CN108416444B - 用于切削数据库的方法及相应装置 - Google Patents

Abstract

本发明提供了一种用于切削数据库的方法。该方法包括：获取与数控设备的加工有关的数据集，其中，所述数据集包括切削数据和对应的性能参数；根据性能参数确定所述切削数据的加工效果是否满足预定条件；以及如果所述切削数据的加工效果满足预定条件，则将所述切削数据存储到切削数据库中。本发明还提供了一种用于切削数据库的装置以及一种计算机存储介质。

Description

用于切削数据库的方法及相应装置

技术领域

本发明总体上涉及智能制造领域，更具体地涉及用于切削数据库的方法及实现这种方法的相应装置。

背景技术

切削数据是衡量切削技术水平高低的一个基本量值，好的切削数据对于充分利用制造资源、完成加工需求、提高企业经济效益有极为重要的意义。切削数据库技术在这个过程中发挥着重要作用，其可以为机械制造业提供合理和优化的切削数据，以提高加工精度、表面质量和加工效率。国际生产工程学会通过对世界上百分之五十以上的切削数据库使用后的情况进行了研究统计，并得出了结论：对金属切削数据库进行的研究将会大大地提高实际生产效率，拥有金属切削数据库会给企业带来非常惊人的经济效益，而且应用金属切削数据库可降低百分之十以上的加工成本。

切削数据库技术一直是国内外数控制造领域发展的重点之一。现有的很多切削数据库都具备有大量的切削试验资料，如美国的金属切削数据库CUTDATA，德国的金属切削数据库INFOS，日本的TRI系统，中国的NAIMDS等。CUTDATA能为22种加工方式、12种刀具材料以及超过3750种工件材料提供切削信息，INFOS存储的材料可加工性信息高达二百多万个单数据。

现有切削数据库都是研究者根据大量的切削实验或生产实践累积形成的，但是工业数据的来源极为广泛，单单从刀具信息上来说：一方面，不同的生产厂家生产的刀刃、刀体具有很大的差异；另一方面，在实际的生产过程中往往需要采用一些非标准刀具，那么现有切削数据库可能就无法在这种特例工况下得到适用，其终究无法满足所有不定性的加工需求。同时，现有切削数据库高度依赖人工干预，虽然现阶段人工智能方法在切削数据库中得到了初步引用，但目前的智能化程度不高，在实际加工中仍需要大量的人工决策。

发明内容

为了解决上述问题，本发明提出了一种自动补充和丰富切削数据库的机制。该机制可以根据数控设备的加工特征自动形成切削数据库，并在加工过程中对切削数据库进行优化。这能够解决现有技术中切削数据库的形成与完善依赖大量人工决策的问题，同时也能够解决由于各种不定性的加工需求而导致切削数据库无法适用的问题。

根据本发明的第一方面，提供了一种用于切削数据库的方法。该方法包括：获取与数控设备的加工有关的数据集，其中，所述数据集包括切削数据和对应的性能参数；根据性能参数确定所述切削数据的加工效果是否满足预定条件；以及如果所述切削数据的加工效果满足预定条件，则将所述切削数据存储到切削数据库中。

在一个实施例中，根据性能参数确定所述切削数据的加工效果是否满足预定条件包括：将所述数据集输入到机器学习模型中，其中，所述机器学习模型被训练为：根据性能参数来判断切削数据的加工效果是否满足预定条件；以及根据所述机器学习模型的输出确定所述切削数据的加工效果是否满足预定条件。

在一个实施例中，该方法还包括：给机器学习模型输入预定数量的训练数据集，以使得机器学习模型学习性能参数与加工效果之间的关系，每一个训练数据集包括与数控设备的预定加工有关的切削数据、性能参数和对应的加工效果。

在一个实施例中，该方法还包括：基于一个或多个其他切削数据库来训练所述机器学习模型。

在一个实施例中，根据性能参数确定所述切削数据的加工效果是否满足预定条件包括：判断性能参数是否处于预定数值范围内，其中，性能参数处于预定数值范围之内指示所述切削数据的加工效果满足预定条件；以及根据判断结果来确定所述切削数据的加工效果是否满足预定条件。

在一个实施例中，获取与数控设备的加工有关的数据集包括：从不同的数据源采集与数控设备的加工有关的异构数据；将采集的异构数据转换为统一数据格式；根据数据特征提供匹配的数据识别、提取与分析方案；以及根据匹配的数据识别、提取与分析方案对数据进行分析处理，以获取所述与数控设备的加工有关的数据集。

在一个实施例中，获取与数控设备的加工有关的数据集包括：接收关于性能参数的类型的配置；以及获取配置中的特定类型的性能参数。

在一个实施例中，所述切削数据库包括根据加工类型垂直拆分的一个或多个子切削数据库，将所述切削数据存储到切削数据库中包括：根据所述一个或多个子切削数据库的加工类型对所述切削数据中的数据项进行检索，以确定所述切削数据对应的子切削数据库的类型；以及如果所述一个或多个子切削数据库包含所确定的子切削数据库的类型对应的子切削数据库，则将所述切削数据存储到所确定的子切削数据库的类型对应的子切削数据库中。

在一个实施例中，将所述切削数据存储到切削数据库中还包括：如果所述一个或多个子切削数据库不包含所确定的子切削数据库的类型对应的子切削数据库，则在所述切削数据库中创建所确定的子切削数据库的类型对应的子切削数据库；以及将所述切削数据存储到所创建的子切削数据库中。

在一个实施例中，将所述切削数据存储到切削数据库中包括：如果所述切削数据包含切削数据库先前不具有的数据项，则根据所述切削数据在切削数据库中创建切削数据库先前不具有的数据项。

在一个实施例中，将所述切削数据存储到切削数据库中是在所述切削数据包括切削数据库所需的全部必要信息的情况下执行的。

在一个实施例中，所述性能参数包括电控数据。

在一个实施例中，所述电控数据包括以下至少一项：主轴振动数据；进给轴振动数据；主轴位置数据；进给轴位置数据；主轴电流/电压/功率数据；以及进给轴电流/电压/功率数据。

在一个实施例中，所述切削数据包括以下至少一项：工件材料；刀具材料；刀具硬度；刀具类型；切削深度；以及进给速度。

根据本发明的第二方面，提供了一种用于切削数据库的装置。该装置包括：获取单元，被配置为获取与数控设备的加工有关的数据集，其中，所述数据集包括切削数据和对应的性能参数；确定单元，被配置为根据性能参数确定所述切削数据的加工效果是否满足预定条件；以及存储单元，被配置为如果所述切削数据的加工效果满足预定条件，则将所述切削数据存储到切削数据库中。

在一个实施例中，所述确定单元被配置为：将所述数据集输入到机器学习模型中，其中，所述机器学习模型被训练为：根据性能参数来判断切削数据的加工效果是否满足预定条件；以及根据所述机器学习模型的输出确定所述切削数据的加工效果是否满足预定条件。

在一个实施例中，该装置还包括：第一训练单元，被配置为给机器学习模型输入预定数量的训练数据集，以使得机器学习模型学习性能参数与加工效果之间的关系，每一个训练数据集包括与数控设备的预定加工有关的切削数据、性能参数和对应的加工效果。

