CN117250911A - Cam软件模型调用方法、系统、设备及介质 - Google Patents

Abstract

本申请提供一种CAM软件模型调用方法、系统、设备及介质，属于数控加工技术领域。其通过持续采集加工过程中产生的数据形成数据集用于模型训练，获得初始数据模型。随着数据采集过程的不断继续，利用新产生的数据集在云端对初始数据模型进行增量训练，更新数据模型的权重参数，形成更新的数据模型回传至边缘端。CAM软件根据当前的加工需求，调用边缘端对应的传统模型或实时调用最新的数据模型，实现对加工过程的控制。从而，用部分数据模型替换传统模型，解决了传统模型无法考虑所有影响因素的弊端；并通过实时将最新数据模型传至边缘端，CAM软件根据加工需求进行调用的机制，使得客户端CAM软件无需实时更新即可获得最新数据模型。

Description

CAM软件模型调用方法、系统、设备及介质

技术领域

本申请涉及数控加工技术领域，特别是涉及一种CAM软件模型调用方法、系统、设备及介质。

背景技术

CAM软件开发过程中，经常需要根据被加工对象及其加工要求确定工艺参数及计算加工参数。以叶片铣削为例，毛坯材料不同、形状不同，需要选择不同加工策略、不同切深等，同时需要根据选择的参数计算刀具的进给速度、加速度、摆角等。现有技术中，软件调用的模型常用的有传统模型（数学模型或经验模型）和数据模型（机器学习、深度学习算法建立的数据模型）。一般而言，传统模型稳定、可解释性强，但建模周期长、且因忽略次影响因素易出现误差。数据模型灵活、效率高，但解释性差、变化快。

在仍然以传统模型为主导的工业软件开发中，当前对数据模型的利用主要通过以下几种方法：1、通过数据模型获得知识，该知识可以帮助建立传统模型；2、以机理为主的传统模型为数据建模提供引导，让数据模型更为聚焦；3、将数据模型输出成.dll文件，供CAM软件直接调用。这几种方法都在一定程度上促进了CAM软件的发展，特别是方法3，数据模型能够直接为CAM软件所调用。然而，仍然存在几个问题：方法1、2中传统模型与数据模型只形成了浅层结合；方法3中虽然实现了直接调用，但CAM软件一般在用户端都是定期更新，数据模型生成的.dll文件也是定期生成，两者都难以实现实时更新。

发明内容

本申请提供一种CAM软件模型调用方法、系统、设备及介质，将传统模型和数据模型并用，能够实时调用最新的数据模型，提高参数预测的准确性和有效性。

本申请实施例第一方面提供一种CAM软件模型调用方法，包括应用于设备端、数采系统、边缘端和云端的系统，上述设备端运行有CAM软件，上述边缘端预设有多种传统模型和数据模型，上述云端预设有多种数据模型，上述方法包括：

通过上述数采系统持续从上述设备端采集加工过程中产生的数据，并传输至上述边缘端进行存储；上述加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据；

上述边缘端将上述加工过程中产生的数据上传至上述云端，上述云端根据上述输入参数对应的数据、待预测参数对应的数据及中间过程数据进行训练，形成初始数据模型；

随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对上述初始数据模型进行增量训练，更新上述数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至上述边缘端；

上述CAM软件根据当前的加工需求，调用对应的上述传统模型或更新的数据模型，并根据生成的结果数据控制上述设备端执行加工。

可选地，上述CAM软件根据当前的加工需求，调用对应的上述传统模型或更新的数据模型，并根据生成的结果数据控制上述设备端执行加工，包括：

上述CAM软件根据当前的加工需求，确定需调用的上述传统模型或更新的数据模型的函数名，并据其生成对应的调用函数指令，发送至上述边缘端；每个上述传统模型或更新的数据模型分别对应一个唯一的函数名；

