夜雨聆风
数控机床是什么？一句话——它是工厂里那台"听指令干活"的机器，你给它一串 G 代码，它就车、铣、钻、磨，把一块铁疙瘩变成零件。工业界管它叫"工业母机"，听起来很尊贵，但干起活来一点都不浪漫：主轴转、刀具磨、铁屑飞，哪天崩一把刀、停一次机，产线就跟着趴窝。
传统车间怎么管这台机器？靠老师傅。老师傅贴着机床听声音，能听出刀具快不行了；盯着切屑颜色，能判断参数该不该调；拿着图纸，能慢慢编出一段段 G 代码。问题是——老师傅会退休，年轻人不爱进车间，听声辨刀的绝活正一点点失传。
这恰恰是 AI Agent 能插手的地方。
今天这篇文章，我盘点了 11 个 GitHub 上值得关注的 AI Agent × 数控机床开源项目，覆盖从"机床身体"的健康监测，到"机床大脑"的自动编程，再到"车间神经"的产线调度。无论你是做智能制造的工程师、研究工业 AI 的学者，还是想给自家机床上点"智能"的技术决策者，都能从中找到抓手。
说明一下口径：下面有些项目是"狭义 Agent"——多智能体协作、LLM 驱动决策、能自主调用工具；也有些是"广义 AI 能力"——比如刀具异常检测、寿命预测模型。我把它们都收进来，原因是一样的：数控机床上的智能体，第一步往往就是这些模型和算法打的底。没有感知，何来决策。
话不多说，直接上干货。
01｜CNC-Predictive-Maintenance
基于电参数的 CNC 预测性维护
🔧 解决什么问题：数控机床的突发故障大多有征兆——主轴电流异常、功率波动、转速不稳，只是人眼看不见。传统定期保养要么过度（白停机），要么不足（该修没修）。
📌 应用场景：用机床运行时的电参数（电压、电流、有功/无功功率、功率因数、主轴 RPM 等）做特征，训练模型预测潜在故障和最佳保养时机，降低非计划停机。
💡 核心价值观：这是一个"接地气"的入门级项目——数据好采（电表就能拿）、模型不复杂（传统机器学习即可）、思路清晰：用历史数据学出"正常长什么样"，偏离了就报警。对想先跑通"数据采集 → 异常识别 → 保养建议"闭环的小团队很友好。
🏗️ 架构设计：标准 Python 数据科学栈——pandas 做数据清洗、scikit-learn 训练模型、把"异常"和"健康"分开标记。数据集字段很全（机器/主轴各十几项电参数 + RPM + Anomaly 标签），等于白送你一份现成的标注样本。
⭐ 最大亮点：MIT 许可证，零门槛，仓库自带数据集说明文档，拿来当教学或 PoC 原型最省事。
🔗 开源地址：https://github.com/Shengwei0516/CNC-Predictive-Maintenance
02｜cnc-monitoring-system
边缘-云架构的 CNC 振动异常监测
🔧 解决什么问题：刀具磨损、主轴偏心、轴承劣化，在振动信号上都会留下痕迹。但振动数据量大、实时性要求高，全往云端灌既不经济也不实时。
📌 应用场景：在 CNC 铣床上装振动传感器，边缘侧采集、云端做分析与可视化，实时看机床"健康状态"。自带 3 台机床的示例数据集和训练 notebook。
💡 核心价值：它真正把"边缘-云"这套工业物联网范式跑通了——边缘容器模拟机床发 MQTT，云端用 Kafka 做可扩展接入，再上仪表盘。你看到的不是论文里的伪代码，而是一套能 docker-compose 一键起来的真实系统。
🏗️ 架构设计：典型边缘-云分层。Edge 层（factory 容器）模拟机床并publish振动数据；Cloud 层用 MQTT-Kafka 连接器做桥接，dashboard 在 http://localhost:5050 实时展示；公共库负责数据加载与处理；notebooks 覆盖探索、训练、评估全流程。
⭐ 最大亮点：开箱即跑的端到端监测 Demo，代码 MIT、数据 BSD-3，适合作为你自己振动监测系统的"骨架"直接改。
🔗 开源地址：https://github.com/ericwolter/cnc-monitoring-system
03｜CNCAnomalyDetector
"听声音"判断机床异常的轻量方案
🔧 解决什么问题：很多小车间没有昂贵的振动传感器，但每台机床都在"发声"。刀具变钝、发生碰撞、切削异常，声音会先变。能不能用一支麦克风解决监测？
📌 应用场景：在 CNC 铣床旁边架一支高质量麦克风，录正常和各种异常（钝刀、碰撞）的声音，训练模型实时分辨，异常就报警甚至停机。
