制造业中人的数据管理长期被忽视。设备数字化投入大量传感器和系统，人员数据管理却停留在考勤打卡和纸质工时单。但人的因素对制造绩效的影响不亚于设备——OEE（设备综合效率）中的质量损失有相当比例可追溯到操作技能差异，安全事故的直接原因往往是人的不安全行为。人员数字化不是"监控员工"，而是建立技能、效率和安全维度的数据基础设施，支撑人力资源的精准配置和持续改进。
数据源
人员数据分散在多个独立系统中，集成是第一步。
考勤系统记录出勤数据——签到/签退时间、迟到/早退/缺勤状态、加班时长。考勤数据通过人脸识别、指纹或IC卡采集，准确度较高。数据更新频率为每次打卡实时，但在制造业中打卡不是约束出勤的唯一方式——部分岗位是自由工时制，考勤数据需与排班计划比对才能判断是否正常。
MES系统记录工时和产出数据。工位终端扫码上岗/下岗，系统记录每张工单的实际工时。标准工时（ST）由工艺工程部通过时间研究（MODAPTS/MTM方法）确定，实际工时与标准工时的比值反映操作效率。MES的工时数据按工单粒度记录，包含：操作工ID、工单号、工序号、开始时间、结束时间、产出数量、合格数量。
培训系统记录技能和资质。培训计划（入职培训/在岗培训/年度复训）、培训成绩、技能等级评定、特种作业证书（焊工证/电工证/叉车证等）及有效期。培训系统的数据是人员能力的权威记录——MES只需查培训系统就知道某操作工是否有资格操作特定设备。
技能矩阵
技能矩阵（Skill Matrix）是人员能力与岗位需求的映射工具，本质是"人×工序"的能力矩阵。
人员/工序 | 工序A（车削） | 工序B（铣削） | 工序C（磨削） | 工序D（装配） |
张某 | 4（培训师） | 3（合格） | 0（未培训） | 2（培训中） |
李某 | 3（合格） | 1（未培训） | 3（合格） | 3（合格） |
王某 | 0（未培训） | 0 | 4（培训师） | 3（合格） |
能力等级分五级：0-未培训、1-已培训未上岗、2-培训中（跟岗实习）、3-合格独立操作、4-培训师（可培训他人）。
技能矩阵的工程价值在排班和质量两个场景。
排班场景：MES排工单时需匹配操作工技能——只有技能等级≥3的人员才能分配到对应工序。当某工序只有1人具备合格资格（单点依赖），该人员请假或离职导致工序无人操作，是排产瓶颈。技能矩阵使这种风险可视化——矩阵中某列只有1个≥3的格子即识别为单点依赖风险，需安排培训扩大合格人员池。
质量场景：技能等级与质量表现关联分析——同一工序不同操作工的不合格率对比，如果某操作工的不合格率显著偏高，即使技能等级合格也可能需要再培训。这种关联分析需打通MES的质检数据和培训系统的技能数据。
技能数据的维护成本是落地难点。人员能力会变化——通过培训获得新技能、长期不操作导致技能衰退。技能等级需要定期复评——3级合格者如果6个月未操作该工序，降为2级需重新培训。自动降级规则由系统配置——基于最近操作记录自动调整等级，但实际降级需培训主管确认，不能完全自动化。
工时效率分析
工时效率分析回答"人花了多少时间做什么"。
效率（Efficiency）= 标准工时 / 实际工时。标准工时基于MODAPTS（Modular Arrangement of Predetermined Time Standards）方法——将操作分解为基本动作（伸手/移动/抓取/放置等），每个动作有标准时间值，累加得到工序标准工时。效率>100%表示操作快于标准，<100%表示慢于标准。新员工效率通常70-80%，熟练工90-100%，优秀操作工可达110%。
利用率（Utilization）= 实际工时 / 出勤工时。出勤8小时但只有5.5小时在工位上操作（剩余2.5小时在等待物料/换班/会议），利用率为68.75%。利用率反映工时浪费程度——低利用率不一定是员工的问题，可能是计划不善导致的等待。
工时效率的连续计算需要MES的工时数据持续采集。标准工时是静态参数（工艺部门设定），实际工时是动态数据（工位扫码实时记录）。效率指标通过连续查询实时计算——每个工单完成时自动计算效率值，按日/周/月汇总输出效率报表。效率下降趋势触发管理预警——如果某工序连续一周效率低于80%，需排查是人员问题还是工艺参数问题或物料质量问题。
安全行为监控
安全管理的核心理念是"人的不安全行为是事故的直接原因"。技术手段包括电子围栏、AI视觉监控和疲劳检测。
电子围栏通过人员定位技术划定安全区域和危险区域。UWB（超宽带）定位精度10-30cm，可精确判断人员是否进入危险区域（如冲压机安全距离内、高温设备周围2米内）。进入危险区域触发声光报警，同时记录违规事件——谁、什么时间、在哪个区域逗留多久。
