随着工业信息化的快速发展,工厂积累的数据量也与日俱增。但是工业物联网中的数据质量问题普遍存在,例如链路故障、设备问题、人员操作失误等。“脏数据”可能导致生产事故或错误决策,拥有高质量的数据是发挥工业大数据效能的前提条件。因此本文以工业物联网数据的主体——机器设备数据为切入点,设计并实现了工业数据质量治理系统,对数据清洗和质量评估算法进行了研究。首先,为了有效提高工业数据质量,本文针对工业机器设备数据设计了一套完整的数据清洗流程,依次是无效值的修正、缺失值的补全、重复值的合并、异常值的检测。其中缺失值的填补运用时间序列预测的长短期记忆网络(LSTM)算法,用相关维度的数据综合计算。异常值可划分为孤立的异常点和长时间的模式异常两类,分别用不同算法进行检测。重复值的合并采用邻近记录排序(SNM)算法,在降低时间复杂度的同时保证检测的准确性。无效值运用Python函数来进行修正。其次,本文针对工业物联网大数据的特点,建立了一个完整的数据质量评估指标体系。在确定评估指标和规则后,提出利用熵权法计算指标内每个评估规则的权重,然后利用模糊层次分析法确定每个指标的权重,最后采用灰色综合聚类算法完成工业数据质量的综合评估。最后,用仿真实验结果验证工业数据清洗算法和质量评估算法的有效性,并搭建一个完整的面向工业物联网的数据质量治理系统,通过用例测试证明了系统的功能符合需求。文中所提出的工业物联网数据质量治理系统能够为改善和提高工业数据质量提供支持和引导,同时为后续进行更深入的数据分析和挖掘奠定基础。