💡 核心价值：思路特别朴素也特别聪明——不需要侵入机床电气系统，音频是唯一传感器。它对预算有限、又想先验证"AI 监测"可行性的团队，几乎是零硬件门槛的入口。
🏗️ 架构设计：经典音频 ML 流程——分段 → 降噪 → FFT 提取频谱特征（频谱质心/带宽/滚降/对比度/MFCC）→ 划分训练验证测试集 → CNN/随机森林/SVM 等分类 → 实时麦克风流预测 + 告警。README 还特意建议你把推理放树莓派或 Jetson 这类边缘设备，降低延迟。
⭐ 最大亮点：把"声学监测"这条路线完整开源了，连数据怎么采、麦克风怎么摆都写明白，社区感很强（README 用 ChatGPT 辅助写就）。
🔗 开源地址：https://github.com/MakeItZone/CNCAnomalyDetector
04｜CNCToolDQN
用深度强化学习盯刀具健康
🔧 解决什么问题：刀具是机床上最易耗、最影响质量的部件。难点在于——标注数据稀缺（真实产线哪有大量"报废前"样本），且每把刀的退化轨迹都不一样。
📌 应用场景：汽车零部件产线的真实 CNC 数据集上验证，用刀具载荷和寿命（age）数据做异常检测，并给出一个易懂的"刀具健康分（TH 分）"，指导什么时候换刀。
💡 核心价值：它把"标签稀缺"和"退化多变"两个真实痛点一起解决了——用少量潜在异常样本 + 大量无标签数据做标签高效学习；TH 分把复杂的异常模式压成一个可调灵敏度的直观指标，保守还是省成本，你说了算。论文里 F1 最高 0.752，超过 Anomaly Transformer 的 0.590。
🏗️ 架构设计：CNCToolDQN 是一个深度强化学习框架，把领域知识做成 reward shaping，让智能体在探索 multivariate load & age 模式时"懂行"。TH 分聚合异常随时间变化，用用户可控参数（α、τ）调节敏感度。
⭐ 最大亮点：学术界真刀真枪在工业数据集上打磨过的成果，代码随论文开源，是"强化学习 + 刀具监测"方向难得的可用参考。
🔗 开源地址：https://github.com/cnctooldqnupload/CNCToolDQN
05｜MachineToolFailureDetection
用无监督异常检测做机床健康 Web 应用
🔧 解决什么问题：故障样本天然稀少，监督分类在数据极度不平衡时基本失效。怎么办？换个思路——不学"什么是故障"，只学"什么是正常"，偏离正常就算异常。
📌 应用场景：基于过程温度、环境温度、转速、扭矩、刀具磨损等实时传感器数据，判断机床处于"正常"还是"潜在故障"，并打包成一个能直接在浏览器里用的 Flask 应用。
💡 核心价值：它示范了"异常检测"比"分类"更适合工业的真相——失败事件稀少，LOF（局部离群因子）这类无监督方法反而更稳。整个管线从 EDA、标准化、one-hot 到模型序列化、Render 部署，是一个完整可抄的 MLOps 样例。
🏗️ 架构设计：scikit-learn 的 LOF 做核心（-1 异常 / 1 正常），StandardScaler 标准化，Pickle 序列化模型与预处理管线，Flask 提供输入表单与预测接口，免费部署在 Render.com。README 把每一步和坑都写得很透。
⭐ 最大亮点：对新手极其友好——你甚至不用准备数据，按它给的示例值点一下"Predict"，就能看到 ✅/⚠️ 的输出，是理解"工业异常检测怎么落地成产品"的好教材。
🔗 开源地址：https://github.com/abrar39/MachineToolFailureDetection
上面 01–05，解决的是数控机床"身体"的问题：主轴、刀具、精度，靠数据先"看见"异常。下面进入更烧脑的部分——让 Agent 替你把工艺和代码也想了。
06｜NumCraft
多智能体协作，把自然语言变成安全 G 代码
🔧 解决什么问题：写 G 代码、做工艺规划，是典型"老师傅Know-how"。新手拿到一张零件图，往往要翻手册、试切、改参数，周期长还容易出错。能不能说一句话就出程序？
📌 应用场景：你用自然语言描述零件（材料、公差、毛坯尺寸、机床类型），它自动完成特征识别 → 工艺规划 → 选刀 → 路径生成 → G 代码合成 → 安全校验，全流程给出可直接用的 NC 程序。
