谈定。

十四项的来由有三类。一类直接取自招标文件各系统「须提供」条款，如数据库连接与接口信息、数据字典或数据库设计说明书、业务低峰时段，原文已写明提供方为源系统侧；一类来自取数范围能否冻结的工程判断，如时序位号清单与量纲、安全监管平台的对象字段与单向网络实现方式、PLM 原生图纸的批量读取方式，缺了这些并非效率下降而是范围无法确定，故单列成项；一类是本项目内部的交付依赖，即采集区与加工区的资源与密码服务、感知与检测设备的到位时点，须与硬件和系统集成环节的交付节奏相互对齐。

表中后三列是读表的着力处：「须提供方」指明协调对象，「未到位的影响」是该系统落入哪一档的判定依据，「我方替代做法」则是不停工等待的证据——十四项中有十三项写明了可先行的替代路径，仅技术联络窗口一项无从替代，故列为项目启动的首项协调事项。据此可得的结论是，前置条件的缺口影响的是推进节奏与档位，通常不致使采集接入停摆。以此为基线，我方趋向在授权与字典逐步到位的过程中将各系统推进至甲档；某项条件在约定期限内仍未到位的，按表列替代做法降档运行，并按周提交受阻清单请招标方协调，档位与切换时点在登记台账中留痕，验收时按实际档位计入。

表 6-2　前置条件清单与未到位时的替代做法

表 6-2　数据来源：招标文件 3.2.2.1 各系统「须提供」条款、3.2.2.2 录入要求（b0911）、采购清单第 1、4 项（b0804r02、b0804r05）、安全合规要求（b0804r06）。

6.3 落地风险与应对

采集接入的风险集中在外部依赖上，技术风险相对次要。以下按风险列出触发信号、影响与应对，均为可执行动作而非原则性表述。

源系统接口配合不到位。 这是其中最主要的风险。触发信号是勘察阶段联络窗口无法确定，或权限申请提交超过两周未获回应。影响是该系统落入丙档，其对应业务域的数据集建设顺延。应对分三步：第一步按表 6-2 的替代做法维持进度，不停工等待；第二步按周提交受阻清单，列明受阻系统、受阻环节、已顺延的工作项与预计影响，请招标方协调；第三步在合同执行层面明确接口配合的责任归属与工作边界，使配合工作有明确的承担方。我方同时承诺，凡在我方能力范围内可替代的，一律先行替代，不以等待外部条件为理由停滞。

历史图纸归集周期超预期。 触发信号是原生图纸无法批量读取且导出交付节奏低于分片进度表。影响是产品工艺设计域数据集的样本量不足。应对是：按项目或年份优先归集与试点场景直接相关的图纸分片，先保证板材备料场景的最小可用样本量，其余分片按季度推进；同时在采集记录中按分片披露归集进度，使数据集规模的达成路径可核验。

时序数据的时间基准偏差与缺口。 触发信号是试采期测定的时间源偏差超出可接受范围，或测点缺口时长占比超阈值。影响是过程数据与工单、炉次的对齐错位，制造过程域的成对样本不成立。应对是：偏差已测定的按偏差值在标准化层做时间归一；偏差不稳定的，提请源系统侧统一时间源；缺口定向补采，补采不到的按测点与时间窗如实登记，不做插值填充后当作实测数据使用。

敏感范围界定反复。 触发信号是脱敏规则集定稿后又收到范围调整要求。影响是已入库数据须回溯处置。应对是：脱敏在采集区执行、原件保留在采集区外的原则使回溯具备技术条件；规则调整时按新规则对已入库数据回溯重处置，并在合规报告中记录回溯范围与时点。为降低反复的代价，规则集初期按从严口径执行——疑似敏感即脱敏，确认不敏感后再放宽，放宽不需要回溯，收紧才需要。

离线资料质量低于预期。 触发信号是首批次资料的解析成功率或人工改判率显著偏离预期。影响是录入工作量与周期上升。应对是：按资料类别重新评估解析路径，对扫描质量差的类别增加图像预处理环节；调整抽样复核比例；在质量报告中如实披露各类别的解析成功率，并就改善原件质量（如重新扫描）提出建议。此类建议属我方的专业意见，是否执行由招标方决定。

源系统升级或迁移。 触发信号是收到变更通知或探测到版本号变化。影响是作业中断与结构变更。应对按第 2.1.4 节表 2-2 的源系统变更类处置口径执行：变更期间暂停该系统作业，变更后先试采比对再恢复常态；同时在配合事项中约定变更的提前通知机制。