CN115994099B - 数控机床代码的自动检查方法、装置、设备及存储介质 - Google Patents

Abstract

本发明提供数控机床代码的自动检查方法、装置、设备及存储介质，涉及数控机床技术领域，方法包括：获取机床代码文本和加工工件的原始结构信息和目标结构信息；将机床代码文本和原始结构信息输入结构预测模型，得到预测结构信息；根据预测结构信息和目标结构信息之间的结构差异信息确定若干候选异常代码；对机床代码文本中各候选异常代码采用掩码进行遮挡后输入文本重建模型，得到重建代码文本；根据重建代码文本确定各候选异常代码的标准代码，将与标准代码不同的候选异常代码作为目标异常代码，根据全部目标异常代码输出代码检查结果。本发明可以自动检查异常代码，通过两次筛选过程提高了代码检测的正确率，降低检查代码的人力和时间成本。

Description

数控机床代码的自动检查方法、装置、设备及存储介质

技术领域

本发明涉及数控机床技术领域，尤其涉及数控机床代码的自动检查方法、装置、设备及存储介质。

背景技术

机床代码是数控机床支持的语言写的源文件，通常使用G代码来描述机床的加工信息，如走刀轨迹、进给速度等等。现有的代码检查方法需要人工参与评审软件设计、编码、实现的正确性。由于代码的复杂度、重复率越来越高，人工检查的方式会耗费大量的人力和时间成本。

发明内容

本发明提供一种数控机床代码的自动检查方法、装置、设备及存储介质，用以解决现有技术中人工检查代码的方法会耗费大量的人力和时间成本的问题，实现自动检查出异常代码，并提高了异常代码检测的正确率。

本发明提供一种数控机床代码的自动检查方法，所述方法包括：

获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

根据本发明提供的一种数控机床代码的自动检查方法，所述结构预测模型包括切分层、匹配层以及调整层，所述将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息，包括：

将所述机床代码文本输入所述切分层，通过所述切分层对所述机床代码文本进行切分，得到若干代码段；

将各所述代码段输入所述匹配层，通过所述匹配层将各所述代码段分别与预先存储的各标准代码段进行匹配，得到各所述代码段分别对应的目标加工步骤，其中，各所述标准代码段分别对应不同工件部位的加工步骤；

将所述原始结构信息和各所述目标加工步骤输入所述调整层，通过所述调整层基于各所述目标加工步骤对所述原始结构信息进行调整，得到所述预测结构信息。

根据本发明提供的一种数控机床代码的自动检查方法，所述切分层采用强化学习模型构建，所述切分层在所述结构预测模型训练之前预先经过单独训练。

根据本发明提供的一种数控机床代码的自动检查方法，所述切分层的单独训练方法为：

将训练代码文本输入所述切分层，得到所述训练代码文本对应的若干训练代码段；

获取所述训练代码文本对应的加工工件的三维点云数据，基于点云的深度值和点云之间的距离值对所述三维点云数据进行聚类，得到若干聚类簇，其中，各所述聚类簇分别对应不同工件部位；

根据所述三维点云数据确定各所述训练代码段分别对应的局部点云数据，其中，每一所述训练代码段对应的所述局部点云数据用于反映所述训练代码段对应的加工步骤的作用区域；

计算各所述局部点云数据分别位于不同所述聚类簇的比例，判断所述比例是否达到目标比例；

当否时，根据所述比例确定奖励值，根据所述奖励值对所述切分层进行参数更新，继续执行所述将训练代码文本输入所述切分层的步骤，直至所述比例达到所述目标比例，得到已完成单独训练的所述切分层。

根据本发明提供的一种数控机床代码的自动检查方法，所述文本重建模型包括筛选层和检测层，所述将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本，包括：

将所述遮挡代码文本输入所述筛选层，通过所述筛选层基于上下文信息确定各所述掩码分别对应的候选代码集；

将所述遮挡代码文本和各所述掩码的所述候选代码集输入所述检测层，通过所述检测层基于关联出现次数从各所述候选代码集中确定各所述掩码分别对应的目标代码，其中，每一所述掩码的所述目标代码为所述掩码的所述候选代码集中与所述掩码相邻的两个代码关联出现次数最高的候选代码；