💡 核心价值：这是目前少见的、把"LLM 多智能体"真正落到数控编程链路上的开源项目。五个专职 Agent 各管一段——ProcessPlanner 做特征识别与排序、ToolExpert 按材料选刀并优化参数、PathPlanner 生成钻铣路径、GCodeGenerator 合成 FANUC 合规代码、SafetyValidator 做多层安全检查。实测特征识别准确率 85%+、安全校验覆盖 100%，简单件 2–3 秒出结果。
🏗️ 架构设计：基于 LangGraph 1.0 编排状态机，每个 Agent 是一个节点，graph 协调流转。提供 /run、/stream_run（SSE 流式）、/cancel 等 REST 接口，请求体就是结构化零件描述，响应体包含特征、工艺、刀单、刀路、G 代码和校验结果。
⭐ 最大亮点：内置 SafetyValidator 是它区别于"纯聊天生成代码"的关键——生成的 G 代码不是"看起来对"，而是过了安全关。MIT 许可证，想做"AI 编程助手"的团队值得直接 fork。
🔗 开源地址：https://github.com/hanshiyingbing/numcraft
07｜Manufacturing_Process_Plan
多智能体，从图纸到工艺规划
🔧 解决什么问题：工艺规划（MPP）是制造前最费脑子的一环——读图纸、选材、定工装、排工序、保质量，环环相扣。一个人闷头做，容易漏。
📌 应用场景：把技术图纸（或图纸需求文本）喂进去，一支"Agent 团队"协同产出完整制造工艺规划，并保存成文件。
💡 核心价值：它把工艺规划拆成了角色扮演——设计分析工程师（读图提取规格）、材料工程师（选材）、工装专家（推荐刀具夹具）、工艺规划师（排工序）、质量工程师（合规评估）、项目经理（统筹合成）。每个角色配专属参考目录（材料库/工装库/工艺标准/质量标准），让 LLM 不是"凭空编"，而是"按手册干"。
🏗️ 架构设计：基于 CrewAI / LangChain，agents.py 定义各 Agent 与任务，config.py 管配置，main.py 是入口，utils.py 放工具函数。运行时按 --drawing 指定输入，--verbose 看过程，产出写到 data/ 目录。
⭐ 最大亮点：给出了"领域知识喂养多智能体"的具体范式——不是只给 prompt，而是给每个 Agent 配套真实的 catalog 文件。这对想做"有行业 know-how 的 Agent"的人，是非常好的结构参考。
🔗 开源地址：https://github.com/NavalGear/Manufacturing_Process_Plan
06、07 让机床"大脑"长了 Agent——能读图、能编程。但一个车间不只有一台机床，还有 AGV、质检、排产。下面看 Agent 怎么管整条线。
08｜Factory Agent
中控技术开源的 LLM 闭环决策智能体
🔧 解决什么问题：工业里数据很多，但"做决策"——尤其是边缘侧的实时决策——长期靠人拍脑袋和写死规则。绝大多数工业 AI 还停留在"问答""总结""建议"，不会真正下指令、闭环控制。
📌 应用场景：跑在 Node-RED 上，监听工厂 MQTT 实时话题，用 LLM（DeepSeek 等）推理后，把动作以结构化 JSON 发回 MQTT 控制话题，驱动设备、改排产、清库存。配套一个"虚拟工厂仿真"，不接真设备也能练手。
💡 核心价值：它把经典控制论的"观测-规划-执行-观测"闭环，搬进了 LLM Agent 世界，而且真能发指令、真能闭环。它依赖 UNS（统一命名空间）这个方法论——用语义化 MQTT 话题把工厂数据组织成"人话"（比如 Finance/Profit/RealtimeCost），而不是一堆无意义 key。这是后 OPC UA 时代被看好的工业数据集成思路。
🏗️ 架构设计：五层——感知层（接 OT/IT 数据，MQTT/UNS）、推理决策层（每个 Agent 是独立 LLM 单元，自带 prompt 与目标）、动作分发层（输出转 JSON 命令发回 MQTT）、执行层（真实/仿真工厂执行并回传）、反馈学习层（监控结果、为未来记忆/评分打底）。Node-RED 负责实时编排，虚拟工厂提供数字孪生训练场。
⭐ 最大亮点：中控技术（国内工业自动化龙头）开源，MIT 许可证，把"会思考的工厂"从概念做成可在本地跑的实验台。想验证"Agent 能不能真管产线"，它是最完整的开源起点之一。
🔗 开源地址：https://github.com/FREEZONEX/Factory-Agent
