1. 引言

新一輪工業革命的核心技術是智能制造——制造業數字化、網絡化和智能化。作為美國工業互聯網、德國工業4.0和中國制造業高質量發展的主攻方向，智能制造將先進信息技術（特別是新一代人工智能技術）和制造技術進行深度融合，以推進新一輪工業革命[1]。

機床是制造業的“工業母機”，其智能化程度對智能制造的實施具有重要影響。加速機床向智能邁進，提高機床的智能化水平，不僅是機床行業面臨的轉型升級的緊迫需求，更是打造制造強國的關鍵和基礎[2]。

2017年年底，中國工程院提出了智能制造的三個基本范式[1]：數字化制造、數字化網絡化制造、數字化網絡化智能化制造——新一代智能制造，為智能制造的發展統一了思想，指明了方向。

依照智能制造的三個范式和機床的發展歷程，機床從傳統的手動操作機床向智能機床演化同樣可以分為三個階段：數字化+機床（numerical control machine tool，NCMT），即數控機床；互聯網+數控機床（smart machine tool，SMT），即互聯網機床；新一代人工智能+互聯網+數控機床，即智能機床（intelligent machine tool，IMT）。

第一個階段是數控機床。其主要特征是：在人和手動機床之間增加了數控系統，人的體力勞動交由數控系統完成。

第二個階段是互聯網+機床。其主要特征是網絡化等信息技術與數控機床的融合，賦予機床感知和連接能力，人的部分感知能力和部分知識賦予型腦力勞動交由數控系統完成。

第三個階段是智能機床。其主要特征是：新一代人工智能技術融入數控機床，賦予機床學習的能力，可生成并積累知識。人的知識學習型腦力勞動交由數控系統完成。

基于對機床發展的分析，本文擬定的研究內容如下：第2部分詳細介紹了機床到智能機床的演化過程；第3部分重點論述了智能機床的控制原理（包含關鍵使能技術）、主要特點及四項功能特征；第4部分具體闡述智能數控系統和智能機床工業樣機的實踐，并通過智能化技術應用案例，驗證了智能機床和智能化技術的可行性和有效性；第5部分對全文進行了總結。

2. 機床到智能機床的演化

手 動 機 床（manually operated machine tool，MOMT）是機床的最初形態，它是人和機床物理系統的融合。操作者通過人腦的感知和決策，用雙手操控機床，完成零件加工。手動機床的加工過程完全由人完成信息感知、分析、決策和操作控制，構成了典型的“人-機系統”（human-physical systems，HPS）[1]。手動機床控制原理的抽象描述如圖1所示。

圖1.（a）手動機床控制原理；（b）手動機床構成的“人-機系統”（HPS）[1]。

機床從手動機床發展到智能機床可分為三個階段：數控機床、互聯網+機床和智能機床。

2.1. 數控機床

隨著數字控制技術的發展，手動機床發展成為數控機床。通過在人和機床之間增加數控系統，加工信息通過G代碼輸入到數控系統中，由數控系統替代人操控機床，實現對機床的運動控制。

數控機床是“人-信息-機系統”（human-cyber-physical systems，HCPS）[1]，即在“人”（human）和“機”（physical）之間增加了一個信息系統（cyber system，即數控系統）。數控機床控制原理的抽象描述如圖2所示。

圖2.（a）數控機床控制原理；（b）數控機床的“人-信息-機系統”（HCPS）[1]。

與手動機床相比，數控機床發生的本質變化是：在人和機床物理實體之間增加了數控系統。數控系統在機床的加工過程中發揮著重要作用。數控系統替代了人的體力勞動，控制機床完成加工任務。

但由于數控機床只是通過G代碼來實現刀具、工件的軌跡控制，缺乏對機床實際加工狀態（如切削力、慣性力、摩擦力、振動、切削力、熱變形，以及環境變化等）的感知、反饋和學習建模的能力，導致實際路徑可能偏離理論路徑等問題，影響了加工精度、表面質量和生產效率。因此，傳統的數控機床的智能化程度并不高。

