CN112859754B - 机床加工控制方法、装置、存储介质、边缘设备及服务器 - Google Patents

Abstract

本发明提供机床加工控制方法、装置、存储介质、边缘设备及服务器。其中，应用于服务端的方法包括：获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型；将所述加工优化模型提供至所述边缘设备，以供所述边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。本发明的服务端基于大数据给出针对某个机床加工阶段的加工优化模型，边缘设备基于该加工优化模型和加工过程数据给出优化后的机床加工参数，机床根据优化后的加工参数进行加工，大大提高了机床的加工效率，也同时避免了因不良使用而对机床造成的损伤。

Description

机床加工控制方法、装置、存储介质、边缘设备及服务器

技术领域

本发明涉及数控机床技术领域，特别是涉及机床加工控制方法、装置、存储介质、边缘设备及服务器。

背景技术

数控机床领域的数控切削加工是机械制造领域中的重要生产方式。在数控切削加工过程中，为了获得最终加工工件，操作者需要根据实际加工情况设定加工参数(主轴转速、进给速度和进给深度)，并且在加工过程中需要根据不同的加工需求改变加工参数。

在现有数控切削技术中，主要以主轴转速和进给速度两种加工参数为关注对象，一般利用调节选择开关(例如波段开关)来输入主轴转速和进给速度。利用主轴转速开关调节主轴转速，进给速度开关调节进给速度；为了将主轴转速和进给速度均做出调整，用户必须进行两步操作；当加工参数更多时，为了达到加工目的，则需要通过更多步骤调节加工参数，对于用户来说操作不方便。同时，对各参数分别单独进行控制，还存在下列缺陷，当主轴转速单次调整范围过大，进给速度未及时作出相应调整时，可能出现因为每齿进给量过小而造成刀具磨损加剧或发生颤振等后果；当进给速度单次调整范围过大，主轴转速未及时做出相应调整时，可能出现因为每齿进给量过大而可能造成刀具的破损等后果。

进给速度和主轴转速的比率，一般称为倍率。倍率的大小直接影响加工时间。倍率过低，则会增加加工时间而低效，倍率过高，则会增加机床功率带来对机床、刀具系统的损坏，并且降低所加工零件的加工质量。

作为机床进行加工时的现有技术，存在通过将主轴负荷作为输入值的比例/积分/微分控制(PID控制)来对进给速度倍率进行控制的功能(例如，参照日本特开2012-032869号公报)。通过利用该功能，在负荷低的部分增加倍率来实现周期时间的缩短，在负荷高的部分减少倍率来防止工具破损或过热。然而，在现有技术的PID控制方法中，存在需要对加工中的控制对象的状态(机器结构、工具的种类、工件材质、切削量等)设定增益设定，且为了进行稳定的控制需要尝试多次的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供机床加工控制方法、装置、存储介质、边缘设备及服务器，用于解决现有技术中机床的加工效率低且因操作不当对机床造成损伤的技术问题。

为实现上述目的及其他相关目的，本发明提供一种机床加工控制方法，应用于服务端；所述方法包括：获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型；将所述加工优化模型提供至所述边缘设备，以供所述边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

于本发明一实施例中，所述加工优化模型为：以所述机床加工过程的运行数据为输入且以用于对所述机床的加工参数进行调节的优化控制参数为输出的算法。

于本发明一实施例中，所述根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型的实现方式包括：从历史加工数据中查找与所述机床加工过程相匹配的候选加工优化模型；根据所述运行数据确定所述候选加工优化模型的固有参数，进而形成最终的加工优化模型。

于本发明一实施例中，所述固有参数包括：所述机床加工过程所采用的包括刀架号的刀具所对应的最大功率和最小功率，以及所述机床加工过程的倍率上限值，而所述加工优化模型的输出为所述机床需要增加的倍率。

为实现上述目的及其他相关目的，本发明提供一种机床加工控制方法，应用于边缘设备；所述方法包括：在机床学习期间采集机床加工过程的运行数据，并发送至服务端；接收由所述服务端根据所述机床加工过程的运行数据所提供的加工优化模型；在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