09｜industrial-ai-agent
用 OPC UA 把 Agent 接进真实工厂数据
🔧 解决什么问题：很多工业 AI Demo 死在"连不上真设备"——数据在 PLC、在数据库，Agent 够不着，只能拿 CSV 自嗨。
📌 应用场景：批处理工厂的生产决策助手。你用自然语言问"能生产 3 批 A 产品吗？"，Agent 通过 OPC UA 查实时罐液位和机器状态、查数据库里的配方，用 LLM 推理后给你"行/不行"和理由。
💡 核心价值：它示范了 Agent 接入工业现场的"标准姿势"——OPC UA（工业通信事实标准）做实时数据通道，PostgreSQL/TimescaleDB 做静态配方，LangChain 做工具编排，LLM 做决策并把结果格式化成带推理的 JSON。等于给你一套"能连真设备的工业 Agent 模板"。
🏗️ 架构设计：LangChain 把 Python 函数包成工具，Agent 通过 OPC UA Client 查设备、通过 DB Client 查配方，LLM（Claude 3.5 / GPT-4 / 本地 Ollama 都行）分析后输出结构化决策。附带仿真批工厂环境，没真设备也能跑通全流程。
⭐ 最大亮点：出自 Kudzai Manditereza 的工业 AI 视频教程系列，边看视频边抄代码，是把"Agent 落地到 OT 层"讲得最清楚的学习型项目之一。
🔗 开源地址：https://github.com/kmanditereza/industrial-ai-agent
10｜manufacturing-coding-agents
给制造业写代码的安全合规 Agent
🔧 解决什么问题：制造业里大量代码是改 PLC、改安全联锁、改产线逻辑——这类改动出错的代价是安全事故，不是 404。普通"编程 Agent"直接上手，风险太大。
📌 应用场景：把 Spotify 那套"背景编程 Agent"经验移植到制造业，但加了多重安全与合规层。举例场景：更新一条安全联锁逻辑，Agent 生成代码后必须经过安全校验，对照 ISO 13849（机械安全）、IEC 61508（功能安全）、IEC 62443（工业网络安全）等标准。
💡 核心价值：它点破了一个容易被忽略的事实——制造业的 AI 编程，安全性优先级高于效率。项目明确写进了对 ISO 13849-1 / IEC 61508 / IEC 62443 的遵循，并提供 verifiers/safety_verifier.py 这类校验器。还支持本地 vLLM，默认配置无需 API key，开箱即"离线可部署"，对工厂的数据隔离诉求很友好。
🏗️ 架构设计：面向角色的文档结构（决策者看 PROJECT_SUMMARY、工程师看 GUIDE、安全工程师看 safety_verifier），多 Agent 协作 + 规划/发现/校验阶段，含优雅降级与空响应处理。按它自己的测算，全厂级迁移可省 70–75% 时间。
⭐ 最大亮点：把"安全第一"做成 Agent 的内置约束而非事后补救，是制造业编程 Agent 最该抄的一条设计原则。
🔗 开源地址：https://github.com/allsian/manufacturing-coding-agents
前面 08–10 是车间"神经"的 Agent——它们做调度、做决策、写安全代码。但要让 Agent 在真实机床上"练手"又不想冒风险，得先有个虚拟世界。
11｜NVIDIA Isaac Sim
数字孪生与机器人仿真的 Agent 训练场
🔧 解决什么问题：在真实机床/机器人上直接试 AI 程序，又贵又危险。你需要一个高保真的虚拟工厂，让 Agent 先在那儿跑通、跑坏也不怕。
📌 应用场景：把 CAD/URDF 导入，搭建逼真的机床与产线数字孪生，用来训练、测试、验证 AI 策略——包括强化学习、模仿学习、运动规划，以及合成数据生成。Isaac Lab 在其上专门针对大规模机器人学习优化。
💡 核心价值：它是目前工业级物理仿真最成熟的开源底座之一，Apache 2.0 许可（代码免费，含商业用途），官方仓库在 GitHub。对机床/产线 Agent 来说，它的意义是——你可以把 08 号的 Factory Agent、06 号的 NumCraft 路径规划，先放进这个数字孪生里"沙盘推演"，再上真机。
