编者按：
数控机床实训如何从“看结果”走向“评过程”？青岛理工大学将设备时序数据写入 Apache IoTDB，经事件识别与规则评价，形成可回放、可复核的评分链路，为教师复核学生操作、开展针对性指导提供客观依据。黄居鑫在2026时序数据技术创新大会上分享了这套数控加工实训智能评价实践。
一、实训评价缺的不是结果而是过程证据
设备操控实训贯穿本科院校、职业院校和企业技能培训。机械、自动化、智能制造等专业依赖上机实操培养设备能力；企业的技能类员工也要通过培训考核才能上岗。真正难的是，能力必须在操作过程中体现，而这个过程通常持续几分钟、动作连续且变化很快。
黄居鑫在演讲中把问题归纳为三个层次。
-
第一，签到只能说明到场，不能证明真正上机。
-
第二，回零、对刀、换刀、加工等动作连续发生，事后很难完整还原。
-
第三，规范性、安全性和熟练度缺少统一、可复核的评价依据。
三个问题最终指向同一个缺口：操作过程缺少连续、可信、可追溯的数据记录。
二、学校看不过来 企业追不回去
在学校，一名教师要同时照看一个班。学生多、动作快、步骤密集，教师很难完整记录每个人做过什么。视频也不是理想答案：回看耗时，镜头未必覆盖全部关键动作，最后仍容易回到基于印象的评分。学生若对结果提出异议，教师缺少能够快速复核的证据。
企业面对的是同源问题。同一台设备由多人、多班次使用，故障率、维修成本和停机时间只能反映事后结果，难以直接说明当时由谁执行了什么操作。缺少过程数据，员工技能画像、上岗授权和针对性培训也难以获得稳定依据。
三、把时序数据变成操作过程的完整记录
数控机床的每一次按键、每一段切削和每一次报警，都会在多个测点上留下变化。以对刀为例，轴运动、试切负载、安全退刀和坐标偏置写入并不是孤立信号，而是一组前后关联、彼此印证的时序特征。项目将这些变化写入 IoTDB，通过分析反映特定操作行为的数据特征，形成用于行为识别的“数据指纹”。
黄居鑫在演讲中提出了一套从数据记录、行为识别到结果评价的完整思路：首先依托 IoTDB 完整记录整个训练过程中的设备数据，再通过算法逐层识别学生行为，并形成统一、可审计的评价结果。在相同实训任务和评价标准下，系统可以对不同学生的操作过程采用统一规则进行分析；教师复核时，也能从评价结论逐层追溯至原始数据，而非依赖个人记忆还原训练过程。
与人工巡视相比，这套方式的变化主要体现在覆盖范围、评价尺度、颗粒度、复核能力、反馈时效和并行能力。黄居鑫强调，目标不是让系统替代教师，而是把教师从持续盯守中释放出来，将专业经验用于复核和指导。
四、IoTDB保存原始证据，四层架构逐步派生结论
整个系统从数控机床的数据采集开始。设备操作过程中产生的运行状态、运动参数及相关控制信号，经采集处理后写入 IoTDB，为后续事件识别、行为分析和评价复核提供统一的时序数据基础。
在这一过程中，IoTDB 不仅承担数据存储与查询任务，也参与部分数据处理工作。黄居鑫介绍，团队已经采用 IoTDB 2.0，并利用其高级功能承担部分原先需要在应用侧完成的处理任务，从而简化算法处理流程、提升整体效率。
在时序数据基座之上，系统先完成多测点对齐、同时间戳去重和冲突字段处理，再按“事件—行为—指标—评价”四层结构逐步派生。每一层独立留证，评价结果必须带有证据引用；当数据不足时，系统标注待复核，而不是把缺失数据直接解释为操作错误。
这一架构的关键，在于将最终评价与具体操作过程关联起来。教师不仅能够看到学生的评价结果，还可以通过相关事件、行为及原始时序数据追溯评分依据，使实训评价具有更好的可解释性与可复核性。
五、面向教师设计的教学工作台
团队自主开发了面向数控加工实训的智能评价系统。系统首先服务教师，而不是只服务软件工程师。首页把工程语言转换为教学语言，集中呈现待复核操作、低置信评价、证据不足窗口和学生薄弱项，教师可以从需要关注的条目直接进入证据详情。