于本发明一实施例中，所述机床的数控程序中含有用于标识需要被学习的机床加工阶段的标识符；所述方法还包括：在所述机床学习期间，通过检测所述标识符来确定需要被学习的机床加工阶段；将所述机床加工阶段的运行数据发送至所述服务端；接收由所述服务端根据所述机床加工阶段的运行数据所提供的加工优化模型。

于本发明一实施例中，所述机床的数控程序中含有用于标识需要被优化的机床加工阶段的标识符；所述方法还包括：在所述机床加工期间，通过检测所述标识符来确定需要被优化的机床加工阶段；当再次检测到所述机床加工阶段时，利用所述加工优化模型对所述机床的加工参数进行调节。

于本发明一实施例中，所述方法还包括：在所述机床加工期间再次检测到所述机床加工过程时，先在本地暂存中查找是否有针对所述机床加工过程的加工优化模型；若查找结果为无，则向所述服务端获取；若所述服务端无法提供，则维持所述机床的原始加工参数；若查找结果为有，则无需与所述服务端建立通信连接，利用本地的相匹配的加工优化模型对所述机床的加工参数进行调节。

为实现上述目的及其他相关目的，本发明提供一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现所述的机床加工控制方法。

为实现上述目的及其他相关目的，本发明提供一种机床加工控制装置，应用于服务端；所述装置包括：通信模块，用于获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；以及将加工优化模型提供至所述边缘设备，以供边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节；处理模块，用于根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型。

为实现上述目的及其他相关目的，本发明提供一种机床加工控制装置，应用于边缘设备；所述装置包括：通信模块，用于将在机床学习期间采集的机床加工过程的运行数据发送至服务端；以及接收由所述服务端根据所述运行数据所提供的加工优化模型；处理模块，用于在机床学习期间采集机床加工过程的运行数据；在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

为实现上述目的及其他相关目的，本发明提供一种服务器，包括：处理器及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述服务器执行所述的机床加工控制方法。

为实现上述目的及其他相关目的，本发明提供一种边缘设备，包括：处理器及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述边缘设备执行所述的机床加工控制方法。

如上所述，本发明的机床加工控制方法、装置、存储介质、边缘设备及服务器，具有以下有益效果：服务端基于大数据给出针对某个机床加工阶段的加工优化模型，边缘设备基于该加工优化模型和加工过程数据给出优化后的机床加工参数，机床基于优化后的加工参数进行加工，大大提高了机床的加工效率，也同时避免了因不良使用而对机床造成的损伤。

附图说明

图1显示为本发明一实施例中的机床加工控制方法的应用架构示意图。

图2显示为本发明一实施例中的服务端执行的机床加工控制方法的流程示意图。

图3显示为本发明一实施例中的边缘设备执行的机床加工控制方法的流程示意图。

图4显示为本发明一实施例中服务端的机床加工控制装置的模块示意图。

图5显示为本发明一实施例中边缘设备的机床加工控制装置的模块示意图。

图6显示为本发明一实施例中的电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

鉴于现有技术的不足，本发明利用与数控机床相连接的边缘设备来采集数控机床的运行参数，利用服务端根据这些运行参数得到匹配的优化模型，再利用边缘设备基于该优化模型和实际运行参数进行机床加工参数的设定，以实现机床加工过程的优化。

如图1所示，展示为本发明的机床加工控制方法于一实施例中的应用架构图，其包括：A服务端，即一种网络平台，如工业云平台；B边缘设备，即一种智能数据采集设备；C数控机床。其中，A网络平台连接多个边缘设备(图中用B、E、G表示)，一个边缘设备连接一个数控机床。如图1中，B边缘设备1连接了C数控机床1A，E边缘设备2连接了F数控机床2，G边缘设备n连接了H数控机床n。

