数控机床（CNC）的加工质量在很大程度上由工艺参数和加工程序决定。传统质检流程是事后检测——零件加工完成后用三坐标测量机或光学扫描检测尺寸精度，不合格品返工或报废。这种模式的最大问题是滞后性：如果一个错误的 G 代码导致连续加工出 100 个不合格零件，损失已经发生。
实时代码质量检测的核心思路是把质量验证前置到加工过程中——G 代码解析、工艺参数校验、加工状态实时监测、质量关联分析，整条数据链路需要工业互联网平台的支撑。
CNC 加工数据的组成
CNC 加工过程中产生的数据可以分为四类，每类都有不同的采集接口和采样频率要求。
G 代码和 M 代码是加工指令的核心，包含刀具选择（T 代码）、主轴转速（S 代码）、进给速度（F 代码）、坐标系设置等信息。G 代码通常在加工任务创建时一次性下发，变化频率低但结构复杂——一个典型零件的 G 代码文件可能有数万行。
加工参数包括主轴负载、主轴电流、进给倍率、刀补值、主轴温度等，这些是加工过程中实时变化的状态变量。主轴负载的采样频率通常在 1-10Hz，刀补值变化频率更低（一次调整后保持数分钟到数小时）。
振动和温度数据是质量关联分析的关键输入。振动通过安装在主轴箱体或刀具上的加速度传感器采集，采样频率需要 10-50kHz 才能捕捉高速切削时的高频冲击。温度传感器安装在轴承和切削液出口，采样频率 1-10Hz 即可。
质量验证数据包括三坐标测量结果、表面粗糙度测量值、零件照片等。这些是加工完成后的离线数据，用于建立加工状态到质量的关联模型。
数据类型 | 采样频率 | 典型数据量 | 采集接口 |
G/M 代码 | 事件触发（加工任务切换时） | 每任务 1-100MB | FOCAS、OPC UA |
主轴负载/电流 | 1-10Hz | 每台机每小时 3.6-36 万点 | FOCAS、MTConnect |
振动信号 | 10-50kHz | 每台机每小时 3600-18000 万点 | 振动采集模块 + OPC UA |
温度 | 1-10Hz | 每台机每小时 3.6-36 万点 | OPC UA、Modbus |
质量测量 | 事件触发（加工完成后） | 每零件 1 条记录 | 三坐标文件、OPC UA |
采集接口选型
CNC 设备的数据访问协议是一个碎片化的领域。主流品牌（FANUC、西门子、发那科、马扎克）各有私有协议，国际通用协议有 FOCAS、OPC UA、MTConnect。
FOCAS 是 FANUC CNC 的原生接口，支持 C 语言库调用，功能最全——可以读取几乎所有 CNC 内部状态，包括 G 代码块解释进度、刀补值、报警信息。但 FOCAS 只能访问 FANUC 设备，对其他品牌无效。
OPC UA 正在成为通用趋势。西门子 840D、海德汉 iTNC、FANUC 0i-F 等主流控制器都提供 OPC UA Server 接口，暴露统一的数据模型。OPC UA 的优势在于跨品牌兼容性——同一个客户端可以访问不同品牌的 CNC，数据模型相对标准化。但不同厂商对 OPC UA 的实现深度有差异，某些内部状态（如 G 代码解释缓冲区）可能无法通过标准接口获取。
MTConnect 是 OPC UA 在 CNC 领域的 Companion Spec，定义了 Device、Component、DataItem 等标准对象，以及加工过程中的标准数据项名称。MTConnect 还引入了 Condition 类型用于告警和事件，Alarm、Message、Fault 是三个常用的 Condition 子类。