2.2. 互聯網 + 機床

近年來，隨著“互聯網+”技術的不斷推進，以及互聯網和數控機床的融合發展[3,4]，互聯網、物聯網、智能傳感技術開始應用到數控機床的遠程服務、狀態監控、故障診斷、維護管理等方面，國內外機床企業開展了一定的研究和實踐[5,6]。Mazak公司、Okuma（大隈）公司、DMG-MORI（德瑪吉）公司、FANUC公司、沈陽機床股份有限公司等紛紛推出了各自的互聯網+機床[7]。

“互聯網+傳感器”為互聯網+機床的典型特征，它主要解決了數控機床感知能力不夠和信息難以連接互通的問題。

與數控機床相比，互聯網+機床增加了傳感器，增強了對加工狀態感知能力；應用工業互聯網進行設備的連接互通，實現機床狀態數據的采集和匯聚；對采集到的數據進行分析與處理，實現機床加工過程的實時或非實時的反饋控制?；ヂ摼W+機床控制原理的抽象描述如圖3所示。

圖3.（a）互聯網+機床控制原理；（b）數字化網絡化制造系統“人-信息-機系統”[1]。

互聯網+機床具有一定的智能化水平，主要體現在：

（1）網絡化技術和數控機床不斷融合。2006年，美國機械制造技術協會（AMT）提出了MT-Connect協議，用于機床設備的互聯互通[8,9]。2018年，德國機床制造商協會（VDW）基于通信規范OPC統一架構（UA）的信息模型，制定了德國版的數控機床互聯通信協議Umati [10]。華中數控聯合國內數控系統企業，提出數控機床互聯通信協議NC-Link，實現了制造過程中工藝參數、設備狀態、業務流程、跨媒體信息以及制造過程信息流的傳輸。

（2）制造系統開始向平臺化發展。國外公司相繼推出大數據處理的技術平臺。GE公司推出面向制造業的工業互聯網平臺Predix [11]，西門子發布了開放的工業云平臺Mindsphere [12]；華中數控率先推出了數控系統云服務平臺，為數控系統的二次開發提供標準化開發和工藝模塊集成方法。當前，這些平臺主要停留在工業互聯網、大數據、云計算技術層面上，隨著智能化技術的發展，其呈現出應用到智能機床上的潛力與趨勢。

（3）智能化功能初步呈現。國外，2006年，日本Mazak公司展出了具有四項智能功能的數控機床，包括主動振動控制、智能熱屏障、智能安全屏障、語音提示。DMG MORI公司推出了CELOS應用程序擴展開放環境。FANUC公司開發了智能自適應控制、智能負載表、智能主軸加減速、智能熱控制等智能機床控制技術。Heidenhain公司的TNC640數控系統具有高速輪廓銑削、動態監測、動態高精等智能化功能。國內的華中數控HNC-8數控系統集成了工藝參數優化、誤差補償、斷刀監測、機床健康保障等智能化功能。

盡管“互聯網+機床”已經發展了十多年，取得了一定的研究和實踐成果，但到目前為止，只是實現了一些簡單的感知、分析、反饋、控制，遠沒有達到替代人類腦力勞動的水平。由于過于依賴人類專家進行理論建模和數據分析，機床缺乏真正的智能，導致知識的積累艱難而緩慢，且技術的適應性和有效性不足。其根本原因在于機床自主學習、生成知識的能力尚未取得實質性突破。

2.3. 智能機床

新世紀以來，移動互聯網、大數據、云計算、物聯網等新一代信息技術日新月異、飛速發展，形成了群體性跨越。這些技術進步，集中匯聚在新一代人工智能技術的戰略性突破，其本質特征是具備了知識的生成、積累和運用的能力。

