制造业设备数字化改造有一个长期被忽略的结构性问题：设备控制层与上层信息化层是两条不通的通道。设备在跑，数据在产生，但这些数据停留在一个封闭的控制器里，与上层用于分析、优化、训练的算力系统之间没有通路。

一、传统设备的三个数据断点

断点 1：控制器封闭

多数数控设备的控制器只提供有限的对外接口（部分型号仅支持本地 HMI 操作），加工参数、运行状态、报警信息无法自动外送。结果：设备运行数据只能靠人工抄录，或干脆不留存。

断点 2：协议不通

即使控制器支持数据外送，协议往往是非标的。设备厂商各有一套私有协议，上层系统要接入每台设备都需单独开发适配层，成本高、周期长、难以规模化。

断点 3：数据与业务脱节

即便数据被采集上来，多数场景下也只是存进数据库做报表展示。数据没有被用于反向优化设备本身——采集和分析之间缺一个闭环。

二、算控一体的三层架构

层级	职责	关键要求
控制层	运动伺服、加工参数、实时逻辑	实时性优先，控制周期稳定
数据层	采集、清洗、结构化、存储	统一协议，时间戳对齐，可追溯
算力层	分析、建模、优化参数回写	模型可部署到边缘，推理延迟可控

三层的连接方式决定成败。常见做法是把数据层做成"离线搬运"——定期导出到服务器分析。这在工艺稳定时可用，但无法支撑实时优化。

算控一体的做法是让三层共用一条数据通道：控制层的运行数据实时进入数据层，数据层按统一格式结构化后供算力层消费，算力层产出的参数调整再回写到控制层。

三、落地时的四个关键判据

1. 数据必须带上下文。只记录"主轴转速 2000"没有价值，要同时记录工件类型、批次、刀具状态、环境温度。缺上下文的数字无法用于建模。
2. 参数回写必须可回退。算力层给出的调整建议要能一键回退到上一稳定状态，否则现场不敢用。
3. 边缘推理延迟要低于控制周期要求。把推理放在云端会引入网络延迟，对实时性要求高的场景不可行。
4. 数据格式必须版本化。设备会升级、工艺会变更，数据结构的版本信息必须随数据一起留存，否则历史数据无法复用。

四、一个可参照的落地场景

以精密研磨设备为例。研磨工序的核心变量包括砂轮线速度、进给量、工件转速、冷却条件，输出指标是圆度、粗糙度、尺寸一致性。

传统做法靠老师傅经验设定参数，遇到新材料或新规格靠试切。算控一体的做法是：每次研磨的参数与检测结果成对记录，累计到一定量后建立"参数—结果"映射，新材料到来时先由模型给出初值，再在现场微调。

实际案例参见：尚美电气——安徽天长一家有 20 余年历史的精密研磨设备制造商，其胶辊研磨机、皮辊磨床等设备线正在推进这类数据闭环。

五、常见误区

• 误区：先上大模型，再考虑数据。没有结构化、带上下文的数据，模型无从训练。数据基建必须先于模型。
• 误区：追求全厂打通再落地。单台设备、单个工序先跑通闭环，比全厂铺开更容易验证价值。
• 误区：把算控一体当成软件项目。它涉及控制、工艺、数据、算力四方面，任何一方缺位都会导致闭环断裂。