🏗️ 架构设计：构建于 NVIDIA Omniverse 之上，支持 URDF/MJCF/CAD 导入，GPU 加速物理引擎，RTX 多传感器渲染；自带 ROS/ROS 2 桥接、合成数据生成（Replicator）、Isaac Lab 强化学习框架。可从 GitHub 拉源码或用 NGC 容器部署。
⭐ 最大亮点：开源、免费、工业级保真度，且官方持续更新（2026 年已到 6.0）。想搞"机床 + Agent + 数字孪生"三位一体的，它是绕不开的底座。（补充一句：如果你只做运动规划与控制，ROS 2 + MoveIt 是更轻量的开源组合，常和 Isaac Sim 搭配着用。）
🔗 开源地址：https://github.com/isaac-sim/IsaacSim
趋势洞察：三个值得关注的信号
看完这 11 个项目，数控机床上的 AI Agent 有几个方向已经很清楚了：
趋势一：从"单点算法"走向"全链路闭环"。 早几年的机床 AI，基本是孤立的异常检测模型；现在的项目（如 Factory Agent、NumCraft）已经在做"感知 → 诊断 → 决策 → 执行 → 反馈"的完整回路。下一步拼的不是某个模型多准，而是谁能把链路串起来还不掉链子。
趋势二：LLM 多智能体正在接管"老师傅的脑子"。 工艺规划、G 代码生成、安全编程——这些过去靠人经验和手册的活，正被"角色分工 + 领域知识喂养"的多智能体接手（NumCraft 五个 Agent、Manufacturing_Process_Plan 六个角色）。关键不在模型多大，而在你给每个 Agent 喂了什么行业 know-how。
趋势三：仿真先行，真实后置。 Isaac Sim 这类数字孪生底座的成熟，让"先在虚拟机床上把 Agent 训好再上真机"成为标准路径。这对机床这种"出错代价高"的场景，几乎是必选项，而不是可选项。
落地四步走：从 0 到 1 的实践建议
想把上面这些用起来，建议按四步推进，别一上来就想"全自动无人车间"：
第一步：先让机床"被看见"（2–4 周）
选轻量、开箱即用的健康监测项目（如 CNC-Predictive-Maintenance 或 cnc-monitoring-system），在测试机床上跑通"数据采集 → 异常识别 → 告警"。目标只是验证数据通路和基线准确率，不求完美。
第二步：加一层"听得懂"的感知（1–2 个月）
根据机床特点补专用能力：振动为主就上 cnc-monitoring-system；想零硬件成本就试 CNCAnomalyDetector（声音）；刀具管理是痛点的，引入 CNCToolDQN 的 TH 健康分。
第三步：让 Agent 碰"工艺与代码"（2–3 个月）
从低风险环节试点 LLM 多智能体——用 NumCraft 辅助生成 G 代码（务必过 SafetyValidator），用 Manufacturing_Process_Plan 辅助工艺规划。记住：它们出的是"草稿"，最终签字的还是人。
第四步：上仿真、接产线、闭环（持续）
用 Isaac Sim 搭数字孪生沙盘，把 Factory Agent / industrial-ai-agent 接进 OPC UA 或 UNS，先在虚拟工厂验证逻辑，再小范围接真设备做闭环决策。涉及改 PLC / 安全逻辑时，务必走 manufacturing-coding-agents 那套安全校验。
四条关键原则：
数据隔离优先——工厂数据敏感，优先选支持本地/离线部署的方案（Ollama、vLLM、数据不出厂） 渐进式替换——从非关键机床、非关键工序试点，跑通再推广 人始终是最后一道关——尤其 G 代码生成、安全联锁修改，Agent 给建议，人拍板 重视可解释——TH 分、SHAP、ISO 标准报告，工业决策经不起"黑箱瞎猜"
写在最后
数控机床上的 AI Agent 开源生态，已经从"论文里的憧憬"走到了"GitHub 上能 clone 跑"的阶段。上面这些项目，有的来自中控技术这样的工业龙头，有的来自学术团队（CNCToolDQN 论文级打磨），有的来自社区开发者的一线实践，每一个都值得拆开来学。
如果你正好在给机床上智能，建议先挑 1–2 个和自己场景最近的，clone 下来跑一跑——看十遍文档，不如跑一遍代码。
以上项目信息均基于 GitHub 公开仓库整理，开源地址均为官方仓库链接。部分项目仍处早期阶段，协议与功能以仓库实际内容为准；商业使用前请务必核对许可证的署名与合规义务。
聚智AI：
“聚行业之智，解落地之难”。
愿做你AI落地路上的同行者。