新一代人工智能與先進制造技術深度融合所形成的新一代智能制造技術，成為新一輪工業革命的核心驅動力，也為機床發展到智能機床，實現真正的智能化提供了重大機遇。

智能機床是在新一代信息技術的基礎上，應用新一代人工智能技術和先進制造技術深度融合的機床，它利用自主感知與連接獲取機床、加工、工況、環境有關的信息，通過自主學習與建模生成知識，并能應用這些知識進行自主優化與決策，完成自主控制與執行，實現加工制造過程的優質、高效、安全、可靠和低耗的多目標優化運行。

圖4. 智能機床定義。

利用新一代人工智能技術賦予機床知識學習、積累和運用能力，人和機床的關系發生根本性變化，實現了從“授之以魚”到“授之以漁”的根本轉變[1]。

3. 基于新一代人工智能的智能機床

3.1. 智能機床的控制原理

依據2.3節中智能機床的定義，本文提出智能機床自主感知與連接、自主學習與建模、自主優化與決策和自主控制與執行的原理與實現方案，如圖5所示。

圖5. 智能機床控制原理。

3.1.1. 自主感知與連接

數控系統由數控裝置、伺服驅動、伺服電機等部件組成，是機床自動完成切削加工等工作任務的核心控制單元。在數控機床的運行過程中，數控系統內部會產生大量由指令控制信號和反饋信號構成的原始電控數據，這些內部電控數據是對機床的工作任務（或稱為工況）和運行狀態的實時、定量、精確的描述。因此，數控系統既是物理空間中的執行器，又是信息空間中的感知器。

數控系統內部電控數據是感知的主要數據來源，它包括機床內部電控實時數據，如零件加工G代碼插補實時數據（插補位置、位置跟隨誤差、進給速度等）、伺服和電機反饋的內部電控數據（主軸功率、主軸電流、進給軸電流等），如圖5所示。通過自動匯聚數控系統內部電控數控與來自于外部傳感器采集的數據（如溫度、振動和視覺等），以及從G代碼中提取的加工工藝數據（如切寬、切深、材料去除率等），實現數控機床的自主感知。

智能機床的自主感知可通過“指令域示波器”和“指令域分析方法”[3]來建立工況與狀態數據之間的關聯關系。利用“指令域”大數據匯聚方法采集加工過程數據，通過NC-Link實現機床的互聯互通和大數據的匯聚，形成機床全生命周期大數據。

3.1.2. 自主學習與建模

自主學習與建模主要目的在于通過學習生成知識。數控加工的知識就是機床在加工實踐中輸入與響應的規律。模型及模型內的參數是知識的載體，知識的生成就是建立模式并確定模型中參數的過程。基于自主感知與連接得到的數據，運用集成于大數據平臺中的新一代人工智能算法庫，通過學習生成知識。

在自主學習和建模中，知識的生成方法有三種：基于物理模型的機床輸入/響應因果關系的理論建模；面向機床工作任務和運行狀態關聯關系的大數據建模；基于機床大數據與理論建模相結合的混合建模。

自主學習與建模可建立包含機床空間結構模型、機床運動學模型、機床幾何誤差模型、熱誤差模型、數控加工控制模型、機床工藝系統模型、機床動力學模型等，這些模型也可以與其他同型號機床共享。模型構成了機床數字孿生，如圖5所示。

3.1.3. 自主優化與決策

決策的前提是精準預測。當機床接受到新的加工任務后，利用上述機床模型，預測機床的響應。依據預測結果，進行質量提升、工藝優化、健康保障和生產管理等多目標迭代優化，形成最優加工決策，生成蘊含優化與決策信息的智能控制i代碼，用于加工優化。自主優化與決策就是利用模型進行預測，然后優化決策，生成i代碼的過程。

i代碼是實現數控機床自主優化與決策的重要手段。不同于傳統的G代碼，i代碼是與指令域對應的多目標優化加工的智能控制代碼，是對特定機床的運動規劃、動態精度、加工工藝、刀具管理等多目標優化控制策略的精確描述，并隨著制造資源狀態的變化而不斷演變。i代碼的詳細原理和介紹可參考有關專利[13]。