在一个实施例中，该装置还包括：第二训练单元，被配置为基于一个或多个其他切削数据库来训练所述机器学习模型。

在一个实施例中，所述确定单元被配置为：判断性能参数是否处于预定数值范围内，其中，性能参数处于预定数值范围之内指示所述切削数据的加工效果满足预定条件；以及根据判断结果来确定所述切削数据的加工效果是否满足预定条件。

在一个实施例中，所述获取单元被配置为：从不同的数据源采集与数控设备的加工有关的异构数据；将采集的异构数据转换为统一数据格式；根据数据特征提供匹配的数据识别、提取与分析方案；以及根据匹配的数据识别、提取与分析方案对数据进行分析处理，以获取所述与数控设备的加工有关的数据集。

在一个实施例中，所述获取单元还被配置为：接收关于性能参数的类型的配置；以及获取配置中的特定类型的性能参数。

在一个实施例中，所述切削数据库包括根据加工类型垂直拆分的一个或多个子切削数据库，所述存储单元被配置为：根据所述一个或多个子切削数据库的加工类型对所述切削数据中的数据项进行检索，以确定所述切削数据对应的子切削数据库的类型；以及如果所述一个或多个子切削数据库包含所确定的子切削数据库的类型对应的子切削数据库，则将所述切削数据存储到所确定的子切削数据库的类型对应的子切削数据库中。

在一个实施例中，所述存储单元还被配置为：如果所述一个或多个子切削数据库不包含所确定的子切削数据库的类型对应的子切削数据库，则在所述切削数据库中创建所确定的子切削数据库的类型对应的子切削数据库；以及将所述切削数据存储到所创建的子切削数据库中。

在一个实施例中，所述存储单元还被配置为：如果所述切削数据包含切削数据库先前不具有的数据项，则根据所述切削数据在切削数据库中创建切削数据库先前不具有的数据项。

在一个实施例中，所述存储单元被配置为：在所述切削数据包括切削数据库所需的全部必要信息的情况下，将所述切削数据存储到切削数据库。

在一个实施例中，所述性能参数包括电控数据。

在一个实施例中，所述电控数据包括以下至少一项：主轴振动数据；进给轴振动数据；主轴位置数据；进给轴位置数据；主轴电流/电压/功率数据；以及进给轴电流/电压/功率数据。

在一个实施例中，所述切削数据包括以下至少一项：工件材料；刀具材料；刀具硬度；刀具类型；切削深度；以及进给速度。

根据本发明的第三方面，提供了一种用于切削数据库的装置。该装置包括：通信接口；至少一个处理器；以及存储器，所述存储器存储所述至少一个处理器可执行的指令，所述指令在被所述至少一个处理器执行时使得所述装置执行根据本发明的第一方面所述的方法。

根据本发明的第四方面，提供了一种计算机存储介质。该计算机存储介质存储有计算机可执行指令，所述计算机可执行指令在被用于切削数据库的装置的至少一个处理器执行时，使得所述装置执行根据本发明的第一方面所述的方法。

根据本发明的上述技术方案，本发明利用电控数据等性能参数能够反映工件的加工质量与加工效率等加工效果的特性，根据性能参数来确定对应的切削数据是否合理，并由此将合理的切削数据存储到切削数据库中。例如，本发明通过机器学习来学习切削过程中形成的大量数据，以此为基础来获得加工效果满足预定条件的切削数据以形成切削数据库。由此，解决了现有切削数据库技术中存在的智能化程度低、过于依赖人工决策、不能覆盖实际生产中千变万化的加工需求等问题。

附图说明

通过下面结合附图说明本发明的优选实施例，将使本发明的上述及其它目标、特征和优点更加清楚，其中：

图1示出了根据本发明实施例的数控设备控制系统100的应用场景的示意图。

图2示出了根据本发明实施例的数控设备控制系统100的示例操作200的时序图。

图3示出了根据本发明实施例的用于切削数据库的方法300的示意性流程图。

图4示出了根据本发明实施例的步骤S310的一个示例实现。

图5示出了根据本发明实施例的步骤S310的另一示例实现。

图6示出了根据本发明实施例的步骤S320的一个示例实现。

图7示出了根据本发明实施例的步骤S320的另一示例实现。

图8示出了根据本发明实施例的一个示例子切削数据库。

图9示出了根据本发明实施例的切削数据库维护模块123维护切削数据库122的4种方式。

图10示出了根据本发明实施例的步骤S330的一个示例实现。

图11示出了根据本发明实施例的步骤S330的一个示例实现。

图12示出了根据本发明实施例的在切削数据库122中存储切削数据的示例流程图。

图13示出了根据本发明实施例的步骤S1270的更新一般信息数据项内容的示例流程图。

图14示出了根据本发明实施例的步骤S1280的新增数据记录的示例流程图。

图15示出了根据本发明实施例的切削数据库维护模块123向切削数据库122存储切削数据集的示例流程1500的图示。

图16示出了根据本发明实施例的框1520的数据处理的示例流程图。

图17示出了根据本发明实施例的框1530的数据集完备性检查的示例流程图。

图18是示出了根据本发明实施例的用于切削数据库的装置1800的结构框图。

图19是示出了根据本发明实施例的用于切削数据库的装置1900的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”到另一元件时，它可以直接连接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”可以包括无线连接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

如上所述，建立切削数据库以向机械制造商提供合理或优化的切削参数能够有效降低生产成本，提高零件加工质量和生产效率，增强企业核心竞争力。但是，现有切削数据库的数据来源于大量的切削实验或人为生产实践，而由工厂实践、切削试验、仿真等手段得到的切削数据一般都是在局部的、离散的条件下取得的，并不能覆盖实际生产中千变万化的加工需求，而且不同的切削方式、刀具材料、工件材料都需要不同的切削参数与之匹配。例如，实际生产中想要用高速钢刀具铣削中碳钢，不同的中碳钢硬度和切削深度，所需合理的推荐切削数据也不尽相同，因此，现有切削数据库在实际生产制造领域不具备普遍适用性。此外，机械制造厂商使用的切削数据库一般由数控系统厂商提供，也就是说，机械制造厂商没有改进切削数据库的权限，其一旦有数据库进化的需求(如需要增加存储新的数据类型)，机械制造厂商需要将需求和切削信息提供给数控系统厂商，由数控厂商人为地改进数据库。这一方面需要花费大量的时间，影响车间的正常产出，另一方面，机械制造厂商可能需要向数控系统厂商支付一定的费用，从而导致加工成本增高。此外，现有切削数据库的形成与进化几乎全部依赖人工决策，智能化程度低。

鉴于此，本发明提出了一种自动补充和丰富切削数据库的机制，以克服上述现有切削数据库技术智能化程度低、适用性受限的问题。具体地，该机制能够根据实际加工过程来自主选择要存储到切削数据库中的切削数据，用于后续的更多样化的生产加工。应理解，该机制不仅可以应用于数控机床，也可以用于其他的智能制造设备，例如机器人等。以下为了描述方便，以数控机床为例进行说明，但本发明并不局限于数控机床。

本文中的切削数据库可以涉及切削方式、工件信息、工装夹具信息、刀具材料及其几何参数与结构、切削用量信息、切削液信息和机床型号及其性能参数等许多因素。例如，该切削数据库可以根据实际加工条件，在不同的切削深度-进给量的组合下，推荐不同寿命刀具下的切削速度。