具体的，A网络平台包括：网络连接模块A1、数据和模型管理模块A2、优化模块A3、数据库A4、模型库A5。边缘设备B(图1中E、G为类似设备，这里以B详细展开说明)包括：网络连接模块B1，用于和A网络平台连接；数据采集模块B2，用于和数控机床C通讯，采集数据，本地可存储/缓存，并且上传到网络平台A；机床连接模块B3，用于连接数控机床；优化控制模块B4，用于根据实际工况，利用优化策略来优化数控机床的倍率设定；数控程序分析模块B5，用于分析数控程序确定学习范围和优化范围。数控机床C(图中F、H为类似设备，这里用C详细展开说明)包括数字控制装置C1，用来控制机床实际运行动作，并且能采集机床运行过程的数据，反馈给边缘设备B的数据采集模块B2，根据需要，再由数据采集模块B2传输给网络平台A。

如图2所示，展示为本发明的机床加工控制方法于一实施例中的流程图。本实施例的机床加工控制方法由图1中的网络平台A负责执行，包括以下步骤：

S21：获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；

网络平台A将通过网络连接模块A1获得数据，存入数据库A4中。

需要说明的是，机床在批量加工某个工件前，应当先经历学习阶段。在所谓的学习阶段，机床会先对一个工件进行加工，边缘设备则将机床加工该工件的加工过程的运行数据发送至网络平台A。

众所周知，数字控制装置C1通过数控程序来控制数控机床的动作。数控程序定义了数控机床动作的整个过程。在一较佳的实施例中，如果用户想对数控机床的动作某个阶段进行学习，需要预先在数控程序中的相应位置加入标识字，来明确学习的动作的范围。举例而言，当一个数控程序的开始有学习控制字标识(例如，M200)，表示这个数控程序需要进行加工学习。也就是说，在一实施例中，可以不对加工工件的整个加工过程进行学习，而是对整个过程中的某个加工阶段进行学习，从而后续只优化这个加工阶段。边缘设备在检测到数控程序的此类标识符时，便能够识别出数控程序中需要被学习的机床加工阶段，从而只将该机床加工阶段的运行数据发送至所述网络平台A。一般地，一个加工阶段用机床标识号、数控程序名称、数控程序所涉及的刀架号这三个关键词来进行标识。边缘设备所采集的数据包括但不限于机床型号、机床标识号、机床数字控制装置编号、数控程序名称、数控程序的版本号、主轴负载、刀架号、时间戳。另外，根据边缘设备实际所连接数控机床所包含的数字控制装置的不同，主轴负载可能需要通过采集到电流值和电压值计算而得，这个计算过程在数据采集模块B2中完成。

S22：根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型；

网络平台A接收到运行数据后进行模型训练，从而得到合适的加工优化模型。具体而言，所述加工优化模型为：以所述机床加工过程的运行数据为输入且以用于对所述机床的加工参数进行调节的优化控制参数为输出的算法。详细而言，本步骤从历史加工数据中查找与所述机床加工过程相匹配的候选加工优化模型；根据所述运行数据确定所述候选加工优化模型的固有参数，进而形成最终的加工优化模型。

下面以加工优化模型为公式1为例，对本步骤做详细介绍。

在公式1中，最小功率、最大功率、最大优化参数即前文所谓的加工优化模型的固有参数，而优化控制参数，一般表示为增加的倍率，可以通过当前的刀架号、当前机床主轴功率，以及优化模型中的最小功率、最大功率、最大优化参数等数据计算得到。优化控制参数为0，表示不增加倍率，也可以认为是优化参数不可用，保持机床原有的加工参数正常加工即可，优化控制参数不能超过机床的倍率上限(即最大优化参数)。值得说明的是，公式1仅作为示例，实际优化控制参数的获取方法可能比公式1更为复杂。

首先：网络平台A的优化模块A3根据机床标识号、数控程序名称，确定刀架号对应的最大优化系数。其中，得到最大优化系数主要包括三种方式：第一种方式是利用网络平台上的大数据，对一类机床型号、一类数控程序的典型特征进行归类，然后利用数据处理方式得到这个最大优化系数；第二种方式是结合专家经验，但可能过程更加复杂；第三种方式是根据自己的经验或偏好来灵活设置这个最大优化系数。