3.1.4. 自主控制與執行

利用雙碼聯控技術，即基于傳統數控加工幾何軌跡控制的G代碼（第一代碼）和包含多目標加工優化決策信息的智能控制i代碼（第二代碼）的同步執行，實現G代碼和i代碼的雙碼聯控，使得智能機床達到優質、高效、可靠、安全和低耗數控加工，如圖5所示。

3.2. 智能機床的特點

與數控機床、互聯網+機床相比，智能機床在硬件、軟件、交互方式、控制指令、知識獲取等方面都有很大區別，具體見表1。

表1 數控機床、互聯網+機床與智能機床

3.3. 智能機床主要的智能化功能特征

不同智能機床的功能千差萬別，但其追求的目標是一致的：高精、高效、安全與可靠、低耗。機床的智能化功能也圍繞上述四個目標，可分為質量提升、工藝優化、健康保障、生產管理四大類。

（1）質量提升：提高加工精度和表面質量。提高加工精度是驅動機床發展的首要動力。為此，智能機床應具有加工質量保障和提升功能，可包括：機床空間幾何誤差補償、熱誤差補償、運動軌跡動態誤差預測與補償、雙碼聯控曲面高精加工、精度/表面光順優先的數控系統參數優化等功能。

（2）工藝優化：提高加工效率。工藝優化主要是根據機床自身物理屬性和切削動態特性進行加工參數自適應調整（如進給率優化、主軸轉速優化等）以實現特定的目的，如質量優先、效率優先和機床保護。其具體功能可包括：自學習/自生長加工工藝數據庫、工藝系統響應建模、智能工藝響應預測、基于切削負載的加工工藝參數評估與優化、加工振動自動檢測與自適應控制等。

（3）健康保障：保證設備完好、安全。機床健康保障主要解決機床壽命預測和健康管理問題，目的是實現機床的高效可靠運行。智能機床具有機床整體和部件級健康狀態指示，以及健康保障功能開發工具箱。其具體功能可包括：主軸/進給軸智能維護、機床健康狀態檢測與預測性維護、機床可靠性統計評估與預測、維修知識共享與自學習等。

（4）生產管理：提高管理和使用操作效率。生產管理類智能化功能主要實現機床加工過程的優化及整個制造過程的低耗（時間和資源）。智能機床的生產管理類智能化功能主要分為機床狀態監控、智能生產管理和機床操控這幾類。其具體功能可包括：加工狀態（斷刀、切屑纏繞）智能判斷、刀具磨損/破損智能檢測、刀具壽命智能管理、刀具/夾具及工件身份ID與狀態智能管理、輔助裝置低碳智能控制等。

4. 智能數控系統和智能機床的工程實踐

根據HCPS的三元模式[14]，在生產實踐中的數控機床，機床是主體，數控系統是主導，人是主宰。從手動機床到數控機床再到智能機床，最大的變化就在于數控系統的作用不斷增強。機床的智能化程度，主要取決于其主導者數控系統的智能化程度。智能機床需要配備相應的智能數控系統（intelligent numerical controller, INC）。

4.1. 智能數控系統

本文研制了一款智能數控系統工程樣機——華中9型INC，其設計方案和平臺架構如圖6所示。在INC中，數控裝置、伺服驅動、電機和其他輔助裝置組成LocalNC，它是數控機床的本地部分，完成數控機床的實時控制。

圖6. INC體系構架。

除能實現傳統數控系統的全部功能之外，INC還要具備智能化所需的最基本的感知能力，能實現控制過程中的指令數據、響應數據以及必要的外部傳感器數據（如溫度、振動、視頻信號等）的實時采集和傳輸。

INC通過NCUC2.0總線實現伺服驅動、智能模塊、外部傳感器等多源數據的感知。利用NC-Link實現與數控機床、工業機器人、AGV小車、智能模塊等設備的連接，獲得大數據并存儲于INC-Cloud云平臺。