根据各所述掩码的所述目标代码对所述遮挡代码文本进行填充，得到所述重建代码文本。

根据本发明提供的一种数控机床代码的自动检查方法，所述方法还包括：

获取各所述目标异常代码分别对应的人工修正信息；

根据各所述人工修正信息和所述机床代码文本，确定修正代码文本。

根据本发明提供的一种数控机床代码的自动检查方法，在所述根据各所述人工修正信息和所述机床代码文本，确定修正代码文本之后，还包括：

将所述修正代码文本发送至目标机床，获取所述目标机床基于所述修正代码文本生成的运行记录；

根据所述运行记录确定所述修正代码文本的正确率，根据所述正确率对所述结构预测模型和所述文本重建模型进行参数更新。

本发明还提供一种数控机床代码的自动检查装置，所述装置包括：

数据获取模块，用于获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

结构预测模块，用于将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

结构比对模块，用于根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

文本重建模块，用于对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

代码比对模块，用于根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述的数控机床代码的自动检查方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的数控机床代码的自动检查方法。

本发明提供的数控机床代码的自动检查方法、装置、设备及存储介质，方法包括：获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；根据预测结构信息和目标结构信息之间的结构差异信息从机床代码文本中确定若干候选异常代码；对机床代码文本中各候选异常代码采用掩码进行遮挡后输入文本重建模型，得到重建代码文本；根据重建代码文本确定各候选异常代码的标准代码，将与标准代码不同的候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。本发明中有两次异常代码的筛选过程，首先由于工件被加工后的形态与机床代码文本的特征之间存在复杂的映射关系，因此通过机床代码文本获取的预测结构信息可实现第一次代码纠错，得到候选异常代码。其次，由于机床代码文本上下文存在连贯性，因此将候选异常代码遮挡后基于上下文关系重新确定遮挡处的代码可实现第二次代码纠错。若遮挡前后代码不一致，则判断候选异常代码不符合上下文的连贯性，将其确定为目标异常代码。本发明可以自动检查出异常代码，并通过两次筛选过程提高了异常代码检测的正确率。解决了目前人工检查代码的方法会耗费大量的人力和时间成本的问题。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的数控机床代码的自动检查方法的流程示意图；

图2是本发明提供的数控机床代码的自动检查装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1描述本发明的数控机床代码的自动检查方法。如图1所示，所述方法包括：

步骤S100、获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

步骤S200、将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

步骤S300、根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

步骤S400、对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

步骤S500、根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

机床代码文本可以控制机床上各装置运行，使得机床将工件加工成不同结构，因此工件被加工后的形态与机床代码文本的文本特征之间存在复杂的映射关系。本实施例预先采用了大量工件加工前后的结构信息和加工时使用的机床代码文本训练了一个结构预测模型，该结构预测模型的输入为加工工件的原始结构信息和机床代码文本，输出是工件加工完成后的预测结构信息。可以理解的是，在机床代码文本正确的情况下，预测结构信息与工件被加工后期望达到的目标结构信息之间的差距应当在可接受范围之内，因此预测结构信息可以用于辅助检查机床代码文本。通过获取预测结构信息与目标结构信息之间的结构差异信息，可以初步确定机床代码文本中存在错误的一个或者多个候选异常代码。然后将机床代码文本中候选异常代码所在的位置采用掩码进行遮挡，再将遮挡代码文本输入已训练的文本重建模型，由于文本重建模型预先学习了机床代码文本的上下文关系和各代码之间的关联性，因此文本重建模型可以基于遮挡代码文本和预先学习的上下文关系输出重建代码文本。然后比较每一掩码遮挡的候选异常代码和重建代码文本中的标准代码是否一致，若不一致，则判定该掩码所遮挡的候选异常代码为目标异常代码。本发明可以自动检查出异常代码，并通过两次筛选过程提高了异常代码检测的正确率。解决了目前人工检查代码的方法会耗费大量的人力和时间成本的问题。

在一种实现方式中，所述结构预测模型包括切分层、匹配层以及调整层，将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息，包括：

将所述机床代码文本输入所述切分层，通过所述切分层对所述机床代码文本进行切分，得到若干代码段；

将各所述代码段输入所述匹配层，通过所述匹配层将各所述代码段分别与预先存储的各标准代码段进行匹配，得到各所述代码段分别对应的目标加工步骤，其中，各所述标准代码段分别对应不同工件部位的加工步骤；

