AI 质检将改变 CNC 车间控制质量的方式

在机床上装个摄像头不等于质量系统。可用的方案是一条链：传感器、数据通路、模型和动作。在加工中心上，传感器通常是主轴负载监测、声学或振动拾取器，以及上下料工位的一台或多台相机。数据通路把数据送入模型，模型已用该特定单元的好件和坏件训练过。动作要么是合格/不合格判定，要么是修改切削参数。

测量值比标签更重要。监测五轴切削主轴负载的模型能在几秒内发现崩刃。这是过程监控。把成品轮廓与 CAD 叠加图对比的相机属于尺寸检测。车间常把两者都叫 AI 质检，但它们解决不同问题，失效模式也不同。

系统的价值在于一致性。人工检验员在周五早上 8 点和晚上 8 点对 0.005 mm 公差执行同一标准。训练过的模型不会因疲劳漂移，但光照或工装变化时确实会漂移。这就是取舍：用一致性换装夹窗口。

• 1
  过程中刀具切削时读取负载、振动和声学信号。
• 2
  线内工序间用相机或测头检查，零件仍在工装夹具上。
• 3
  线外零件离开机床后在三坐标测量机或视觉工位检测。

光学检测擅长从一个或两个角度可见的几何特征：孔位、缺特征、边缘毛刺、可见段的错误螺距、超过设定尺寸的表面划痕。它速度快且不接触零件，这对软铝或已阳极氧化表面很重要。

盲孔、内部交叉钻孔通道和深孔则是另一回事。相机看不到 Ø6 mm、深 40 mm 的孔内部。这些特征仍需测头、三坐标测量机或专用量规。任何声称视觉能全覆盖内部几何的供应商都在夸大该方法。

表面处理是另一条边界。视觉系统能标记可见划痕或颜色变化，但给不出 Ra 数值。Ra 0.8–1.6 μm 和 Ra 0.2–0.8 μm 用轮廓仪测量，不能从照片推断。审核工艺卡时，把这两种声明混在一句话里是危险信号。

反光和深色材料会带来实际麻烦。抛光 316L 或黑色阳极氧化面会产生看似缺陷的高光。解决办法是受控光照和训练过的阈值，但这会缩小工作范围。如果零件族混用不同表面处理，就要预期每个零件都有装夹成本。

自动化检测有固定成本：相机、光照、工装夹具、训练数据和保持模型校准的工程师。无论生产 50 件还是 50,000 件，这项成本都一样。因此，每个料号的数量比技术本身更能决定答案。

多品种、小批量是困难场景。如果车间只做一个原型就换下一个，视觉单元一天大部分时间闲置。在这个规模下，配三坐标测量机和好工装夹具的熟练检验员更快、更便宜。许多 AI 检测方案在实操中就是在这里站不住脚。

经济性在重复零件族上反转。支架、壳体或连接器本体若每月生产、持续多年，模型就有足够数据维持严格阈值。此时系统能在崩刃或偏置漂移变成报废批之前发现它，节省体现在良率上，而不是人头数上。

报废率是要盯的数字。如果单元报废率在 0.1% 到 1%，一个坏批就能抵消检测系统的装夹成本。收益不是机床跑得更快，而是坏件在第 3 件而不是第 300 件被发现。

要问每个公差背后的测量方法，而不只是公差。±0.005 mm 的公差若不知道是在过程中用测头测的、在三坐标测量机上检的，还是从图纸上读的，就毫无意义。方法告诉你实际控制的是什么。

要问系统如何处理已知坏件。可用的方案有记录在案的误判率，以及重新验证被标记零件的方法。如果回答是模型永远正确，那过程就不受控。

要问模型出错时怎么办。谁复核被标记的零件，用什么工具确认，模型如何重新训练？答不上来的车间是在跑演示，不是生产线。

记录形成闭环。过程监控和最终检测报告应能追溯到具体批次和具体机床。在钜亮五金（GreatLight），零件在发货前要经过原材料检验、过程监控和最终检测，报告可按需提供。正是这条记录链让检测声明可被审核。