在INC中，建立物理機床響應模型構成數字孿生，由此實現智能化功能是其主要特征。在INC的體系架構中，我們建立物理機床和數控系統所對應的數字孿生模型Cyber MT和Cyber NC，它們可以在虛擬空間模擬真實世界的Physical MT和Local NC的運行原理和響應規律。作為Physical與Cyber的結合，INC不僅包括傳統的NC物理實體，也包括Cyber NC和Cyber MT，它們是INC實現智能的關鍵。

4.2. 智能機床樣機

基于INC智能數控系統，以S5H精密加工機床、BL5-C車床、BM8-H銑床為主體，研制了三款智能機床的工業樣機，如圖7所示，分別從三個方面驗證本文所提的智能化使能技術。

圖7. 基于INC的智能機床樣機。（a）S5H精密加工機床；（b）BL5-C智能車床；（c）BM8-H智能銑床。

S5H精密機床采用大理石床身，機床采用龍門結構，各進給軸采用直線電機驅動，并安裝高精度光柵尺。采用了3套獨立的溫控系統，分別對主軸、床身和冷卻液進行恒溫控制。主軸和床身上安裝18個溫度傳感器，主軸前端軸承及工作臺共安裝3個振動傳感器。該機床定位精度< 1 μm，重復定位精度< 0.5 μm。S5H精密加工機床用于驗證基于Cyber NC和雙碼聯控的模具加工質量優化技術。

BL5-C車床為斜床身結構，分別在機床X向和Z向進給軸（軸承座、螺母座）、主軸（軸承）、床身等重要位置安裝溫度傳感器檢測機床溫度變化，主軸（軸承）箱體上安裝振動傳感器檢測振動頻率，機床X向和Z向進給軸安裝光柵尺，實現全閉環控制。該機床定位精度< 6 μm，重復定位精度< 3 μm，車削工件圓度< 2 μm。BL5-C車床用于驗證基于大數據及深度學習的車削加工工藝參數優化技術。

BM8-H銑床在各進給軸絲杠螺母、軸承座、電機座部位分別安裝共9個溫度傳感器，主軸箱中安裝4個溫度傳感器，它們用來監測機床的熱變形；主軸和工作臺上各安裝一個三軸振動傳感器，各進給軸安裝高精度光柵尺實現全閉環控制。該機床定位精度< 10 μm，重復定位精度< 8 μm。BM8-H銑床用于驗證基于動力學及深度學習的機床進給系統混合建模及誤差補償技術。

4.3. 智能機床主要的智能化應用案例

4.3.1. 基于 Cyber NC 和雙碼聯控的模具加工質量優化

本案例在配置INC的S5H精密機床上實現，以典型的模具試切件Mercedes（圖8）為例，驗證數字孿生和雙碼聯控技術對曲面加工表面質量優化的效果。

圖8. Mercedes試件。

基于S5H精密機床的幾何與結構參數，建立數控裝置的參數級的數字孿生Cyber NC。數控裝置的物理實體和Cyber NC在插補層面上是完全等效的，它們對曲面加工程序生成的插補指令完全一致。

在實際加工前，模具加工G代碼在Cyber NC上進行仿真優化。以插補軌跡的平滑和指令進給速度的橫向一致性為優化目標，進行優化迭代，不斷修正插補軌跡和速度規劃指令，直到優化目標實現為止，并依據優化結果生成i代碼指令。在實際加工中，G代碼與包含優化結果的i代碼在數控系統同時執行，雙碼聯控完成加工。

優化前后效果如圖9所示。實驗表明，利用基于孿生模型仿真和雙碼聯控的方法可顯著改善進給速度的橫向一致性，從而提高零件表面的加工質量。經觀察，優化后加工零件特征更加清晰，一致性更好，與原始CAD模型的符合度更高[圖9（b）]。