上述边缘端根据上述调用函数指令，调用对应的传统模型或更新的数据模型，获得结果数据；

上述CAM软件根据上述结果数据控制上述设备端执行加工。

可选地，上述方法还包括：通过上述边缘端按照预设周期对存储的上述加工过程中产生的数据进行管理，将当前预设周期之前的过程数据删除。

可选地，上述方法还包括：通过上述边缘端对上述加工过程中产生的数据进行预处理，并将预处理后的过程数据发送至上述云端。

可选地，上述方法还包括：通过上述云端对上述加工过程中产生的数据的数据量或者运算所需时间进行评估，若上述加工过程中产生的数据的数据量小于第一预设阈值或运算时间低于预设时间阈值，则通过一台服务器进行运算；若上述加工过程数据的数据量不小于上述第一预设阈值或运算时间高于预设时间阈值，则通过多台上述服务器进行并行运算。

本申请实施例第二方面提供一种CAM软件模型调用系统，上述系统包括：

设备端、数采系统、边缘端和云端，上述设备端运行有CAM软件，上述边缘端预设有多种传统模型和数据模型，上述云端预设有多种数据模型；

上述设备端用于根据上述CAM软件的控制指令执行加工；

上述数采系统用于从上述设备端持续采集加工过程中产生的数据，并传输至上述边缘端；上述加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据；

上述边缘端用于对上述加工过程中产生的数据进行存储和预处理，并将预处理后的数据上传至上述云端；

上述云端根据上述加工过程中产生的数据进行训练，形成初始数据模型。随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对上述初始数据模型进行增量训练，更新上述数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至边缘端；

上述CAM软件用于根据当前的加工需求，调用对应的上述传统模型或更新的数据模型，并根据生成的结果数据控制上述设备端执行加工。

可选地，上述系统还包括：

上述CAM软件根据当前的加工需求，确定需调用的上述传统模型或更新的数据模型的函数名，并据其生成对应的调用函数指令，发送至上述边缘端；其中，每个上述传统模型或更新的数据模型分别对应一个唯一的函数名。

本申请实施例第三方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面的方法中的步骤。

本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，上述处理器执行时实现本申请第一方面的方法中的步骤。

与现有技术相比，本申请包括以下优点：

本申请实施例提供一种CAM软件模型调用方法、系统、设备及介质，过程中，通过数采系统持续从设备端采集加工过程中产生的数据，并传输至边缘端进行存储；加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据；边缘端将加工过程中产生的数据上传至云端，云端根据加工过程中产生的数据进行训练，形成初始数据模型；随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对初始数据模型进行增量训练，更新数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至边缘端；CAM软件根据当前的加工需求，调用对应的传统模型或更新的数据模型，并根据生成的结果数据控制设备端执行加工。从而，在传统模型的基础上，通过数采系统和边缘端持续采集加工过程中产生的数据，作为新的训练数据，在云端对相应的数据模型进行持续更新，使数据模型始终保持最新状态，并通过CAM软件进行实时调用。一方面，通过用部分数据模型替换传统模型，解决了传统模型存在的无法考虑所有影响因素的弊端。另一方面，通过实时将最新数据模型传至边缘端，CAM软件根据加工需求发送调用指令调用最新模型这种机制，使得客户端CAM软件无需实时更新即可获得最新数据模型。

附图说明

图1是本申请一实施例提出的一种CAM软件模型调用方法的应用示意图；

图2是本申请一实施例提出的一种CAM软件模型调用方法的流程图；

图3是本申请一实施例提出的应用CAM软件模型调用方法的叶片铣削方法的流程图；

图4是本申请一实施例提出的一种CAM软件模型调用系统的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

CAM工业软件开发过程中，经常需要根据被加工对象及其加工要求，确定工艺参数及计算加工参数。以叶片铣削为例，毛坯材料不同、形状不同，需要选择不同加工策略、不同切深等，同时需要根据选择的参数计算刀具的进给速度、加速度、摆角等。现有技术中，软件调用的模型常用的有传统模型（数学模型或经验模型）和数据模型（机器学习、深度学习算法建立的数据模型）。