图1示出了根据本发明实施例的数控设备控制系统100的应用场景的示意图。

如图1所示，该数控设备控制系统100包括数控设备110、云端服务器120和终端设备130。数控设备110与云端服务器120通过网络连接进行数据交互，网络连接包括但不限于：有线网络、无线网络、蓝牙、射频等。终端设备130由操作人员等用户操作，包括但不限于：PC机、平板电脑、手机等。终端设备130与云端服务器120的连接方式包括但不限于：有线/无线网络、蓝牙、移动网络等。

数控设备110是提供加工数据的终端设备。数控设备110可以是如图1所示的普通数控机床、机器人、加工中心等任意制造装备及其相应的数控系统(未示出)。数控设备在启动一个加工过程之前，需要设定加工方式或切削方式(如车、铣、刨、磨、钻、镗、插等)、工件材料(如非金属、金属及其合金等)、刀具材料(如金刚石、PCBN、陶瓷、硬质合金、高速钢等)及其几何参数与结构等信息，并且在设定的上述信息下，数控设备在加工过程中使用特定的切削参数(如切削深度、线速度、进给速度、主轴转速等)会产生特定的过程数据，如测试物理信息(如现场传感器测试得到的力、热、振动等数据)、数控系统数据(如G代码、电流、电压、轴位置等数据)等。这些数据正是本发明所提出的切削数据库自主创建、优化和进化的重要依据。在下文中，将已经存储在切削数据库中以及要存储到切削数据库中的数据统称为切削数据。例如，切削数据可以包括切削深度、进给速度、主轴转速之类的切削参数，还可以包括对应的机床型号、刀具几何信息、工件材料等。

云端服务器120可以采集与数控设备110有关的数据，并利用采集到的数据来自主创建和维护切削数据库。这里的“维护”指的是自主补充和丰富切削数据库，包括向切削数据库存储新数据项信息，也包括用新数据项信息更新或填充切削数据库中的已有数据项信息。这里的数据项信息包括例如切削速度、切削深度等切削参数，还包括例如机床型号、刀具材料、工件材料等其它切削数据信息。

具体地，云端服务器120可以包括数据采集模块121、切削数据库122、切削数据库维护模块123以及切削数据输出模块124。需要说明的是，图1只是示出了本发明其中一种可能的功能模块类型及其组合方式，本发明不限于图1所示的结构，任何组合方式的改变、类似功能模块的等同替换或功能模块的性能延伸均落入本发明的保护范围之内。

数据采集模块121用于采集与数控设备110有关的数据。在实际生产加工过程中，某些切削数据库所需的数据项信息(例如，工件材料)无法通过传感设备自动进行感知，即，无法由云端服务器120自动采集到。在数控设备启动一段加工过程之前，数据采集模块121可以先向数控设备的操作人员(以下简称“操作人员”)请求上述数据项信息。这里，将云端服务器120无法自动采集到的数据项信息称为“预设数据”。请求方式可以包括但不限于：人机交互窗口、音频识别、二维码扫描等，请求手段可以包括但不限于：数控机床人机交互界面、二维码扫描器、移动终端、普通电脑等输入终端，请求的数据项信息(即，“预设数据”)可以包括但不限于：工件材料、刀具材料、切削方式、刀具牌号、刀具硬度等。在请求之后，数据采集模块121可以获取上述预设数据。预设数据可以包括必须要提供的数据项，例如工件材料、刀具材料、刀具硬度等，也可以包括允许用户自行添加和/或删除的其它数据项。数据采集模块121也可以记录用户对于某项数据库的添加和/或删除等操作，并将其用于在下一个加工过程中请求预设数据。

数据采集模块121还可以采集数控设备的基本信息，包括但不限于：机床型号与性能参数、刀具信息、G代码程序信息等，这部分数据可以统称为“基本数据”。例如，数据采集模块121可以从G代码信息中解析出实时切削深度、进给速度、换刀信息、切削液信息等切削数据，这些可从G代码获取的数据也归类为基本数据。

数控设备在生产过程中还可能产生其它各种各样的测试物理信息、数控系统数据等实时信息，例如主轴振动数据/进给轴振动数据、轴位置(主轴位置数据/进给轴位置数据)、主轴电流/电压/功率数据、进给轴电流/电压/功率数据等，本发明将这部分数据称为“电控数据”。也就是说，数据采集模块121可以从数控设备110中采集预设数据、基本数据以及电控数据。例如，如上所述，由于云端服务器120无法自动采集到预设数据，所以数据采集模块121可以通过请求方式采集与数控设备110有关的预设数据。

不同的加工条件(如不同型号的机床、不同类型的加工材料、不同的切削方式、不同的刀具结构等)有不同的切削参数需求，加工过程可提供的实际电控数据类型也不相同。鉴于此，数据采集模块121可以具备电控数据采集类型可配置的功能。例如，数据采集模块121可以允许机械制造厂商根据实际加工需求配置特定的电控数据采集类型，或者也可以自动采集所连接的数控设备可提供的所有电控数据类型。具体地，数据采集模块121可以向数控设备请求预设的所有类型的电控数据，如果在一定周期内没有收到某类电控数据的应答，则将其从采集对象中自动移除，直至采集对象中的所有电控数据均可被正常采集。

数据采集模块121还可以具备异构数据的采集与转换能力，例如从能够解决数控设备异构性和通讯协议异构性(如OPC-UA、MT-Connect等)以及数据结构异构性的技术难点。数据采集模块121还可以自动匹配数控设备的数据采集协议，并将采集到的异构数据进行统一数据结构转换后传送至切削数据库维护模块123。

切削数据库122用于存储切削数据。在本文中，切削数据可以包括必要信息和一般信息等。必要信息是切削数据库122的重要支撑数据，包括但并不限于：工件材料、刀具材料、刀具类型、刀具硬度、切削深度、进给速度等，缺少必要信息中的任意一项数据项，则该条数据记录无效。一般信息可以是空值的数据项，可以为系统更多功能的实现提供数据支撑。当然，信息越完备的数据记录，数据价值就越高，可以为操作人员提供更为详细的切削数据信息。

切削数据库维护模块123用于根据数控设备的实际生产过程来维护切削数据库122。在不同预设数据和基本数据的设定值下，对应的加工过程会产生不同的包括电控数据之类的性能参数。性能参数一方面可以反映出工件的加工质量与加工效率，另一方面也反射出操作人员设置的切削参数是否合理。例如，如果某一段加工振动信号的波动较大，则可以认为对应的切削参数设置不合理，从而导致较差的加工效果(或加工质量低)。鉴于此，切削数据库维护模块123根据采集到的诸如电控数据之类的性能参数来确定对应的切削数据的加工效果，并根据加工效果来确定切削参数是否合理可用，从而确定是否要根据该切削数据(包含对应的切削参数)来维护切削数据库122，例如将切削数据存储到切削数据库122中以对其进行补充和丰富。也就是说，本发明根据性能参数评估加工效果，以此来判断对应的切削参数是否可用，如果可用，则将切削参数及其对应的机床型号、刀具信息、工件信息等数据进行关联打包，形成一组切削数据用于维护切削数据库122。