据黄居鑫介绍，系统目前能够从机床数据中识别 25 类操控事件，包括急停、报警、换刀、对刀、回零和主轴启停等；再将事件跨步骤聚合为 15 类实训行为，例如开机回零、对刀和加工执行，并检查“未回零即加工”等时序约束。
过程追溯解决“发生了什么”，证据链则回答“为什么得到这个分数”。每个分数可以展开为加减分规则和适用条件，再继续下钻到指标、行为、事件和 IoTDB 中的原始测点。学生提出疑问时，教师能够现场复核；证据不足的条目交由人工判断，保留评价边界。
六、让算法接受教师和专家的持续校验
算法并非上线后就固定不变。团队把大模型用于算法治理，让它观察评价规则与输出结果，辅助发现规则盲区、参数漂移和规则之间的矛盾，并形成改进建议。黄居鑫强调，专业教师和行业专家的经验才是金标准，算法优化需要人为干预和专业验证。
项目开发过程中，团队邀请行业资深技术专家、首席技师和技术能手参与指导，把专家操作和评价经验沉淀进系统。教师可以用自然语言描述经验，后台再据此调整算法。借助 IoTDB 保存的历史时序数据，算法可以按照新的专家标准重新回放和评价。
黄居鑫进一步给出了 AI 能力的治理链：先以只读影子模式运行，再基于 IoTDB 中的历史数据进行金样回放验证，持续监控漂移、延迟和失败率，经过双人复核后受限生效；任一级未通过，就回滚或降级为确定性规则。事件、行为、规则、模型和提示词也纳入版本生命周期，以同一输入和发布清单复现同一结果。
七、从一次实训到长期技能成长，探索工业场景的应用延伸
在现有数控实训智能评价系统的基础上，团队还提出了引入受控智能体与多模态感知的技术演进方向，希望进一步提升系统的交互能力、行为理解能力和教学辅助价值。
其中，受控智能体将作为能够查询和核对证据的教学助手。教师可以通过自然语言提出问题，例如“今天哪位同学对刀最需要指导？”，由智能体调用经过授权的只读工具，查询相关时序数据、操作证据和评价结果，并生成附带证据引用的回答。为保证评价过程的可信性，智能体不得自行修改评分与评价规则，涉及结论性输出时仍需经过教师确认。
在行为理解方面，团队计划进一步引入 NC 程序语义理解和视觉异常识别，为现有时序数据补充更多上下文信息。
前者有助于理解加工程序的执行意图，后者可以辅助识别单纯依靠设备测点难以捕捉的现场操作。通过多模态信息融合与领域模型适配，系统有望进一步提升对复杂操作行为的理解与评价能力。
这一技术演进的目标，也不再局限于对单次实训进行评分。随着不同学年、不同设备和不同训练任务的数据持续积累，团队希望逐步建立可追溯、可复核的技能能力档案，为学生长期技能成长提供更加连续的数据依据。
黄居鑫还将这套思路延伸到了工业生产现场。在企业技能培训中，操作过程数据有望用于技能认证与培训评估；在多班次设备运行场景中，行为级记录能够为操作追溯、误操作归因与风险预防提供参考。与仅依靠故障率、维修成本等结果性指标开展管理相比，这种方法尝试将评价环节前移，在操作过程中分析操作质量，推动管理从事后结果分析向事中评价和事前预防拓展。
从实训课堂到生产车间，应用场景虽然不同，但核心思路是一致的：以持续积累的时序数据为基础，结合 AI 与专业知识，让人与设备的交互过程更加可理解、可追溯，也让操作评价与技能成长获得更可靠的数据支撑。
结语
青岛理工大学的实践表明，实训评价要获得更好的一致性和可复核性，仅依靠最终评分还不够，关键在于建立能够追溯操作过程的数据依据。IoTDB 在其中提供时序数据存储、管理和处理能力，使操控事件识别、实训行为分析和评价复核能够建立在持续积累的设备数据之上。
从设备信号到操控事件，从实训行为到评价结果，再到结合专家经验持续优化算法，这套实践展示了一条将工业时序数据转化为操作行为评价依据的技术路径。
对于学校，这意味着更加细致、可追溯的教学反馈；对于企业，也为未来的技能培训、行为审计和操作风险预防提供了新的探索方向。其核心价值不仅在于让设备数据能够被记录，更在于让这些数据成为理解操作过程、改进评价方法的重要基础。