将所述原始结构信息和各所述目标加工步骤输入所述调整层，通过所述调整层基于各所述目标加工步骤对所述原始结构信息进行调整，得到所述预测结构信息。

具体地，机床代码文本输入到结构预测模型后，首先被输入到切分层，将其切分为若干代码段，然后各代码段再输入到匹配层进行代码匹配。匹配层预先存储有多个标准代码段，各标准代码段分别用于指示不同工件部位的加工步骤，例如孔位的加工步骤、凹槽的加工步骤、曲面的加工步骤。需要说明的是，现有的机床加工流程的变换通常都是多个常用工件部位的加工步骤的组合变换，因此在标准代码段的储备量足够多的情况下，各代码段输入到匹配层都可以匹配成功。每一代码段基于自身匹配到的标准代码段即可确定自身对应的目标加工步骤。然后将原始结构信息和所有目标加工步骤输入调整层，即可得到工件加工完毕后的预测结构信息。本实施例预先对机床代码文本进行切分，可以提高代码匹配的成功率，然后通过预先存储的各标准代码段可以快速得到预测结构信息。

在一种实现方式中，所述切分层采用强化学习模型构建，所述切分层在所述结构预测模型训练之前预先经过单独训练。

具体地，由于结构预测模型的模型精度主要依赖于切分层和匹配层，而匹配层中代码匹配的成功率需要依赖于切分层对机床代码文本的正确切分，因此切分层的可靠性对结构预测模型至关重要。首先针对切分层，本实施例设定其先进行单独训练，单独训练完毕后再与结构预测模型的其他层一起进行综合训练，通过两种训练方式来提高切分层的准确度。其次为了减少切分层的训练数据的采集和标注所需要的人力成本，本实施例采用强化学习模型来构建切分层，以实现在较少训练数据的情况下仍然可以获得较好的单独训练效果。

在一种实现方式中，所述切分层的单独训练方法为：

将训练代码文本输入所述切分层，得到所述训练代码文本对应的若干训练代码段；

获取所述训练代码文本对应的加工工件的三维点云数据，基于点云的深度值和点云之间的距离值对所述三维点云数据进行聚类，得到若干聚类簇，其中，各所述聚类簇分别对应不同工件部位；

根据所述三维点云数据确定各所述训练代码段分别对应的局部点云数据，其中，每一所述训练代码段对应的所述局部点云数据用于反映所述训练代码段对应的加工步骤的作用区域；

计算各所述局部点云数据分别位于不同所述聚类簇的比例，判断所述比例是否达到目标比例；

当否时，根据所述比例确定奖励值，根据所述奖励值对所述切分层进行参数更新，继续执行所述将训练代码文本输入所述切分层的步骤，直至所述比例达到所述目标比例，得到已完成单独训练的所述切分层。

具体地，切分层的理想切分效果是可以将输入的机床代码文本切分成不同工件部位的加工步骤分别对应的代码段，即每一代码段的加工步骤都是连贯的、且代码段之间的加工步骤不重叠。本实施例预先获取了训练代码文本对应的加工工件的三维点云数据，通过深度值和距离值对三维点云数据进行聚类，得到若干聚类簇，各聚类簇用于反映不同工件部位的点云数据。可以理解的是，将训练代码文本输入切分层后得到多个训练代码段，若各训练代码段分别对应的加工步骤的加工区域全部位于不同的聚类簇，则表示训练代码文本被完全正确切分为了不同加工部位的加工步骤所对应的代码段，因此通过各加工区域位于不同聚类簇的比例可以评估切分层当前的切分效果，进而给予其合适的奖励值。切分层获取到奖励值后，通过奖励值即可获知上一轮的切分效果，从而以奖励值为导向进行参数更新。由于本实施例是基于强化学习模型来构建切分层，可以重复将某一训练代码文本重复输入到切分层中，通过奖励值来进行切分层的参数更新，因此本实施例只需要少量的训练代码文本，即可完成切分层的单独训练过程。在另一种实现方式中，也可以设定每一训练代码文本的使用阈值，以提高切分层的鲁棒性。

在一种实现方式中，所述文本重建模型包括筛选层和检测层，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本，包括：

将所述遮挡代码文本输入所述筛选层，通过所述筛选层基于上下文信息确定各所述掩码分别对应的候选代码集；

将所述遮挡代码文本和各所述掩码的所述候选代码集输入所述检测层，通过所述检测层基于关联出现次数从各所述候选代码集中确定各所述掩码分别对应的目标代码，其中，每一所述掩码的所述目标代码为所述掩码的所述候选代码集中与所述掩码相邻的两个代码关联出现次数最高的候选代码；