例如，如果切削数据库维护模块123能够确定某一段加工过程的各类电控数据值均在合理范围内，则切削数据库维护模块123可以从对应的预设数据、基本数据、电控数据和/或G代码等信息中形成一个“切削数据集”，以用于补充和丰富切削数据库122。

切削数据输出模块124用于提供操作人员针对切削数据库122的查询接口，以向操作人员推荐合适的切削数据。在一个示例中，切削数据输出模块124可以提供用户可视化访问窗口，数控设备110和/或终端设备130的操作人员可以通过该用户可视化访问窗口登录至切削数据库122，按照数据库索引进行人工检索。此外，操作人员还可以经由该用户可视化访问窗口对切削数据库122进行数据查询、添加、修改、删除等数据库管理操作，从而可以兼容传统的切削数据库建立方式，允许操作人员根据文献手册、生产实际、优化试验、专家经验等数据对切削数据库122进行记录写入及内容更新等操作。为保证在用户可视化访问窗口下的数据安全，切削数据库维护模块123还可以为切削数据库122提供访问授权机制，具体针对不同等级的操作人员设立不同的数据库访问权限，每个等级的操作人员只能在被限定的数据集合上执行被允许的操作，切削数据库维护模块123可以记录对切削数据库122的每一次访问操作，以此防止切削数据库122被非法访问与破坏。

在另一个示例中，切削数据输出模块124可以接收操作人员提供的必要信息数据项(例如经由自动访问接口)，根据必要信息进行自动检索，并将结果反馈给数控设备110和/或终端设备130。

如上所述，本发明是利用云计算技术形成云计算平台(即，云端服务器120)，在云端服务器120实现切削数据采集、切削数据库维护和输出等。这样，数控设备110可以在不增加自身软硬件资源负担的前提下，从云端服务器120获取切削数据和/或数据库服务。当然，本发明并不局限于在云端服务器120上实现切削数据采集、切削数据库维护和输出等操作，这些操作也可以在云端以外的任意位置实现。

图2示出了根据本发明实施例的数控设备控制系统100的示例操作200的时序图。

如图2所示，在流程210，云端服务器120与数控设备110进行有关数据的交互。具体地，云端服务器120的数据采集模块121可以向数控设备110发送数据采集请求，以采集预设数据、基本数据以及电控数据等。数控设备110响应于接收到的请求而向数据采集模块121发送对应的数据。

在流程220，云端服务器120对采集的数据进行分析处理。例如，由于采集的数据可能是来自不同数据源的异构数据，所以云端服务器120的切削数据库维护模块123可以将采集到的数据转换为统一数据格式，根据数据特征提供匹配的数据识别、提取与分析方案，以及根据匹配的数据识别、提取与分析方案对数据进行分析处理。

在流程230，云端服务器120根据分析处理得到的数据中的性能参数确定对应的切削数据的加工效果是否满足预定条件。例如，如果某一段加工的性能参数为振动信号，并且振动信号的波动较小(例如在某个预定波动范围以内)，则云端服务器120的切削数据库维护模块123确定对应的切削数据的加工效果较好，该切削数据的设置是合理的。

在流程240，云端服务器120将加工效果满足预定条件的切削数据存储到切削数据库122中。例如，云端服务器120的切削数据库维护模块123将切削数据存储到切削数据库122中。

在流程250，云端服务器120与终端设备130进行关于切削数据库122中的切削数据的交互。例如，终端设备130的操作人员可以通过云端服务器120的切削数据输出模块124所提供的用户可视化访问窗口对切削数据库122进行数据查询、添加、修改、删除等操作。尽管图2将流程250描绘在流程210-240之后，然而应理解，本发明不局限于这样的顺序，流程250也可以发生在流程210-240之前。

图3示出了根据本发明实施例的用于切削数据库的方法300的示意性流程图。例如，方法300可以由图1的云端服务器120来执行，用于自动补充和丰富如图1所示的切削数据库122，下面以此为例进行描述，然而应理解本发明不限于此。例如，方法300也可以实现在数控系统(CNC)或者云端服务器120以外的其他网络位置。方法300可以包括步骤S310-S350，其中步骤S340和S350均是可选的。

在步骤S310，云端服务器120获取与数控设备的加工有关的数据集，该数据集包括切削数据和对应的性能参数等。例如，云端服务器120可以通过数据采集模块121从数控设备110中采集预设数据、基本数据以及电控数据等，以作为该数据集。例如，切削数据可以包括以下至少一项：工件材料；刀具材料；刀具类型；刀具硬度；切削深度；以及进给速度等。性能参数可以是电控数据，例如包括以下至少一项：主轴振动数据/进给轴振动数据、轴位置(主轴位置数据/进给轴位置数据)、主轴电流/电压/功率数据、进给轴电流/电压/功率数据等。

图4示出了根据本发明实施例的步骤S310的一个示例实现。

如图4所示，在步骤S410，云端服务器120从不同的数据源采集与数控设备的加工有关的异构数据。

在步骤S420，云端服务器120将采集的异构数据转换为统一数据格式。

在步骤S430，云端服务器120根据数据特征提供匹配的数据识别、提取与分析方案。

在步骤S440，云端服务器120根据匹配的数据识别、提取与分析方案对数据进行分析处理，以获取与数控设备的加工有关的数据集。

图5示出了根据本发明实施例的步骤S310的另一示例实现。

如图5所示，在步骤S510，云端服务器120接收关于性能参数的类型的配置。

在步骤S520，云端服务器120获取配置中的特定类型的性能参数。

作为一个示例，云端服务器120的数据采集模块121可以接收机械制造厂商根据实际加工需求所配置的特定类型的性能参数。作为另一个示例，云端服务器120的数据采集模块121可以自动采集所连接的数控设备可提供的所有类型的性能参数。例如，数据采集模块121可以向数控设备请求预设的所有类型的性能参数(例如，电控数据)，如果在一定周期内没有收到某类性能参数的应答，则将其从采集对象中自动移除，直至采集对象中的所有性能参数均可被正常采集。

在步骤S320，云端服务器120根据性能参数确定切削数据的加工效果是否满足预定条件。

在步骤S330，如果切削数据的加工效果满足预定条件，则云端服务器120将切削数据存储到切削数据库中。

在步骤S340，如果切削数据的加工效果不满足预定条件，则云端服务器120将丢弃该切削数据。

图6示出了根据本发明实施例的步骤S320的一个示例实现。

如图6所示，在步骤S610，云端服务器120将数据集输入到机器学习模型中。该机器学习模型被训练为：根据性能参数来判断切削数据的加工效果是否满足预定条件。

在步骤S620，云端服务器120根据机器学习模型的输出确定切削数据的加工效果是否满足预定条件。

在这个示例实现中，方法300还可以包括步骤S350。步骤S350可以在步骤S310之前执行。

在步骤S350，云端服务器120给机器学习模型输入预定数量的训练数据集，以使得机器学习模型学习性能参数与加工效果之间的关系，即，对机器学习模型进行训练。每一个训练数据集包括与数控设备的预定加工有关的切削数据、性能参数和对应的加工效果等。