其次：网络平台A的优化模块A3利用所采集到的数据，基于历史数据学习得到该数控程序所包括刀架号的刀具及其所对应的加工最大功率和最小功率。然后，连同得到的刀架号的最大优化系数，形成最终的优化模型，即公式1。

需要说明的是，历史数据包括若干机床的各加工过程的运行数据和采用的优化模型等数据。优化模型的学习可以采用强化学习的算法，例如Q学习、SARSA法、TD学习、AC法等各种方法，作为应用于本发明的方法，可以采用任一种强化学习算法或其中几项方法的组合。由于上述的各个强化学习算法是公知的，因此在本文不再展开介绍。

再次：最终的优化模型保存到模型库A5备用。

S23：将所述加工优化模型提供至所述边缘设备，以供所述边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

需要说明的是，需要优化的加工过程必须是先前经过学习的，否则优化不能进行。当一个数控程序的开始有优化控制字标识(例如，M201)，表示这个数控程序需要进行加工优化。假设机床原有倍率为1，边缘设备根据优化模型得到的优化控制参数为0.2，则将0.2发送至机床，机床将对应的加工阶段的倍率改为1.2。

如图3所示，展示为本发明的机床加工控制方法于一实施例中的流程图。本实施例的机床加工控制方法由图1中的边缘设备B负责执行，由于本实施例的边缘设备B与图1中的网络平台A相互协作，故不再对相同的技术细节重复介绍。

本实施例中边缘设备B执行以下步骤：

S31：在机床学习期间采集机床加工过程的运行数据，并发送至网络平台A；

数控程序执行，加工过程开始，数控程序分析模块B5检测到优化开始标识字(如AON)，表示优化开始。数据采集模块B2通过数字控制装置C1采集加工数据，并上传到网络平台A。另外，数据采集模块B2采集机床主轴负载、刀架号，加工程序名后，可以及时上传给网络平台A，也可以将数据保存到缓存文件中，缓存文件分批同步上传到网络平台A。

边缘设备的数控程序分析模块B5检测到含有学习控制字的数控程序，表示需要对该数控程序的加工过程进行数据采集，以便网络平台A进行优化模型的学习。边缘设备B上的数控程序分析模块B5检测到含有优化开始标识字的程序，启动数据采集过程。边缘设备的数控程序分析模块B5检测到暂停优化区间，则需要暂停数据采集和上传。暂停优化区间就是在暂停优化标识字和恢复优化标识字之间的数控程序段。边缘设备B上的数控程序分析模块B5检测到优化结束标识字，结束数据采集过程，并通知网络平台A。网络平台A接收到数据采集结束通知后，开始进行模型训练。

需要说明的是，如果用户想对数控机床的动作某个过程进行优化，需要预先在数控程序中加入标识字，来明确优化的动作的区域。具体操作是：在需要优化的程序段的前后写上“优化开始标识字”和“优化结束标识字”。在本文叙述中，为了便于行文，优化开始标识字用AON表示，优化结束标识字用AOFF表示。如果需要优化的区间有暂时不想优化的子区间，可以插入“暂停优化开始标识字”和“恢复优化标识字”。在本文中，用CON表示“暂停优化开始标识字”，COFF表示“恢复优化标识字”。程序段的组成见表1。

表1需要进行优化的数控程序组成

优化开始标识字(如AON)应写在第一个换刀程序之后，而优化结束标识字(如AOFF)应写在程序结束指令M30(或最后一个主轴停转，即M5)之前。

应用优化开始标识字和优化结束标识字的意义有两方面，第一是标志出需要优化的部分，通知数字控制装置接收自适应控制的进给倍率调整参数；第二是学习和控制的部分进行约束，以排除意外情况的干扰。表2展示为一个典型的程序，分号“；”后面表示对程序的注释。

表2典型的程序段

值得说明的是，在学习阶段，程序中的优化标识字可被视为学习标识字，用于规定需要学习的程序段。

S32：接收由所述网络平台A根据所述机床加工过程的运行数据所提供的加工优化模型；

S33：在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

在一实施例中，较佳的，优化控制模块B4先检索本地是否有针对这个加工阶段的优化模型。如果没有，就通过网络接口模块B1向网络平台A检索。如果检索到，则优化模型被网络平台A传送到边缘设备B。如果本地没有这个加工过程对应的优化模型，或者网络平台A上经过对模型库A5的检索也没有这个加工过程对应的优化模型，则不能优化，进行普通加工。