一般而言，传统模型稳定、可解释性强，但建模周期长，且因忽略次影响因素易出现误差。因为为了建立这个数学模型，需要将一些不必要的因素忽略，同时需要对约束条件做出一些理想假定。因此，建立的数学模型与实际加工有一定差距，极端情况下，甚至可能将一些关键影响因素人为忽略掉，从而影响开发效果。数据模型则基于机器学习算法建立并训练得到，例如深度学习、强化学习等，数据模型更为灵活、效率高，但解释性差、变化快。

在仍然以传统模型为主导的工业软件开发中，当前对数据模型的利用主要通过以下几种方法：1、通过数据模型获得知识，该知识可以帮助建立传统模型；2、以机理为主的传统模型为数据建模提供引导，让数据模型更为聚焦；3、将数据模型输出成.dll文件，供CAM软件直接调用。这几种方法都在一定程度上促进了CAM软件的发展，特别是方法3，数据模型能够直接为CAM软件所调用。然而，仍然存在几个问题：方法1、2中传统模型与数据模型只形成了浅层结合；方法3中虽然实现了直接调用，但CAM软件一般在用户端都是定期更新，数据模型生成的.dll文件也是定期生成，两者都难以实现实时更新。

鉴于此，本申请通过数采系统和边缘端持续采集加工过程中产生的数据并进行训练，形成初始数据模型。随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对新的训练数据进行增量训练，更新数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至边缘端。CAM软件则根据当前的加工需求，调用对应的传统模型或实时调用最新的数据模型进行预测，并根据预测结果数据控制设备端执行加工。从而不仅解决了传统模型偏重机理而容易忽视随机因素造成精度不高的问题，提高了参数预测效果，也解决了实时更新的数据模型与相对固定的工业软件间实时通讯问题，实现数据模型的在线更新。

请参照图1和图2，本申请实施例提出一种CAM软件模型调用方法，该方法包括应用于设备端、数采系统、边缘端和云端的系统，上述设备端运行有CAM软件，上述边缘端预设有多种传统模型和数据模型，上述云端预设有多种数据模型。具体的，该方法主要包括：

步骤S101：通过上述数采系统持续从上述设备端采集加工过程中产生的数据，并传输至上述边缘端进行存储；上述加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据。

本实施例中，设备端指由计算机程序来控制设备进行加工的工业自动化设备，例如数控车床、数控铣床、数控钻床等等。数采系统主要用于从设备端持续采集相关的加工过程中产生的数据。边缘端在靠近数采系统的网络边缘侧，融合了网络、计算、储存等功能，可减少网络操作和服务交付的时延，能够对采集到的加工过程中产生的数据进行处理和存储，并将数据传输至云端。云端则用于对大量的复杂型数据进行进一步的处理和挖掘，具有容纳性强、运行速度快等特点。

如图1所示，在设备端设置了CAM软件，以控制设备的加工过程。边缘端预设有多种传统模型和数据模型，可供CAM软件进行调用，计算相应的加工参数。云端主要用于对多种数据模型进行训练更新，其与边缘端同步，能够将更新后的数据模型回传给边缘端，使得边缘端的数据模型始终保持在最新状态。而要实现数据模型的训练更新，如何采集优质的数据集至关重要。

本实施例中，为了得到优质的数据集对数据模型进行训练，首先，通过数采系统持续从设备端采集加工过程中产生的数据。其中，加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据。待预测参数对应的数据是指对被加工对象进行加工时，所需要计算的一些加工参数。例如叶片铣削加工过程，就需要计算刀具的进给速度、加速度和摆角等加工参数。容易理解的是，不同的被加工对象拥有不同的加工参数。中间过程数据则是指与被加工对象的某一加工参数具有相关性的一些加工数据。例如，对叶片铣削过程中的中间过程数据就包括主轴电流、切削力、主轴振动、主轴温度等。输入参数对应的数据包括但不限于主轴转速、切削深度、切削宽度等。