具体地，云端服务器120的切削数据库维护模块123可以预先根据数控设备在切削过程中形成的大量数据(例如，基本数据、电控数据等信息)来训练机器学习模型学习什么样的预设数据和/或基本数据将导致较好的加工效果(例如，加工振动信号波动较小)以及什么样的预设数据和/或基本数据将导致较差的加工效果(例如，加工振动信号波动较大)。由此，切削数据库维护模块123可以根据训练好的机器学习模型来确定数据采集模块121所采集的预设数据和/基本数据中哪些切削数据的加工效果较好，随后将这些切削数据存储到切削数据库122中，以供后续可以推荐给操作人员或其他用户。

备选地，方法300还可以包括步骤S360。步骤S360也可以在步骤S310之前执行，并且可以独立执行或者与步骤S350一起执行。

在步骤S360，切削数据库维护模块123基于一个或多个其他切削数据库来训练所述机器学习模型。也就是说，可以在多个切削数据库之间互相学习，以分别补充和丰富各个切削数据库自身的存储内容。例如，切削数据库维护模块123可以在用于铝合金类加工的切削数据库与用于钢类加工的切削数据库之间互相学习，从而实现自身向另一类工件材料加工提供切削数据服务的目的。切削数据库维护模块123还可以将学习过程形成日志报表提供给操作人员。

图7示出了根据本发明实施例的步骤S320的另一示例实现。

如图7所示，在步骤S710，云端服务器120判断性能参数是否处于预定数值范围内。性能参数处于预定数值范围之内指示所述切削数据的加工效果满足预定条件。

在步骤S720，云端服务器120根据判断结果来确定所述切削数据的加工效果是否满足预定条件。

具体地，云端服务器120的切削数据库维护模块123可以对电控数据进行分析。如果检测到某一段加工过程的各类电控数据值均在合理范围内波动，则可以确定加工效果满足预定条件。

在一个实现方式中，切削数据库122可以包括根据加工类型垂直拆分的一个或多个子切削数据库。具体地，云端服务器120可以针对不同加工类型创建不同的子切削数据库，分类方式可由用户指定，例如可以按照工件材料将切削数据库122拆分为加工铝件的子切削数据库、加工钢件的子切削数据库等等。例如，对于切削数据库的拆分，云端服务器120可以首先根据加工类型利用“垂直拆分”形成各个子切削数据库，然后定期查询各个子切削数据库中的数据量，如果某个子切削数据库的数据量达到设定的阈值，则利用“水平拆分”对对应的子切削数据库进行进一步拆分。这能够解决由单库数据量大而引起的数据操作效率低下的问题。此外，云端服务器120还可以为各个子切削数据库的访问建立高效的数据库索引，保证各个子切削数据库在补充和丰富切削数据库120、用户查询等进程中可以快速定位及响应。

切削数据库维护模块123可以根据步骤S320的确定结果来维护切削数据库122，例如对切削数据库122执行优化数据存储结构、丰富数据存储内容、多样化分库种类等操作，使切削数据库122与相应的数控设备的生产状况越来越匹配，并有能力为更多元的加工过程推荐切削数据。对切削数据库122的维护包括但不限于以下几个方面：1)创建新的子切削数据库；2)多样化子切削数据库的数据项信息种类；3)丰富子切削数据库已有数据记录的一般信息内容；4)在子切削数据库中添加新的数据记录等。

图8示出了根据本发明实施例的一个示例子切削数据库。如图8所示，数据项A、B、C对应的内容是必要信息，M、N对应的内容为一般信息，该子切削数据库中的每一行代表一个独立的数据记录。

图9示出了根据本发明实施例的切削数据库维护模块123维护切削数据库122的4种方式。应注意，图8和图9中示出的数据组合方式只用来说明数据关系，并不代表切削数据库122的数据存储结构，并且图中示出的切削数据库122的典型进化方式，只用作辅助说明而非限定。

需要说明的是，例如同一个子切削数据库中有数据记录1和数据记录2，如果这两条数据记录中的必要信息数据项对应的值完全一致，则对其进行合并；如果这两条数据记录中的必要信息数据项对应的值不完全一致，则认为这是两条不同的数据记录。因此，在维护切削数据库122的过程中，切削数据库维护模块123可以判断数据分析结果中的必要信息数据项值，以此来判断将数据直接写入或者对原有数据记录执行内容更新等。在加工过程中，如果切削数据库维护模块123获得的必要信息不完备，则可以向数据采集模块121请求增加对应信息的采集。如果切削数据库维护模块123在一定周期内未收到数据采集模块121的反馈，则可以向操作人员发出警告。

图10示出了根据本发明实施例的步骤S330的一个示例实现。

如图10所示，在步骤S1010，云端服务器120根据一个或多个子切削数据库的加工类型对切削数据中的数据项进行检索，以确定切削数据对应的子切削数据库的类型。

在步骤S1020，云端服务器120判断一个或多个子切削数据库中是否包含所确定的子切削数据库的类型对应的子切削数据库。

在步骤S1030，如果一个或多个子切削数据库包含所确定的子切削数据库的类型对应的子切削数据库，则云端服务器120将切削数据存储到所确定的子切削数据库的类型对应的子切削数据库中。

在步骤S1040，如果一个或多个子切削数据库不包含所确定的子切削数据库的类型对应的子切削数据库，则云端服务器120在切削数据库122中创建所确定的子切削数据库的类型对应的子切削数据库。

在步骤S1050，云端服务器120将切削数据存储到所创建的子切削数据库中。

图11示出了根据本发明实施例的步骤S330的一个示例实现。

如图11所示，在步骤S1110，如果切削数据包含切削数据库122先前不具有的数据项，则云端服务器120根据切削数据在切削数据库122中创建切削数据库先前不具有的数据项。

在一个实现方式中，步骤S330是在切削数据包括切削数据库所需的全部必要信息的情况下执行的。

图12示出了根据本发明实施例的在切削数据库122中存储切削数据的示例流程图。这里，假设切削数据库维护模块123已经生成了“切削数据集”(即，一组切削数据)。

如图12所示，在步骤S1210，切削数据库维护模块123根据切削数据库122垂直拆分的加工类型对切削数据中的数据项进行检索，确认该切削数据对应的子切削数据库的类型。

在步骤S1220，切削数据库维护模块123根据该类型子切削数据库所需的必要信息数据项监测该切削数据的必要信息是否完备。

如果不完备，则在步骤S1230，切削数据库维护模块123直接丢弃该切削数据，并等待下一个数据集传入。

如果完备，则在步骤S1240，切削数据库维护模块123从数据库索引中监测所需的子切削数据库是否存在。

如果不存在对应的子切削数据库，则在步骤S1250，切削数据库维护模块123在切削数据库122中创建临时子库，并更新数据库索引，此时的子库只设定了该类数据库对应的必要信息中的数据项，并没有任何数据记录写入。

如果存在对应的子切削数据库，则在步骤S1260，切削数据库维护模块123直接根据数据库索引信息进行定位，并检测当前类的所有子库中是否存在必要信息数据项值与该切削数据集中必要信息数据项值完全一致的数据记录。

如果存在一个子库存储有必要信息数据项值与该切削数据集的必要信息数据项值完全一致的数据记录，则在步骤S1270，切削数据库维护模块123进一步定位至对应的数据记录，并更新其一般信息数据项内容。

