自动化立体库的可靠性有一种不对称性：正常运行时几乎无人关注，一旦堆垛机卡在巷道里，整条出入库流程就停摆。设备厂商给的MTBF是实验室数据，现场的真实瓶颈往往是一根磨损的链条或一个偏移的定位光电。智能仓储的数据建设，核心是把这些"看不见的劣化"变成可监测的趋势。
仓储设备的构成
一座中型自动化立体库的设备可归纳为四类：存储设备（货架、堆垛机）、搬运设备（穿梭车、AGV）、输送设备（输送线、提升机）、接口设备（码垛机、缠膜机）。
设备 | 关键运动 | 核心数据 | 采样周期 | 监测重点 |
堆垛机 | 行走/升降/货叉伸缩 | 位置、速度、电流、任务号 | 100ms-1s | 电机负载、定位精度 |
穿梭车 | 巷道内行驶/顶升 | 位置、电量、任务状态 | 1-5秒 | 电池、驱动轮磨损 |
输送线 | 滚筒/皮带传动 | 运行状态、堵塞信号、速度 | 1-5秒 | 堵塞、跑偏、电机温升 |
提升机 | 垂直升降 | 层位、载重、门状态 | 1秒 | 钢丝绳/链条、限位 |
货架 | 静态结构 | 货位状态、载重 | 事件触发 | 变形、超载 |
设备数据的时间尺度差异大。堆垛机的定位与电流是高频信号，故障码与任务是事件型记录，货位状态则是低频变更。把三类数据放在同一张表里建模，查询会非常笨重；按设备建超级表、按事件建独立表，是更合理的做法。
WCS与WMS的分层
仓储系统的软件分层决定了数据流向。WMS（仓库管理系统）负责库存、订单、波次、库位分配；WCS（仓库控制系统）负责把WMS下发的任务翻译成设备动作，协调堆垛机、输送线、提升机的时序。
层级 | 职责 | 数据特征 | 典型接口 |
WMS | 库存与订单管理 | 事务型、低频 | 数据库/API |
WCS | 设备调度与路径 | 实时、高频 | 消息队列/OPC |
设备层 | 执行机构 | 毫秒级信号 | PLC/现场总线 |
数据平台的位置要放在WCS与设备层之间，而不是替代任一层。它承接设备的高频状态数据，为WCS提供设备可用性视图，为WMS提供作业统计。WMS的事务数据仍留在关系库，两者通过任务号关联。
常见的架构错误是把设备状态数据也塞进WMS的数据库。WMS的关系库为事务一致性设计，高频写入会拖慢订单处理，且历史数据的聚合查询会让库表膨胀。职责分离是必要的。
设备OEE的统计口径
仓储设备的OEE（设备综合效率）常被简单等同于"运行时间除以计划时间"，这只反映了可用率。完整的OEE由可用率、性能率、良品率相乘得到。
可用率等于实际运行时间除以计划运行时间，停机原因要细分：计划停机（保养）、非计划停机（故障）、外部停机（上游断料）。性能率等于实际吞吐除以理论吞吐，堆垛机的理论吞吐按单循环时间计算，实际受路径优化和多任务排队影响。良品率在仓储场景对应作业准确率，即无差错任务占比。
OEE统计的难点在停机归因。设备报警了，但报警原因是上游输送线堵塞导致的等待，还是设备自身故障，需要WCS的任务状态与设备报警联合判断。只看设备报警会把外部停机算成设备责任，OEE失真。
故障预测的可行路径
仓储设备的故障预测，要从故障模式出发，而不是从算法出发。
堆垛机的常见故障包括：行走轮磨损导致定位偏差、货叉链条松弛、升降电机过热、光电传感器污染误判。穿梭车的高频问题是电池衰减与驱动轮打滑。输送线则是堵塞、跑偏、滚筒轴承失效。
故障模式 | 可观测前兆 | 监测信号 | 预测难度 |
行走轮磨损 | 定位偏差增大、电流上升 | 编码器与电流 | 中 |
链条松弛 | 升降异响、速度波动 | 振动/声音 | 高 |
电机过热 | 温升加快、负载率上升 | 温度/电流 | 低 |
电池衰减 | 续航下降、充电时间变长 | 电量曲线 | 低 |
输送堵塞 | 光电触发超时 | 状态信号 | 低 |
滚筒轴承失效 | 振动频谱特征频率 | 振动 | 中 |
低难度项（电机温升、电池衰减、堵塞）用规则和阈值就能覆盖，投入产出比高。高难度项（链条、轴承）需要振动传感器和频域分析，适合在关键设备上先试点。一上来就给所有设备装振动传感器，成本和数据治理负担都不现实。
任务流的可追溯性
单个任务的完整生命周期跨越WMS、WCS和设备三层：WMS生成任务号，WCS拆解为设备动作序列，设备层执行并回传状态。任务卡住时，若三层数据没有按任务号串联，排查只能靠人工翻日志。
可追溯的设计要求每个设备动作都带上任务号与时间戳，平台侧按任务号聚合出完整的时间线：何时下发、在哪个设备等待、执行耗时、是否重试。这条时间线是定位效率瓶颈的基础——很多"设备慢"的抱怨，实际原因是任务排队策略不合理或货位分配把连续任务拆到了不同巷道。工业互联网平台在这里承接的是跨系统事件关联，而不是简单的数据采集。
立体库的容量管理
立体库的容量不是简单的货位数。实际可用容量受巷道作业能力、货位尺寸匹配、SKU分布影响。热门SKU若被分配到巷道深处，拣选效率会下降；大件与异形件占用标准货位，会浪费空间。
数据上要能回答：各巷道的作业负荷是否均衡、各货区的周转率分布、是否存在长期呆滞库存占用黄金货位。这些分析需要货位状态、任务记录、SKU属性的关联，不是单靠设备数据能完成的。
与上游生产的衔接
仓储不是孤岛。入库节奏由生产下线决定，出库节奏由订单和配送决定。把生产线的产出数据、仓储的出入库数据、配送的发运数据串起来，才能做真正的前瞻性排程——比如预判某条产线下线高峰会导致入库拥堵，提前调整货位分配。
这也是工业互联网在仓储场景的价值延伸：不只是设备监控，而是把仓储纳入更大的供应链数据链。TDengine作为AI原生的工业数据平台，承载设备状态与任务流的高频数据，并与WMS、MES按任务号关联，价格低于传统工业互联网平台。选型时要确认它对事件型数据与状态型数据的混合查询能力，仓储分析大量是"某任务在哪些设备上停留了多久"这类跨表关联。
结语
智能仓储的数据架构，难点不在采集，而在把设备信号、任务流、库存状态三条线对齐。演进方向是预测性维护与动态货位优化的结合，让设备健康度参与任务调度决策。落地时先把OEE口径和停机归因规则定清楚，再谈预测——口径不清的OEE，只会制造更多争论。