然后，通过CAM软件调用该数据模型的结果参数，以控制设备端执行加工。执行加工的同时，数采系统又会同时采集该待预测参数最终对应的加工参数，将其作为一个新的加工过程中产生的数据，上传至边缘端。也就是说，通过实时采集加工过程中产生的数据，生成新的训练样本，供数据模型训练使用。边缘端则相当于一个中间者，对收到的加工过程中产生的数据进行存储，保证采集的数据不丢失，并对加工过程数据进行预处理，例如数据去噪、数据清洗等处理，将预处理后的优质数据上传至云端进行进一步的处理。

此外，边缘端还可以按照预设周期对存储的加工过程中产生的数据进行管理，将当前预设周期之前的加工过程中产生的数据删除，保证数据的时效性。示例性的，预设周期可以设为1天、3天或一周等等，具体可以根据实际情况进行设置。边缘端的计算机只对近期（比如最近3天）的数据加以存储，过期的数据则直接舍弃。

步骤S102：上述边缘端将上述加工过程中产生的数据上传至上述云端，上述云端根据上述输入参数对应的数据、待预测参数对应的数据及中间过程数据进行训练，形成初始数据模型。

步骤S103：随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对上述初始数据模型进行增量训练，更新上述数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至上述边缘端。

本实施例中，数据模型可以为深度学习网络、强化学习网络等人工智能算法产生的模型。初始的数据模型可以以传统模型作为指引，通过历史样本加工过程中产生的数据进行训练得到，而后通过实时采集的加工过程数据作为新样本进行增量训练，使数据模型保持最新状态。

例如，可以采用BP神经网络模型来预测叶片铣削力度。BP神经网络模型包括输入层、隐藏层和输出层，并选择tinsig函数、purelin函数分别作为输入层和输出层的激活函数。假设采集到的一组新样本为，其中，/>表示目标叶片铣削力度，/>表示与叶片铣削力度相关的参数构成的向量，/>，/>表示主轴转速，/>表示铣削速度，/>表示铣削深度，/>表示铣削宽度，/>表示刀具进给量，/>表示刀具转角。通过将相关参数形成的向量输入BP神经网络模型中，预测出对应的叶片铣削力度，可得到预测值/>，将预测值/>与目标叶片铣削力度/>进行对比，计算出损失函数，并根据损失函数对BP神经网络模型各层的权重系数进行反向梯度更新。如此循环往复，从而对BP神经网络模型进行持续训练和更新，并将更新后的数据模型回传至上述边缘端，实现数据模型的在线更新。

此外，云端在训练数据模型时，根据需要可以加大算力，进行并行计算。例如，可以通过云端对加工过程中产生的数据的数据量或者运算所需时间进行评估，若加工过程中产生的数据的数据量小于第一预设阈值或运算时间低于预设时间阈值，则通过一台服务器进行运算；若加工过程数据的数据量不小于第一预设阈值或运算时间高于预设时间阈值，则通过多台服务器进行并行运算，提高获得数据模型的效率。其中，第一预设阈值和预设时间阈值可根据实际情况进行设置。

步骤S104：上述CAM软件根据当前的加工需求，调用对应的上述传统模型或更新的数据模型，并根据生成的结果数据控制上述设备端执行加工。

具体的，CAM软件根据当前的加工需求，确定需调用的上述传统模型或更新的数据模型的函数名，并据其生成对应的调用函数指令，发送至上述边缘端；每个上述传统模型或更新的数据模型分别对应一个唯一的函数名。上述边缘端根据上述调用函数指令，通过对应的传统模型或更新的数据模型，对从上述数采系统接收的根据当前的加工需求所采集的加工数据进行预测，得到结果数据，并回传给上述CAM软件。上述CAM软件根据上述结果数据控制上述设备端执行加工。