根据各所述掩码的所述目标代码对所述遮挡代码文本进行填充，得到所述重建代码文本。

具体地，本实施例中的文本重建模型预先经过海量数据学习了机床代码文本的上下文关系，并且文本重建模型还存储有历史使用过的大量的机床代码文本，用于搜索不同代码之间关联出现的次数。首先文本重建模型会基于每一掩码所在区域的上下文信息，确定每一掩码对应的候选代码集，该候选代码集中每一代码替换掉该掩码都能满足文本重建模型预先学习到的上下文关系。然后针对每一掩码的候选代码集，将与该掩码相邻的两个代码关联出现次数最高的候选代码作为该掩码对应的目标代码。将各掩码的目标代码填充到对应的掩码处，即得到重建代码文本。本实施例针对机床代码文本上下文之间的连贯性和代码之间关联出现的次数对候选异常代码进行二次筛选，可以有效提高机床代码纠错的正确率。

在一种实现方式中，所述文本重建模型同样基于强化学习模型构建，所述文本重建模型的训练方法包括：

获取训练代码文本，随机遮挡所述训练代码文本中若干代码；

将遮挡后的所述训练代码文本输入未完成训练的所述文本重建模型，得到所述训练代码文本对应的训练重建文本；

判断所述训练代码文本和所述训练重建文本之间的差距是否收敛至目标值；

若否，根据所述训练代码文本和所述训练重建文本之间的差距确定所述文本重建模型的重建奖励值；

根据所述重建奖励值对所述文本重建模型进行参数更新，继续执行随机遮挡所述训练代码文本中若干代码的步骤，直至所述训练代码文本和所述训练重建文本之间的差距收敛至目标值，得到已完成训练的文本重建模型。

具体地，本实施例采用强化学习模型来构建文本重建模型，只需要少量的训练数据，即可提高文本重建模型的模型精度。

在一种实现方式中，所述方法还包括：

获取各所述目标异常代码分别对应的人工修正信息；

根据各所述人工修正信息和所述机床代码文本，确定修正代码文本。

具体地，终端会提示工作人员各目标异常代码所在的位置，工作人员针对这些目标异常代码输入对应的修正信息。终端获取到人工修正信息后，即对机床代码文本进行修正，并输出修正代码文本。本实施例通过机器自动检测出机床代码文本中的异常代码，工作人员只需要对机器筛选出的异常代码进行修改，即可得到正确的机床代码文本，大大减少了机床代码文本生成过程中所耗费的人力成本。

在一种实现方式中，根据各所述人工修正信息和所述机床代码文本，确定修正代码文本之后还包括：

将所述修正代码文本发送至目标机床，获取所述目标机床基于所述修正代码文本生成的运行记录；

根据所述运行记录确定所述修正代码文本的正确率，根据所述正确率对所述结构预测模型和所述文本重建模型进行参数更新。

具体地，由于修正代码文本经过修正，其出错率较低，因此可以将其直接发送至目标机床，使得目标机床基于修正代码文本进行工作。目标机床工作完毕后会反馈对应的运行记录，通过运行记录还可以进一步优化结构预测模型和文本重建模型的参数。

下面对本发明提供的数控机床代码的自动检查装置进行描述，下文描述的数控机床代码的自动检查装置与上文描述的数控机床代码的自动检查方法可相互对应参照。

如图2所示，所述装置包括：数据获取模块210、结构预测模块220、结构比对模块230、文本重建模块240和代码比对模块250。

所述数据获取模块210用于获取待检测的机床代码文本，获取所述机床代码文本对应的加工工件的原始结构信息和目标结构信息；

所述结构预测模块220用于将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，得到预测结构信息；

所述结构比对模块230用于根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

所述文本重建模块240用于对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

所述代码比对模块250用于根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行数控机床代码的自动检查方法，该方法包括：

获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的数控机床代码的自动检查方法，该方法包括：

获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的数控机床代码的自动检查方法，该方法包括：

获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种数控机床代码的自动检查方法，其特征在于，所述方法包括：

获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果；

所述结构预测模型包括切分层、匹配层以及调整层，所述将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息，包括：

将所述机床代码文本输入所述切分层，通过所述切分层对所述机床代码文本进行切分，得到若干代码段；

将各所述代码段输入所述匹配层，通过所述匹配层将各所述代码段分别与预先存储的各标准代码段进行匹配，得到各所述代码段分别对应的目标加工步骤，其中，各所述标准代码段分别对应不同工件部位的加工步骤；