图13示出了根据本发明实施例的步骤S1270的更新一般信息数据项内容的示例流程图。

在步骤S1310，切削数据库维护模块123逐个提取该切削数据中的一般信息数据项，例如有一个特征数据项“A1＝a”。

在步骤S1320，切削数据库维护模块123判断当前数据记录中是否存在数据项A1。

如果数据项A1在当前数据记录中不存在，则在步骤S1330，切削数据库维护模块123在对应的子库中增加A1项，然后为当前数据记录的A1项设值为a，其它数据记录的A1项暂设为空值。

如果数据项A1在当前数据记录中存在，则在步骤S1340，切削数据库维护模块123用值a来替换原有A1项的值(空或非空)。

在步骤S1350，切削数据库维护模块123判断该数据项是否是一般信息中的最后一项。如果是，则步骤S1270的更新一般信息数据内容的流程结束。如果否，则流程从步骤S1310继续。

回到图12，如果当前类的所有子库中均不存在必要信息数据项值与该切削数据集的必要信息数据项值完全一致的数据记录，则在步骤S1280，切削数据库维护模块123在切削数据库122中新增数据记录。

图14示出了根据本发明实施例的步骤S1280的新增数据记录的示例流程图。

如图14所示，在步骤S1410，切削数据库维护模块123判断当前类只有一个子库。

如果当前类有不止一个子库，则在步骤S1420，切削数据库维护模块123对所有子库的数据量进行统计。

在步骤S1430，切削数据库维护模块123选择数据量最小的子库以进行新数据记录写入。

如果当前类只有一个子库，则流程进入步骤S1440，以进行新数据记录的写入操作。

在步骤S1440，切削数据库维护模块123将切削数据集中的必要信息数据项值写入子库，其它原有存在的一般信息数据项值暂保持空值。

在步骤S1450，切削数据库维护模块123逐个提取该切削数据集中的一般信息数据项，例如有一个特征数据项“A1＝a”。

在步骤S1460，切削数据库维护模块123判断当前数据记录中是否存在数据项A1。

如果数据项A1在当前数据记录中不存在，则在步骤S1470，切削数据库维护模块123在对应的子库中增加A1项，然后为当前数据记录的A1项设值为a，其它数据记录的A1项暂设为空值。

如果数据项A1在当前数据记录中存在，则在步骤S1480，切削数据库维护模块123直接将新增数据记录的数据项设值为a。

在步骤S1490，切削数据库维护模块123判断该数据项是否是一般信息中的最后一项。如果是，则步骤S1280的新增数据记录的流程结束。如果否，则流程从步骤S1450继续。

回到图12，在步骤S1290，切削数据库维护模块123输出切削数据库122的更新日志(也可称为进化日志)。在一个加工过程完毕之后，切削数据库维护模块123可以根据该加工过程中产生的进化日志，对对应的子库进行扫描，必要时进行冗余处理，例如可以包括但不限于：空子库删除、数据记录内容合并、非完备数据记录清洗、空数据项清理、子库间负载均衡等操作。

切削大数据具备“海量”的特质，传统的集中式管理无法满足海量数据的需求，而且在实际运作中，生产企业中的大部分数据是分散于各个部门的。本发明在切削数据库的存储系统上采用分布式技术，使数据在物理上分散存储和管理，在操作上保证集中统一性。这种设计赋予了切削数据库灵活管理、快速扩容、高可靠性及可用性、高响应速度等优势。

如步骤S1220所记载的，切削数据库维护模块123可以检测切削数据的必要信息的完备性。备选地，也可以在形成一组切削数据之前先检测必要信息的完备性，即，可以先检测从对应的预设数据、基本数据、电控数据和/或G代码等信息中获取的刀具参数、工件参数、切削参数等切削数据是否包含所有必要信息，再将包含所有必要信息的切削数据关联为一组切削数据。

为了检测切削数据集的必要信息的完备性，可以对数控设备的整个加工过程进行分段。切削数据库维护模块123允许由用户指定诸如切削深度、刀具类型、切削方式等作为标记数据，以用于对整个加工过程进行分段。在本文中，标记数据可以是预设数据、基本数据、电控数据中的一种或多种，也可以是从G代码解析出的信息等。例如，假设以切削深度作为标记数据，那么在每一段加工过程中，数控机床应保持同一切削深度值。如果检测到切削深度值发生变化，则视为进入下一段加工过程。每一段加工过程产生的电控数据可以称为“子电控数据集”。

不同的子电控数据集一般具备不同的数据特征。切削数据库维护模块123可以根据当前子电控数据集的数据特征确定合适的数据识别、提取与分析等方法。此外，同一子电控数据集不同阶段数据的数据特征的也会不一致，所以切削数据库维护模块123可以通过监测数据分析状态，以确定更合适的数据分析方法。

切削数据库维护模块123在对电控数据进行分析时，可以利用指令域技术手段，将电控数据与G代码进行关联。这样，一方面切削数据库维护模块123可以从G代码信息中监测标记数据的变化(当然，也不排除标记数据来自G代码信息设置以外)，另一方面同一个子电控数据集的各类数据以G代码为纽带形成一组切削数据。

图15示出了根据本发明实施例的切削数据库维护模块123向切削数据库122存储一组切削数据的示例流程1500的图示。在本示例中，假设切削数据库维护模块123在一组切削数据形成之后进行数据集完备性检查。

如图15所示，在框1510，切削数据库维护模块123获取与当前子电控数据集初始阶段数据特征匹配的数据识别、提取与分析等方案。例如，切削数据库维护模块123可以通过实时监测数据分析状态来不断提供更贴近的数据分析方法。

在框1520，切削数据库维护模块123根据所获取的数据识别、提取与分析等方案进行数据处理，以得到切削数据。

在框1530，切削数据库维护模块123对切削数据的完备性进行检查，以确定该组切削数据是否能够存储到切削数据库122中。

图16示出了根据本发明实施例的框1520的数据处理的示例流程图。本示例针对同一个加工过程(或加工段)所产生的一个子电控数据集，即，标记数据不发生变化。

在步骤S1610，切削数据库维护模块123对子电控数据集中的数据(如电流、轴位置、主轴振动、轴速度等)进行提取。

在步骤S1620，切削数据库维护模块123将所提取的每个类型的数据与G代码位置进行关联，并对其进行分析。

在步骤S1630，切削数据库维护模块123检测所有类型的数据的值是否都在合理范围内波动。

如果出现某一类型或多种类型的数据值出现大幅度波动，则在步骤S1640，切削数据库维护模块123丢弃当前子电控数据集的当前阶段数据的分析结果。

如果所有类型的数据值均在合理范围内波动，则在步骤S1650，切削数据库维护模块123在执行当前子电控数据集的下一阶段数据分析的同时，根据当前数据分析结果，对对应的加工过程进行评测。评测标准可以由用户设定，包括但不限于：加工质量、加工效率等加工效果。

在步骤S1660，切削数据库维护模块123判断评测结果是否达到用户设定的标准。

如果达不到用户设定的标准，则前进到步骤S1640，即，丢弃当前数据。

如果达到了用户设定的标准，则在步骤S1670，切削数据库维护模块123执行特征数据提取、关联等操作，以形成一组“切削数据”。

图17示出了根据本发明实施例的框1530的数据集完备性检查的示例流程图。

如图17所示，在步骤S1710，切削数据库维护模块123根据数据库垂直拆分所依据的加工类型检索数据采集模块121所获取的预设数据、基本数据、电控数据等信息，确定切削数据对应的数据库类型。