本实施例中，边缘端存有多种传统模型和从云端接收到的更新后的数据模型，每种模型分别对应一个唯一的函数名。当CAM软件根据当前的实际加工需求，需要计算某一加工参数时，可以通过相应的调用函数指令，调用传统模型或者最新的数据模型对当前采集到的加工过程参数进行预测。得到结果数据后，将结果数据回传给CAM软件，CAM软件据此生成控制指令，控制设备端执行加工。示例性的，CAM软件运行过程中需要计算100种加工参数，其中有51种是通过传统模型进行计算，有49种是通过数据模型进行计算，则对应设置100个调用函数，其中有51个是调用传统模型的函数，49种是调用数据模型的函数。

本申请采用边云协同方式，当设备处于开启及联网状态下时，通过边缘端及云端持续采集加工过程中产生的数据，并持续训练数据模型，使数据模型一直处于最新状态。于是，在CAM软件根据需要调用数据模型进行预测时，可以调用到最新的数据模型，获得更优的加工参数，以达到更好的加工控制效果。一方面，将传统模型和数据模型结合使用，解决了传统模型偏重机理而容易忽视随机因素造成精度不高的难题。另一方面，由于数据模型与工业软件两者之间是相互独立的，数据模型一旦更新，则需要重新编译工业软件后，才能将更新的数据模型融入工业软件。而重新编译工业软件意味着需要在客户端编译。因此，只能离线编译后再将新版本迁移至客户端（即只能离线更新），导致更新过程较为麻烦。而本申请通过持续更新、实时调用的方式，解决了实时更新的数据模型与相对固定工业软件间实时通讯问题，实现了数据模型的在线更新。

请参照图3，图3是本申请一实施例提出的应用CAM软件模型调用方法的叶片铣削方法的流程图。如图3所示，该过程包括：

步骤S201：通过上述数采系统从上述设备端采集当前的输入参数对应的数据、待预测参数对应的数据及中间过程数据，并传输至上述边缘端；上述输入参数对应的数据包括但不限于主轴转速、切削深度、切削宽度；上述中间过程数据包括但不限于主轴电流、切削力、主轴振动、主轴温度；

步骤S202：将上述输入参数及中间过程参数，输入上述边缘端中进行预处理，并将预处理后的数据传输至云端；上述云端利用新增的数据进行增量训练，获得数据模型，并根据当前的输入参数及中间过程参数预测得到对应的刀具进给速度，实时传递到边缘端；

步骤S203：上述边缘端在接收到上述CAM软件发送的，关于调用刀具进给速度的数据模型的最新输出结果的指令时，将上述最新的刀具进给速度回传给上述CAM软件；

步骤S204：上述CAM软件根据调用的上述最新的刀具进给速度，生成对上述设备端的控制指令，控制上述设备端执行加工。

上述数采系统继续采集数据，形成一个连续的循环过程。

本实施例中，将上述CAM软件模型调用方法应用到叶片铣削场景下，可以利用在线更新的数据模型对叶片铣削过程中的加工控制参数进行实时预测，提高参数预测的准确性，进而提高叶片铣削加工的最终效果。具体应用过程与上述方法类似，此处不再赘述。

基于同一发明构思，本申请一实施例提供一种CAM软件模型调用系统。请参照图4，图4是本申请一实施例提出的一种CAM软件模型调用系统的结构示意图，包括：

设备端、数采系统、边缘端和云端，上述设备端运行有CAM软件，上述边缘端预设有多种传统模型和数据模型，上述云端预设有多种数据模型；

上述设备端用于根据上述CAM软件的控制指令执行加工；

上述数采系统用于从上述设备端持续采集加工过程中产生的数据，并传输至上述边缘端；上述加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据；

上述边缘端用于对上述加工过程中产生的数据进行存储和预处理，并将预处理后的数据上传至上述云端；

上述云端根据上述加工过程中产生的数据进行训练，形成初始数据模型。随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对上述初始数据模型进行增量训练，更新上述数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至边缘端；