圖9. Mercedes試件區域A優化前后對比。（a）進給速度色譜圖[15]；（b） 加工表面質量。

4.3.2. 基于大數據學習的車削加工工藝參數優化

在數控加工中工藝參數的優化至關重要，它們影響著零件的加工質量、效率、機床和刀具等制造資源的壽命等[16,17]。針對工藝參數優化，目前已經開展了許多相關研究。一種方式是通過對機床加工過程中切削力、切削穩定性等的理論建模，來實現對工藝參數的優化[18]。除基于理論分析建模的工藝參數優化外，近年來也出現了基于大數據模型的工藝參數優化方法[19,20]。

本案例在配置INC的BL5-C智能車床上實現，利用數控加工過程數據，建立車床的工藝系統響應模型，驗證基于大數據的加工工藝知識學習、積累與運用方法的可行性與有效性。其具體過程為：

（1）以BP神經網絡作為描述該車床工藝系統響應規律的模型，模型的輸入端為切削深度、切削半徑、材料去除量等5個工藝參數，輸出端為主軸功率，如圖10所示。

圖10. 表征BL5-C車床工藝參數——主軸功率響應的BP神經網絡模型。

（2）選擇該型車床實際生產常見的零件進行加工，記錄加工時的指令域大數據。從其中的主軸功率數據中分離出穩態數據作為神經網絡的輸出端訓練樣本。通過指令域分析方法，提取穩態樣本對應的切削參數，包括切削深度、進給速度、材料去除量、主軸轉速、回轉半徑等，作為神經網絡輸入端訓練樣本。不斷提取穩態樣本訓練神經網絡模型，隨著加工的進行，該模型逐步具備了對加工主軸功率進行預測的能力，即生長出了一個仿真該機床車削主軸功率的模型。

（3）新的加工零件（形狀和工藝參數都不同的零件）在實際加工前，先在該模型中進行仿真、迭代、優化。對表2所示零件，以最大允許主軸功率及功率的波動為約束條件針對加工效率進行優化。優化前后的進給速度、主軸功率曲線分別如圖11（a）、（b）所示，加工時間如表2所示。結果表明，在滿足約束條件的情況下，優化后的加工時間較優化前縮短了27.8%。

表2 優化結果

圖11. 優化前后結果。（a）進給速度；（b）主軸功率。

4.3.3. 基于動力學及深度學習的機床進給系統混合建模及誤差補償

機床進給系統建模，是實現控制策略優化、參數設定和輪廓誤差預補償，提升進給系統動態響應性能的基礎[21,22]?；诶碚摲治?，Erkorkmaz和Altintas [23]通過對進給系統進行數學和物理分析，并利用無偏最小二乘方法和摩擦力模型進行進給系統動態參數辨識和摩擦特性分析方法，建立進給系統模型，指導高速進給系統的設計。不同于理論建模方法，一些學者專注于數據驅動的建模方法。Huo和Poo [24]提出了一種分線性自回歸神經網絡建模方法，建立機床進給系統模型。利用該模型，輸入指令位置，即可預測出機床的實際響應位置。Li等[25]提出了一種基于深度置信網絡（DBN）的數據驅動建模方法，建立了反向間隙誤差預測模型。

本案例在配置INC的BM8-H智能銑床上實現，采用大數據和多領域理論建模混合的方式建立機床進給系統的模型，探討機床進給系統的建模方法以及利用模型仿真結果實施的補償的可行性。其實施步驟如下：

（1）以BM8-H智能銑床為實驗對象，建立其X和Y軸工作臺的多領域理論模型。該模型包括伺服驅動、伺服電機和工作臺及其機械傳動部件。其中，伺服驅動、伺服電機的模型采用其設計參數建模。機械部分模型的主要參數如表3所示。為了準確辨識這些參數，應用敏感度分析確定辨識次序，敏感度低的先給一個缺省值，從高到低依次進行參數辨識。參數的理論分布區間及辨識結果如表3所示。