需要说明的是，边缘设备对优化模型进行暂存，所以如果一个加工过程启动后，进行连续加工，则优化过程无需联网(即可以不和网络平台A发生通讯)，本地可以执行优化。本发明可以暂存多个加工过程的优化模型，即可以把最近k个加工过程的优化模型保存在边缘设备B中。根据边缘设备的存储能力，k可以为2个或多个，典型的设备中可以保存5个，即k为5。

边缘设备B在收到网络平台A提供的优化模型后，判断优化控制参数是否可用，以公式1为例，根据机床加工阶段的过程数据计算优化控制参数是否为0，并且数控程序分析模块B5分析数控程序，当前程序段是否在暂停优化阶段；如果优化控制参数不可用(如为0)，或者为暂停优化程序段，则暂停优化，普通加工。如果优化控制参数可用并且不在暂停优化程序段，则把优化控制参数传给机床C，优化其加工过程。随后，数控程序分析模块B5再分析下一段的数控程序。如果读取到优化结束标识(如AOFF)，则终止优化，机床保持普通加工。

实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。基于这样的理解，本发明还提供一种计算机程序产品，包括一个或多个计算机指令。所述计算机指令可以存储在计算机可读存储介质中。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如：软盘、硬盘、磁带)、光介质(如：DVD)、或者半导体介质(如：固态硬盘Solid State Disk(SSD))等。

参阅图4，本实施例提供一种机床加工控制装置40，作为一款软件搭载于服务端中，以在运行时执行图2实施例所述的机床加工控制方法。由于本装置实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。

机床加工控制装置40主要包括通信模块41和处理模块42。通信模块41用于获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；以及将加工优化模型提供至所述边缘设备，以供边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。处理模块42用于根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型。

参阅图5，本实施例提供一种机床加工控制装置50，作为一款软件搭载于边缘设备中，以在运行时执行图3实施例所述的机床加工控制方法。由于本装置实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。

机床加工控制装置50主要包括通信模块51和处理模块52。通信模块51用于将在机床学习期间采集的机床加工过程的运行数据发送至服务端；以及接收由所述服务端根据所述运行数据所提供的加工优化模型。处理模块52用于在机床学习期间采集机床加工过程的运行数据；在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

本领域技术人员应当理解，图4～5实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块可以为单独设立的处理元件，也可以集成在某一个芯片中实现，此外，也可以以程序代码的形式存储于存储器中，由某一个处理元件调用并执行处理模块的功能。其它模块的实现与之类似。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。参阅图6，本实施例提供一种电子设备60，电子设备60可以是物理服务器、便携式电脑、边缘设备等。详细的，电子设备60至少包括通过总线61连接的：存储器62、处理器63，其中，存储器62用于存储计算机程序，处理器63用于执行存储器62存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。

具体而言，电子设备60是一种物理服务器时，用于执行图2所示的机床加工控制方法。电子设备60是一种边缘设备时，用于执行图3所示的机床加工控制方法。

上述提到的系统总线可以是外设部件互连标准(Peripheral PomponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

综上所述，本发明的机床加工控制方法、装置、存储介质、边缘设备及服务器，服务端基于大数据给出针对某个机床加工阶段的加工优化模型，边缘设备基于该加工优化模型和加工过程数据给出优化后的机床加工参数，机床基于优化后的加工参数进行加工，大大提高了机床的加工效率，也同时避免了因不良使用而对机床造成的损伤。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (12)

1.一种机床加工控制方法，其特征在于，应用于服务端；所述方法包括：

获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；所述运行数据为边缘设备在检测到数控程序的学习控制字标识符时，识别出数控程序中需要被学习的机床加工阶段的运行数据；当检测到数控程序的学习控制字标识符时表示优化开始；