AI视觉监控检测不安全行为和安全防护装备缺失。安全帽检测——视频流中识别人员头部，判断是否佩戴安全帽。工服检测——识别反光背心或特定颜色工服。行为检测——识别违规操作（如设备运行中打开安全罩、运行中伸手进入模具区）。AI视觉监控的优势是非接触式全覆盖，劣势是误报率——光线变化、遮挡、姿态异常可能导致误判。误报率的工业可接受阈值约5-10%，超过10%操作工会产生"狼来了"效应忽略真实告警。
疲劳检测通过可穿戴设备或行为分析。智能手环监测心率变异性（HRV）——HRV下降是疲劳的生理指标。行为分析通过监控操作节奏——如果某操作工的操作间隔时间逐渐拉长，可能进入疲劳状态需换岗休息。疲劳检测在连续作业岗位（夜班流水线操作工）有重要安全价值——疲劳导致的误操作可能引发安全事故。
人员定位技术
定位技术 | 精度 | 覆盖范围 | 设备成本 | 工业适用场景 |
UWB | 10-30cm | 室内50-100m | 标签500-2000元/个 | 精确定位（安全围栏） |
RFID | 区域级 | 读写器3-5m | 标签10-50元/个 | 区域进出管理 |
蓝牙BLE | 1-3m | 室内20-30m | 标签50-200元/个 | 房间级定位 |
Wi-Fi | 5-15m | 全覆盖 | 标签（手机自带） | 粗略定位 |
GPS/北斗 | 5-10m | 室外 | 手机/专用终端 | 室外巡检/物流 |
UWB（Ultra-Wideband）在工业安全监控中定位精度最高。UWB通过纳秒级超宽带脉冲信号测距，TDOA（到达时间差）算法定位。定位基站安装在车间顶部，间距20-30米，人员佩戴UWB标签（工牌集成）。UWB的精度足够支撑安全围栏——判断人员是否在冲压机1米范围内（安全距离通常1.5米），30cm精度下判断误差在可接受范围。UWB的局限是基站密度——50米×100米车间需约8-12个基站，部署成本10-30万元。
RFID做区域级进出管理。仓库出入口安装RFID读写器，人员工牌含RFID标签，进出时自动记录。RFID做不到精确定位——只能知道"进入了仓库"但不知道"在仓库哪个位置"。RFID适合不要求精度但要求全覆盖的考勤和区域管控场景，成本低。
落地挑战
隐私合规是人员数据管理最敏感的边界。人员定位和行为监控涉及个人隐私，需明确告知和数据最小化原则——只采集安全必需数据，不采集与安全无关的行为数据。定位数据保留期限需限定——通常30天后自动删除位置明细，只保留违规事件记录。合规框架需符合个人信息保护法要求——告知同意、目的限定、数据最小化、安全保障、可删除权。
OT人员抵触是实施阻力。操作工将定位和行为监控视为"监视"，产生抗拒心理。缓解策略是价值传达——定位数据的直接受益者是操作工本人（危险区域自动报警保护安全），不是用来考核。让操作工参与系统设计——他们最清楚哪些行为需要监控，哪些不需要。将系统定位从"监控"转向"保护"。
技能数据维护成本是长期运营负担。技能矩阵不是建一次就持续的——人员流动（离职/转岗）、新技能培训、技能衰退都需要更新矩阵。自动化维护依赖MES的操作记录——有操作记录则技能保持有效，无操作记录则触发复核。但自动化不能完全替代人工确认——人员转岗需主管在系统中更新岗位，系统不会自动感知人员岗位变更。
TDengine在人员数字化管理中作为人员位置和工时数据的时序存储。人员定位数据按人员ID和区域标签写入TDengine，记录时间戳、人员ID、X/Y坐标、区域ID。工时数据按工单和操作工维度写入，记录工单号、操作工ID、开始时间、结束时间、产出数量。连续查询实时计算效率指标——每张工单完成时自动计算实际工时与标准工时比值，按日汇总输出效率趋势。位置数据的安全围栏判定通过数据订阅实现——定位数据写入时触发区域判定逻辑，进入危险区域即生成告警事件推送到安全管理系统。
结语
工业互联网人员数字化的工程目标是建立技能、效率和安全的数据基础设施，支撑人员资源的精准配置。技能矩阵使单点依赖风险可视化，工时效率分析区分了"人慢"和"等物料"两类不同的效率损失，安全行为监控从制度约束走向技术预防。
落地障碍的核心不在技术而在人——隐私合规和数据最小化原则是底线，价值传达改变从"监控"到"保护"的认知定位。技能数据维护的长期成本需通过MES操作记录自动化减轻。在数据层，人员位置和工时数据的时序存储和实时分析能力，是人员数字化管理的基础设施。