表3 辨識參數及其辨識區間

用半徑50 mm、進給速度3000 mm·min?1的圓軌跡驗證該模型的預測精度，結果如圖12（b）所示，最大輪廓誤差為10.07 μm。

圖12. （a）圓形輪廓指令輪廓、實際輪廓、動力學模型仿真及混合模型預測輪廊；（b）圓形輪廓動力學模型仿真誤差（紅色）、混合模型預測誤差（藍色）。

（2）為進一步提高預測精度，設計如圖13所示的混合模型。該模型由一個基礎模型和一個偏差模型兩部分組成。基礎模型即第（1）步得到的多領域理論模型。偏差模型是一個6層的神經網絡模型。其輸入端為進給系統的指令序列和多領域理論模型的仿真預測序列，輸出端為仿真預測值與實測值之間的差值序列。從X、軸工作臺運行各種輪廓軌跡時的指令數據和實測編碼器數據中提取樣本，對X、Y軸各自的偏差模型進行訓練，可以分別得到其偏差模型。

圖13. 機床進給系統的混合模型示意圖。

其中，基礎模型主要模塊主要包含APR（automatic position regulator）位置調節器、ASR（automatic speed regulator）速度調節器、ACR（automatic current regulator）電流調節器、電機及機械傳動部分。r為系統指令輸入，w為實際輸出，F0為擾動輸入。

（3）輪廓誤差預測精度如圖12（b）所示，混合模型預測誤差最大值為3.21 μm。可以滿足中等精度機床補償所需的預測精度要求。根據預測軌跡的輪廓誤差對圓軌跡進行位置補償，效果如圖14所示，補償前輪廓誤差約12.53 μm，補償后輪廓誤差約為4.58 μm（減少63.4%）。結果表明經典的多領域建模與人工智能典型的神經網絡模型相融合的混合建模方法，可以提升機床進給系統的運動控制精度。

圖14.（a）圓指令輪廓、補償前實際輪廓及補償后實際輪廓；（b）圓輪廓誤差（紅色）及補償后輪廓誤差（藍色）。

5. 總結與展望

本文對新一代人工智能技術在數控機床上的融合與應用進行了探索，分析了機床從數控機床，經“互聯網+”機床，走向“智能+”機床的發展趨勢。研究了利用大數據和人工智能技術實現自主感知與連接、自主學習與建模、自主優化與決策及自主控制與執行的“賦能”原理，揭示了機床智能化的本質在于它可以在生產服役過程中自動生成知識、積累知識并運用知識以實現優質、高效、可靠、安全、低耗的目標。為實現給數控機床賦予智能，本文提出了指令域分析方法、混合型數字孿生模型和雙碼聯控三項智能化使能技術，設計開發了INC數控系統工程樣機，研制了三臺智能機床。在這三臺智能機床上開展了三項應用驗證，結果表明，文中提出的三項智能化使能技術具有較好可行性及先進性，它們可顯著改善曲面加工表面品質（在曲面特征處過渡平滑）、提高加工效率（提升27.8%）、減少進給系統輪廓誤差（減少63.4%）。

本文當前的研究工作，是對智能機床的初步探索。未來值得進一步深入研究的內容有：從加工過程積累數據中獲取適用于機器學習建模的有效樣本（正樣本和負樣本）的方法，智能機床共享、共用、共智的平臺技術；以及與機床行業需求融合的人工智能技術在生產實踐中的應用技術。

致謝

特別感謝中國工程院周濟院士對本文的指導。本文在國家自然科學基金項目（51675204和51575210）和國家科技重大專項04專項課題（2018ZX04035002-002）的支持下完成。

Compliance with ethics guidelines

Jihong Chen, Pengcheng Hu, Huicheng Zhou, Jianzhong Yang, Jiejun Xie, Yakun Jiang, Zhiqiang Gao, and Chenglei Zhang declare that they have no conflict of interest or financial conflicts to disclose.