将所述原始结构信息和各所述目标加工步骤输入所述调整层，通过所述调整层基于各所述目标加工步骤对所述原始结构信息进行调整，得到所述预测结构信息。

2.根据权利要求1所述的数控机床代码的自动检查方法，其特征在于，所述切分层采用强化学习模型构建，所述切分层在所述结构预测模型训练之前预先经过单独训练。

3.根据权利要求2所述的数控机床代码的自动检查方法，其特征在于，所述切分层的单独训练方法为：

将训练代码文本输入所述切分层，得到所述训练代码文本对应的若干训练代码段；

获取所述训练代码文本对应的加工工件的三维点云数据，基于点云的深度值和点云之间的距离值对所述三维点云数据进行聚类，得到若干聚类簇，其中，各所述聚类簇分别对应不同工件部位；

根据所述三维点云数据确定各所述训练代码段分别对应的局部点云数据，其中，每一所述训练代码段对应的所述局部点云数据用于反映所述训练代码段对应的加工步骤的作用区域；

计算各所述局部点云数据分别位于不同所述聚类簇的比例，判断所述比例是否达到目标比例；

当否时，根据所述比例确定奖励值，根据所述奖励值对所述切分层进行参数更新，继续执行所述将训练代码文本输入所述切分层的步骤，直至所述比例达到所述目标比例，得到已完成单独训练的所述切分层。

4.根据权利要求1所述的数控机床代码的自动检查方法，其特征在于，所述文本重建模型包括筛选层和检测层，所述将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本，包括：

将所述遮挡代码文本输入所述筛选层，通过所述筛选层基于上下文信息确定各所述掩码分别对应的候选代码集；

将所述遮挡代码文本和各所述掩码的所述候选代码集输入所述检测层，通过所述检测层基于关联出现次数从各所述候选代码集中确定各所述掩码分别对应的目标代码，其中，每一所述掩码的所述目标代码为所述掩码的所述候选代码集中与所述掩码相邻的两个代码关联出现次数最高的候选代码；

根据各所述掩码的所述目标代码对所述遮挡代码文本进行填充，得到所述重建代码文本。

5.根据权利要求1所述的数控机床代码的自动检查方法，其特征在于，所述方法还包括：

获取各所述目标异常代码分别对应的人工修正信息；

根据各所述人工修正信息和所述机床代码文本，确定修正代码文本。

6.根据权利要求5所述的数控机床代码的自动检查方法，其特征在于，在所述根据各所述人工修正信息和所述机床代码文本，确定修正代码文本之后，还包括：

将所述修正代码文本发送至目标机床，获取所述目标机床基于所述修正代码文本生成的运行记录；

根据所述运行记录确定所述修正代码文本的正确率，根据所述正确率对所述结构预测模型和所述文本重建模型进行参数更新。

7.一种数控机床代码的自动检查装置，其特征在于，所述装置包括：

数据获取模块，用于获取待检测的机床代码文本对应的加工工件的原始结构信息和目标结构信息，所述原始结构信息反映所述加工工件在加工前的结构，所述目标结构信息反映所述加工工件被加工后的结构；

结构预测模块，用于将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息；

结构比对模块，用于根据所述预测结构信息和所述目标结构信息确定结构差异信息，根据所述结构差异信息从所述机床代码文本中确定若干候选异常代码；

文本重建模块，用于对所述机床代码文本中各所述候选异常代码采用掩码进行遮挡，得到遮挡代码文本，将所述遮挡代码文本输入已训练的文本重建模型，得到重建代码文本；

代码比对模块，用于根据所述重建代码文本确定各所述候选异常代码分别对应的标准代码，将与所述标准代码不相同的所述候选异常代码作为目标异常代码，根据全部所述目标异常代码输出所述机床代码文本对应的代码检查结果；

所述结构预测模型包括切分层、匹配层以及调整层，所述将所述机床代码文本和所述原始结构信息输入已训练的结构预测模型，获取所述结构预测模型输出的预测结构信息，包括：

将所述机床代码文本输入所述切分层，通过所述切分层对所述机床代码文本进行切分，得到若干代码段；

将各所述代码段输入所述匹配层，通过所述匹配层将各所述代码段分别与预先存储的各标准代码段进行匹配，得到各所述代码段分别对应的目标加工步骤，其中，各所述标准代码段分别对应不同工件部位的加工步骤；

将所述原始结构信息和各所述目标加工步骤输入所述调整层，通过所述调整层基于各所述目标加工步骤对所述原始结构信息进行调整，得到所述预测结构信息。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的数控机床代码的自动检查方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的数控机床代码的自动检查方法。

Images