在实际部署中，一个典型的采集层会混合使用：FANUC 设备用 FOCAS 拉取完整数据，西门子和其他品牌用 OPC UA/MTConnect，振动信号通过独立的边缘采集模块（支持 OPC UA PubSub MQTT）接入。所有采集到的数据统一写入工业数据平台。
实时代码解析与工艺验证
G 代码的实时解析不是简单的语法校验，而是要结合 CNC 当前的加工状态做语义层面的验证。一个解析器需要处理三类问题。
第一类是语法和语法约束。G 代码有严格的格式规范——每个程序块最多一条 G 指令，坐标值必须在机床限位范围内，刀具半径补偿（G41/G42）必须在直线段启动。这类检查相对直接，解析器在代码下发前就能完成。
第二类是工艺参数验证。进给速度 F 必须与主轴转速 S 和加工材料匹配——铝合金铣削的 F/S 比通常在 0.05-0.15 之间，钢材铣削的比值更低。如果 G 代码里 S=3000, F=500，对于钢材加工这个组合大概率会导致刀具崩刃。这类验证需要建立材料-刀具-工艺参数的知识库，解析器实时查询知识库做交叉校验。
第三类是与机床实时状态的交互验证。G 代码里声明使用 T5 号刀，但 CNC 当前刀具库状态显示 T5 号刀已经磨损达到阈值。G 代码里要切到工件坐标系 G54，但 G54 当前的零点偏置值与图纸要求不一致。这些问题只有在代码下发到具体机床、结合机床实时状态才能检测出来。
加工状态到质量的关联建模
实时代码检测只是前置验证，真正的质量保证需要建立加工过程数据与最终质量的关联模型。这个模型的输入是主轴负载、振动 RMS、切削温度等多维时序特征，输出是表面粗糙度、尺寸偏差、圆度等质量指标。
关联建模的方法有三个层次。最低层是统计分析——从历史数据中计算各特征与质量指标的 Pearson 相关系数或 Spearman 秩相关系数，找出显著相关的特征。这一步的结果用于指导后续的特征选择——比如发现振动 RMS 与表面粗糙度的相关系数 0.72，而主轴温度的相关系数只有 0.18，建模时就重点关注振动特征。
中间层是回归模型——用 XGBoost 或随机森林训练质量预测模型，输入特征是振动的时域频域特征（RMS、峭度、主频幅值）、主轴负载均值、进给速度等，输出是预测的粗糙度 Ra。训练完成后可以看特征重要性排名，进一步理解各特征对质量的影响权重。
最高层是根因分析——当预测结果或实际测量结果显示质量异常时，模型要能定位是哪个加工参数导致的。这通常需要结合 SHAP 值做模型可解释性分析，或者用因果发现算法（如 PC 算法、GIES）从历史数据中推断变量间的因果关系，而不仅仅是相关关系。
闭环调整
关联模型的最终价值是驱动闭环调整——当检测到加工状态偏离正常模式时，实时调整工艺参数，避免质量下降。
一个实际运行的闭环系统逻辑如下：振动信号的 RMS 值从基线 0.3g 上升到 0.5g，特征分析显示主频 200Hz 附近的能量明显增加——这对应铣刀刀齿磨损的特征。系统触发警告，同时查询知识库：该刀具在当前切削条件下的寿命还有约 200 件，当前件是第 185 件。系统可以选择两种调整策略：一是保持当前参数但提高采样频率到 50kHz，密切监测；二是轻微降低进给速度 F 5-10%，减轻刀具负荷同时延长寿命。具体执行哪种策略由工艺工程师预设的规则或 AI 优化模型决定。
结语
CNC 实时代码质量检测的数据链路横跨 G 代码解析、多维度参数验证、高频信号采集、质量关联建模和闭环调整五个环节，对工业数据平台提出了严格要求——既要能存储 G 代码这类半结构化文件，也要能高效处理振动这类高频时序数据，还要支持实时的关联分析和规则引擎。当前主流 CNC 控制器的边缘计算能力有限，这条链路的大量计算工作（振动特征提取、关联模型推理、工艺参数匹配）需要在平台侧完成，这也是工业互联网建设中数据驱动的核心价值所在。