在步骤S1720，切削数据库维护模块123根据确定的数据库类型所需的必要信息，检测切削数据中的必要信息数据项是否完备。

如果必要信息不完备，则在步骤S1730，切削数据库维护模块123丢弃该数据集。

如果必要信息完备，则在步骤S1740，切削数据库维护模块123将该数据集以及对应的数据库类型信息存储到切削数据库122。

利用方法300，本发明以切削过程中形成的大量数据为基础，结合云端资源，实现海量、异构、多源工业数据的数据转换融合，并搭建分布式切削数据库，重点实现了将高价值密度的电控数据作为工业大数据的重要来源对切削数据库进行自主补充与丰富。

图18是示出了根据本发明实施例的用于切削数据库的装置1800的结构框图。例如，装置1800既可以实现在图1的云端服务器120或数控系统(CNC)上，也可以执行方法300。如图18所示，装置1800包括获取单元1810、确定单元1820、存储单元1830、第一训练单元1840和第二训练单元1850，其中第一训练单元1840和第二训练单元1850是可选的。

获取单元1810被配置为获取与数控设备的加工有关的数据集。该数据集包括切削数据和对应的性能参数等。例如，获取单元1810可以实现为图1所示的数据采集模块121，用于从数控设备110中采集预设数据、基本数据以及电控数据等，以作为该数据集。例如，切削数据可以包括以下至少一项：工件材料；刀具材料；刀具类型；刀具硬度；切削深度；以及进给速度等。性能参数可以是电控数据，例如包括以下至少一项：主轴振动数据/进给轴振动数据、轴位置(主轴位置数据/进给轴位置数据)、主轴电流/电压/功率数据、进给轴电流/电压/功率数据等。

确定单元1820被配置为根据性能参数确定切削数据的加工效果是否满足预定条件。

存储单元1830被配置为：如果切削数据的加工效果满足预定条件，则将该切削数据存储到切削数据库中。

在一个实现方式中，确定单元1820被配置为：将数据集输入到机器学习模型中。该机器学习模型被训练为：根据性能参数来判断切削数据的加工效果是否满足预定条件；以及根据机器学习模型的输出确定切削数据的加工效果是否满足预定条件。

作为本实现方式的一个示例，第一训练单元1840被配置为给机器学习模型输入预定数量的训练数据集，以使得机器学习模型学习性能参数与加工效果之间的关系。每一个训练数据集包括与数控设备的预定加工有关的切削数据、性能参数和对应的加工效果等。

作为本实现方式的另一示例，第二训练单元1850被配置为基于一个或多个其他切削数据库来训练该机器学习模型。

在一个实现方式中，确定单元1820被配置为：判断性能参数是否处于预定数值范围内，其中，性能参数处于预定数值范围之内指示切削数据的加工效果满足预定条件；以及根据判断结果来确定切削数据的加工效果是否满足预定条件。

在一个实现方式中，获取单元1810被配置为：从不同的数据源采集与数控设备的加工有关的异构数据；将采集的异构数据转换为统一数据格式；根据数据特征提供匹配的数据识别、提取与分析方案；以及根据匹配的数据识别、提取与分析方案对数据进行分析处理，以获取所述与数控设备的加工有关的数据集。

在一个实现方式中，获取单元1810还被配置为：接收关于性能参数的类型的配置；以及获取配置中的特定类型的性能参数。

在一个实现方式中，切削数据库包括根据加工类型垂直拆分的一个或多个子切削数据库。在这种情况下，存储单元1830被配置为：根据一个或多个子切削数据库的加工类型对切削数据中的数据项进行检索，以确定切削数据对应的子切削数据库的类型；以及如果一个或多个子切削数据库包含所确定的子切削数据库的类型对应的子切削数据库，则将切削数据存储到所确定的子切削数据库的类型对应的子切削数据库中。

在一个实现方式中，存储单元1830还被配置为：如果一个或多个子切削数据库不包含所确定的子切削数据库的类型对应的子切削数据库，则在切削数据库中创建所确定的子切削数据库的类型对应的子切削数据库；以及将切削数据存储到所创建的子切削数据库中。

在一个实现方式中，存储单元1830还被配置为：如果切削数据包含切削数据库先前不具有的数据项，则根据切削数据在切削数据库中创建切削数据库先前不具有的数据项。

在一个实现方式中，存储单元1830被配置为：在切削数据包括切削数据库所需的全部必要信息的情况下，将切削数据存储到切削数据库。

上述各个单元可以在物理上分立实现，也可以结合在一起实现。例如，确定单元1820和存储单元1830可以结合在一起作为切削数据库维护模块120，例如由单个处理器来实现。

图19是示出了根据本发明实施例的用于切削数据库的装置1900的结构框图。例如，装置1900可以是云端服务器120或数控系统(未示出)的一部分。装置1900既可以实现在图1的云端服务器120上，也可以执行方法300。

如图19所示，装置1900包括：通信接口1910、处理器1920(例如CPU)和存储器1930。为了便于说明，图19中示意性地示出了一个处理器。然而，本领域技术人员应理解装置1900也可以包括两个或多个处理器。

通信接口1910用于与外部通信。例如通信接口1910可以是Ethernet(以太网，注册商标)接口。装置1900可以通过通信接口1910，使用一定的通信协议与数控设备110进行通信。通信接口1910也可以供用户与装置1900进行直接通信。例如，通信接口1910也可以是输入设备(例如键盘、鼠标等)和输出设备(例如显示器)，向用户呈现切削数据库查询界面，并接收用户的查询指令等。

存储器1930存储处理器1920可执行的指令，使得装置1900执行结合图3-17所描述的方法300。

本发明还提供至少一个具有非易失性或易失性存储器形式的计算机存储介质，例如电可擦除可编程只读存储器(EEPROM)、闪存和硬盘驱动，存储有计算机可执行指令。计算机可执行指令在被处理器执行时使得用于切削数据库的装置执行例如之前结合图3-17描述的过程的动作。

处理器可以是单个CPU(中央处理器)，但是也可以包括两个或更多个处理器。例如，处理器可以包括通用微处理器；指令集处理器和/或相关芯片集和/或专用微处理器(例如，专用集成电路(ASIC))。处理器也可以包括用于高速缓存目的的板载存储器。例如，计算机存储介质可以是闪存、随机存取存储器(RAM)、只读存储器(ROM)或EEPROM。

Claims (28)

1.一种用于切削数据库的方法，包括：

获取与数控设备的加工有关的数据集，其中，所述数据集包括切削数据和对应的性能参数；

根据性能参数确定所述切削数据的加工效果是否满足预定条件；以及

如果所述切削数据的加工效果满足预定条件，则将所述切削数据存储到切削数据库中；

其中，根据性能参数确定所述切削数据的加工效果是否满足预定条件包括：

将所述数据集输入到机器学习模型中，其中，所述机器学习模型被训练为：根据性能参数来判断切削数据的加工效果是否满足预定条件；以及

根据所述机器学习模型的输出确定所述切削数据的加工效果是否满足预定条件。

2.根据权利要求1所述的方法，还包括：

给机器学习模型输入预定数量的训练数据集，以使得机器学习模型学习性能参数与加工效果之间的关系，每一个训练数据集包括与数控设备的预定加工有关的切削数据、性能参数和对应的加工效果。