上述CAM软件用于根据当前的加工需求，调用对应的上述传统模型或更新的数据模型，并根据生成的结果数据控制上述设备端执行加工。

可选地，上述系统还包括：

上述CAM软件根据当前的加工需求，确定需调用的上述传统模型或更新的数据模型的函数名，并据其生成对应的调用函数指令，发送至上述边缘端；其中，每个上述传统模型或更新的数据模型分别对应一个唯一的函数名。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种CAM软件模型调用方法、系统、设备及介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种CAM软件模型调用方法，包括应用于设备端、数采系统、边缘端和云端的系统，所述设备端运行有CAM软件，所述边缘端预设有多种传统模型和数据模型，所述云端预设有多种数据模型，其特征在于，所述方法包括：

通过所述数采系统持续从所述设备端采集加工过程中产生的数据，并传输至所述边缘端进行存储；所述加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据；

所述边缘端将所述加工过程中产生的数据上传至所述云端，所述云端根据所述输入参数对应的数据、待预测参数对应的数据及中间过程数据进行训练，形成初始数据模型；

随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对所述初始数据模型进行增量训练，更新所述数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至所述边缘端；

所述CAM软件根据当前的加工需求，调用对应的所述传统模型或更新的数据模型，并根据生成的结果数据控制所述设备端执行加工。

2.根据权利要求1所述的方法，其特征在于，所述CAM软件根据当前的加工需求，调用对应的所述传统模型或更新的数据模型，并根据生成的结果数据控制所述设备端执行加工，包括：

所述CAM软件根据当前的加工需求，确定需调用的所述传统模型或更新的数据模型的函数名，并据其生成对应的调用函数指令，发送至所述边缘端；每个所述传统模型或更新的数据模型分别对应一个唯一的函数名；

所述边缘端根据所述调用函数指令，调用对应的传统模型或更新的数据模型，获得结果数据；

所述CAM软件根据所述结果数据控制所述设备端执行加工。

3.根据权利要求1所述的方法，其特征在于，还包括：通过所述边缘端按照预设周期对存储的所述加工过程中产生的数据进行管理，将当前预设周期之前的过程数据删除。

4.根据权利要求1所述的方法，其特征在于，还包括：通过所述边缘端对所述加工过程中产生的数据进行预处理，并将预处理后的过程数据发送至所述云端。

5.根据权利要求1所述的方法，其特征在于，还包括：

通过所述云端对所述加工过程中产生的数据的数据量或者运算所需时间进行评估，若所述加工过程中产生的数据的数据量小于第一预设阈值或运算时间低于预设时间阈值，则通过一台服务器进行运算；若所述加工过程数据的数据量不小于所述第一预设阈值或运算时间高于预设时间阈值，则通过多台所述服务器进行并行运算。

6.一种CAM软件模型调用系统，其特征在于，包括设备端、数采系统、边缘端和云端，所述设备端运行有CAM软件，所述边缘端预设有多种传统模型和数据模型，所述云端预设有多种数据模型；

所述设备端用于根据所述CAM软件的控制指令执行加工；

所述数采系统用于从所述设备端持续采集加工过程中产生的数据，并传输至所述边缘端；所述加工过程中产生的数据包括输入参数对应的数据、待预测参数对应的数据及中间过程数据；

所述边缘端用于对所述加工过程中产生的数据进行存储和预处理，并将预处理后的数据上传至所述云端；

所述云端根据所述加工过程中产生的数据进行训练，形成初始数据模型；随着数据采集过程的不断继续，新产生的数据作为新的训练数据，在云端对所述初始数据模型进行增量训练，更新所述数据模型的权重参数，形成更新的数据模型，更新后的数据模型回传至边缘端；

所述CAM软件用于根据当前的加工需求，调用对应的所述传统模型或更新的数据模型，并根据生成的结果数据控制所述设备端执行加工。

7.根据权利要求6所述的系统，其特征在于，还包括：

所述CAM软件根据当前的加工需求，确定需调用的所述传统模型或更新的数据模型的函数名，并据其生成对应的调用函数指令，发送至所述边缘端；其中，每个所述传统模型或更新的数据模型分别对应一个唯一的函数名。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至5任一所述的方法中的步骤。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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计算机程序时，实现如权利要求1至5任一所述的方法的步骤。