根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型；

将所述加工优化模型提供至所述边缘设备，以供所述边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

2.根据权利要求1所述的方法，其特征在于，所述加工优化模型为：以所述机床加工过程的运行数据为输入且以用于对所述机床的加工参数进行调节的优化控制参数为输出的算法。

3.根据权利要求1所述的方法，其特征在于，所述根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型的实现方式包括：

从历史加工数据中查找与所述机床加工过程相匹配的候选加工优化模型；

根据所述运行数据确定所述候选加工优化模型的固有参数，进而形成最终的加工优化模型。

4.一种机床加工控制方法，其特征在于，应用于边缘设备；所述方法包括：

在机床学习期间采集机床加工过程的运行数据，并发送至服务端；所述运行数据为边缘设备在检测到数控程序的学习控制字标识符时，识别出数控程序中需要被学习的机床加工阶段的运行数据；当检测到数控程序的学习控制字标识符时表示优化开始；

接收由所述服务端根据所述机床加工过程的运行数据所提供的加工优化模型；

在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

5.根据权利要求4所述的方法，其特征在于，所述机床的数控程序中含有用于标识需要被学习的机床加工阶段的标识符；所述方法还包括：

在所述机床学习期间，通过检测所述标识符来确定需要被学习的机床加工阶段；

将所述机床加工阶段的运行数据发送至所述服务端；

接收由所述服务端根据所述机床加工阶段的运行数据所提供的加工优化模型。

6.根据权利要求4所述的方法，其特征在于，所述机床的数控程序中含有用于标识需要被优化的机床加工阶段的标识符；所述方法还包括：

在所述机床加工期间，通过检测所述标识符来确定需要被优化的机床加工阶段；

当再次检测到所述机床加工阶段时，利用所述加工优化模型对所述机床的加工参数进行调节。

7.根据权利要求4所述的方法，其特征在于，还包括：

在所述机床加工期间再次检测到所述机床加工过程时，先在本地暂存中查找是否有针对所述机床加工过程的加工优化模型；

若查找结果为无，则向所述服务端获取；若所述服务端无法提供，则维持所述机床的原始加工参数；

若查找结果为有，则无需与所述服务端建立通信连接，利用本地的相匹配的加工优化模型对所述机床的加工参数进行调节。

8.一种机床加工控制装置，其特征在于，应用于服务端；所述装置包括：

通信模块，用于获取由边缘设备在机床学习期间所采集的机床加工过程的运行数据；以及将加工优化模型提供至所述边缘设备，以供边缘设备在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节；所述运行数据为边缘设备在检测到数控程序的学习控制字标识符时，识别出数控程序中需要被学习的机床加工阶段的运行数据；当检测到数控程序的学习控制字标识符时表示优化开始；

处理模块，用于根据所述运行数据确定与所述机床加工过程相匹配的加工优化模型。

9.一种机床加工控制装置，其特征在于，应用于边缘设备；所述装置包括：

通信模块，用于将在机床学习期间采集的机床加工过程的运行数据发送至服务端；以及接收由所述服务端根据所述运行数据所提供的加工优化模型；所述运行数据为边缘设备在检测到数控程序的学习控制字标识符时，识别出数控程序中需要被学习的机床加工阶段的运行数据；当检测到数控程序的学习控制字标识符时表示优化开始；

处理模块，用于在机床学习期间采集机床加工过程的运行数据；在机床加工期间再次检测到所述机床加工过程时，利用所述加工优化模型对所述机床的加工参数进行调节。

10.一种计算机可读存储介质，其中存储有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1至7中任一所述的机床加工控制方法。

11.一种服务器，其特征在于，包括：处理器及存储器；其中，

所述存储器用于存储计算机程序；

所述处理器用于加载执行所述计算机程序，以使所述服务器执行如权利要求1至3中任一所述的机床加工控制方法。

12.一种边缘设备，其特征在于，包括：处理器及存储器；其中，

所述存储器用于存储计算机程序；

所述处理器用于加载执行所述计算机程序，以使所述边缘设备执行如权利要求4至7中任一所述的机床加工控制方法。

Images