3.根据权利要求1所述的方法，还包括：

基于一个或多个其他切削数据库来训练所述机器学习模型。

4.根据权利要求1所述的方法，其中，根据性能参数确定所述切削数据的加工效果是否满足预定条件包括：

判断性能参数是否处于预定数值范围内，其中，性能参数处于预定数值范围之内指示所述切削数据的加工效果满足预定条件；以及

根据判断结果来确定所述切削数据的加工效果是否满足预定条件。

5.根据权利要求1至4中任一项所述的方法，其中，获取与数控设备的加工有关的数据集包括：

从不同的数据源采集与数控设备的加工有关的异构数据；

将采集的异构数据转换为统一数据格式；

根据数据特征提供匹配的数据识别、提取与分析方案；以及

根据匹配的数据识别、提取与分析方案对数据进行分析处理，以获取所述与数控设备的加工有关的数据集。

6.根据权利要求1至4中任一项所述的方法，其中，获取与数控设备的加工有关的数据集包括：

接收关于性能参数的类型的配置；以及

获取配置中的特定类型的性能参数。

7.根据权利要求1至4中任一项所述的方法，其中，所述切削数据库包括根据加工类型垂直拆分的一个或多个子切削数据库，将所述切削数据存储到切削数据库中包括：

根据所述一个或多个子切削数据库的加工类型对所述切削数据中的数据项进行检索，以确定所述切削数据对应的子切削数据库的类型；以及

如果所述一个或多个子切削数据库包含所确定的子切削数据库的类型对应的子切削数据库，则将所述切削数据存储到所确定的子切削数据库的类型对应的子切削数据库中。

8.根据权利要求7所述的方法，其中，将所述切削数据存储到切削数据库中还包括：

如果所述一个或多个子切削数据库不包含所确定的子切削数据库的类型对应的子切削数据库，则在所述切削数据库中创建所确定的子切削数据库的类型对应的子切削数据库；以及

将所述切削数据存储到所创建的子切削数据库中。

9.根据权利要求1至4中任一项所述的方法，其中，将所述切削数据存储到切削数据库中包括：

如果所述切削数据包含切削数据库先前不具有的数据项，则根据所述切削数据在切削数据库中创建切削数据库先前不具有的数据项。

10.根据权利要求1至4中任一项所述的方法，其中，将所述切削数据存储到切削数据库中是在所述切削数据包括切削数据库所需的全部必要信息的情况下执行的。

11.根据权利要求1至4中任一项所述的方法，其中，所述性能参数包括电控数据。

12.根据权利要求11所述的方法，其中，所述电控数据包括以下至少一项：

主轴振动数据；

进给轴振动数据；

主轴位置数据；

进给轴位置数据；

主轴电流/电压/功率数据；以及

进给轴电流/电压/功率数据。

13.根据权利要求1至4中任一项所述的方法，其中，所述切削数据包括以下至少一项：

工件材料；

刀具材料；

刀具类型；

刀具硬度；

切削深度；以及

进给速度。

14.一种用于切削数据库的装置，包括：

获取单元，被配置为获取与数控设备的加工有关的数据集，其中，所述数据集包括切削数据和对应的性能参数；

确定单元，被配置为根据性能参数确定所述切削数据的加工效果是否满足预定条件；以及

存储单元，被配置为如果所述切削数据的加工效果满足预定条件，则将所述切削数据存储到切削数据库中；其中，所述确定单元被配置为：

将所述数据集输入到机器学习模型中，其中，所述机器学习模型被训练为：根据性能参数来判断切削数据的加工效果是否满足预定条件；以及

根据所述机器学习模型的输出确定所述切削数据的加工效果是否满足预定条件。

15.根据权利要求14所述的装置，还包括：

第一训练单元，被配置为给机器学习模型输入预定数量的训练数据集，以使得机器学习模型学习性能参数与加工效果之间的关系，每一个训练数据集包括与数控设备的预定加工有关的切削数据、性能参数和对应的加工效果。

16.根据权利要求14所述的装置，还包括：

第二训练单元，被配置为基于一个或多个其他切削数据库来训练所述机器学习模型。

17.根据权利要求14所述的装置，其中，所述确定单元被配置为：

判断性能参数是否处于预定数值范围内，其中，性能参数处于预定数值范围之内指示所述切削数据的加工效果满足预定条件；以及

根据判断结果来确定所述切削数据的加工效果是否满足预定条件。

18.根据权利要求14至17中任一项所述的装置，其中，所述获取单元被配置为：

从不同的数据源采集与数控设备的加工有关的异构数据；

将采集的异构数据转换为统一数据格式；

根据数据特征提供匹配的数据识别、提取与分析方案；以及

根据匹配的数据识别、提取与分析方案对数据进行分析处理，以获取所述与数控设备的加工有关的数据集。

19.根据权利要求14至17中任一项所述的装置，其中，所述获取单元还被配置为：

接收关于性能参数的类型的配置；以及

获取配置中的特定类型的性能参数。

20.根据权利要求14至17中任一项所述的装置，其中，所述切削数据库包括根据加工类型垂直拆分的一个或多个子切削数据库，所述存储单元被配置为：

根据所述一个或多个子切削数据库的加工类型对所述切削数据中的数据项进行检索，以确定所述切削数据对应的子切削数据库的类型；以及

如果所述一个或多个子切削数据库包含所确定的子切削数据库的类型对应的子切削数据库，则将所述切削数据存储到所确定的子切削数据库的类型对应的子切削数据库中。

21.根据权利要求20所述的装置，其中，所述存储单元还被配置为：

如果所述一个或多个子切削数据库不包含所确定的子切削数据库的类型对应的子切削数据库，则在所述切削数据库中创建所确定的子切削数据库的类型对应的子切削数据库；以及

将所述切削数据存储到所创建的子切削数据库中。

22.根据权利要求14至17中任一项所述的装置，其中，所述存储单元还被配置为：

如果所述切削数据包含切削数据库先前不具有的数据项，则根据所述切削数据在切削数据库中创建切削数据库先前不具有的数据项。

23.根据权利要求14至17中任一项所述的装置，其中所述存储单元被配置为：在所述切削数据包括切削数据库所需的全部必要信息的情况下，将所述切削数据存储到切削数据库。

24.根据权利要求14至17中任一项所述的装置，其中，所述性能参数包括电控数据。

25.根据权利要求24所述的装置，其中，所述电控数据包括以下至少一项：

主轴振动数据；

进给轴振动数据；

主轴位置数据；

进给轴位置数据；

主轴电流/电压/功率数据；以及

进给轴电流/电压/功率数据。

26.根据权利要求14至17中任一项所述的装置，其中，所述切削数据包括以下至少一项：

工件材料；

刀具材料；

刀具硬度；

刀具类型；

切削深度；以及

进给速度。

27.一种用于切削数据库的装置，包括：

通信接口；

至少一个处理器；以及

存储器，所述存储器存储所述至少一个处理器可执行的指令，所述指令在被所述至少一个处理器执行时使得所述装置执行根据权利要求1至13中任一项所述的方法。

28.一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令在被用于切削数据库的装置的至少一个处理器执行时，使得所述装置执行根据权利要求1至13中任一项所述的方法。